edtechaiassessmentlearning designsrl

從啟發式到分析：預測線上學習的努力與進度

arXiv - Computers and SocietyEric S. Qiu, Danielle R. Thomas, Boyuan Guo, Vincent Aleven, Conrad Borchers

建立可重現的週期性努力與進度預測模型，提升 ITS 互動效能

AI 幫你先抓重點

AI 重點 1

從簡單百分位數啟發式到數據驅動模型顯著提升預測準確度，為週期性目標設定提供更可靠基礎。

滑鼠懸停看 AI 判斷理由
準確預測使導師能針對個別學生即時調整教學策略，避免使用通用規則造成的資源浪費，進一步提升學習成效。
AI 重點 2

努力與進度的特徵驅動差異提示，干預措施應分別聚焦最近活動與學習者狀態/內容難度，提供具體行動指引。

滑鼠懸停看 AI 判斷理由
了解各結果受哪些訊號影響，能協助教育工作者設計差異化支持，符合自我調節學習原則，提升學生自主學習能力。

核心研究發現

  1. 1

    特徵驅動模型將每週練習時間與新技能掌握的 MAE 降低 22-33%，顯著優於百分位數啟發式基準。

  2. 2

    百分位數啟發式系統性過度預測，而特徵模型能更準確追蹤學生每週練習軌跡。

  3. 3

    努力預測主要受最近活動特徵影響；進度預測則更依賴學習者狀態與內容難度訊號。

  4. 4

    八位大學導師的半結構化訪談顯示，導師對努力與進度目標的推理方式與模型特徵重要性相符。

對教育工作者的啟發

教師可利用每週預測的努力與進度數據，設定個別化目標並即時調整教學；對於努力，重點關注最近活動指標；對於進度，則聚焦學習者狀態與內容難度；透過儀表板呈現預測結果，並訓練導師解讀模型輸出，提升互動效能與學習成效。

原始文獻資訊

英文標題：
From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning
作者：
Eric S. Qiu, Danielle R. Thomas, Boyuan Guo, Vincent Aleven, Conrad Borchers
來源：
arXiv - Computers and Society
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。