透過動態技能匹配與偏好對齊優化專題實作團隊成果
arXiv - Computers and SocietyBrandon Pardi, Garret Castro, Michael Pisman, Avash Adhikari, Santosh Chandrasekhar
本文提出一種結合 LLM 與動態演算法的三階段方法，透過匹配學生技能與專案需求來優化團隊組成。
AI 幫你先抓重點
AI 重點 1
利用大型語言模型（LLM）自動化提取專案技能需求
滑鼠懸停看 AI 判斷理由
這改變了傳統人工分析專案需求的高成本與主觀性，讓教育者能快速、精準地將複雜的專案目標轉化為可量化的技能指標，實現大規模的自動化團隊配置。
AI 重點 2
同時優化「技能覆蓋」與「偏好對齊」的雙重目標
滑鼠懸停看 AI 判斷理由
傳統分組往往只關注能力平衡或興趣，忽略了兩者的動態平衡。這種雙重優化策略能同時提升專案的技術成功率與學生的學習動機，對 PBL 課程設計具有高度實務價值。
核心研究發現
- 1
研究提出三階段方法論：包含學生興趣與技能調查、利用 LLM 從專案描述中提取技能需求，以及動態分配演算法。
- 2
初步評估顯示，該方法在技能覆蓋率與學生偏好滿足度上，均優於傳統的隨機分配或人工分配方式。
- 3
該方法克服了現有工具（如 CATME Team-Maker）無法明確考慮專案技能達成度（skill fulfillment）的侷限性。
對教育工作者的啟發
教育工作者在設計專題式學習（PBL）課程時，應從單純的「能力分組」轉向「技能與興趣雙向匹配」。建議導入 AI 工具來解析專案需求，並建立結構化的學生技能自評機制。這不僅能確保團隊具備完成任務的技術能力，更能透過滿足學生的學習興趣來提升自主學習動機，減少因團隊組成不當導致的專案失敗或學習倦怠。
原始文獻資訊
- 英文標題：
- Improving Capstone Team Outcomes through Dynamic Skill Matching and Preference Alignment
- 作者：
- Brandon Pardi, Garret Castro, Michael Pisman, Avash Adhikari, Santosh Chandrasekhar
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
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。