从启发式到分析：在线学习中的努力与进度预测

arXiv cs.LG 论文
forecasting effort progress online-learning intelligent-tutoring-systems supervised-prediction analytics

摘要

本文针对智能导学系统引入了参与度预测，利用425名中学生的交互日志，预测每周练习分钟数和掌握的新技能数量。基于特征的模型相比启发式基线将误差降低了22-33%，为导学-学习者目标设定提供了可解释的模式。

arXiv:2605.12788v1 公告类型：新提交 摘要：持续的努力对于实现智能导学系统（ITS）的益处至关重要，然而许多学习者会脱离或未充分利用可用的练习时间。我们提出将参与度预测作为基于ITS日志的监督预测任务，针对与努力和学习进度相关的两个核心结果：每周练习分钟数和每周掌握的新技能数量。利用一学年中425名中学生的交互日志数据，我们对包括回归、决策树和神经网络在内的十五种预测模型进行了基准测试。我们表明，这些基于特征的模型相比启发式基线（包括从先前其他行为领域研究中改编的固定百分位规则）将平均绝对误差（MAE）降低了22-33%。我们发现百分位启发式会系统性高估，而基于特征的模型能更好地追踪学生每周的练习轨迹。为了支持可解释性，我们分析了特征重要性和消融实验，揭示了特定目标的模式：努力预测主要受近期活动特征驱动，而进度预测则更多依赖于学习者状态和内容难度信号。最后，在一项针对八名大学导学的半结构化用户访谈案例研究中，我们考察了导学在设定目标时如何理解系统生成的预测特征。我们发现导学对努力目标和进度目标的推理方式不同，这与我们的模式分析相呼应。这些结果共同为预测ITS中的每周努力和学习进度建立了一个可重复的基准。通过以周为时间尺度使持续努力和进度的模式可见，参与度预测为支持导学-学习者目标设定和及时的教学决策提供了基础。
查看原文
查看缓存全文

缓存时间: 2026/05/14 06:18 

# 从启发式方法到数据分析：预测在线学习中的努力与进度
来源：https://arxiv.org/abs/2605.12788
查看PDF (https://arxiv.org/pdf/2605.12788)

> 摘要：持续的努力对于实现智能辅导系统（ITS）的益处至关重要，然而许多学习者中途脱离或未能充分利用可用的练习时间。我们将参与度预测引入为一项基于ITS日志的监督式预测任务，针对两个与努力和学习进度密切相关的目标：每周练习分钟数和每周掌握的新技能数量。利用一所中学425名学生在整个学年中的交互日志数据，我们对十五个预测模型进行了基准测试，包括回归模型、决策树和神经网络。我们表明，这些基于特征的模型相对于启发式基线（包括改编自其他行为领域先前工作的固定百分位规则）将平均绝对误差（MAE）降低了22%至33%。我们发现，百分位启发式方法存在系统性高估，而基于特征的模型能更好地追踪学生在各周之间的练习轨迹。为了支持可解释性，我们分析了特征重要性和消融实验，揭示了特定目标的模式：努力预测主要由近期活动特征驱动，而进度预测则更多地依赖于学习者状态和内容难度信号。最后，在针对八名大学导师的半结构化用户访谈案例研究中，我们考察了导师在为学生设定目标时如何推理系统生成的预测特征。我们发现，导师对努力目标和进度目标的推理方式有所不同，这反映了我们之前的模式分析。综上所述，这些结果为预测ITS中的每周努力和学习进度建立了一个可复现的基准。通过在每周时间尺度上展现持续努力和进度的模式，参与度预测为支持导师-学习者目标设定和及时的教学决策奠定了基础。

## 提交历史

来自：Eric S. Qiu [查看邮件 (https://arxiv.org/show-email/9c5a9495/2605.12788)] **\[v1\]** 2026年5月12日星期二 22:04:06 UTC (629 KB)

相似文章

将未来行为预测作为学习任务

arXiv cs.AI

本文提出了 Behavior Forecasters，一种从推理轨迹中预测 LRM 未来行为（如答案一致性和输入敏感性）的学习方法，以更低的成本超越了 GPT-5.4 和 Claude Opus 4.6。

将预测未来行为作为一项学习任务

Hugging Face Daily Papers

本文提出训练行为预测器，从单条推理轨迹预测大型推理模型的输出，在计算成本更低的情况下优于GPT-5.4和Claude Opus-4.6等大型语言模型，绕过了传统的可解释性方法。