标签
论文评估了 LLM 导师（StudyChat）的学期级交互特征对学生作业成绩的预测价值，发现相较于简单基线仅有极小增益，并强调基线选择与误差分布对评估学生支持工具的重要性。
阿姆斯特丹大学的一项研究将基于强化学习的多实例学习、对抗去偏和偏好条件化超网络相结合，用于学业风险学生预测。研究发现，公平性目标可以加入到可解释的 RL-MIL 流水线中，但仅凭偏好条件化无法实现性能与 Equalized Odds（机会均等）之间可控的权衡，原因是存在模式坍缩。
该论文提出了一种流水线，利用少样本文本分类器和GPT-4提取的先决条件知识图谱，将学生在对话式AI助教中提出的问题映射到课程主题。在1,340个问题事件上实现了80%的准确率，并与学生自我报告的难度相关。
本文提出了一个三阶段诊断框架，用于识别离线模型选择器为何无法胜过最佳单一模型，并将其应用于edX点击流数据上的辍学预测。研究发现瓶颈在于局部表征歧义，而非学习器选择或分布偏移，建议重新设计状态或收集新数据，而非进一步调优算法。