估计按需辅导异质效应的因果框架
人机交互
2026-02-24 v1 应用统计
摘要
本文引入了用于估计嵌入自适应学习系统中按需人类辅导的即时、会话级效应的可扩展因果推断框架。由于学生在困难时寻求帮助，常规评估受自我选择和时间可变知识状态的混淆。我们通过整合原则化的分析样本构建与深度知识追踪 (DKT) 来估计潜在掌握程度，然后使用因果森林进行双鲁棒估计。将该框架应用于超过 5000 例中学生数学辅导会话，我们发现请求人类辅导会使下一个问题的正确性提高约 4 个百分点，并使后续遇到的技能准确率提高约 3 个百分点，表明辅导效应在知识组件之间具有近端迁移。这一效应对各种模型指定和潜在未测混淆因素都稳健。值得注意的是，这些效应在会话和学生之间存在显著异质性，会话级效应估计范围从 -20.25pp 到 +19.91pp。我们的后续分析表明，诸如学生发言时间等典型行为指标，并不始终与高影响会话相关联。此外，低先前掌握水平的学生和低社会经济地位 (SES) 的学生的治疗效应较大。该框架为评估和持续改进按需人类辅导提供了严谨、实用的模板，并可直接应用于新兴的人工智能辅导系统。
引用
@article{arxiv.2602.19296,
title = {A Causal Framework for Estimating Heterogeneous Effects of On-Demand Tutoring},
author = {Kirk Vanacore and Danielle R Thomas and Digory Smith and Bibi Groot and Justin Reich and Rene Kizilcec},
journal= {arXiv preprint arXiv:2602.19296},
year = {2026}
}