ClickSight：通过大语言模型解读学生点击流以揭示学习策略
人工智能
2025-05-22 v1 计算与语言
摘要
数字学习环境中的点击流数据提供了有关学生学习行为的宝贵见解，但由于其高维度和细粒度特性，难以进行解释。以往方法主要依赖手工特征、专家标注、聚类或监督模型，往往缺乏通用性和可扩展性。本文引入 ClickSight，一种基于情境 Large Language Model（LLM）的管道，用于解读学生点击流以揭示其学习策略。ClickSight 以原始点击流和学习策略列表为输入，生成对学生在交互期间行为的文本性解释。我们评估了四种不同的提示策略，并研究了自我精炼对解释质量的影响。我们的评估涵盖两个开放导向的学习环境，并使用基于评语的领域专家评估。结果表明，尽管 LLM 可以合理地从点击流中解读学习策略，但解释质量因提示策略而异，自我精炼仅提供有限的改进。ClickSight 展示了 LLM 用于从教育交互数据生成理论驱动见解的潜力。
引用
@article{arxiv.2505.15410,
title = {ClickSight: Interpreting Student Clickstreams to Reveal Insights on Learning Strategies via LLMs},
author = {Bahar Radmehr and Ekaterina Shved and Fatma Betül Güreş and Adish Singla and Tanja Käser},
journal= {arXiv preprint arXiv:2505.15410},
year = {2025}
}
备注
Accepted in Latebreaking results track in AIED 2025(26th International Conference on Artificial Intelligence in Education JULY 22-26, 2025 PALERMO, ITALY)