超越炒作的好奇心：建模动机语言以理解选择性量子轨道中的早期结果
物理教育
2026-02-24 v1 量子物理
摘要
我们研究了秘鲁量子中心（QuantumHub Peru）运行的早期量子计算路径中，简短的西班牙语入学申请回复中的潜在动机信号是否能预测参与度和表现。我们分析了N=241名申请者的开放式回复，并将其与两个选择性模块的结果联系起来：模块1（中学阶段；数学和计算基础；n=23）和模块2（中学+大学早期阶段；量子基础；n=36，包括模块1的继续学习者）。为确保基线可比性，模块2的大学入学考试难度与模块1的期末考试相匹配。最终成绩遵循项目官方的特定队列权重（出勤/作业/考试），我们保留这些权重以保持生态效度。在方法上，我们使用潜在狄利克雷分配（LDA，k=8）对文本进行建模，并为了稳健性，使用来自小型多语言语言模型EmbeddingGemma-300M的句子嵌入，通过UMAP投影并使用HDBSCAN进行聚类。这种组合利用了词袋主题的透明性和小型语言模型嵌入的语义丰富性。描述性分析显示，好奇心/学习主题相关的成绩和出勤率高于技术/职业导向主题；推断性检验的统计功效不足（例如，线性R² ~ 0.03；逻辑伪R² ~ 0.04），因此效应量估计应被视为初步而非确认性的。基于嵌入的聚类产生了七个聚类，噪声率为11.2%，与LDA的一致性一般（ARI=0.068；NMI=0.163）。结果表明，简短的动机回复编码了有前景的信号，可以支持严格的STEM路径中的早期指导，同时也强调了进行更大规模、预注册研究的必要性。
引用
@article{arxiv.2602.19659,
title = {Curiosity Over Hype: Modeling Motivation Language to Understand Early Outcomes in a Selective Quantum Track},
author = {Daniella Alexandra Crysti Vargas Saldana and Freddy Herrera Cueva},
journal= {arXiv preprint arXiv:2602.19659},
year = {2026}
}
备注
Published in the Proceedings of IEEE ICALTER 2025. 5 pages, 7 figures