数据科学学生关于学习分析的观点：人类主导与 LLM 内容分析的应用
计算机与社会
2025-02-18 v1 人工智能
新兴技术
应用统计
摘要
目标 本研究是英国一所大学的一系列倡议的一部分，旨在培养对学生关于学习分析观点的深入理解，以契合其独特学习需求。它探讨了后graduate 学生在审查开放大学学习分析数据集（OULAD）时所进行的协作数据处理。方法 采用定性方法，融合检索增强生成（Retrieval-Augmented Generation, RAG）和大型语言模型（Large Language Model, LLM）技术，结合人类主导的内容分析，以收集关于学生观点的资料，这些资料基于他们提交的工作。该研究涉及 72 名研究生，分为 12 组。发现 组间工作的分析揭示了关于学习分析的多样化见解。所有小组都采用了结构化的数据科学方法法。小组提出的问题被归类为七个主题，反映他们特定的兴趣领域。虽然在所选变量来解释相关性方面存在差异，但关于一般结果达成了共识。结论 本研究的一个重要结果是，专注于数据科学的学生表现出更深入的对学习分析的理解，能够通过他们分析所得的推断清晰表达其兴趣。虽然人类主导的内容分析提供了对学生观点的一般性理解，但 LLM 提供了更为细致的洞察。
引用
@article{arxiv.2502.10409,
title = {Data Science Students Perspectives on Learning Analytics: An Application of Human-Led and LLM Content Analysis},
author = {Raghda Zahran and Jianfei Xu and Huizhi Liang and Matthew Forshaw},
journal= {arXiv preprint arXiv:2502.10409},
year = {2025}
}
备注
17 Pages, 2 Tables, 1 Figure