教学结果前的学习者表征差异化评估

学习者表征在教育 AI 系统中扮演核心角色，但在教学结果不可用或高度依赖上下文时，这些表征是否保留了学生之间的有意义差异往往并不明确。本研究探讨如何在缺乏教学结果的情况下，基于学习者表征是否能在共享比较规则下保留学习者之间的分离度来评估其质量。我们引入 distinctiveness，一种表征层面的度量，通过成对距离评估每个学习者与其他学习者的差异，无需聚类、标签或任务特定评估。利用通过在线学习环境中对话式 AI 代理收集的学生提问，我们比较了基于单个问题的表征与跨学生交互时间聚合模式的表征。结果表明，学习者层面的表征比交互层面的表征产生了更高的分离度、更强的聚类结构和更可靠的成对区分能力。这些发现表明，学习者表征可以独立于教学结果进行评估，并且以 distinctiveness 作为诊断指标，为评估表征是否支持差异化建模或个性化提供了实用的部署前标准。