从直觉到分析：在线学习中的 effort 与 progress 预测
摘要
持续的努力对于实现智能辅导系统 (ITS) 的效益至关重要，但许多学习者会疏离或低效地利用可用练习时间。我们引入 engagement forecasting 作为一种基于 ITS 日志的监督预测任务，旨在预测两个与努力和学习进步central的后果：每周练习的分钟数和每周掌握的新技能数。我们使用来自 425 名中学生一年级互动日志数据，对十五种预测器进行基准测试，包括回归、决策树和神经网络。我们表明，这些基于特征的模型相对于直觉基线（包括适应于其他行为领域的固定百分位规则）可将平均绝对误差 (MAE) 降低 22-33%。我们发现，百分位直觉系统atically 高估，而基于特征的模型更好地跟踪学生练习轨迹 across 周。为支持可解释性，我们分析特征重要性和消除实验，揭示了目标特定的模式：effort 预测主要由最近的活动特征驱动，而 progress 预测更依赖于学习者状态和内容难度信号。最后，在对八名大学生导师的半结构化用户访谈案例研究中，我们检查了导师如何就系统生成的预测特征在设定学生目标时进行推理。我们发现，导师在effort 与 progress 目标上进行推理的方式与我们的模式分析相吻合。总的来说，这些结果为预测 ITS 中的每周 effort 与学习 progress 建立了一个可复现的基准。通过在每周尺度上使 sustained effort 与 progress 的模式可见，engagement forecasting 为支持导师-学习者目标设定和及时教学决策提供了基础。
引用
@article{arxiv.2605.12788,
title = {From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning},
author = {Eric S. Qiu and Danielle R. Thomas and Boyuan Guo and Vincent Aleven and Conrad Borchers},
journal= {arXiv preprint arXiv:2605.12788},
year = {2026}
}
备注
Accepted as full paper to the 19th International Conference on Educational Data Mining (EDM 2026)