利用语言模型处理 LLM 驱动的交互式在线课程中的学生退课问题
计算与语言
2025-08-26 v1 计算机与社会
摘要
交互式在线学习环境，以大规模人工智能赋能课程（MAIC）为代表，利用 LLM 驱动的多主体系统将被动的 MOOC 转化为具有动态互动性的文本平台，通过 LLM 实现交互性提升。本文对特定 MAIC 课程进行实证研究，探讨三大关于这些交互式在线课程中退课问题的研究问题：（1）可能导致退课的因素是什么？（2）我们能预测退课吗？（3）我们能减少退课吗？我们分析交互日志以定义退课行为并识别影响因素。我们的发现揭示了退课行为与文本交互模式之间的密切关联。随后，我们提出了一种课程进度自适应的退课预测框架（CPADP），以实现最高达 95.4% 的准确率预测退课。基于此，我们设计了一个个性化邮件召回代理以重新吸引风险学生。该方法在部署了超过 3000 名学生的 MAIC 系统中得到验证，证明了该方法在学生背景各异的情况下的可行性和有效性。
引用
@article{arxiv.2508.17310,
title = {Handling Students Dropouts in an LLM-driven Interactive Online Course Using Language Models},
author = {Yuanchun Wang and Yiyang Fu and Jifan Yu and Daniel Zhang-Li and Zheyuan Zhang and Joy Lim Jia Yin and Yucheng Wang and Peng Zhou and Jing Zhang and Huiqin Liu},
journal= {arXiv preprint arXiv:2508.17310},
year = {2025}
}
备注
12 pages