LLM 作为教育分析师：将多模态数据轨迹转化为可操作的阅读评估报告

阅读评估对于提升学生的理解能力至关重要，然而许多教育科技应用主要关注基于结果的指标，对学生行为和认知的洞察有限。本研究探讨了多模态数据源的使用——包括眼动追踪数据、学习结果、评估内容和教学标准——以获取有意义的阅读洞察。我们采用无监督学习技术识别不同的阅读行为模式，随后由大型语言模型（LLM）将所得信息综合为面向教育者的可操作报告，从而简化解读过程。LLM 专家和人类教育者对这些报告的清晰度、准确性、相关性和教学实用性进行了评估。我们的研究结果表明，LLM 可以有效地充当教育分析师，将多样化数据转化为深受教育者欢迎的、对教师友好的洞察。尽管在自动化生成洞察方面具有前景，但人类的监督对于确保可靠性和公平性仍然至关重要。本研究推进了教育领域以人为本的 AI，将数据驱动的分析与实际的课堂应用联系起来。