通过机械推理模型定位学生团队对话中的机械推理行为
物理教育
2026-04-24 v1 机器学习
摘要
STEM 教育研究者常希望识别学生机械推理的时刻，以便进行更深入的分析，但缺乏检阅大量团队对话记录的能力以寻找高度集中此类推理的片段。我们提供了一个可解释的机器学习模型作为解决方案，该模型输出个体学生参与机械推理行为的随时间变化概率，利用来自其自身言辞以及来自团队其他成员的证据。通过意图设计的概率模型工具，我们引入了一种特定的归纳偏置，将概率动态引导 toward desired、与领域相吻合的行为。实验比较有无归纳偏置成分的训练模型，探讨其是否存在能在涉及从未见过的学生和新颖讨论情境的记录上提升所需模型行为的作用。我们的结果表明，归纳偏置改进了泛化能力——支持解释性是内置于模型用于该任务，而非事后施加的论点。我们以实际建议结束，供寻求采用该工具的 STEM 教育研究者以及旨在扩展模型设计的机器学习研究者参考。总体而言，我们希望本工作鼓励开发既可理解又可控制的、面向 STEM 教育研究中最终用户和模型设计者的机械可解释模型。
引用
@article{arxiv.2604.21870,
title = {Locating acts of mechanistic reasoning in student team conversations with mechanistic machine learning},
author = {Kaitlin Gili and Mainak Nistala and Kristen Wendell and Michael C. Hughes},
journal= {arXiv preprint arXiv:2604.21870},
year = {2026}
}