CS-Guide：利用 LLM 与学生反思提供计算机科学学生的高频可扩展学术监控反馈
偏微分方程分析
2025-12-24 v1
摘要
计算机科学（CS）部门常为大型学生群体提供服务，使得及时学术监控和个性化反馈困难。虽然建议的辅导员-学生比例为 250:1，但实际往往超过 350:1，导致支持和干预存在延迟。我们提出 CS-Guide，利用大型语言模型（LLM）提供可扩展的、高频的学术反馈。每周，学生通过自我报告的成绩和反思日记与 CS-Guide 交互，CS-Guide 从中提取定量和定性特征，并触发针对性干预（如学术支持、健康和福利建议）。因此，CS-Guide 独特地将学习分析、LLM 和可操作性干预集成在结构化和非结构化学生生成数据中。我们在四年约 2 万 条记录的纵向数据集上对 CS-Guide 进行评估，它在为一年级学生推荐干预时达到了最高可达 97% 的 F1 分数。这表明 CS-Guide 可以通过可扩展、一致、及时且领域特定的反馈来增强辅导系统。
引用
@article{arxiv.2512.19865,
title = {Quantization for sequences of blow-up solutions to an elliptic equation having nonlocal exponential nonlinearity},
author = {Mathew Gluck},
journal= {arXiv preprint arXiv:2512.19865},
year = {2025}
}