基于大语言模型的课程信息表可扩展分类：面向学术质量监管的可复用机构方法
机器学习
2026-03-17 v1
摘要
目的：高等教育机构面临日益增长的对课程设计进行审计，以整合生成式人工智能（GenAI）的压力。本文提出了一种用于使用大语言模型（LLM）扫描课程信息表、识别评估在学生使用 GenAI 工具时可能存在的漏洞、通过迭代细化验证系统性能，并通过直接与利益相关者沟通和实施结果的端到端方法。方法：我们开发了一个四阶段流程：（0）手动试点抽样、（1）迭代提示工程与多模型比较、（2）使用自动报告生成和邮件分发给教学团队（91.4% 地址匹配）对 4,684 份本科和硕士课程信息表（2024-2025 学年）从比利时维多利亚大学（VUB）进行全面生产扫描，使用三级风险分类法（明确风险、潜在风险、低风险），以及（3）在下一目录发布后对 4,675 份表格进行纵向复检。结果：通过五次提示细化实现了与专家标签一致率达 87%。基于在处理包含实习和实践组件的模糊案例方面的优势，选定 GPT-4o 用于生产。第一年扫描将 60.3% 的课程分类为明确风险，15.2% 为潜在风险，24.5% 为低风险。第二年比较显示风险分布出现显著变化，实践导向项目的改进尤为显著。意义：该方法使机构能够快速将异构目录数据转化为结构化和可操作的智能。该方法可转移到其他审计领域（可持续性、可访问性、教学一致性），并为高等教育治理中负责任的 LLM 部署提供了模板。
引用
@article{arxiv.2603.13562,
title = {Scalable Classification of Course Information Sheets Using Large Language Models: A Reusable Institutional Method for Academic Quality Assurance},
author = {Brecht Verbeken and Joke Van den Broeck and Inge De Cleyn and Steven Van Luchene and Nadine Engels and Andres Algaba and Vincent Ginis},
journal= {arXiv preprint arXiv:2603.13562},
year = {2026}
}
备注
23 pages