基于技能的解释用于偶然性课程推荐
人工智能
2025-08-28 v1
摘要
学术选择在美国本科教育中至关重要，允许学生在课程选择上有相当大的自由度。然而，由于信息有限、指导不足以及选择过多，加上时间限制和热门课程的高需求，导航复杂的学术环境具有挑战性。虽然职业顾问存在，但其数量不足，且课程推荐系统虽然个性化，但往往缺乏对学生认知和评估课程相关性的解释。在本文中，开发了一种基于深度学习的概念提取模型，用于高效地从课程描述中提取相关概念以改进推荐过程。利用该模型，研究在偶然性推荐框架内考察了基于技能的解释的效果，通过加州大学伯克利分校的 AskOski 系统进行了测试。结果表明，这些解释不仅提高了用户兴趣，特别是在高意外性课程中，而且增强了决策信心。这强调了将技能相关数据和解释整合到教育推荐系统中的重要性。
引用
@article{arxiv.2508.19569,
title = {Skill-based Explanations for Serendipitous Course Recommendation},
author = {Hung Chau and Run Yu and Zachary Pardos and Peter Brusilovsky},
journal= {arXiv preprint arXiv:2508.19569},
year = {2025}
}