arXiv cs.CL· Bahar Radmehr, Lan Tran, Ekaterina Shved, Fatma Bet{\"u}l G{\"u}re\c{s}, Adish Singla, Tanja K{\"a}ser·· 11 小时前AI 评分27
ClickSight：用学习策略解读学生点击流数据的 LLM 框架
ClickSight: An LLM Framework for Interpreting Student Clickstreams Through Learning Strategies
AI 导读
ClickSight 是一个基于 LLM 的分阶段流水线框架，可将学生点击流与文献定义的学习策略对应，识别策略相关证据、评估策略遵循度并生成有证据支撑的行为解读。研究在 2 个学习环境、365 名学生和 12 个模型骨干上评估，推理模型比指令微调模型表现更稳定；提供从点击流提取的外部引导可提升需要精确量化信息策略的解读质量。
正文 · AI 翻译
摘要：数字化学习环境会产生丰富的点击流数据，这些数据能够揭示学生如何着手学习任务，然而解读这些细粒度的轨迹往往需要大量专家投入。我们提出 ClickSight，一个通过文献中定义的学习策略来解读学生点击流的框架。给定一名学生的点击流和一组预定义的学习策略，ClickSight 使用基于 LLM 的分阶段流水线来识别与策略相关的证据、评估对每种策略的遵循程度，并生成有证据支撑的学生行为解读。我们在两个学习环境、365 名学生和 12 个模型骨干上评估 ClickSight，采用以专家为依据的质量评分标准和经人类专家评分校准的 LLM 评判器。结果表明，ClickSight 能够在不同模型和环境中生成高质量的基于策略的解读，其中推理模型的表现比指令微调模型更稳定。我们进一步发现，提供从点击流中提取的外部指导，可以提升那些需要轨迹中精确量化信息的策略的解读质量。通过将细粒度点击流与理论定义的学习策略相连接，并保留每项判断背后的证据，ClickSight 为研究数字化学习环境中的学生行为提供了一种灵活的方法。
| 评论： | 29 页，12 幅图，19 张表。审稿中。代码：此 https URL |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2611.02021 [cs.AI] |
| （或 arXiv:2611.02021v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.02021 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Bahar Radmehr [查看邮箱]
[v1]
2026 年 11 月 1 日星期日 16:09:26 UTC（2,578 KB）
来源：arXiv cs.CL · arxiv.org