这周学生会学多少？——用智能辅导系统的日志预测努力和进度

智能辅导系统的最大挑战不是算法——是学生不用。很多学生注册后第一周热情满满，第二周开始消失，第三周再也不上来。如果能提前知道"这个学生下周大概会用几分钟、掌握几个技能点"，tutor 和系统就可以在学生要放弃之前介入。

Qiu、Thomas、Guo、Aleven 和 Borchers（又是 CMU LearnLab，加上 Conrad Borchers——上一轮响应时间论文同一作者）提出的"参与度预测"任务就是基于 ITS 日志做监督学习：预测两个核心指标——每周练习分钟数和每周新掌握的技能数。数据来自 425 名中学生一整个学年的交互日志。

十五个预测模型（从线性回归到神经网络）被拿来和启发式基线对比。基线方法很常见也很粗糙——"取前几周的百分位数直接当预测值"——这是很多教育应用中的默认做法。结果：特征模型比启发式的平均绝对误差低了 22-33%。启发式系统性地高估——它假设学生的努力是稳定的，但实际上在线学习的努力模式像过山车。

特征分析揭示了有趣的差异：努力预测主要靠近期活动特征——上周学了 60 分钟，这周大概也差不多。但进度预测靠的是学习者状态和内容难度信号——一个卡在困难知识点上的学生即使花了很多时间，技能掌握数也可能为零。

他们还做了一个小型的定性验证：8 名大学 tutor 在看了系统生成的预测特征后，对努力目标和进度目标有不同的推理方式——和定量分析中的模式一致。tutor 用"上周的活动"来推努力，用"卡在什么地方了"来推进度。

不清楚的地方：预测的时间跨度是逐周——更细粒度（每天甚至每次会话）的预测可能更有干预价值。425 人的样本在逐周预测中可能已经被稀释了——有些学生可能只有几周的有效数据。tutor 访谈只有 8 人——模式是否具有普遍性需要更大样本确认。

参考文献

1. Qiu, E. S., Thomas, D. R., Guo, B., Aleven, V., & Borchers, C. (2026). From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning. arXiv:2605.12788 [cs.LG].

2. Baker, R. S., & Inventado, P. S. (2014). Educational Data Mining and Learning Analytics. Learning Analytics.

3. Aleven, V., et al. (2022). Example-Tracing Tutors: Intelligent Tutor Development for Non-Programmers. International Journal of AI in Education.