They Call Her 'Miss' and Him 'Professor': Lived Experiences of Women Teaching Support Staff in IT/SE Education
Monash University（蒙纳士大学）
本研究探讨了IT/SE教育中女性教学支持人员在日常教学中面临的权威获取与维持问题，通过分析15名女性的亲身经历，揭示了性别与权力结构对教育环境的影响，并提出了促进包容性教育的建议。
2026-02-04 cs.CY cs.SE
Predicting academic success in Belgium and France Comparison and integration of variables related to student behavior
在比利时和法国的大学一年级学生中观察到低成功率，我们在本文中开发预测模型，以确定，在尽可能早的阶段，那些学生谁是在学年结束时失败的风险。我们应用不同的数据采掘技术来预测学生的学业成就。我们发现，这是很难预测的成功，只考虑在课堂上的行为相关的变量，这是必要的，以获得高质量的结果，增加有关个人的历史，参与和行为在他们的研究，和学术生活的看法变量。
2014-08-21 cs.CY
Understanding University Students' Use of Generative AI: The Roles of Demographics and Personality Traits
West Lafayette Junior/Senior High School（西拉法叶初高中）；University of Georgia（佐治亚大学）
本研究通过调查美国363名大学生，揭示了人口统计学特征（年级、族裔等）和大五人格特质对生成式AI使用及态度的影响，为高校开展个性化GAI使用指导提供依据。
2025-05-19 cs.AI cs.CY
A Neuroscience Approach regarding Student Engagement in the Classes of Microcontrollers during the COVID19 Pandemic
COVID-19疫情极大地改变了教学过程。学习可能不再像前几代学生所知道的过程。随着当代人在实践中学习并使用他们的直觉，新的平台需要参与教学过程。本文提出了一种新的方法，通过在微控制器课程中涉及神经科学来保持学生在学习时的参与。Arduino和Raspberry Pi板在使用在线仿真环境的微控制器课程中进行了研究。教授在微控制器课程的理论和实践时间内使用Analogtiv Insight耳机。对耳机产生的脑电波进行的分析提供了教授的情绪、注意力、压力、放松、参与度、兴奋度和兴趣水平的数值。在教学过程中使用的方法是基于探究的学习，基于游戏的学习和个性化学习。通过这种方式，教授可以确定如何根据技术和虚拟仿真平台的使用来改善与学生的联系。测试结果表明，基于游戏的学习是最好的方法，因为学生必须成为问题的解决方案，并开始使用他们将需要作为未来的软件工程师的软件技能。重点是通过选择他们的行动和一路上的实验来掌握心态。根据他们的成绩，学生在游戏化的环境中获得经验值。教授们需要适应新的教学时代，完善他们的实践和学习理念。他们需要能够轻松使用虚拟平台，并与学生互动，以确定和满足他们的需求。
2021-11-15 cs.CY
Understanding health and behavioral trends of successful students through machine learning models
本研究分析了大学生在一个学期中不同时期的身体、心理、生活方式和人格因素的模式，并建立了它们与学生学习成绩的关系模型。分析的数据是通过智能手机和Fitbit收集的。使用从收集的数据中导出的机器学习模型来观察学生的行为与他们的GPA，生活方式，身体健康，心理健康和个性属性相关的程度。使用了一种相互一致的方法，其中不是查看结果的准确性，而是使用模型参数和特征的权重来找到共同的行为趋势。根据模型创建的结果，确定了学术成功的最重要指标，即更高的GPA，是学生花费时间的地方。生活方式和个性因素被认为比精神和身体因素更重要。这项研究将提供洞察不同的因素和这些因素对学生的学习成绩的时间的影响。
2021-01-23 cs.CY
Influence of Personality Traits on Plagiarism Through Collusion in Programming Assignments
基于印度高校105名学生的AI课程数据，研究发现学术诚信教育和荣誉承诺未能显著降低编程作业中的代码抄袭，且大五人格中外向性与抄袭倾向正相关、尽责性负相关，可用舞弊三角模型解释。
2024-06-29 cs.CY
Predicting Academic Performance for College Students: A Campus Behavior Perspective
及时发现学生的异常行为，并在早期提供个性化的干预和指导，是教育管理的重要内容。学习成绩预测是实现这种预先干预和指导的重要组成部分。以往的研究大多基于问卷调查和自我报告，存在样本量小和社会期望偏差的问题。本研究以6，597名学生的灵巧卡为研究对象，收集了学生的纵向行为数据，并提出了三种主要的区分性行为因素，即勤奋、有序和睡眠模式。实证分析表明，这些行为因素与学习成绩密切相关。在此基础上，我们以社会影响理论为依据，分析了每个学生的学习成绩与其行为相似的学生的学习成绩之间的相关性。统计检验表明这种相关性是显著的。基于这些因素，我们进一步建立了一个多任务预测框架的基础上学习排名算法的学习成绩预测。本研究以学生的学习成绩为研究对象，利用学期间、专业间的相关性，结合学生的相似性来预测学生的学习成绩。在大规模真实世界数据集上的实验表明，我们的方法用于预测学习成绩和建议的行为因素的有效性。
2019-03-15 cs.CY
Academic Performance and Behavioral Patterns
确定影响学业成绩的因素是教育研究的重要组成部分。以前的研究已经证明了人格特质，上课出勤率和社会网络结构的重要性。由于大多数这些分析是基于一个单一的行为方面和/或小样本量，目前还没有量化这些因素的相互作用。在这里，我们研究了一个由538名本科生组成的群体的学习成绩，他们形成了一个单一的、紧密相连的社交网络。我们的工作是基于使用智能手机收集的数据，学生们使用智能手机作为他们的主要手机两年。来自单一人群的多渠道数据的可用性使我们能够直接比较个人和社会特征的解释力。我们发现，最翔实的性能指标是基于社会关系和网络指标导致更好的模型性能比个人特征（包括个性和上课出勤率）。我们证实了早期的研究结果，上课出勤率是最重要的个人特征之间的预测。最后，我们的研究结果表明，大学生之间存在强烈的同质性和/或同伴效应。
2018-04-09 cs.CY cs.SI
Deep Knowledge Tracing for Personalized Adaptive Learning at Historically Black Colleges and Universities
Prairie View A&M University（Prairie View A&M大学）；CREDIT Center（CREDIT中心）
本研究构建了PVAMU的STEM学习数据集，并比较多种深度知识追踪模型，发现SAKT和KQN在预测学生学业表现上效果最佳，可为HBCUs的个性化自适应学习和学业预警提供支持。
2024-10-02 cs.AI cs.CY
CS-Guide: Leveraging LLMs and Student Reflections to Provide Frequent, Scalable Academic Monitoring Feedback to Computer Science Students
Florida State University（佛罗里达州立大学）
CS-Guide利用LLMs和学生反思提供频繁、可扩展的学术反馈，通过学习分析和定制干预提升计算机科学学生支持
2025-12-22 cs.CY
Explainable AI as a Social Microscope: A Case Study on Academic Performance
学习成绩被认为是学生的整体经历、个人特征和教养之间复杂相互作用的产物。数据科学技术，最常见的是回归分析和相关方法，是探索这种相互作用的可行手段。然而，这些往往提取具有广泛影响的因素，而忽略了个别学生的具体变化。对于数千甚至数百个科目来说，关注每个学生的特点通常是不可能的，但数据采掘方法可能在设计更有针对性的方法方面证明是有效的。例如，具有共同特征的受试者可以被分配到集群，然后可以使用机器学习算法单独检查这些集群，从而提供对影响特定群体中个体的因素的更细致入微的看法。在这种情况下，我们引入了一个数据科学工作流程，允许对学习成绩相关性进行细粒度分析，以捕捉学生对这些因素敏感度的细微差异。利用可解释人工智能（XAI）技术工具箱中的局部可解释模型不可知推理（LIME）算法，所提出的管道产生具有相似学术成就指标的学生组，而不是如先前研究中通常实践的相似特征（例如家庭背景）。作为一个概念验证的案例研究，丰富的纵向数据集被选择来评估所提出的方法与标准回归模型的有效性。
2020-06-04 cs.CY
Digital Distractions from the Point of View of Higher Education Students
本研究调查了工程学院学生视角下的数字干扰，发现其显著影响实验室表现，且不受年级影响，建议教授提升学生意识并培养自控力以保障技术长期可持续使用。
2024-02-04 cs.CY
Tri-Branch Convolutional Neural Networks for Top-$k$ Focused Academic Performance Prediction
Shandong University of Finance and Economics（山东财经大学）；Shandong University（山东大学）；Shandong Jianzhu University（山东建筑大学）；Shandong Normal University（山东师范大学）
学习成绩预测是利用学生的相关信息来预测学生未来的学习成绩，在个性化教学、学业预警等教育领域有着广泛的应用前景。在本文中，我们解决这个问题，通过分析学生的日常行为轨迹，这可以全面跟踪校园记录。与以往的研究不同，我们提出了一种新的三分支CNN架构，它配备了行，列和深度卷积和注意力操作，以捕捉持久性，规律性和时间分布的特点，学生行为的端到端的方式，分别。此外，我们将学习成绩预测作为一个顶级$k$排名问题，并引入一个顶级$k$集中损失，以确保识别学术风险学生的准确性。在一个大规模的真实世界数据集上进行了大量的实验，我们表明，我们的方法大大优于最近提出的学习成绩预测方法。为了重复性，我们的代码已在https://github.com/ZongJ1111/Academic-Performance-Prediction上发布。
2021-07-22 cs.CY cs.LG
Recommending the right academic programs: An interest mining approach using BERTopic
University of Bologna（博洛尼亚大学）；California Polytechnic State University（加州州立理工大学）
针对学生选校难、项目匹配效率低的问题，本研究提出基于BERTopic的兴趣挖掘推荐系统，通过知识图谱回溯匹配项目，经实证验证兼具个性化与公平性，可有效辅助项目选择决策。
2025-01-11 cs.CY cs.IR cs.LG
Goal-based Course Recommendation
University of California, Berkeley（加利福尼亚大学伯克利分校）；Tsinghua University（清华大学）
随着跨学科学术兴趣的增加和学术咨询资源的能力，探索数据辅助方法来支持学生决策的重要性从未如此之高。我们建立在一个快速发展的文献预测和建议在高等教育的研究结果和方法，并开发一种新的递归神经网络为基础的推荐系统，建议课程，以帮助学生准备感兴趣的目标课程，个性化的估计先验知识背景和最近的发展区。我们验证模型使用测试的等级预测和恢复的先决条件的关系所阐述的大学的能力。在第三次验证中，我们在学生上一门历史上很难的课程之前的一个学期为学生运行完全个性化的推荐，并观察与我们的建议的差异重叠。虽然不能证明因果有效性，但这三个基于目标的模型的性能评估视角建立了信心，并使我们更接近于在野外部署这种个性化的课程准备启示。
2018-12-25 cs.AI cs.CY
Transformative Influence of LLM and AI Tools in Student Social Media Engagement: Analyzing Personalization, Communication Efficiency, and Collaborative Learning
University of Virginia（弗吉尼亚大学）
本文基于UniversityCube数据，通过案例与统计分析，探究LLM和AI工具对学生社交媒体使用的变革作用，阐明其在提升学业表现、优化沟通协作、打造优质教育环境等方面的教育与社交价值。
2024-12-11 cs.CL cs.CY cs.LG
Building a Culture of Reproducibility in Academic Research
复制性是一个理想，没有研究人员会质疑“在抽象”，但当愿望满足冷酷的现实，学术研磨，复制性往往“输了”。在这篇文章中，我分享了一些个人经验，如何在平衡其需求与其他优先事项的同时实现可重复性。在过去的几年里，我的研究小组已经成功地建立了一种“可重复性文化”，我试图将其提炼成经验教训和可操作的建议，围绕回答三个问题：为什么，什么，以及如何。我相信，可重复性的努力应该产生易于使用、包装良好和自包含的软件工件，允许其他人重复和概括研究结果。在核心，我的方法集中在自身利益：我认为，重复性努力的主要受益者实际上是那些投资者。我相信（厚颜无耻地）诉诸自身利益，加上互惠的期望，会增加成功的机会。基于可重复性的构建，社会流程和标准化工具构成了帮助实现理想的两个重要附加要素。狗粮原则很好地将这些想法联系在一起。
2022-12-27 cs.CY cs.IR
Student Perceptions of Large Language Models Use in Self-Reflection and Design Critique in Architecture Studio
Singapore University of Technology and Design（新加坡科技设计大学）；National University of Singapore（新加坡国立大学）
本研究探讨了大型语言模型在建筑工作室自我反思与设计批评中的应用，发现学生将其视为协作工具，帮助构建批判性思维并提升设计迭代效率。
2026-02-03 cs.AI cs.CY cs.HC
Auto-assessment of assessment: A conceptual framework towards fulfilling the policy gaps in academic assessment practices
针对学术评估中AI使用的政策空白，调查117名学者后提出一种新型AI框架，可自主评估学生作业并自动评分，同时指出需提升学者对现代AI工具的认知。
2024-10-28 cs.AI cs.CY
Towards an AI Buddy for every University Student? Exploring Students' Experiences, Attitudes and Motivations towards AI and AI-based Study Companions
University of Zurich（苏黎世大学）；Zurich University of Teacher Education（苏黎世师范大学）
研究探讨大学生使用AI工具的经验、数字能力及采用个性化AI伙伴的意愿，发现学生普遍对AI伙伴持积极态度，但担忧数据隐私和依赖问题，同时发现采用意愿与传统学术活动动机呈弱负相关。
2026-03-21 cs.CY cs.HC
SmartCourse: A Contextual AI-Powered Course Advising System for Undergraduates
Department of Computer Science, Wenzhou-Kean University, Wenzhou, China（计算机科学系，温州市凯恩大学，中国温州）；Department of Computer Science, Kean University, Union, NJ, United States（计算机科学系，凯恩大学，美国新泽西州联合市）
本研究提出面向本科生的情境化AI课程咨询系统SmartCourse，整合成绩单与专业培养方案信息，结合本地大语言模型提供个性化推荐，实验验证了完整情境信息可显著提升推荐相关性。
2025-07-26 cs.AI cs.CY
Understanding How University Guidelines Address Privacy and Security Issues of Generative AI in Academic Settings
University of Edinburgh（爱丁堡大学）；University of Illinois Urbana–Champaign（伊利诺伊大学厄巴纳-香槟分校）
研究大学针对学术环境中GenAI隐私和安全问题所制定的指南，通过对43所大学相关指南的深入定性分析，揭示关键挑战，为设计更完善的GenAI指南奠定基础。
2026-07-21 cs.CY cs.HC
Bias-Aware AI Chatbot for Engineering Advising at the University of Maryland A. James Clark School of Engineering
University of Maryland, College Park（马里兰大学学院市分校）；A. James Clark School of Engineering（A. James Clark工程学院）；ESTEEM/SER-Quest
本研究开发了针对马里兰大学A. James Clark工程学院的偏见感知AI聊天机器人，通过提示工程与偏见缓解策略，在准确率、相关性和个性化上均获高分且无刻板偏见，为高等教育提供伦理AI咨询工具以促进教育公平。
2025-09-30 cs.AI cs.CY
Anxiety, Alcohol, and Academics: A Textual Analysis of Student Facebook Confessions Pages
大学生在完全匿名的情况下在社交媒体上向同龄人透露了什么？他们的校园环境与他们揭露的主题有关吗？为了回答这些问题，我分析了Facebook的忏悔页面。这些页面在数百所大学校园中很受欢迎，允许学生在公共社区论坛上匿名发布个人自白。在这份初步的研究报告中，我分析了几个解释网络学生忏悔行为的因素。在3年的时间里，我汇总了近20万个忏悔帖子，将潜在狄利克雷分配（LDA）与Mechanical Turk的人工验证相结合，以可扩展地识别这些在线忏悔中的主题。在可能的情况下，我还将帖子链接到从Twitter解析的真实世界新闻事件。我发现，提到社会经济学以及身心健康的忏悔更经常发生在顶级，昂贵的私立大学。虽然与事件有关的忏悔最经常提到与学校有关的事件，但许多人提到当地校园范围之外的全球和国内事件。结果表明，来自不同校园的本科生披露的主题，如种族，社会经济学和政治不同，但总的来说，随着时间的推移，在类似的模式后。此外，结果证实，匿名Facebook忏悔者在健康和社会经济地位等重要但禁忌的话题上获得了支持。
2018-08-19 cs.CY cs.SI
