RIACT：一个负责任的人工智能系统，用于大学生个性化学习习惯跟踪和早期倦怠信号检测

摘要

arXiv:2608.21379v1 Announce Type: new Abstract: Student burnout is highly prevalent in higher education, with reported rates ranging from 12% to over 70% and consistently exceeding those of the workin...

and burnout the signals behavioural education with over that structured

2026-08-25 1 阅读约1分钟阅读 Ria Sidhu

arXiv:2608.21379v1 公告类型：新摘要：学生倦怠在高等教育中非常普遍，报告的比率从 12% 到 70% 以上不等，并且始终超过工作人口——但通常只有在学业已经出现下滑之后才可以回顾性地发现。一个促成因素是学生对自己的学习行为几乎没有结构化的了解，而现有的生产力工具记录活动而不解释它。本文介绍了 RIACT（记录、洞察、分析、指导、跟踪），这是一种基于 Web 的应用程序，它将结构化学习会话日志记录与混合人工智能架构相结合，以显示个性化见解和早期倦怠信号。学生按地点和时间记录课程；该系统通过计算休息时间来计算净专注时间，通过每周行为比较的透明、确定性规则来检测倦怠信号，并使用大型语言模型（受限于固定的输出模式）来将模式置于情境中并生成个性化建议。该设计贯穿了负责任的人工智能原则：警告由可审计规则而不是模型判断来管理，所有输出都被视为观察而不是诊断，数据收集仅限于自记录的行为领域。我们描述了该系统的设计原理，将其置于有关学生倦怠和教育中可解释的人工智能的文献中，并提出了一个评估框架，用于根据现有的倦怠工具验证其行为信号。

订阅66必读