研究：优化教学指标反而降低 LLM 家教质量
一项 arXiv 研究测试了用教学表现指标微调大语言模型家教的做法：在 2000 个学习者场景中审计某前沿家教，并用开源权重代理模型修正其最弱案例后，指标从 +0.05 升至 +0.42，但 31 位受训教育者的盲评分数从 4.46 降至 3.03，未修改的对照组保持不变。
推荐理由：研究用 2000 个学习场景与 31 位教师盲评，展示教学指标优化与专家判断背离的过程，为 AI 家教评测设计提供参照。
#教育测评
#教育测评
今日 0 条arXiv · cs.CY（AI+教育/社会）精选AI 评分7171 arXiv · cs.CL（语言与教育交叉）AI 评分4242 System-One LLM 能否在少量或无学习者日志时完成知识追踪？
研究测试了现成 System-One LLM 在少量或无学习者日志下的知识追踪能力：Jev 在无目标平台数据时于七个数据集上平均 AUC 达 .706，高于 28 个深度知识追踪模型用 8 名学习者训练的最佳成绩（.689），也高于 System-Two Thinking-KT（.650），API 成本约为其 1/100。
EdTech Magazine · Higher EdAI 评分2222 2027 EDUCAUSE Top 10 聚焦“永续变革时代”，AI 议题居首
2027 EDUCAUSE Top 10 报告在丹佛 2026 EDUCAUSE 年会上发布，主题为“永续变革时代”（Age of Perpetual Change），AI 在榜单中出现三次并位列第一，首要议题是“确定 AI 在何处创造真正价值”。
arXiv · cs.CY（AI+教育/社会）精选AI 评分6262 Argus：普渡大学 CS2 课程用行为与风格指标检测 LLM 辅助编程
普渡大学团队提出自动检测系统 Argus，通过行为与风格指标识别本科 C 语言编程作业中的 LLM 辅助痕迹，并对该校大班 CS2 课程连续六年春季学期数据进行分析，发现 2026 年春季学期 45% 的选课学生呈现与 LLM 辅助代码开发一致的模式。
推荐理由：论文用六年数据量化编程课中 LLM 辅助代码的比例，并给出与线下考试成绩的相关性，可供课程设计参考。
arXiv · cs.CY（AI+教育/社会）精选AI 评分6060 研究审计 Claude Opus 4、GPT-4.1 与 Gemini 2.5 Pro 的多语言数学题文化改编
研究分析 Claude Opus 4、GPT-4.1 和 Gemini 2.5 Pro 如何将 60 道英文数学应用题改编为孟加拉语、印地语、旁遮普语（印度）、乌尔都语、信德语（巴基斯坦）、意大利语和西西里语，并标注了 6489 处实体转换。
推荐理由：论文用 6489 处实体标注量化了三个模型在多语言数学题改编中的文化偏差，为个性化学习内容审核提供了可复用的审计方法。
arXiv · cs.CY（AI+教育/社会）AI 评分2727 连接 MOOCs、智慧教学与 AI 辅助学习：一个统一的定量模型
一项研究提出统一数学模型，整合 MOOC 课前学习、智慧教学（ST）课堂自适应与 AI 辅助课后个性化三个阶段，用同一指数学习响应函数描述教学资源如何缩小知识差距。在 100 个独立生成的班级模拟中，该模型呈现稳定的累积进步并量化各阶段增益，预算分析显示额外 AI 支持存在收益递减；固定预算下推导出的最优 AI 分配比按比例分配带来超过 14% 的学习增益提升。
arXiv · cs.CY（AI+教育/社会）AI 评分4141 GPT-5.4 双建议对比单建议 AI 辅助：住院医师影像判读随机多读者研究
一项在中国三家医院开展的随机三臂多读者研究显示，132 名临床经验不足 3 年的住院医师在 AI 辅助下判读 60 张影像，放射科住院医师采用 GPT-5.4 加 Kimi-K2.6 或 Gemini-3.6 Flash 的双建议支持，准确率提升比单用 GPT-5.4 高 6.69 和 7.87 个百分点（Holm 校正 P=0.030），非放射科住院医师则无显著差异。
arXiv · cs.CY（AI+教育/社会）精选AI 评分6262 研究：LLM结构化评分与反馈的诊断质量存在三类系统性偏差
一项基于JorGPT数据集的研究考察了LLM生成的结构化评分与反馈是否名副其实，该数据集包含50道计算机科学开放题的3041份学生作答，由人类教师和三个商业LLM分别评分。
推荐理由：基于3041份学生作答的实证数据，揭示LLM评分与反馈在诊断质量上的三类系统性偏差，为教师判断哪些环节仍需人工把关提供依据。
arXiv · cs.CL（语言与教育交叉）AI 评分3333 Alice：面向评分量规的大规模德语多维度简答自动评分基准
研究者发布 Alice，一个基于评分量规的大规模德语简答自动评分（ASAS）数据集，包含学习表现（Alice-LP）、知识要素（Alice-KE）与技能（Alice-SK）三个子任务，并将量规式 ASAS 形式化为量规检索任务。
arXiv · cs.CL（语言与教育交叉）AI 评分2222 RUSPAN：将评分标准跨度作为标签表征的短答案评分框架
RUSPAN 是一个以评分标准为条件的自动短答案评分（ASAS）框架，将题目、学生答案与所有候选评分等级序列化为单一序列，在一次 LM 前向中按列表方式打分。其 RUSPAN-RIM 变体用评分标准独立掩码阻止各评分标准跨度互相注意，防止训练时过拟合评分标准模式，以支持零样本迁移。
arXiv · cs.CL（语言与教育交叉）AI 评分2323 儿童 ASR 适配与成人保留：一项实证研究
研究比较了全量微调、LoRA 与事后权重空间合并在编码器-解码器、编码器-CTC 和 AudioLLM 类 ASR 系统上的儿童语音适配效果，覆盖阿拉伯语与英语。
Inside Higher EdAI 评分6262 马里兰大学自研 AI 学习助手研究未得出明确结论
马里兰大学对其自研的生成式 AI 学习助手 Virtual Study Assistant（VSA）开展随机对照试验，结果显示 VSA 使用权限使同一课程各分班的期末成绩和 LMS 参与度略有下降，但 VSA 样本中仅约 15% 的学生实际使用。
arXiv · cs.CY（AI+教育/社会）AI 评分4242 基于 AI 的数学学习中求助策略的变化可预测无 AI 辅助下的表现
一项针对 112 名九年级学生的研究发现，学生使用通用 GenAI 进行数学建模练习时，其求助内容在会话内逐渐转向理解导向（概念与程序性帮助，而非寻求答案或验证）的轨迹，能预测后续无 AI 辅助下的表现；而 AI 使用行为的静态汇总在预测试成绩之外无法解释额外方差。研究共采集 880 条实质性学生发言，其中 95 人完成前后测，89 人可计算求助轨迹。
arXiv · cs.CY（AI+教育/社会）精选AI 评分6262 纽约高中择校匹配研究：拥堵感知推荐可减少入学差距
研究以纽约高中择校匹配为背景，提出推荐引发的拥堵现象：若推荐把过多申请者导向同一项目，原本匹配概率高的申请者也会因竞争加剧而落空，受影响最大的是附近可选项目最少的申请者。
推荐理由：纽约高中择校匹配的随机对照试验显示，拥堵感知的推荐算法能提升推荐项目入读率且无人被拒。
arXiv · cs.CL（语言与教育交叉）AI 评分2626 语言承载专家印象：工具锚定的 LLM 评委实现咨询质量评估跨域迁移并超越域内训练
在三个德语模拟咨询语料（含两个全科医疗、一个学校家长-教师场景，共 n=195 段专家评分会话）上，跨域训练优于域内训练：留一域迁移的嵌套 Spearman ρ 达 0.54，而目标域内训练不超过 0.48，配对会话级差距为 +0.15，训练集规模匹配后仍保持 +0.12。
arXiv · cs.CL（语言与教育交叉）AI 评分2222 通过击键检测 LLM 辅助的越南语写作：行为操纵下的鲁棒性研究
研究构建了越南语击键数据集，涵盖真实写作、转录和改写三种写作模式，并定义用户刻意改变打字模式的行为威胁模型。在用户无关和上下文无关设置下评测时序与节奏特征、1D-CNN 和 TypeNet 四类击键建模方法，结果显示序列模型多数情况下优于特征方法，转录可被可靠识别，但改写和对抗操纵样本常被误判为真实写作。引入行为操纵数据的对抗训练后，可分性与鲁棒性显著提升。
arXiv · cs.CL（语言与教育交叉）AI 评分3131 儿童手语翻译安全审计：面向儿童 AI 的 Sign-to-Text 安全接口评估
自动手语翻译（SLT）已进入消费产品，但尚无公开系统将 SLT 与儿童 AI 安全工具联合评估，主流已部署 SLT 模型也未在 18 岁以下手语者上训练或正式评测。该论文提出一套由聋人群体参与设计的部署前审计方案，包含失败分类法、脱敏场景 schema、四种比较条件和四项结果指标，计划以 Auslan 为首个案例研究。
EdSurge精选AI 评分7171 EdReports 研究：教育科技厂商在未证实效果前仓促集成 AI
EdReports 对 10 家 K-12 课程与教育科技厂商的审查发现，只有 1 家提供了第三方证据证明其内置 AI 功能改善了教学效果。研究指出，现有框架多关注隐私与安全，缺少判断 AI 能否提升学习或保持课程一致性的统一方式，而厂商在未通知学校的情况下推送 AI 更新，使学校难以确认产品有效性。报告建议采购方追问认证与证据的具体含义，并参考 SIIA 的七项 AI 教育原则。
The Hechinger Report精选AI 评分7171 研究：Khanmigo 数学 AI 家教未带来额外学习增益，学生因不愿被反问而弃用
多伦多大学研究人员在田纳西州 18 所中学追踪学生两年（2024 至 2026 年），测试 Khanmigo 能否提升至少落后一个年级的低成就学生。结果显示，使用 Khan Academy 干预的学生数学表现优于常规补习班，但提升幅度有限，且不高于此前无 AI 助手时 Khan Academy 练习的效果，Khanmigo 并未带来额外增益。
arXiv · cs.CY（AI+教育/社会）精选AI 评分7474 StudentBench：AI 辅导与人类辅导在 GRE 学习增益上等效
研究团队发布 StudentBench，一套 AI 教学评估工具与公开平台，已收集超过 175,000 条学生与 AI 的对话消息，用于检验大语言模型能否带来与人类辅导等效的学习增益。
推荐理由：研究用 2383 名参与者的 GRE 学习增益数据，比较 AI 辅导与人类辅导的等效性及成本差异。
arXiv · cs.CY（AI+教育/社会）AI 评分3030 数据标注作为教学提示：从主观标签到批判性思维
一项在荷兰 Fontys 与丹麦 IT University Copenhagen 开展的标注活动让 43 名学生按 3 分制标注皮肤病变图像的毛发覆盖度，调查显示学生对标注歧义、数据质量、偏见与公平等概念的熟悉度大幅提升，多数人认可个人解读会影响标注，并认为该活动比传统讲授更能理解偏见。
arXiv · cs.CY（AI+教育/社会）AI 评分4040 相同成绩，不同过程：AI 介入教育中的认知所有权
一项针对 150 组学生与 AI 对话样本的分析发现，相似的作业成绩可能对应截然不同的认知参与模式。研究以“认知所有权”为框架，考察 Direction、Integration、Evaluation 三个维度，指出作业分数只能反映评估结果，无法还原学生与 AI 之间认知工作的分配方式。研究据此提出，测评应纳入认知过程的证据，而非仅依赖最终产出的质量。
arXiv · cs.CY（AI+教育/社会）AI 评分2222 ReLEAF：连接数据保管方与研究者的教育真实世界数据可信共享社会技术框架
针对教育真实世界数据（ERWD）共享受伦理、监管与治理限制的问题，研究者提出社会技术框架 ReLEAF，通过两阶段数据共享连接数据保管方与研究者：先共享差分隐私合成数据用于探索性分析，再按需进行受控真实数据验证。该框架经三轮设计科学研究迭代打磨，参与者分别为 4 名研究生、6 名研究者和 90 名本科生，并提炼出三条设计原则，为可信 ERWD 共享提供具体框架。
arXiv · cs.CY（AI+教育/社会）AI 评分2222 LearnAdapt Praxis：面向成人职场学习的受控 AI 辅助与证据追踪
LearnAdapt Praxis 以 Frame、Learn、Build、Validate、Transfer 五阶段工作区，将成人职场学习中的 AI 辅助工作与独立作答分离，并留存可核查证据。
arXiv · cs.CL（语言与教育交叉）AI 评分2222 超越分数对齐评估 LLM-as-a-Judge：评判残余难度的心理测量学分析
研究从心理测量学视角分析 LLM-as-a-Judge，用多面Rasch模型将人类与 LLM 评分分解为摘要质量、评分者严厉度等成分，提出"残余难度"指标。在 SummEval 上测试 17 个开放权重 LLM 评判者发现，潜在摘要质量的中等对齐并不意味着残余难度对齐，且这种错配强烈依赖评分维度：一致性维度呈 LLM 更难趋势，连贯性维度则人类更难。
arXiv · cs.CL（语言与教育交叉）AI 评分2222 CUE：用校准用户嵌入改进多轮交互基准测试的用户模拟器
研究者提出 Calibrated User Embeddings（CUE）框架，通过编码真实会话并采样连续表示、再解码为 persona 指令来驱动 LLM 扮演用户模拟器，无需训练。
arXiv · cs.CL（语言与教育交叉）AI 评分2727 SymCE：用逐定理符号验证器生成反例，模仿学习有害而强化学习可修复
研究者发布 SymCE 数据集，包含 4,707 道本科代数与实分析假猜想，每题配有可执行的逐定理 Python 验证器，该验证器同时充当奖励函数。
arXiv · cs.CL（语言与教育交叉）AI 评分1212 HakemBench：土耳其语类型化决策基准发布
HakemBench 发布土耳其语类型化决策基准 1.0 版，以 CC BY 4.0 完全开放，含 2,346 个条目、4,275 道选择题、是非题与评分题，覆盖事实核查分流、教育、护栏、法律路由、内容审核、垃圾与钓鱼邮件、客户支持七个赛道。
arXiv · cs.CY（AI+教育/社会）AI 评分3030 LLM 辅助写作值得实证评估：基于 69,209 篇健康信息学论文的分析
一项对 69,209 篇健康信息学论文的分析发现，LLM 辅助写作与更聚焦的表述、更广泛的引用实践和更全球分布的作者群体相关。这些模式并不能证明科研质量更好，但支持按学术质量与问责而非是否使用工具来评估稿件。研究认为，LLM 辅助写作不应只被当作检测问题。
arXiv · cs.CY（AI+教育/社会）AI 评分2222 TopoLA：面向解释不确定性的拓扑学习分析仪表盘架构与设计原则
研究团队开发了 TopoLA 仪表盘系统，将 Zigzag Persistent Homology 应用于学习管理系统数据，并提出三条面向新兴分析方法的解释支持设计原则：客观测量与情境解释分离、从指标到模式再到反思提示的渐进式披露、明确标注方法论不确定性。系统采用特征提取、拓扑计算、解释支持三阶段模块化流水线，可扩展至其他分析方法。
arXiv · cs.CY（AI+教育/社会）AI 评分2727 22 门 OULAD 课程中的参与敏感收敛与“先碎片化、后收敛”模式：异步在线学习的拓扑分析
研究基于 22 门 OULAD 课程（N > 22,000，857 个周对）发现，Zigzag 持续同调中的 β₀ 与活跃学习者人数强共变（合并 r = 0.387，20/22 门课程中位 r_delta = 0.459），是参与敏感的结构指标。截止日期在 82.6% 的测评中引发碎片化，60.2% 出现完整的“先碎片化、后收敛”周期，三阶段分析显示 90.9% 的课程长期以结构碎片化为主导。
arXiv · cs.CY（AI+教育/社会）精选AI 评分6262 研究：用生成代码参考库匹配学生代码，能反映群体变化但难归因个人
一项纵向研究用 2021、2023、2025 年十次 Python 实验课的 29,970 份学生提交，以及三个前沿 LLM 回溯生成的 90,000 次解题尝试，检验用生成参考库匹配学生代码的做法。
推荐理由：研究用近三万份学生提交与九万次模型生成对比，说明代码匹配能反映群体变化却难以归因到个人。
arXiv · cs.CY（AI+教育/社会）AI 评分2222 CALLIOPE：一个基于来源的口语测评系统与合成就绪度评估
CALLIOPE 是一个基于来源的口语测评系统，整合版本化教学材料、学习者录音转写、自适应提问、双供应商评分标准打分、教师复核与可导出证据。2026 年 9 月 25 日的合成验证记录显示，三个口语样本在最终发布演练中获 AI 总分 100、62、8（满分 100），并触发两次供应商分歧标记；两轮运行中 8 个检索音频文件均与输入逐字节一致。
arXiv · cs.CL（语言与教育交叉）AI 评分1717 EVICALC 系统在 DocSem 共享任务上的系统报告与失败分析
EVICALC 在 DocSem 共享任务官方最终测试的 1,730 项任务上取得 8.61% 联合准确率，其流程为读取 PDF、选取段落、让语言模型写出算术表达式并在本地代码中求值。
arXiv · cs.CY（AI+教育/社会）AI 评分5252 MagicSchool 发布教育 AI 中 LLM-as-Judge 评估的误报治理经验
MagicSchool 团队总结其 K-12 AI 产品套件中 LLM-as-Judge 评估的生产经验，指出随着评估体系成熟，误报逐渐主导评估标记，分散了分析人员对真正需要产品改进的失败的注意力。
arXiv · cs.CY（AI+教育/社会）精选AI 评分6060 研究：注意力监控何时从学习护栏变成学习障碍
印度理工学院 Ropar 团队在 arXiv 发表混合方法研究，考察一门通过摄像头监测学习者注意力、在分心时打断或重播视频的在线课程。
推荐理由：研究用退课与留存学员的问卷和平台遥测数据，呈现注意力监控在什么程度下从护栏变成学习障碍。
arXiv · cs.CY（AI+教育/社会）AI 评分4040 从实时课堂投票看学生学习：不止对与错
一项覆盖约 2,400 名学习者、47 节课 603 次投票共 340,668 份提交的实时课堂部署研究显示，学习者的作答顺序是一种稳定的个人特征，校正后分半信度为 0.92，单节课内为 0.87，且与其是否答对无关。
arXiv · cs.CY（AI+教育/社会）AI 评分3636 大型课堂投票语料库的测量质量与答案偏差审计
一项审计将 47 个课堂、2,807 名学习者作答 340,668 次的 604 道实时课堂投票题作为测量工具分析，其中 539 道可从讲义核实正确答案。
arXiv · cs.CY（AI+教育/社会）AI 评分4242 基于课堂实时互动语境分析的问题模式与学生参与度研究
一项针对 47 场直播课、604 道投票题和 340,668 次作答（2,807 名学习者）的分析发现，89% 的投票题答案可在课堂转录文本中定位，且提问以低阶认知为主，可归为七种教学功能。班级多数在 88.5% 的情况下答对，但存在高共识却错误的作答，仅凭一致性无法识别。对 579 名学生的独立调查还显示，学生无法判断自己是否答对，认为最难的题并非实际答得最差的题。
arXiv · cs.CY（AI+教育/社会）AI 评分4242 《Fairness Theatre：在供应商控制的早期预警系统中评估事后公平性干预》
研究用加拿大安大略省一所公立高校的学生记录，在模拟采购约束下评估研究型早期预警系统（EWS）上的六种事后公平性干预。干预只是重新分配了群体差异，并未持续缩小差异，其中两种实现因用群体规模定义弱势而偏向已占优势群体，小型边缘群体仍服务不足。作者将仪表盘指标趋同、但群体错误负担持续或恶化的状态称为"fairness theatre"。