Analyzing Curricular Pattern Complexity Using AI to Improve On-Time Graduation Rates
本文提出利用大语言模型自动分析并修订软件工程课程设置，从而缩短更新所需的时间，并缓解导致学生毕业延迟的瓶颈问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
伟大的课程迷宫
想象一下，你正在试图解决一个巨大的、三维的拼图，每一块拼图都是你为了获得学位必须修读的一门课程。在高等教育的世界里，这个拼图被称为“课程体系”。有时，这些拼图块被排列成一条长长的、蜿蜒的直线，你必须完成 A 块之后才能拿起 B 块，而必须完成 B 块之后才能接触 C 块。如果你绊倒并掉落了 A 块，整条线后面的部分都会坍塌，你可能会被迫等待整整一年才能再次尝试。这就是研究人员所说的“课程复杂性”（curricular complexity）。这就像城市里的交通堵塞，一个坏掉的红绿灯就会让后方的所有车辆都停滞不前。
为了解决这些堵塞，大学通常会有一支由人类专家（教授）组成的团队，他们盯着拼图观察数小时，试图找出哪些线条可以缩短，或者哪些拼图块可以移动位置。但这既缓慢、枯燥又辛苦。最近，一种新型的数字大脑到来了：人工智能，特别是大语言模型（LLMs）。可以将它们想象成超级聪明的机器人，它们读过互联网上几乎所有的书籍和网站。它们擅长理解语言并发现模式。科学家们面临的大问题是：这些数字大脑能否观察大学的课程拼图，识别出其中的交通堵塞，并建议一种更好的方式来重新排列这些拼图块，从而让学生能按时毕业？本论文正是针对这一问题展开探讨，将大学课程视为一个需要新鲜策略的复杂游戏盘。
数字侦探与课程迷宫
在这项研究中，来自埃姆布里-里德航空大学（Embry-Riddle Aeronautical University）的一个研究小组决定对五种不同的 AI “侦探”进行测试。他们的任务是分析软件工程学位课程，该专业以拥有一些非常长且复杂的课程链而闻名。如果一名学生在长链中的某一门课失败，可能会导致其学业进度延迟一个学期甚至整整一年。研究人员希望看看 AI 能否查看课程列表，找出哪些课程造成了最大的瓶颈（即交通堵塞），并提出修改建议以解决这些问题。
研究人员给每位 AI 侦探布置了同样的任务：阅读游戏的规则（课程描述和流程图）、计算迷宫的“复杂程度”，然后建议如何重新安排课程，使学生能够在四年内顺利完成学业。他们测试了五种不同的模型，包括来自 OpenAI、Google 和 Amazon 的模型，甚至还尝试了一个带有“小抄”（一种称为检索增强生成，即 RAG 的技术）的特殊版本，以帮助它记忆特定事实。
结果既有“惊叹”也有“失误”。大多数 AI 侦探都能理解瓶颈的基本概念，但在数学计算方面却表现挣扎。这就像要求一个聪明的机器人做长除法；它知道这些数字的含义，但有时会在实际计算中出错。然而，有一个侦探脱颖而出。Claude Sonnet 4.6 是唯一一个正确计算出“阻碍”（blocking）和“延迟”（delay）因子（即告诉你在多少学生被困住以及被困了多久的具体数值）的模型。它表现得如此出色，甚至构建了一个小程序（一个 JavaScript 应用），让人们能够直观地看到变化。然而，即使是这个顶尖的选手也指出了一项局限性：如果不接入大学的私有历史数据，它无法计算“教学复杂性”（一种基于通过率的难度衡量指标）。
根据其分析，Sonnet 4.6 提出了打破迷宫的大胆举措。它建议：
- 切断链条： 取消某些课程作为毕业设计（senior project）的严格先修要求，这样即使早期的某门课不及格，也不会毁掉整个学年。
- 调整位置： 将一门名为“软件质量保证”的课程移至较早的学期，这样学生就不会直到最后一年才被困在等待该课的状态。
- 开启更多车道： 建议某些困难课程应在秋季和春季学期均开设，而不是每年仅开设一次，这样如果学生不及格，就不必等待整年才能重修。
然而，故事并未以机器人的胜利而结束。研究人员将 Sonnet 的建议带到了现实世界的专家面前：大学教授。教授们对其中一些想法表示赞同，但对另一些想法则摇头。他们指出，AI 并不知道一些隐藏规则，例如某些课程是与研究生共享的，或者系里根本没有足够的教师来提供每年两次的课程。事实上，AI 建议移动一门已经每年开设两次的课程，这表明它遗漏了现实世界中的细节。
论文得出结论：虽然 AI 尚未准备好独立掌控方向盘来重新设计课程，但它是一个极其强大的“副驾驶”。Sonnet 4.6 证明了它是识别交通堵塞和构思创意的最佳工具，尽管研究人员注意到，当他们尝试给它提供“小抄”（RAG）以帮助它记忆事实时，系统反而被视觉流程图搞混了。就像一个只知道规划路线却不知道路面施工情况的 GPS 一样，AI 的建议仍需经过人类专家的审核。研究人员发现，AI 可以加速寻找问题和提出解决方案的过程，但关于如何重新排列拼图块的最终决定权仍属于最了解学校的人类。研究表明，如果未来我们能教会 AI 更好地“看懂”课程流程图（例如通过使用特殊的视觉工具），这些数字侦探可能会在保持学生毕业快车道方面变得更加敏锐。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。