Resumen: Los datos de Clickstream de entornos de aprendizaje digital ofrecen información valiosa sobre los comportamientos de aprendizaje de los estudiantes, pero son difíciles de interpretar debido a su alta dimensionalidad y granularidad. Los enfoques anteriores se han basado principalmente en características artesanales, etiquetado experto, agrupación o modelos supervisados, por lo tanto, a menudo carecen de generalización y escalabilidad. En este trabajo, presentamos Clicksight, una tubería basada en el modelo de lenguaje grande (LLM) en contexto que interpreta los clickstreams de los estudiantes para revelar sus estrategias de aprendizaje. Clicksight toma Clickstreams sin procesar y una lista de estrategias de aprendizaje como entrada y genera interpretaciones textuales de los comportamientos de los estudiantes durante la interacción. Evaluamos cuatro estrategias de solicitación diferentes e investigamos el impacto del auto-recetado en la calidad de la interpretación. Nuestra evaluación abarca dos entornos de aprendizaje abiertos y utiliza una evaluación de dominio de dominio basada en rúbricas. Los resultados muestran que, si bien los LLM pueden interpretar razonablemente las estrategias de aprendizaje de los clickstreams, la calidad de la interpretación varía al solicitar una estrategia y el autorrefinamiento ofrece una mejora limitada. Clicksight demuestra el potencial de LLM para generar ideas basadas en la teoría a partir de datos de interacción educativa.
Publicado Originalme en rss.arxiv.org El 21 de mayo de 2025.
Ver Fuente Original
