编程教育中生成式AI反馈的风险自适应与证据约束框架

生成式AI可以把学习分析转化为个性化支持，但反馈系统必须决定何时干预、使用哪些证据以及提供多少帮助。我们使用来自215名学生的2,993个失败提交状态，为入门编程课程开发了一个风险自适应、证据约束的框架。学生不相交的模型预测持续性失败及相关结果；为136个案例生成四种匹配的反馈条件；校准的风险为容量受限的干预策略提供依据。验证集选择的逻辑回归模型达到测试PR-AUC 0.550和ROC-AUC 0.681。更丰富的学生历史改善了对未修改重新提交的预测。经过标准化修复和证据门控后，544条新生成消息中的519条包含全部必需组件。固定阈值的顺序策略选择了17.8%的合格测试状态，覆盖25.2%的观察到的持续性失败。这些发现支持一种证据门控的渐进式辅助策略：校准的风险指导干预时机，记录的证据约束反馈内容，辅助在必要时从自检进阶到局部提示。该框架把预测、决策和有据生成连接起来，同时保持各自评测结果的独立性。