研究背景

Learning analytics 领域积累了大量研究，但这些研究如何从数据采集、模型构建、反馈设计走向真实学习改进，并不总是清晰。Value chain 视角帮助我们把文献放入更大的研究生产链条中。

贡献内容

作品集记录了该项目与 Teachers College, Columbia University 的 Charles Lang 教授合作，处理 SoLAR 与 non-SoLAR 来源的标题、摘要和关键词，并参与 computational classification pipeline。

  • 整理 3,720 篇 learning analytics publications。
  • 预处理 titles、abstracts 和 keywords。
  • 使用 prompt-based 与 model-based 方法分配 value chain stages。
  • 参与 human-in-the-loop validation 和 labeling logic 迭代。
这项研究把“AI + 文献分类”放在学术知识组织中，而不是只作为自动化任务。它展示了 LLM pipeline 如何服务一个真实研究问题。

与 InGenius 的连接

InGenius 未来需要建立自己的研究知识库：课程、学生项目、评估数据和学习科学文献都需要被组织成可检索、可推理、可更新的知识系统。这个项目提供了方法参考。