编辑推荐：
为解决传统 “一刀切” 建议对学生福祉和学业成绩提升效果不佳的问题，研究人员开展 “利用大语言模型（LLMs）和可穿戴设备为学生提供个性化建议” 的研究，结果显示 LLMs 能生成个性化建议，但与学生数据的契合度有待提升，该研究为教育领域提供新方向。
在校园生活的舞台上，13 - 17 岁的高中生们正经历着成长的种种挑战。他们初次独立面对学业压力、适应学校的结构化环境，还要在日常事务中做出各种抉择。然而，这些压力如同隐藏的 “暗礁”，可能影响他们的身心健康。传统上，针对学生福祉和学业成功的建议往往是 “一刀切” 的模式，但这种方式并不能满足每个学生的独特需求。教师虽会基于行为模式和学业表现来关注学生，但这种方法主观性较强，而且行政工作的压力也可能导致部分学生被忽视。
在这样的背景下，来自 Weill Cornell Medicine - Qatar 的 AI Center for Precision Health 的研究人员，开启了一项具有创新性的研究。他们试图借助大语言模型（LLMs）和可穿戴设备，为学生量身定制个性化建议，以此提升学生的福祉和学业成绩。这一研究成果发表在《Scientific Reports》上，为教育领域带来了新的曙光。
研究人员采用了多种关键技术方法。首先，他们从 12 名年龄在 13 - 17 岁的健康青少年中收集数据，这些学生来自多哈的两所私立高中。研究人员为学生配备了 Fitbit Charge 5 腕带，收集包括压力评分、步数、睡眠时长等数据，同时让学生填写匹兹堡睡眠质量指数（PSQI）问卷，还收集了学校提供的学生报告。接着，研究人员选用了 LLaMA（Meta - Llama - 3 - Instruct）的本地下载版本，利用 LM Studio 和 Jupyter Notebook 以及 python 环境，对收集到的数据进行处理。通过构建详细的提示词，让模型进行情绪分析并生成个性化建议，最后由三位独立的评估者对建议进行评分。
研究结果
- 个性化建议的类型：根据不同学生的数据特征，LLMs 生成了多样化的建议。例如，对于睡眠数据较低的学生，建议改善睡眠卫生、调整作息时间；压力水平较高的学生，则被建议练习放松技巧、更好地管理工作量；学业成绩较差的学生，会得到利用学习技巧、寻求学术支持的建议；运动不规律的学生，被鼓励建立规律的运动习惯、参加健身课程12。
- 数据展示：通过对 Fitbit 设备数据和 PSQI 调查数据的整理，研究人员发现学生的压力评分、步数、睡眠时长等存在较大差异。部分学生的睡眠数据出现异常低值，可能是设备记录错误或个人睡眠模式差异导致。同时，情绪分析结果显示，不同学生在学术表现、行为、成绩等多个领域的情绪得分有所不同，反映出他们的情感状态和学习态度的差异345。
- 建议的评估：验证结果表明，LLMs 生成的建议在清晰度和可操作性方面表现较好，多数学生的得分较高。然而，在与学生数据的契合度上，存在一定的差异，部分学生的得分处于中等水平。评估者之间的一致性分析显示，在评估建议的清晰度时一致性较高，而在评估可操作性和与学生数据的契合度时，一致性相对较低67。
研究结论与讨论
该研究成功展示了 LLMs 基于学生数据生成个性化建议的能力，为教育领域提供了新的思路和方法。通过整合可穿戴设备数据、PSQI 调查结果和学校报告等多源数据，LLMs 能够生成更贴合学生实际情况的建议，有望提升学生的福祉和学业成绩。
但研究也存在一些局限性。例如，样本量较小，仅选取了 12 名学生，限制了研究结果的普遍性；数据收集过程中，Fitbit 设备数据的准确性和 PSQI 评分的可靠性存在一定问题；研究未建立 AI 生成的建议与学生实际成果之间的因果关系。
未来的研究可以从多个方向展开。一方面，可以扩大样本量，纳入更多不同背景的学生，提高研究结果的普适性；另一方面，需要进一步优化模型，改进提示词的设计，探索更先进的 LLMs，提高建议与学生数据的契合度。同时，开展随机对照试验（RCTs），监测和比较不同组学生的进展，将有助于验证 LLMs 干预措施在教育环境中的有效性。
总之，这项研究虽然处于早期阶段，但它为利用 LLMs 和可穿戴设备改善学生教育和健康状况的研究开辟了新的道路，为后续研究奠定了基础，有望在未来为学生的全面发展提供更有效的支持。
