Show a desktop notification when the AI TA finishes replying
Notify me when classmates post messages in the forum
Play an alert sound whenever there is a new notification
Validation of Natural Language–Based Educational Digital Twins through Embedding Geometry in Python Courses
教育數位孿生（Educational Digital Twins）旨在超越分數導向的評量， 建立更完整的學習者狀態表徵。然而，學習者產生的自然語言是否能形成 穩定且可解釋的孿生狀態表徵，仍是未解的研究問題。 傳統的常態分佈（bell-curve）分級方式在語意嵌入空間中是否仍然適用，也值得探討。
本研究以北台灣某大學 Python 程式設計課程（N = 162）為場域， 收集學生透過課程整合 GPT 系統提出的學習相關問題作為語言行為資料。 將每位學生的多次提問聚合為單一語言行為單元， 透過微調的 Transformer 編碼器搭配注意力感知池化與 L2 正規化嵌入， 並以 PCA 與距離統計分析嵌入空間的結構一致性與可分離性。
定義數位孿生狀態時，不應僅依賴傳統的常態分佈分級， 而需將狀態粒度與表徵幾何對齊，確保學習到的孿生狀態空間 具有可解釋性、穩定性，並可支援後續的教學決策。 未來將結合多模態資料（作答軌跡、學習行為、時序信號等）建構更穩健的孿生狀態。
本研究直接建構於 Uedu UeduGPTs 的對話資料之上， 驗證了利用學生提問的語言行為來建構學習者數位孿生的可行性。 研究成果將回饋至 Uedu 的對話分析模組， 未來可自動識別學習者的能力層級並提供個人化的學習支援。
前往使用本篇甫發表、尚未取得 DOI，資料庫無從建立引用關係，因此暫時無法查核。
甫發表・尚未可查
本篇甫發表、尚未取得 DOI，資料庫無從建立引用關係，因此暫時無法查核。 尚未取得 DOI。
資料來源：OpenAlex（主）＋ Semantic Scholar（補查），資料日期 2026-08-30。 引用次數依資料庫口徑而異；標為「已核對原文」者已取得全文並逐字抄錄引用段落。