透過嵌入幾何驗證基於自然語言的教育數位孿生於 Python 課程

教學問題

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。

研究方法

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。

主要發現

• 五級常態分佈分級方案導致中間類別嚴重塌縮，嵌入幾何高度重疊，無法形成有效的區辨結構
• 三級分級方案產生更清晰的組織結構，分離比達 1.107，且驗證行為穩定不塌縮
• 學習者自然語言確實能形成穩定的數位孿生狀態空間，但前提是標籤粒度需匹配潛在語意幾何
• 研究證實教育數位孿生的可行性取決於表徵幾何與標籤設計的對齊

對教學的啟示

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。