利用大语言模型分析课程模式复杂性以提升按时毕业率

研究目标与问题背景

• 当前本科课程（尤其是 Software Engineering 专业）普遍存在长依赖链（long sequences），单门课程不及格即可能中断四年内毕业路径；
• 传统由院系教师手动分析与修订课程结构的方式耗时冗长、迭代频率低，难以响应学生需求变化与产业演进。

方法与技术路径

• 基于 arXiv:2607.13094v1 论文，采用 Large Language Models（LLMs）对课程先修关系、学分分布、学期负载、失败传播路径等多维 curricular pattern 进行建模与复杂度量化；
• LLMs 不仅识别结构性瓶颈（如高失败率前置课、跨学期强耦合模块），还生成符合教学逻辑与学位要求的修订建议（如拆分高风险课程、插入缓冲模块、调整先修约束）。

实证效果与价值

• 在某高校 Software Engineering 本科培养方案中验证：课程修订周期从平均 6–12 个月压缩至 2–3 周；
• 模拟预测显示，关键路径失败概率降低 28.4%，预计四年按时毕业率提升 5.7–9.2 个百分点；
• 方法不依赖定制化规则引擎，而是通过 prompt engineering 与结构化输出约束，使 LLMs 具备可解释、可审计的课程推理能力。