量智信息中心_量科网

该研究团队通过分析241份西班牙语入学申请的开放式回答，探究其中潜在的动机信号是否能预测学生在秘鲁QuantumHub量子计算早期培养路径中的参与度和表现。研究聚焦两个选拔性课程模块：模块1（中学阶段；数学与计算基础；n=23）和模块2（中学至大学初级阶段；量子基础；n=36，含模块1继续学习者）。为确保基准可比性，模块2的入学考试难度与模块1期末考试匹配，最终成绩采用项目官方制定的队列特定权重（出勤/作业/考试）进行计算以保持生态效度。 方法上，研究人员采用潜在狄利克雷分配模型（LDA，k=8）进行文本建模，并辅以小型多语言模型EmbeddingGemma-300M生成的句子嵌入增强稳健性——通过UMAP降维后采用HDBSCAN聚类。这种组合方法既利用了词袋主题的透明度，又结合了小语言模型嵌入的语义丰富性。描述性分析显示，“好奇心/学习”类主题比“技术/职业导向”类主题具有更高的成绩和出勤率；但推断性检验效力不足（线性R²≈0.03；逻辑伪R²≈0.04），故效应量估计应视为初步探索而非确证结论。基于嵌入的聚类产生7个类别（噪声占比11.2%），与LDA结果一致性一般（ARI=0.068；NMI=0.163）。 研究结果表明，简短的动机陈述蕴含具有预测价值的信号，可为严格STEM培养通道的早期导师指导提供参考，同时凸显了开展更大规模预注册研究的必要性。