Cu o experiență de peste 20 de ani, vă transformăm prezența digitală. Suntem specializați în crearea de site-uri web și magazine online, SEO și marketing digital, soluții ERP și automatizări inteligente care vă propulsează afacerea.
Adresă:
Egnatia 154, Salonic 546 36
Telefon:
+30 231 231 4095
E-mail:
[email protected]
Sunteți pregătiți pentru următorul pas?;
Το TutorTrace δείχνει πώς ένας AI tutor αξιοποιεί edits, runs, errors και χρόνο προσπάθειας για πιο σχετική βοήθεια, με σαφή όρια σε privacy και συμπεράσματα.
Δύο άνθρωποι μπορούν να γράψουν ακριβώς την ίδια ερώτηση σε έναν AI tutor και να χρειάζονται εντελώς διαφορετική βοήθεια. Ο πρώτος ίσως να μην έχει αγγίξει τον κώδικα. Ο δεύτερος μπορεί να έχει περάσει αρκετά λεπτά δοκιμάζοντας, εκτελώντας tests, διαβάζοντας errors και αλλάζοντας προσέγγιση. Αν το σύστημα βλέπει μόνο το τελικό prompt, οι δύο περιπτώσεις μοιάζουν ίδιες. Αν βλέπει τη διαδρομή που προηγήθηκε, αποκτούν διαφορετικό νόημα.
Αυτό ακριβώς επιχειρεί το TutorTrace, ένα dataset και μια υποδομή συμπεριφορικής αφαίρεσης για εκπαίδευση προγραμματισμού με AI. Η εργασία των David Barron, Xiaohang Tang, Rezky Dwisantika, Minsun Kim, David H. Smith IV, Jiaming Cui και Yan Chen παρουσιάστηκε για το ACM UIST 2026. Η βασική της ιδέα είναι ότι η ποιότητα της υποστήριξης δεν εξαρτάται μόνο από το τι λέει ο learner, αλλά και από το τι έκανε πριν ζητήσει βοήθεια.
Για επαγγελματίες του e-learning, product managers, ομάδες customer success και επιχειρήσεις που ενσωματώνουν copilots και AI agents, η μελέτη έχει ενδιαφέρον πέρα από την τάξη. Δείχνει πώς ένα AI προϊόν μπορεί να μετατρέψει χαμηλού επιπέδου interaction data σε χρήσιμο context, χωρίς να υποθέτει ότι κάθε click ή pause αποκαλύπτει από μόνο του πρόθεση.
Η σύντομη απάντηση
Το TutorTrace δείχνει ότι ένας AI tutor μπορεί να προσαρμόζει πιο χρήσιμα τη βοήθειά του όταν συνδυάζει το prompt με παρατηρήσιμα σήματα προσπάθειας, όπως edits, runs, errors και χρόνο ανάμεσα στις ενέργειες. Τα σήματα αυτά είναι ατελή proxies· χρειάζονται επικύρωση, διαφάνεια και παρεμβάσεις χαμηλού ρίσκου.
Οι σημερινοί AI tutors είναι καλοί στο να αναλύουν το κείμενο μιας ερώτησης, το διαθέσιμο code context και το ιστορικό της συνομιλίας. Συνήθως όμως δεν γνωρίζουν αν ο learner δοκίμασε να λύσει το πρόβλημα, αν έτρεξε τον κώδικα, αν διάβασε το error ή αν επανήλθε αμέσως ζητώντας την επόμενη απάντηση. Η ανθρώπινη διδασκαλία αξιοποιεί ακριβώς αυτά τα σήματα: ο tutor παρατηρεί προσπάθεια, σύγχυση, επιμονή και αδράνεια πριν αποφασίσει πόσο άμεση θα είναι η παρέμβαση.
Η διαφορά δεν είναι θεωρητική. Ένας learner που έχει κάνει πέντε αποτυχημένα runs πιθανόν χρειάζεται πιο συγκεκριμένο scaffolding. Κάποιος που ρωτά χωρίς κανένα edit ίσως χρειάζεται ένα μικρό πρώτο βήμα ώστε να ενεργοποιηθεί. Και κάποιος που γράφει κώδικα αλλά δεν τον εκτελεί μπορεί να ωφεληθεί περισσότερο από μια υπενθύμιση για test παρά από νέα εξήγηση. Το TutorTrace επιχειρεί να κάνει αυτές τις διαφορές ορατές και υπολογίσιμες.
Η υποδομή εφαρμόστηκε τέσσερις φορές σε δύο εισαγωγικά μαθήματα Python στο ίδιο ίδρυμα, με συνολικά 480 φοιτητές. Οι δύο πρώτες εφαρμογές χρησιμοποίησαν εργασία πάνω σε indexing, slicing και χειρισμό λιστών με όριο 15 λεπτών. Οι δύο επόμενες επικεντρώθηκαν σε nested lists και iteration με όριο 10 λεπτών. Η διαφοροποίηση του χρόνου είναι σημαντική, επειδή οι ίδιοι οι ερευνητές σημειώνουν ότι μπορεί να συνέβαλε στα χαμηλότερα completion rates των τελευταίων sessions.
Το foundation dataset περιλαμβάνει περίπου 180.000 raw telemetry events, 13.633 αυτόματα ταξινομημένα behavioral segments, 27 observable metrics și 1.386 AI interactions. Η καταγραφή καλύπτει 37 τύπους events σε έξι περιοχές: code editor, terminal, chat, task/tests, global interface και session. Ανάμεσα στα signals βρίσκονται edits, deletes, paste, runs, errors, test results, queries, response reading και χρόνοι αδράνειας.
Τα events στέλνονταν στο backend ανά πέντε δευτερόλεπτα και περιλάμβαναν timestamp, source region και σχετικό payload. Η μελέτη αναφέρει ότι η διαδικασία δεν επηρέαζε το workflow του φοιτητή. Το αποτέλεσμα ήταν μια αρκετά λεπτομερής αναπαράσταση ώστε να υποστηρίζεται replay της συνεδρίας, αλλά και μια βάση για να μετατραπεί το raw stream σε υψηλότερου επιπέδου συμπεριφορικές έννοιες.
Η κλίμακα του TutorTrace στην εργασία UIST 2026
Οι τιμές αφορούν τις τέσσερις εφαρμογές και το foundation dataset της δημοσιευμένης εργασίας· το ενεργό αποθετήριο έχει έκτοτε επεκταθεί.
Το TutorTrace δεν θεωρεί ότι ένα μεμονωμένο event αρκεί για να ερμηνεύσει έναν learner. Δημιουργεί πρώτα behavioral segments. Οι βασικές κατηγορίες είναι Implementing, Debugging, Testing, Thinking, Seeking Help, Idle, Off-Topic και Unknown. Το Thinking χωρίζεται περαιτέρω σε ανάγνωση task, εξέταση κώδικα, ανάγνωση error, pre-query pause και ανάγνωση AI response.
Ο κώδικας που γράφεται χωρίς unresolved error χαρακτηρίζεται ως Implementing, ενώ edits μετά από error ή failed test ως Debugging. Ένα terminal run δημιουργεί Testing marker. Κενά συγκεκριμένης διάρκειας χρησιμοποιούνται για να διακρίνουν μορφές σκέψης ή αδράνειας. Αυτοί είναι κανόνες και όχι άμεση ανάγνωση της πρόθεσης. Η εργασία είναι σαφής ότι υπάρχουν edge cases: κάποιος μπορεί να γράφει άσχετο νέο feature ενώ ένα παλιό error παραμένει unresolved, οπότε το pipeline μπορεί να το χαρακτηρίσει λανθασμένα ως debugging.
Για τη δημιουργία του codebook, τέσσερις annotators με εμπειρία στην εκπαίδευση πληροφορικής εργάστηκαν σε δέκα pilot sessions, διάρκειας 5 έως 13 λεπτών. Συμφωνούσαν πιο εύκολα για το είδος της συμπεριφοράς και δυσκολεύονταν περισσότερο στα ακριβή χρονικά όρια των segments· η μέση διαφορά στην τοποθέτηση boundary ήταν 2,3 δευτερόλεπτα. Μετά από reconciliation, οι κανόνες μεταφέρθηκαν στον automated classifier.
Η validation διαδικασία συνέκρινε self-reports, expert annotations και την αυτόματη ταξινόμηση. Στις τρεις pairwise συγκρίσεις, το συνολικό Cohen’s kappa κυμάνθηκε από 0,73 έως 0,83 και το raw agreement από 78% έως 87%. Για συμπεριφορές όπως Implementing, Debugging και Seeking Help, τα ποσοστά συμφωνίας ήταν υψηλά. Για πιο λεπτές καταστάσεις, όπως το αν κάποιος σκέφτεται τον κώδικα ή ένα error, η συμφωνία ήταν χαμηλότερη.
Αυτό είναι κρίσιμο για όποιον σχεδιάζει behavior-aware AI. Τα telemetry features είναι proxies. Μπορούν να υποστηρίξουν προσαρμογή, όχι να αποδείξουν τι σκέφτεται ο χρήστης. Η σωστή product απόφαση δεν είναι να μετατρέψει κάθε pause σε βεβαιότητα, αλλά να χρησιμοποιήσει τα signals με όρια, να ζητά επιβεβαίωση όπου χρειάζεται και να επιλέγει παρεμβάσεις χαμηλού ρίσκου.
Σήμα δεν σημαίνει πρόθεση
Ένα pause, ένα error ή η απουσία run περιγράφει τι καταγράφηκε στο περιβάλλον, όχι τι σκέφτεται ο χρήστης. Η ασφαλής προσαρμογή προτείνει ένα επόμενο βήμα και αφήνει χώρο για επιβεβαίωση, αντί να αποδίδει ικανότητα, κίνητρο ή διάθεση.
Από 35 candidate metrics, η ομάδα κράτησε 27. Απέκλεισε sparse metrics με πάνω από 80% μηδενικές τιμές, καθώς και metrics που αποτύπωναν δραστηριότητα έξω από το instrumented workspace. Οι τελικές μετρήσεις καλύπτουν ένταση editing, χαρακτήρες που προστέθηκαν ή διαγράφηκαν, ρυθμό edits, terminal runs και errors, χρόνο ανάμεσα σε runs, error recovery, κατανομή χρόνου, διάρκεια στο chat και latency από το chat πίσω στον κώδικα.
Η αξία αυτής της αφαίρεσης είναι πρακτική. Ένα raw event log είναι πλούσιο αλλά δύσχρηστο για real-time product decisions. Ένα μικρότερο σύνολο metrics μπορεί να τροφοδοτήσει κανόνες, classifiers ή prompt context. Η μελέτη δείχνει επίσης ότι η πιο σύνθετη αναπαράσταση δεν είναι πάντα η καλύτερη: στα prediction tasks, τα observable metrics απέδωσαν καλύτερα από την προσθήκη behavioral-sequence features στο συγκεκριμένο Random Forest setup.
Η taxonomy οργανώνει τη συμπεριφορά σε τρία χρονικά παράθυρα. Το πρώτο εξετάζει όσα συμβαίνουν πριν από την πρώτη AI ερώτηση. Το δεύτερο καλύπτει όσα κάνει ο learner ανάμεσα σε δύο διαδοχικά queries. Το τρίτο συνοψίζει επαναλαμβανόμενα patterns σε όλη τη συνεδρία. Η επιλογή αυτή αποφεύγει την παγίδα ενός μόνιμου label: ο ίδιος άνθρωπος μπορεί να είναι active σε ένα διάστημα και passive στο επόμενο.
Πριν από την πρώτη ερώτηση, τα profiles είναι Cold Start, Oriented și Struggling. Cold Start σημαίνει μηδενικά code edits και terminal runs. Oriented περιγράφει μια μέτρια ενεργή προσπάθεια, ενώ Struggling εκτεταμένη αλλά ανεπιτυχή δραστηριότητα. Μεταξύ ερωτήσεων εμφανίζονται τα Passive, Iterating, Debugging și Spinning. Σε επίπεδο συνεδρίας, τα recurring patterns ονομάζονται Passive Re-querying, Active Testing și Untested Editing.
Τα profiles προέκυψαν με συνδυασμό rule-defined κατηγοριών και clustering. Για τα δύο πρώτα παράθυρα, η επιλογή των clusters λάμβανε υπόψη και τη διαφορά completion rates. Επομένως τα completion rates που αναφέρονται είναι περιγραφικά και όχι ανεξάρτητη επιβεβαίωση ότι τα profiles προκαλούν καλύτερα ή χειρότερα αποτελέσματα. Η μελέτη το δηλώνει ρητά και αυτή η επιφύλαξη πρέπει να συνοδεύει κάθε επιχειρηματική ανάγνωση των αριθμών.
Στο πρώτο παράθυρο, οι Cold Start learners ήταν 31, οι Oriented 100 και οι Struggling 21. Οι Struggling χρειάζονταν κατά μέσο όρο 165 δευτερόλεπτα πριν ρωτήσουν, με 4,2 terminal runs και 2,5 errors. Παρότι είχαν περισσότερη ορατή προσπάθεια, οι συνεδρίες τους είχαν χαμηλότερο completion rate από τις άλλες δύο ομάδες. Αυτό δεν σημαίνει ότι η μικρή προσπάθεια είναι καλύτερη. Σημαίνει ότι η μεγάλη, ανεπιτυχής προσπάθεια είναι διαφορετικό signal και μπορεί να απαιτεί πιο άμεση υποστήριξη.
Μεταξύ διαδοχικών queries, τα Passive windows αποτελούσαν 46% των έγκυρων διαστημάτων στο συνολικό taxonomy dataset. Τα Iterating ήταν 42%, τα Debugging 8% και τα Spinning 3%. Τα Spinning windows συνδύαζαν πολύ μεγαλύτερο χρόνο σκέψης — κατά μέσο όρο 149 δευτερόλεπτα — με περιορισμένη εκτέλεση κώδικα. Το κατάλληλο intervention εδώ δεν είναι απαραίτητα “προσπάθησε περισσότερο”, αλλά ίσως “κάνε ένα συγκεκριμένο test” ή “περιόρισε το πρόβλημα σε ένα μικρό βήμα”.
Αυτή είναι η πιο χρήσιμη αρχή για product design: η ποσότητα activity δεν ισοδυναμεί αυτόματα με πρόοδο. Το AI χρειάζεται να ξεχωρίζει effort, execution, recovery και repetition, χωρίς να τα μετατρέπει σε απόλυτη κρίση για τον χρήστη.
Η προκαταρκτική classroom evaluation συνέκρινε δύο διαφορετικά sessions του ίδιου course και task. Το πρωινό baseline περιλάμβανε 48 eligible AI users, ενώ το απογευματινό intervention 85. Στη δεύτερη περίπτωση, το σύστημα πρόσθετε στο prompt του AI tutor ένα behavior-aware context block βασισμένο στην πρόσφατη δραστηριότητα. Για παράδειγμα, ένας Cold Start learner λάμβανε ένα πιο συγκεκριμένο σημείο εκκίνησης, ενώ ένας Passive learner διαφορετική προσέγγιση χωρίς αυτόματη κλιμάκωση της βοήθειας.
Τα Passive inter-query windows μειώθηκαν από 50,0% στο baseline σε 20,7% στο intervention. Τα Iterating windows αυξήθηκαν από 39,1% σε 56,0%. Καταγράφηκαν επίσης περισσότερα code edits ανά window, περισσότερα terminal runs και μεγαλύτερη διάρκεια activity μεταξύ queries. Η διαφορά στο task completion — 33,3% έναντι 43,5% μεταξύ eligible AI users — δεν ήταν στατιστικά σημαντική.
Οι ερευνητές δεν παρουσιάζουν το αποτέλεσμα ως causal proof. Η σύγκριση δεν ήταν randomized, τα groups προέρχονταν από διαφορετικές ώρες της ημέρας και πιθανές διαφορές στη σύνθεση των cohorts δεν ελέγχθηκαν πλήρως. Το ασφαλές συμπέρασμα είναι ότι behavior-aware prompting συσχετίστηκε με λιγότερο passive re-querying και περισσότερη observable activity, όχι ότι αποδείχθηκε πως το προκάλεσε.
Το σύστημα βλέπει την τελική ερώτηση και το διαθέσιμο περιεχόμενο, αλλά δεν ξεχωρίζει αν προηγήθηκαν δοκιμές, errors, ανάγνωση απάντησης ή άμεσο re-query.
Το prompt εμπλουτίζεται με πρόσφατα, επαληθεύσιμα signals ώστε η βοήθεια να ξεκινά από κατάλληλο επίπεδο scaffolding χωρίς να μετατρέπει το profile σε μόνιμη ταυτότητα.
Η ομάδα εξέτασε δύο held-out prediction tasks. Το πρώτο ήταν αν ο learner θα κάνει query μέσα στα επόμενα 60 δευτερόλεπτα. Το δεύτερο ήταν αν το επόμενο query θα αντιπροσωπεύει guided ή dependent help-seeking. Guided σημαίνει ότι ο learner διατυπώνει συγκεκριμένη ανάγκη, σύγχυση ή βήμα. Dependent σημαίνει ότι μεταφέρει στο AI την αναγνώριση του προβλήματος ή την επόμενη ενέργεια με ασαφή αιτήματα ή απαίτηση έτοιμης λύσης.
Τα μοντέλα εκπαιδεύτηκαν στο πρώτο deployment με 190 φοιτητές και αξιολογήθηκαν στο δεύτερο με 113, κάτω από τον ίδιο instructor και task αλλά σε διαφορετική ώρα. Για query imminence, το raw telemetry πέτυχε AUROC 0,689, τα observable metrics 0,726 και η προσθήκη behavioral sequences 0,719. Για help-seeking type, οι αντίστοιχες τιμές ήταν 0,690, 0,717 και 0,705. Στο συγκεκριμένο πείραμα, λοιπόν, τα window-level metrics έδωσαν το μεγαλύτερο κέρδος.
Ιδιαίτερα ενδεικτικό είναι ότι 96,7% των labeled first queries από Cold Start learners χαρακτηρίστηκαν dependent, έναντι 30,9% για Oriented και 28,6% για Struggling. Πρόκειται για περιγραφική συσχέτιση, όχι για μόνιμη ταυτότητα του learner. Παρ’ όλα αυτά, ενισχύει την άποψη ότι το behavior πριν από το prompt προσφέρει πληροφορία που δεν βρίσκεται στο κείμενο του prompt μόνο.
Η εργασία αφορά προγραμματιστική εκπαίδευση, όμως η αρχιτεκτονική της ιδέας είναι ευρύτερη: raw interactions → observable metrics → behavioral context → adaptive response. Σε ένα SaaS onboarding, το σύστημα θα μπορούσε να διακρίνει έναν χρήστη που δεν ξεκίνησε από έναν χρήστη που δοκίμασε τρεις φορές μια ρύθμιση και απέτυχε. Σε customer support και εταιρικά συστήματα γνώσης, θα μπορούσε να λάβει υπόψη αν ο πελάτης διάβασε σχετικές οδηγίες ή επανέλαβε την ίδια αποτυχημένη ενέργεια πριν ζητήσει βοήθεια.
Αυτό δεν δικαιολογεί κρυφή ή απεριόριστη παρακολούθηση. Αντίθετα, η ίδια η φύση των telemetry δεδομένων απαιτεί σαφή ενημέρωση, περιορισμό σκοπού, data minimization, retention policy και πρόσβαση μόνο όπου είναι απαραίτητη. Το paper εστιάζει κυρίως στην τεχνική και παιδαγωγική δυνατότητα· μια εμπορική υλοποίηση οφείλει να προσθέσει privacy, governance και user controls σύμφωνα με το δικό της νομικό και λειτουργικό πλαίσιο.
Για marketers, ομάδες που εκπαιδεύονται στη χρήση AI και e-commerce teams, η χρησιμότητα βρίσκεται λιγότερο σε μια άμεση αντιγραφή του TutorTrace και περισσότερο στη μέθοδο. Ένα assistant που γνωρίζει ποια βήματα ολοκληρώθηκαν μπορεί να προσφέρει πιο σχετική βοήθεια από ένα γενικό chatbot ή ένα AI workflow με ελεγχόμενη πληροφορία. Όμως η προσαρμογή πρέπει να βασίζεται σε επαρκώς αξιόπιστα signals και να αποφεύγει ψυχολογικούς χαρακτηρισμούς που τα δεδομένα δεν μπορούν να στηρίξουν.
Κανόνας σχεδιασμού
Μετρήστε τη στιγμή, όχι τον άνθρωπο
Ένα behavioral profile πρέπει να λήγει μαζί με το χρονικό παράθυρο που το δημιούργησε. Χρησιμοποιήστε το για να επιλέξετε το επόμενο ασφαλές βήμα και όχι για να αποδώσετε μόνιμο χαρακτηρισμό στον χρήστη.
Τα δεδομένα προέρχονται από σύντομα introductory programming tasks σε ένα μόνο ίδρυμα. Δεν γνωρίζουμε αν τα ίδια profiles θα παραμείνουν σταθερά σε άλλα μαθήματα, ηλικίες, πολιτισμικά περιβάλλοντα ή πιο σύνθετες εργασίες. Η intervention σύγκριση δεν είχε random assignment. Επομένως το time of day, η σύνθεση των cohorts ή άλλοι παράγοντες μπορεί να εξηγούν μέρος των διαφορών.
Τα Window 1 και Window 2 profiles επιλέχθηκαν με exploratory διαδικασία που περιλάμβανε completion-rate spread. Δεν πρέπει να χρησιμοποιηθούν τα ίδια completion rates ως ανεξάρτητη απόδειξη εγκυρότητας. Επιπλέον, οι guided/dependent labels δημιουργήθηκαν από GPT-4o και ελέγχθηκαν απέναντι σε δύο human raters μόνο σε subset 97 queries. Η συμφωνία ήταν ουσιαστική, αλλά τα labels παραμένουν approximation της γνωστικής εμπλοκής.
Τέλος, χρησιμοποιήθηκε ένας tutor model, το GPT-4o, και rule-based segmentation χωρίς semantic understanding του κώδικα. Άλλα μοντέλα, διαφορετικά response styles ή άλλες στρατηγικές scaffolding μπορεί να παράγουν διαφορετικά patterns. Οι ερευνητές προτείνουν future work με randomized studies, περισσότερα ιδρύματα, semantic code analysis και αξιολόγηση όχι μόνο της activity αλλά και της retention, του transfer και της μακροχρόνιας συμπεριφοράς help-seeking.
Μια ομάδα που θέλει να εφαρμόσει την ιδέα μπορεί να ξεκινήσει από μία συγκεκριμένη απόφαση: ποια απάντηση του assistant πρέπει να αλλάζει και ποιο observable signal δικαιολογεί αυτή την αλλαγή; Στη συνέχεια χρειάζεται να ορίσει μικρό σύνολο events, να τα μετατρέψει σε metrics με κατανοητή σημασία και να ελέγξει την αξιοπιστία τους απέναντι σε ανθρώπινη αξιολόγηση. Η συλλογή telemetry χωρίς καθαρή χρήση απλώς αυξάνει το κόστος και το privacy risk.
Οι interventions πρέπει να είναι αναστρέψιμες και παιδαγωγικά ή λειτουργικά ασφαλείς. Ένα prompt που προτείνει “τρέξε πρώτα αυτό το test” έχει μικρότερο ρίσκο από ένα σύστημα που αποφασίζει ότι ο χρήστης είναι τεμπέλης ή ανίκανος. Τα profiles πρέπει να περιγράφουν στιγμές, όχι να γίνονται labels ανθρώπων. Και τα business metrics χρειάζεται να συνδέονται με πραγματικά outcomes — completion, learning, resolution ή retention — όχι μόνο με περισσότερα clicks.
Το TutorTrace δεν αποδεικνύει ότι κάθε AI assistant πρέπει να παρακολουθεί κάθε ενέργεια. Δείχνει όμως ότι ένα prompt αποκομμένο από τη διαδικασία είναι συχνά φτωχό context. Η επόμενη γενιά χρήσιμων copilots πιθανότατα θα χρειάζεται να καταλαβαίνει όχι μόνο την ερώτηση, αλλά και την πορεία προς αυτήν — με μετρήσιμη αξιοπιστία, διαφάνεια και όρια.
Επτά βήματα για ένα υπεύθυνο behavior-aware AI pilot
Επιλέξτε ένα μετρήσιμο αποτέλεσμα, όπως task completion, επίλυση support αιτήματος ή επιτυχές onboarding, και αποφύγετε τον αόριστο στόχο «περισσότερο engagement».
Καταγράψτε τα edits, runs, errors ή βήματα ροής που συνδέονται με τη συγκεκριμένη απόφαση. Μην κρατάτε πλήρες telemetry επειδή απλώς είναι διαθέσιμο.
Χρησιμοποιήστε μικρό σύνολο features με σαφή σημασία, χρονικό παράθυρο και μονάδα, ώστε product owners και reviewers να μπορούν να τα ελέγξουν.
Ελέγξτε agreement, edge cases και σφάλματα σε διαφορετικούς χρήστες και πραγματικές συνθήκες πριν το profile επηρεάσει την απάντηση.
Προτιμήστε μια ερώτηση επιβεβαίωσης, ένα συγκεκριμένο test ή ένα μικρό επόμενο βήμα αντί για ισχυρές κρίσεις ή αυτόματες ενέργειες.
Μετρήστε αν αλλάζουν τα interaction patterns, αλλά και αν βελτιώνεται η ολοκλήρωση, η κατανόηση, η επίλυση ή η διατήρηση χωρίς αύξηση του privacy risk.
Τεκμηριώστε ποιος βλέπει τα δεδομένα, πότε διαγράφονται, πώς αμφισβητείται ένα profile και ποιος αναλαμβάνει όταν το σύστημα δεν έχει επαρκές σήμα.
Automatizări operaționale și IA
Σχεδιάστε AI βοήθεια που λαμβάνει υπόψη τη διαδρομή, όχι μόνο το τελευταίο prompt
Η TWO DOTS χαρτογραφεί events, metrics, privacy όρια, quality checks και ανθρώπινο handoff πριν συνδέσει behavior-aware AI με onboarding, customer support ή εσωτερικές ροές. Έτσι η προσαρμογή παραμένει χρήσιμη, μετρήσιμη και ελέγξιμη.
Întrebări frecvente
Είναι dataset και real-time behavioral abstraction pipeline για AI-assisted programming education. Μετατρέπει IDE telemetry σε behavioral segments, observable metrics και profiles που περιγράφουν τη δραστηριότητα γύρω από τα αιτήματα βοήθειας.
Η εργασία UIST 2026 καλύπτει 480 φοιτητές σε τέσσερις εφαρμογές, περίπου 180.000 telemetry events, 13.633 behavioral segments, 27 observable metrics και 1.386 AI interactions. Το ενεργό αποθετήριο έχει έκτοτε επεκταθεί και δεν πρέπει να συγχέεται με αυτή την έκδοση του paper.
Το πρώτο αφορά τη δραστηριότητα πριν από το πρώτο AI query, το δεύτερο τη δραστηριότητα ανάμεσα σε διαδοχικά queries και το τρίτο τα επαναλαμβανόμενα inter-query patterns σε όλη τη συνεδρία.
Σημαίνει ότι μετά από μια AI απάντηση και πριν από το επόμενο query δεν καταγράφηκαν code edits ή terminal runs. Περιγράφει ένα χρονικό διάστημα και όχι μόνιμο χαρακτηριστικό του learner.
Όχι. Η προκαταρκτική σύγκριση έδειξε συσχέτιση με λιγότερα Passive windows και περισσότερη observable activity, αλλά δεν ήταν randomized και δεν μέτρησε causal learning gains.
Στο held-out deployment, τα observable metrics πέτυχαν AUROC 0,726 για query imminence και 0,717 για guided έναντι dependent help-seeking. Τα αποτελέσματα αφορούν το συγκεκριμένο dataset και setup.
Η γενική αρχιτεκτονική μπορεί να εμπνεύσει τέτοια προϊόντα, αλλά αυτό είναι εφαρμοστική ερμηνεία και όχι αποτέλεσμα που δοκιμάστηκε στη μελέτη. Χρειάζεται νέα validation, privacy design και σαφής σκοπός συλλογής δεδομένων.
Το τελικό prompt δεν αποτυπώνει πάντα την προσπάθεια που προηγήθηκε. Observable actions μπορούν να βελτιώσουν το context, αρκεί να αντιμετωπίζονται ως ατελή signals και όχι ως βέβαιη ανάγνωση πρόθεσης ή ικανότητας.
