时间：2025年12月13日（周六）上午09: 00
地点：望江校区基础教学楼B座318实验室
Part1
分享者：邓子祎
分享内容：
Pan S, Schmucker R, Garcia Bulle Bueno B, et al. Tutorup: What if your students were simulated? training tutors to address engagement challenges in online learning[C]//Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. 2025: 1-18.
论文简介：
随着在线学习的兴起，许多新手导师缺乏远程引导学生参与的经验。为此，本文推出了TutorUp，一个基于大语言模型（LLM）的系统，通过情景模拟训练，帮助新手导师在与模拟学生的互动中实践参与策略。基于一项包含两次问卷调查的形成性研究，本文总结了模拟真实教学情境的场景。为提升沉浸感与真实性，本文采用了一种提示策略，模拟动态的在线学习对话。TutorUp通过分析导师与学生的在线对话记录，提供即时与异步的反馈。在一项评估中，参与者普遍认为TutorUp在有效性和可用性上显著优于不具备情景模拟能力的基线系统。
Part2
分享者：杨光
分享内容：
C. Jung, S. Yim, G. Park, S. Oh and Y. Jang, "CATOM: Causal Topology Map for Spatiotemporal Traffic Analysis With Granger Causality in Urban Areas," in IEEE Transactions on Visualization and Computer Graphics, vol. 31, no. 9, pp. 6036-6052, Sept. 2025, doi: 10.1109/TVCG.2024.3489676.
论文简介：
交通网络是城市系统中支持日常活动的重要组成部分。其中一个关键的挑战是网络的复杂性，它是由分布在区域上的许多节点对组成的。这种空间特征导致在理解交通拥堵等问题的“原因”时出现高维网络问题。最近的研究对这些原因的分析仅限于已确定的模式。本文提出了一个基于Granger因果关系的交通模式因果分析系统CATOM (Causal Topology Map)，用于提取因果拓扑图。CATOM通过格兰杰因果检验发现道路之间的因果关系，并通过因果密度对这些关系进行量化，辅以时空信息的可视化呈现以克服传统方法忽略空间结构的局限。系统支持从因果起点出发逐步构建交通事件的因果网络，并在实际数据集上进行可用性评估与专家访谈，验证其在交通领域的可解释性与实用性。
