arXiv cs.AI· Yuan An, Emily Wang, Benjamin Wang, Ruhma Hashmi·· 6 天前AI 评分23
从掌握度画像到模拟作答：用于忠实 LLM 学生模拟的随机学生知识图谱（SSKG）
From Mastery Profile to Simulated Response: Stochastic Student Knowledge Graphs (SSKG) for Faithful LLM Student Simulation
AI 导读
针对 LLM 模拟学生时总是以自身全部能力作答的问题，研究者提出基于随机学生知识图谱（SSKG）的方法：用 LLM 从课程材料抽取课程知识图谱（CKG），将解题路径分解为 CKG 三元组并映射错误干扰项，再以掌握度概率采样决定作答结果。
正文 · AI 翻译
摘要：大语言模型（LLM）越来越多地被用于模拟不同掌握水平的学生，以生成合成训练数据并对辅导系统进行压力测试。现有方法主要利用 LLM 回答问题或执行测试，同时指示其模拟各种技能水平。然而，LLM 往往无论目标技能水平如何，都以其完整的内置能力执行。我们在五个掌握水平的 SAT 题目上展示了这一局限，其中三个 LLM 始终达到 96.8-100\% 的准确率。为了忠实模拟学生行为，我们提出了一种基于随机学生知识图谱（SSKG）的方法，以不同方式利用 LLM 的优势。使用人在回路的工作流，LLM 从课程材料中提取课程知识图谱（CKG），将解题路径分解为 CKG 三元组，并映射错误干扰项。学生的掌握画像表示为 SSKG，为 CKG 三元组分配掌握概率。在解决问题时，对 SSKG 进行采样以确定结果，之后由 LLM 生成与采样结果一致的推理依据。与七个无法区分画像且保持 86.5-100\% 准确率的基线相比，我们基于 SSKG 的方法从低掌握度到高掌握度画像达到 44.1-85.2\% 的准确率，形成了清晰的单调梯度。消融研究表明，分类学意识对这些保真度提升的贡献最为显著，尤其是对较低掌握度的画像。
| 主题： | 人工智能（cs.AI）；人机交互（cs.HC） |
| 引用为： | arXiv:2608.21668 [cs.AI] |
| （或此版本的 arXiv:2608.21668v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2608.21668 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuan An [查看电子邮件]
[v1]
2026年8月21日星期五 22:19:12 UTC（205 KB）
[v2]
2026年10月8日星期四 23:44:22 UTC（184 KB）
来源：arXiv cs.AI · arxiv.org