arXiv cs.AI· Shuyan Huang, Alexander Scarlatos, Jaewook Lee, Andrew Lan·· 13 小时前AI 评分20
基于 LLM 的可解释难度感知对话式知识追踪框架
Interpretable Difficulty-Aware Knowledge Tracing in Tutor-Student Dialogues
AI 导读
研究者提出一个基于 LLM 的可解释难度感知对话式知识追踪框架，在每一轮对话中显式建模学生能力与导师所出任务的难度。该框架结合原始文本问题与下一轮导师任务估计知识状态，并引入 Item Response Theory 将 LLM 输出映射为学生能力与题目难度参数。在两个导师-学生对话数据集上，该框架优于现有知识追踪基线，且输出与认知理论一致。
正文 · AI 翻译
摘要：大语言模型（LLM）的最新进展推动了 AI 驱动的辅导系统的发展，这些系统通过对话提供交互式支持。为使这些辅导系统能够提供个性化支持，必须在每一轮对话中评估学生的表现，这推动了对话环境下的知识追踪（KT）。然而，现有的基于对话的 KT 方法往往忽略问题难度建模，并依赖 LLM 不透明的潜在表示，从而阻碍了准确且可解释的预测。在本工作中，我们提出了一个基于 LLM 的可解释、难度感知的对话式 KT 框架，该框架在每一轮对话中显式建模学生的能力和辅导者所提任务的难度。该框架结合原始文本问题和下一个辅导者提出的任务，以估计学生的知识状态和即将到来轮次的难度。此外，它整合了项目反应理论，将 LLM 的输出映射为学生能力和问题难度参数，从而能够基于学习认知理论对学生表现进行可解释的预测。我们在两个辅导者-学生对话数据集上评估了该框架。定量和定性结果均表明，我们的框架优于现有的 KT 基线，同时生成与认知理论一致的可解释输出。
| 评论： | 发表于 BEA 2026（ACL 2026 Workshop） |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.01097 [cs.CL] |
| （或 arXiv:2605.01097v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.01097 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Proceedings of the 21st Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2026), pp. 612-623, 2026 |
| 相关 DOI： | https://doi.org/10.18653/v1/2026.bea-1.43
链接到相关资源的 DOI |
提交历史
来自：Shuyan Huang [查看电子邮件]
[v1]
2026年5月1日星期五 21:07:24 UTC（2,049 KB）
[v2]
2026年10月29日星期四 00:44:02 UTC（1,751 KB）
来源：arXiv cs.AI · arxiv.org