LLM框架实现可解释对话知识追踪
热点事件持续更新
LLM框架实现可解释对话知识追踪
1 篇报道1 个报道来源12 小时前更新
先了解这件事
AI 综述
Shuyan Huang等作者提出一个基于大语言模型的可解释难度感知对话式知识追踪框架，在每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来估计知识状态，并引入项目反应理论（Item Response Theory）将LLM输出映射为学生能力与题目难度参数。 作者称，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。
AI 根据报道生成 · 2 小时前更新
最新进展10月31日 12:00
基于 LLM 的可解释难度感知对话式知识追踪框架报道时间线
沿着报道，了解事件的不同侧面。
10月31日
- arXiv cs.AI基于 LLM 的可解释难度感知对话式知识追踪框架
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。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 810月31日 22:00
- 近 24 小时变化
- –
02468
22:0023:0011月1日
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。