论文
经由双曲空间中 LLM-学生层次行为对齐迈向 LLM 赋能的知识追踪
Towards LLM-Empowered Knowledge Tracing via LLM-Student Hierarchical Behavior Alignment in Hyperbolic Space
摘要
知识追踪（KT）通过持续监测学习状态来诊断学生的概念掌握情况。现有方法主要研究基于 ID 或文本信息的行为序列，但由于语义建模有限，常无法捕捉 (1) 认知状态的层次演化与 (2) 个体化的题目难度感知。因此，本文提出大语言模型双曲对齐知识追踪（L-HAKT）。首先，教师智能体深度解析题目语义并显式构建知识点的层次依赖；学生智能体模拟学习行为以生成合成数据。然后，在双曲空间中对合成数据与真实数据进行对比学习，以缩小题目难度与遗忘模式等关键特征上的分布差异。最后，通过优化双曲曲率，我们显式建模知识点的树状层次结构，精确刻画不同层级知识点学习曲线形态的差异。在四个真实教育数据集上的大量实验验证了大语言模型双曲对齐知识追踪（L-HAKT）框架的有效性。
