MOSAIC：通过分层语义对齐来协调协作知识追踪

知识追踪 (KT) 对于个性化教育很重要，但传统上存在两个关键限制：依赖于基于 ID 的浅层表示，忽略了语义深度；以及对单粒度掌握度估计的限制，忽略了分层知识依赖性。为了应对这些挑战，我们提出了 MOSAIC（用于协作知识的多粒度在线语义人工智能），这是一种新颖的框架，可以通过顺序建模协调 LLM 驱动的语义对齐。与仅使用 LLM 作为预测变量的方法不同，MOSAIC 利用冻结的 LLM 来生成动态、上下文感知的嵌入和分层预测提示，显式捕获协作信号和同伴交互。此外，我们引入了跨粒度一致性目标，该目标共同规范跨概念、主题簇和全局熟练程度的掌握估计。对 ASSISTments、EdNet 和新收集的大规模 MOOC 数据集的大量实验表明，MOSAIC 建立了新的最先进的结果。具体来说，我们的方法在所有基准测试中实现了高达 3.4% 的 AUC 改进和高达 2.5% 的准确度增益。值得注意的是，MOSAIC 在协作丰富的环境和长序列场景中表现出卓越的鲁棒性（MOOC 上的 AUC 0.862），提供高预测精度和基于语义的可解释性。