集成神经认知诊断、有限能力自适应测试与 LLM 驱动反馈的闭环个人化学习智能体
计算与语言
2025-10-28 v1
摘要
随着信息技术的发展，教育正从以一刀切的教学向个人化学习转变。然而，大多数方法在建模、项目选择和反馈方面是孤立处理的，导致模型粗糙或不可解释、忽视诊断后验分布的假设驱动式自适应，以及通用且不可操作的反馈。为此，本文提出一种端到端的个人化学习智能体EduLoop-Agent，集成了神经认知诊断模型（NCD）、有限能力估计计算机化自适应测试策略（BECAT）以及大语言模型（LLM）。NCD 模块提供知识点层面的学生掌握程度的细粒度估计；BECAT 动态选择后续题目以最大化相关性和学习效率；LLM 将诊断信号转换为结构化、可操作的反馈。这些组件共同构成一个闭环框架，即“诊断-推荐-反馈”。在ASSISTments数据集上的实验表明，NCD 模块在响应预测中表现出色，同时提供可解释的掌握评估。自适应推荐策略提高了题目相关性和个人化程度，LLM 驱动的反馈针对识别出的薄弱环节提供针对性学习指导。总体而言，结果表明该设计有效且可实际部署，为在智能教育中生成个性化学习轨迹提供了可行路径。
引用
@article{arxiv.2510.22559,
title = {A Closed-Loop Personalized Learning Agent Integrating Neural Cognitive Diagnosis, Bounded-Ability Adaptive Testing, and LLM-Driven Feedback},
author = {Zhifeng Wang and Xinyue Zheng and Chunyan Zeng},
journal= {arXiv preprint arXiv:2510.22559},
year = {2025}
}
备注
8 pages, 6 figures