知识追踪与大型语言模型教育应用系统综述：机遇、问题与未来研究

知识追踪（KT）旨在通过学习交互估计学生知识状态——这一目标是智能辅导系统（ITSs）的关键组成部分。尽管取得了显著进展，但目前没有KT模型在预测准确性和可解释性方面均表现出色。与此同时，大型语言模型（LLM）已在广泛的自然语言数据上预训练，成为具有巨大潜力的教育应用工具。本综述探讨了KT模型与LLM在教育背景下的交叉点、机遇与挑战。综述首先考察了LLM在教育中的应用，包括其对领域特定内容的适应性以及支持个性化学习的能力。随后，审查了KT模型的发展与现状，从传统方法到先进方法，以揭示LLM可能缓解的潜在挑战。本综述的核心聚焦于将LLM与KT集成，探讨三种主要功能：解决KT领域的普遍性问题、克服特定KT模型的局限性，以及作为KT模型本身发挥作用。我们的发现表明，LLM可以通过针对特定教育任务的定制化技术（如上下文学习和基于智能体的方法）进行调整，有效管理复杂且不平衡的教育数据。这些模型可以增强现有KT模型的性能，并通过从问题数据中生成相关特征来解决冷启动问题。然而，当前两种模型都严重依赖结构化、有限的数据集，缺乏利用多样化教育数据的机会，这些数据可以为了解答者提供更深入的洞察并支持各种教育场景。