Capture-Calibrate-Coach：基于图的知识监控估计与自适应反馈框架
机器学习
2026-05-26 v1
摘要
有效的学习支持需要不仅理解学习者掌握了什么知识，还要理解他们对自身理解的准确性认知。这种元认知维度被称为知识监控，对自我调节学习具有根本性影响，但在当前系统中仍未得到充分探索。本文引入Capture-Calibrate-Coach（3C）框架，用于自适应学习支持。在捕获阶段，从开放式自我报告中提取学习者感知的知识状态，以构建关联学习者与知识概念的异构图。在校准阶段，应用异构图神经网络推断未明确提及的概念的潜在感知状态，以实现系统化的知识监控评估。在教练阶段，将学习者分类为五种元认知模式，并提供针对知识缺口和校准错误的个性化反馈。使用684名学生的评估显示，预测潜在感知状态的AUC为85.21%，显著优于基线方法。针对47名参与者的用户研究显示，反馈质量得到积极反馈，参与者尤其重视关于知识缺口的具体反馈以及可操作的学习指导。这些发现推动了AI-based学习支持向具备准确自我意识能力并支持知识增长的元认知伴侣方面的发展。
引用
@article{arxiv.2605.25419,
title = {Capture-Calibrate-Coach: A Graph-Based Framework for Knowledge Monitoring Estimation and Adaptive Feedback},
author = {Gen Li and Li Chen and Cheng Tang and Boxuan Ma and Yuncheng Jiang and Daisuke Deguchi and Takayoshi Yamashita and Atsushi Shimada},
journal= {arXiv preprint arXiv:2605.25419},
year = {2026}
}
备注
To be published in Proceedings of the 27th International Conference on Artificial Intelligence in Education (AIED 2026)