利用SGNN与LLM协同增强学习者生成题目的学生成绩预测
机器学习
2024-01-30 v3 人工智能
摘要
学习者众包通过学生创作内容为可扩展教育提供了巨大潜力。然而，预测学生在学习者众包题目上的表现对于个性化学习体验至关重要，但由于学生生成数据固有的噪声，这一预测颇具挑战。此外，尽管传统的基于图的方法能够捕捉学生与题目交互的复杂网络，但在冷启动条件下（学生对题目的有限参与导致数据稀疏）往往表现不佳。为应对这两大挑战，我们提出了一种创新策略，协同融合有符号图神经网络（SGNN）与大型语言模型（LLM）嵌入的潜力。我们的方法采用有符号二部图全面建模学生作答，并辅以增强噪声鲁棒性的对比学习框架。此外，LLM的贡献在于生成基础题目嵌入，在以应对图数据有限的冷启动场景时尤为有利。基于PeerWise平台五个真实世界数据集的验证凸显了方法的有效性。我们的方法优于基线模型，展现出更高的预测准确率和鲁棒性。
引用
@article{arxiv.2309.13500,
title = {Enhancing Student Performance Prediction on Learnersourced Questions with SGNN-LLM Synergy},
author = {Lin Ni and Sijie Wang and Zeyu Zhang and Xiaoxuan Li and Xianda Zheng and Paul Denny and Jiamou Liu},
journal= {arXiv preprint arXiv:2309.13500},
year = {2024}
}