FoundationalASSIST：面向基础知识追踪与教育学依托的教育数据集
计算机与社会
2026-02-03 v1 计算与语言
机器学习
摘要
大型语言模型能否理解学生的学习方式？随着LLM被用于自适应测试和个性化辅导，这个问题变得迫切——然而，现有资源无法为我们提供答案。当前教育数据集仅提供问题标识符和二元正确性标签，使其对推理自然语言的LLM而言难以理解。为填补这一空白，我们提出了FoundationalASSIST，这是第一个提供完整信息以支持LLM教育研究的英文教育数据集：包含完整问题文本、实际学生作答（而非仅限正确/错误），记录学生选择的错误答案，以及与Common Core K-12标准的对齐。这些来自5000名学生的170万条互动数据，使我们能够开展此前不可能 pursuing 的研究方向，从而包括微调学生模型到分析误解模式。为展示数据集的实用性，我们对四个前沿模型（GPT-OSS-120B、Llama-3.3-70B、Qwen3-Next-80B变体）在两个互补任务族上进行评估：知识追踪（测试LLM能否预测学生对问题的表现和具体作答），以及"教育学依托"（测试LLM能否理解使评估项目有效的属性）。我们的评估结果表明，当前LLM能力存在显著差距。每个模型在知识追踪上仅能达到基准的平凡水平。所有模型在项目判别力上跌破随机猜测的水平，表明LLM尚不理解什么样的问题更具诊断性。模型在判断相对难度方面表现出一定能力（最高可达68.6%），但这仅进一步凸显了其他方面的差距。这些结果表明，在LLM能够可靠地大规模支持个性化学习之前，仍需取得显著进展。我们发布FoundationalASSIST以支持这些基础性挑战的进一步发展。
引用
@article{arxiv.2602.00070,
title = {FoundationalASSIST: An Educational Dataset for Foundational Knowledge Tracing and Pedagogical Grounding of LLMs},
author = {Eamon Worden and Cristina Heffernan and Neil Heffernan and Shashank Sonkar},
journal= {arXiv preprint arXiv:2602.00070},
year = {2026}
}