知识就是力量：发挥大型语言模型在增强认知诊断中的作用
人工智能
2025-02-11 v1
摘要
认知诊断模型（CDMs）旨在通过分析学生在一系列练习中的表现来评估其认知状态。然而，现有的CDMs常常在诊断因练习稀少或学生稀少的情况时难以胜任，因为缺乏丰富的先验知识。随着大型语言模型（LLM）取得进展，因其拥有广泛的领域知识，其在认知诊断中的集成 presents an 引人注目的机遇。尽管存在这种潜力，但将LLM与CDM集成提出了诸多挑战。LLM不太适合捕捉学生与练习之间细粒度的协作互动，以及LLM的语义空间与CDM的行为空间之间的差异，阻碍了有效的集成。为此，我们提出了一种新颖的知识增强认知诊断（KCD）框架，该框架是一种模型无关的框架，利用LLM来增强CDM，并与各种CDM架构兼容。KCD框架分为两个阶段：LLM诊断阶段和认知水平对齐阶段。在LLM诊断阶段，对学生和练习进行诊断，以实现全面且细致的建模。在认知水平对齐阶段，我们通过对比学习和掩码重建方法，在CDM的行为空间与LLM的语义空间之间架起桥梁。在几个真实世界数据集上的实验结果表明，我们提出的框架有效果。
引用
@article{arxiv.2502.05556,
title = {Knowledge is Power: Harnessing Large Language Models for Enhanced Cognitive Diagnosis},
author = {Zhiang Dong and Jingyuan Chen and Fei Wu},
journal= {arXiv preprint arXiv:2502.05556},
year = {2025}
}