LLM4CD：利用大语言模型实现开放世界知识增强的认知诊断
计算与语言
2025-05-21 v1
摘要
认知诊断（CD）在智能教育中起着关键作用，基于学生的测试历史评估其对知识概念的理解。然而，当前的CD方法常仅建模学生、练习与知识概念之间的ID关系，忽略了教育数据空间中丰富的语义关系。此外，当代智能辅导系统（ITS）常需新增学生和练习，ID基于的方法难以有效应对。大语言模型（LLM）的出现为突破这一难题提供了可能，凭借开放世界知识。在本文中，我们提出LLM4CD，利用大语言模型实现开放世界知识增强的认知诊断。该方法运用LLM的开放世界知识构建认知表达文本表征，再通过编码引入丰富的语义信息以增强CD任务。此外，我们提出一种创新的双层编码框架，通过宏观层认知文本编码器和微观层知识状态编码器建模学生的测试历史。这一方法以语义表征取代传统ID嵌入，使模型能够凭借开放世界知识适应新增学生和练习，解决冷启动问题。大量实验结果表明，我们的方法在多个真实数据集上均显著优于先前的CD模型，验证了利用LLM引入丰富语义信息以增强CD任务的有效性。
引用
@article{arxiv.2505.13492,
title = {LLM4CD: Leveraging Large Language Models for Open-World Knowledge Augmented Cognitive Diagnosis},
author = {Weiming Zhang and Lingyue Fu and Qingyao Li and Kounianhua Du and Jianghao Lin and Jingwei Yu and Wei Xia and Weinan Zhang and Ruiming Tang and Yong Yu},
journal= {arXiv preprint arXiv:2505.13492},
year = {2025}
}