LMCD：语言模型是零样本认知诊断学习者
计算与语言
2025-05-28 v1
摘要
认知诊断 (Cognitive Diagnosis, CD) 已成为人工智能赋能教育中的关键任务，通过准确评估学生的认知状态来支持个性化学习。然而，由于缺乏学生-习题交互数据，传统 CD 模型在冷启动场景中往往表现不佳。近期利用预训练语言模型 (Pre-trained Language Models, PLMs) 的基于 NLP 的方法通过利用文本特征展现了潜力，但未能完全弥合语义理解与认知建模之间的差距。在本工作中，我们提出了语言模型作为零样本认知诊断学习者 (Language Models as Zeroshot Cognitive Diagnosis Learners, LMCD)，这是一个旨在利用大语言模型 (Large Language Models, LLMs) 应对冷启动挑战的新框架。LMCD 通过两个主要阶段运行：(1) 知识扩散，其中 LLMs 生成习题和知识概念 (Knowledge Concepts, KCs) 的丰富内容，建立更强的语义联系；(2) 语义-认知融合，其中 LLMs 采用因果注意力机制整合文本信息与学生认知状态，为学生和习题创建综合画像。这些表示使用现成的 CD 模型进行高效训练。在两个真实世界数据集上的实验表明，LMCD 在习题冷启动和领域冷启动设置下均显著优于现有方法。代码公开于 https://github.com/TAL-auroraX/LMCD
引用
@article{arxiv.2505.21239,
title = {LMCD: Language Models are Zeroshot Cognitive Diagnosis Learners},
author = {Yu He and Zihan Yao and Chentao Song and Tianyu Qi and Jun Liu and Ming Li and Qing Huang},
journal= {arXiv preprint arXiv:2505.21239},
year = {2025}
}
备注
work in progress