MAS-KCL：基于大语言模型驱动的智能体工作流程的知识组件图结构学习
机器学习
2025-05-21 v1 计算机与社会
人机交互
多智能体系统
摘要
知识组件（KC）是教育领域中知识的基本单元。KC图展示了KC之间的关系和依赖。准确的KC图可帮助教育者识别学习者在特定KC上表现不佳的根本原因，从而实现针对性的教学干预。为实现此目标，我们开发了一种名为MAS-KCL的KC图结构学习算法，该算法采用由大语言模型驱动的多智能体系统进行自适应修改和优化。此外，算法集成了双向反馈机制，AI智能体通过该机制评估KC图中边的价值，并调整不同边的生成概率分布，从而加速结构学习的效率。我们将该算法应用于5个合成数据集和4个真实教育数据集，实验结果验证了其在学习路径识别方面的有效性。通过准确识别学习者的学习路径，教师能够设计更全面的学习计划，使学习者更有效地实现教育目标，从而推动教育的可持续发展。
引用
@article{arxiv.2505.14126,
title = {MAS-KCL: Knowledge component graph structure learning with large language model-based agentic workflow},
author = {Yuan-Hao Jiang and Kezong Tang and Zi-Wei Chen and Yuang Wei and Tian-Yi Liu and Jiayi Wu},
journal= {arXiv preprint arXiv:2505.14126},
year = {2025}
}
备注
In CGI 2025: 42nd Computer Graphics International Conference, Kowloon, Hong Kong, Peper No. 134