SINKT：面向大语言模型的结构感知归纳知识追踪模型
人工智能
2024-11-05 v2 计算机与社会
摘要
知识追踪 (KT) 旨在确定学生是否会对下一个问题作答正确，这是智能辅导系统 (ITS) 中的关键任务。在教育 KT 场景中，基于身份的转导方法常面临严重的数据稀疏和冷启动问题，即单个学生与问题之间的互动稀疏，新的问题和概念持续进入数据库。此外，现有 KT 模型仅隐式考虑概念与问题之间的关联，缺乏对异构图中更复杂关系的直接建模。本文提出一种结构感知归纳知识追踪模型，称为结构感知归纳知识追踪 (SINKT)，首次引入大语言模型 (LLM) 实现归纳知识追踪。首先，SINKT 使用 LLM 引入概念之间的结构关系并构建概念与问题的异构图。其次，SINKT 通过编码概念和问题，融合语义信息以辅助预测。最后，SINKT 通过与学生的知识状态及问题表示进行交互，预测学生对目标问题的作答。实验在四个真实数据集上进行，表明 SINKT 在 12 种现有转导 KT 模型中实现了最佳性能。此外，我们探索了 SINKT 在归纳 KT 任务中的性能，并提供了对各模块的洞见。
引用
@article{arxiv.2407.01245,
title = {SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model},
author = {Lingyue Fu and Hao Guan and Kounianhua Du and Jianghao Lin and Wei Xia and Weinan Zhang and Ruiming Tang and Yasheng Wang and Yong Yu},
journal= {arXiv preprint arXiv:2407.01245},
year = {2024}
}