针对个体学习者的诊断建模：基于MCTS引导的个性化干扰项生成
计算与语言
2026-04-21 v2
摘要
干扰项——多项选择题(MCQs)中的不正确但合情合理的答案选项——在教育评估中至关重要，因为它们通过呈现潜在推理错误来帮助识别学生的误解。当前的干扰项生成方法通常为所有学生生成共享的干扰项，忽略推理过程的个体差异，这限制了其诊断效果。为克服这一挑战，我们提出了个性化干扰项生成任务，该任务将干扰项量身定制于每个学生特定的认知缺陷，这些缺陷从其过去的问答历史中推断得出。虽然这一任务前景光明，但由于为每个学生提供的问答记录有限，这些记录不足以用于训练，且缺乏其潜在推理过程的可见性。为克服这一困难，我们提出一种新型、无训练的两阶段框架。在第一个阶段中，使用蒙特卡洛树搜索(MCTS)从过去的错误中重构学生的推理过程，创建学生特定的误解原型。在第二个阶段中，该原型指导在新问题上模拟学生的推理，生成与其个人误解相吻合的个性化干扰项。我们的实验在1,361名学生、6科学科目上进行，表明该方法在生成符合情理、个性化的干扰项方面优于现有方法，并且有效地适应群体层面的设置，凸显了其稳健性和灵活性。
引用
@article{arxiv.2508.11184,
title = {Tailoring Diagnostic Modeling to Individual Learners: Personalized Distractor Generation via MCTS-Guided Reasoning Reconstruction},
author = {Tao Wu and Jingyuan Chen and Wang Lin and Jian Zhan and Mengze Li and Fangzhou Jin and Min Zhang and Kun Kuang and Fei Wu},
journal= {arXiv preprint arXiv:2508.11184},
year = {2026}
}