计算机科学>计算与语言
职务: 基于大语言模型的难度预测知识追踪中的重点难点对比学习
摘要: 本文针对问题和概念难度这一关键因素,提出了一种提高知识追踪(KT)模型性能的新技术。 尽管承认困难的重要性,但之前的KT研究尚未挖掘其在模型优化方面的潜力,并且很难从看不见的数据中预测困难。 为了解决这些问题,我们提出了一种以困难为中心的KT模型对比学习方法和一种基于大型语言模型(LLM)的难度预测框架。 这些创新方法旨在提高KT模型的性能,并为未知数据提供准确的难度估计。 我们的消融研究通过证明增强的KT模型性能证明了这些技术的有效性。 然而,语言和难度之间的复杂关系值得进一步研究。