摘要

本文介绍了一种名为SINKT的新型知识追踪模型，该模型利用大型语言模型（LLM）实现结构感知的归纳知识追踪。知识追踪（KT）是智能辅导系统（ITS）中的关键任务，旨在预测学生对未来问题的回答正确性。传统的基于ID的传导方法在教育KT场景中面临数据稀疏和冷启动问题，且未能直接建模概念与问题之间的复杂关系。SINKT通过引入LLM，首次实现了归纳知识追踪，利用LLM构建概念间的结构关系，并通过编码概念和问题来整合语义信息，最终通过与学生的知识状态和问题表示的交互来预测学生的回答。实验结果表明，SINKT在四个真实世界数据集上优于12种现有的传导KT模型，并展示了在归纳KT任务上的优越性能。

原理

SINKT模型的核心在于利用大型语言模型（LLM）来处理和整合知识追踪任务中的结构和语义信息。首先，SINKT使用LLM构建概念与问题之间的异构图，该图不仅包含数据集中的关系，还整合了LLM提供的开放世界知识。其次，通过预训练语言模型（PLM）对概念和问题的文本进行编码，获取其语义表示。接着，设计了一个结构信息编码器，通过多层异构图注意力网络（GAT）来学习概念和问题的表示，这些表示考虑了图中的多种关系，如概念-问题、概念-概念和问题-概念。最后，通过学生状态编码器捕捉学生的学习历史序列信息，并结合目标问题的表示，通过交互预测器来预测学生的回答。

流程

SINKT的工作流程包括以下几个关键步骤：

1. 概念-问题图生成：利用LLM生成包含概念和问题关系的异构图。
2. 文本信息编码：使用PLM对概念和问题的文本进行编码，获取语义表示。
3. 结构信息编码：通过多层GAT网络学习概念和问题的结构表示。
4. 学生状态编码：使用门控循环单元（GRU）捕捉学生的学习历史序列信息。
5. 响应预测：结合学生的知识状态和目标问题的表示，通过交互预测器预测学生的回答。

例如，在处理一个新的概念或问题时，SINKT能够自动进行文本编码并通过图传播信息，最终完成响应预测。

应用

SINKT模型不仅在传统的传导知识追踪任务中表现出色，还能有效处理归纳知识追踪任务，即预测新引入概念或问题的学生响应。这使得SINKT在智能辅导系统中具有广泛的应用前景，特别是在需要动态更新和扩展知识库的场景中，如在线教育和个性化学习系统。此外，SINKT的自动化处理流程也使其能够适应不断变化的教育需求和新兴话题，为教育技术的未来发展提供了新的可能性。