提出基于LLM的可解释难度感知对话知识追踪框架
热点事件持续更新
提出基于LLM的可解释难度感知对话知识追踪框架
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
Shuyan Huang 等研究者提出一种基于大语言模型（LLM）的可解释、难度感知的对话式知识追踪框架，在每轮师生对话中显式建模学生能力与导师任务难度，并结合项目反应理论（IRT）将 LLM 输出映射为可解释的能力与难度参数。 在两个师生对话数据集上的定量与定性结果显示，该框架优于现有知识追踪基线，输出与认知学习理论一致。该工作发表于 BEA 2026（ACL 2026 Workshop）。
AI 根据报道生成 · 1 小时前更新
最新进展10月31日 12:00
基于 LLM 的可解释难度感知知识追踪方法，用于师生对话场景报道时间线
沿着报道，了解事件的不同侧面。
10月31日
- arXiv cs.AI基于 LLM 的可解释难度感知知识追踪方法，用于师生对话场景
研究者提出一种基于 LLM 的可解释、难度感知的对话式知识追踪（KT）框架，在每轮对话中显式建模学生能力与导师任务难度，并融合项目反应理论（IRT）将 LLM 输出映射为可解释的能力与难度参数。在两个师生对话数据集上的定量与定性结果显示，该框架优于现有 KT 基线，且输出与认知学习理论一致。该工作发表于 BEA 2026（ACL 2026 Workshop）。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。