Towards Modeling Learner Performance with Large Language Models

本篇文章属于LLM系列内容，主要涉及对《Towards Modeling Learner Performance with Large Language Models》一文的译介工作。

用大型语言模型模拟学习者的学习表现

• 摘要
  • 1 引言
  • 2 相关研究
  • 3 模型评估
  • 4 技术路径
  • 5 实验数据
  • 6 分析探讨
  • 7 总结归纳

摘要内容提炼

近期关于预训练大型语言模型（LLM）功能的研究已证实，这类模型能够通过完成包含多种任务的复杂token序列，充当通用模式识别工具，涵盖时间序列预测与机器人控制等多个领域。本研究探讨了LLM在模式识别和序列建模方面的潜力是否可拓展至知识跟踪领域，而知识跟踪作为智能辅导系统（ITS）开发的重要组成部分，其核心功能是通过预测学习者随时间推移的表现来实现个性化教育体验。通过对多个真实世界数据集进行实证分析，我们对比了两种基于LLM的方法——零样本提示与模型微调，并将其与当前主流的非LLM知识跟踪技术进行了比较。尽管基于LLM的方法尚未达到最优性能水平，但经过微调后的LLM在性能上超越了原始基准模型，并在多个评估指标上与传统贝叶斯知识跟踪方法表现相当。这些结果揭示出LLM具备对复杂学习轨迹进行建模的能力，为将LLM应用于教育场景提供了新的可能性。文章最后探讨了这些发现对未来研究的