論文の概要: Interpretable Difficulty-Aware Knowledge Tracing in Tutor-Student Dialogues

• arxiv url: http://arxiv.org/abs/2605.01097v1
• Date: Fri, 01 May 2026 21:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.578403
• Title: Interpretable Difficulty-Aware Knowledge Tracing in Tutor-Student Dialogues
• Title（参考訳）: 教師と教師の対話における難解な知識の追跡
• Authors: Shuyan Huang, Alexander Scarlatos, Jaewook Lee, Andrew Lan,
• Abstract要約: 大規模言語モデル(LLM)上に構築された難易度を考慮した対話型KTフレームワークを提案する。 このフレームワークは、学生の知識状態と今後のターンの難しさを推定するために、原文質問と次のチューター提案タスクを組み込んだものである。 学習者/学生の対話データセットを2つ評価する。
• 参考スコア（独自算出の注目度）: 46.915280360954576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large language models (LLMs) have led to the development of AI-powered tutoring systems that provide interactive support via dialogue. To enable these tutoring systems to provide personalized support, it is essential to assess student performance at each turn, motivating knowledge tracing (KT) in dialogue settings. However, existing dialogue-based KT approaches often ignore question difficulty modeling and rely on opaque latent representations from LLMs, hindering accurate and interpretable prediction. In this work, we propose an interpretable difficulty-aware conversational KT framework built upon LLMs, which explicitly models students' abilities and the difficulty of tutor-posed tasks at each turn. The framework incorporates the original textual question and the next tutor-posed task to estimate the student's knowledge state and the difficulty of the upcoming turn. Furthermore, it integrates Item Response Theory to map LLM's outputs into student ability and question difficulty parameters, enabling interpretable prediction of student performance grounded in cognitive theories of learning. We evaluate the framework on two tutor-student dialogue datasets. Both quantitative and qualitative results show that our framework outperforms existing KT baselines, meanwhile generating interpretable outputs consistent with cognitive theory.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、対話による対話的サポートを提供するAIによる学習システムの開発につながっている。 これらの授業支援システムがパーソナライズされたサポートを提供するためには、対話設定における知識追跡(KT)の動機付けとして、各ターンでの学生のパフォーマンスを評価することが不可欠である。 しかし、既存の対話ベースのKTアプローチは、しばしば問題困難モデリングを無視し、LLMからの不透明な潜在表現に依存し、正確かつ解釈可能な予測を妨げる。 本研究では,LLM上に構築された難易度を考慮した会話型KTフレームワークを提案する。 このフレームワークは、学生の知識状態と今後のターンの難しさを推定するために、原文質問と次のチューター提案タスクを組み込んだものである。 さらに,LCMの成果を学生の能力と難易度パラメータにマッピングするために項目応答理論を統合し,学習の認知理論に基づく学生のパフォーマンスの解釈可能な予測を可能にする。 学習者/学生の対話データセットを2つ評価する。 定量的および定性的な結果は、我々のフレームワークが既存のKTベースラインよりも優れており、一方で認識理論と整合した解釈可能なアウトプットを生成することを示している。

関連論文リスト

• Personalizing Student-Agent Interactions Using Log-Contextualized Retrieval Augmented Generation (RAG) [3.5262811753348715]
  大規模言語モデル(LLM)は動的教育的相互作用を促進するが、信頼性、信頼、教育的価値を損なう。 Retrieval-augmented Generation (RAG)は、LLMの出力をキュレートした知識に基礎を置いているが、ユーザ入力と知識ベースとの明確なセマンティックリンクが必要である。 環境ログを用いて協調会話を文脈化することでRAG検索を強化した対数文脈化RAG(LC-RAG)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T19:31:40Z)
• Alignment Drift in CEFR-prompted LLMs for Interactive Spanish Tutoring [0.0]
  本稿では,第二言語学習における適応型チューターとしてのLarge Language Models(LLMs)の可能性について検討する。 スペイン語の教師と学生の対話を,7Bから12Bまでの大きさの命令調整型オープンソースのLLMを用いてシミュレートした。 次に、チューターモデルからの出力を用いて、3つの習熟度レベルにわたるテキストの難易度を制御するCEFRベースのプロンプトの有効性を評価する。
  論文  参考訳（メタデータ） (2025-05-13T08:50:57Z)
• INTERACT: Enabling Interactive, Question-Driven Learning in Large Language Models [15.825663946923289]
  大規模言語モデル(LLM)は、質問に答える能力は優れているが、知識を疑問視したり洗練したりすることなく、静的データを受動的に吸収する。 本稿では,LLMが学生と教師の対話を通して,対話型,質問駆動型学習にどのように移行できるかを考察する。
  論文  参考訳（メタデータ） (2024-12-16T02:28:53Z)
• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• Opportunities and Challenges in Neural Dialog Tutoring [54.07241332881601]
  言語学習のための2つの対話学習データセットを用いて、様々な生成言語モデルを厳密に分析する。 現在のアプローチでは、制約のある学習シナリオでチューリングをモデル化できますが、制約の少ないシナリオではパフォーマンスが悪くなります。 人的品質評価では, モデルと接地木アノテーションの両方が, 同等のチュータリングの点で低い性能を示した。
  論文  参考訳（メタデータ） (2023-01-24T11:00:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。