研究者提出可解释难度感知对话知识追踪框架

2026年10月30日，arXiv Artificial Intelligence 刊出 Shuyan Huang 等作者的论文，提出一个基于 LLM 的可解释难度感知对话式知识追踪框架。该框架在每一轮显式建模学生能力与导师所出任务的难度，结合原始文本问题与下一轮导师任务估计知识状态，并引入 Item Response Theory 将 LLM 输出映射为学生能力与题目难度参数。作者在两个导师—学生对话数据集上测试，称该框架优于现有知识追踪基线，且输出与认知理论一致。目前报道仅涉及方法提出与上述数据集上的对比结果，未提及代码、数据或模型的公开情况，也未涉及实际教学部署。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。