.png){kind=icon}
返回
Harnessing code domain insights: Enhancing programming Knowledge Tracing with Large Language Models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113396.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
知识追踪（KT）通过分析学生与练习的历史交互来评估其对知识的掌握程度，并预测其在后续任务中的表现。尽管传统的KT方法已开始关注编程技能的评估，但它们受限于手动标注知识概念（KCs）的瓶颈以及构建这些概念之间关系的不足。为解决此问题，我们提出了一种借助大型语言模型（LLM）强大代码洞察能力的增强型知识追踪方法（CEKT）。具体而言，我们为大型语言模型（LLMs）设计了三种不同的提示调优策略，以全面构建涵盖各编程领域和练习中KCs及其关系的Q矩阵。此外，我们开发了一个整合三维度知识图谱，以精细粒度表达KCs之间的复杂关系，从而更准确地评估学生对知识的掌握程度。进一步地，我们在KCs之间建立了一个图注意力网络，以促进相似语法KCs表示之间的交互，增强对学生编程知识状态推理的能力以及KT的有效性。通过这种方法，我们实现了高质量且可解释的知识状态推理，并在预测学生结果方面表现出卓越性能。我们的工作突出了提示调优LLMs在KT领域的潜在未来研究方向，强调高可解释性和效率。为促进更广泛的研究，我们计划在https://github.com/xinjiesun-ustc/CEKT发布我们的数据和源代码，以鼓励该领域的进一步创新。
Keyword:
Knowledge tracing
Data mining
Intelligent tutoring systems
Large language models
Efficiency and interpretability
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Evaluating LLM-generated Worked Examples in an Introductory Programming Course评估LLM生成的示例程序在入门编程课程中的应用
PREAI
分享收藏LGS-KT: Integrating logical and grammatical skills for effective programming knowledge tracing.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Let's Ask AI About Their Programs: Exploring ChatGPT's Answers To Program Comprehension Questions
OAAI
OAAI分享收藏Context-Aware Attentive Knowledge TracingProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Gamifying programming education in K-12: A review of programming curricula in seven countries and programming gamesK-12的游戏化编程教育: 七个国家的编程课程和编程游戏的回顾
PREAI
分享收藏
查看更多内容