.png){kind=icon}
返回
Interpretable knowledge tracing via explicit–implicit alignment
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.116071.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）中的可解释性对于个性化学习至关重要。当前主流基于深度学习（DLKT）的知识追踪通过基于标识符（ID）的表示实现了强大的预测性能，但学生的潜在知识状态对教师和学习者仍保持不透明。大型语言模型（LLMs）可以生成人类可读的文本，但现有LLM增强型KT方法生成的解释要么脱离预测状态，要么对个体学习轨迹不敏感。为弥合这一差距，我们提出了通过显性-隐性对齐实现的可解释知识追踪（IKT-EIA），该方法将隐性的学生知识表示与LLM衍生的显性文本见解相结合。IKT-EIA包括：(1) 上下文引导的知识整合（CGKI）利用LLMs根据学生元数据生成轨迹感知的文本知识；(2) 查询驱动的知识状态对齐（QKSA）将隐性状态作为查询以检索和融合显性语义，生成支持后续解释分析的对齐知识状态；(3) 个性化可解释性适配（PEA）通过读取对齐状态和原始交互记录，生成结构化和自适应的反馈，使解释适应学生不断变化的知识掌握程度。在基准数据集上的实验表明，IKT-EIA在保持竞争性预测性能的同时，生成了状态感知的解释，这些解释在受控评估环境中被证明是有用的。
Keyword:
Interpretable Knowledge Tracing
Explicit–Implicit Alignment
Personalized Learning
Large Language Models
Knowledge State Representation
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Adaptive Modality Interaction Transformer for Multimodal Knowledge Graph Completion自适应模态交互Transformer用于多模态知识图谱补全
PREAI
分享收藏DCKT: A Novel Dual-Centric Learning Model for Knowledge TracingDCKT: 一种新的双心学习知识追踪模型.png)
SUSTAINABILITY
OAAI
SUSTAINABILITYIF3.3
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Learning consistent representations with temporal and causal enhancement for knowledge tracing学习具有时间和因果增强的一致性表示以进行知识跟踪
PREAI
分享收藏
查看更多内容