以基于大型语言模型的难度预测为中心的知识追踪的对比学习
原文中文，约400字，阅读约需1分钟。发表于：。提出透过关注问题难度和概念难度级别来增强知识追踪模型性能的新技术，困难层面的重要性鲜明，然而先前的知识追踪研究未能利用其在模型优化上的潜力并且在未知数据中预测困难量存在困难。为解决这些问题，提出了一种面向困难层面的对比学习方法，以及基于大型语言模型的困难量预测框架。这些创新方法旨在提高知识追踪模型性能并为未知数据提供准确的困难量估计。消融研究证明了这些技术的有效性，并强化了知识追踪模型的性能...
该研究提出了一种新技术，通过关注问题难度和概念难度级别来增强知识追踪模型的性能。研究发现困难层面对模型优化很重要，但先前的研究未能利用其潜力并在未知数据中预测困难量。为解决这些问题，研究提出了面向困难层面的对比学习方法和基于大型语言模型的困难量预测框架。消融研究证明了这些技术的有效性，但语言和困难之间的关系仍需进一步研究。
