生活和社交的紧密联系使人们相互影响，尤其在家人、朋友和同学之间。这种影响有积极的一面，如增进共同话题，也有消极的一面，可能导致注意力分散。相互影响本身是中立的，具体效果取决于情境。

本研究探讨了大型语言模型（LLM）中，名字符号的性别与职业背景之间的相互作用，揭示了职场和名字的性别感知如何相互影响。研究发现，LLM 的名字性别表征与现实世界中的性别统计数据相关，并受到刻板印象中女性或男性职业的共现影响。研究结果对偏见检测方法的发展具有重要意义，但在可靠使用这些内部性别表征检测偏见方面仍面临挑战。

本研究提出了一种基于图神经网络的合理知识追踪方法（GRKT），通过建模知识概念之间的相互影响，实现了更准确的知识追踪。实验证明，GRKT 在三个数据集上优于其他基准模型，具有很大的潜力在教育领域应用。