チューター—学習者対話における解釈可能な難易度認識型知識トレーシング

arXiv cs.CL / 2026/5/5

📰 ニュースModels & Research

共有:

要点

この論文は、会話の各ターンで学生の知識状態を更新する知識トレーシング（KT）の課題に取り組み、チューター—学習者対話向けの枠組みを提案する。
従来の対話ベースKTがLLMの不透明な潜在表現に依存しがちだった点に対し、本手法は質問・課題の難易度と学生の能力の両方を明示的にモデル化して改善する。
枠組みではItem Response Theory（IRT）を用い、LLMの出力を学生の能力と問題の難易度に対応する解釈可能なパラメータへ変換することで、学習の認知理論に基づく予測を可能にする。
2つのチューター—学習者対話データセットでの評価では、提案手法が既存のKTベースラインを上回り、かつ定性的にも認知理論と整合する解釈可能な出力を生成する。
総じて、本研究はLLMと構造化された認知モデリングを組み合わせ、解釈可能で難易度を考慮したAIティーチングの分析に前進をもたらす。