arXiv 2409.201672024-09cs.CL

使用大型多模态模型从多媒体问题信息中提取知识追踪所需的知识组件

Using Large Multimodal Models to Extract Knowledge Components for Knowledge Tracing from Multimedia Question Information

EPFL（瑞士联邦理工学院）；KTH Royal Institute of Technology（皇家理工学院）

Hyeongdon Moon, Richard Davis, Seyed Parsa Neshaei, Pierre Dillenbourg

备注：: Accepted to Educational Data Mining 2025

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出利用指令微调的大型多模态模型自动提取知识组件，并在五个领域的知识追踪基准上验证其可有效替代人工标签，为数据有限场景下的智能辅导系统和自动化评估提供新方向。

摘要：

知识追踪模型已经使一系列智能辅导系统能够向学生提供反馈。然而，学习科学中现有的知识追踪方法主要依赖于统计数据和教师定义的知识组件，这使得将人工智能生成的教育内容与传统的既定方法相整合变得困难。我们提出了一种使用经过指令微调的大型多模态模型从教育内容中自动提取知识组件的方法。我们通过在五个领域的知识追踪基准上对该方法进行全面评估来验证这一方法。我们的结果表明，自动提取的知识组件能够有效替代人工标注的标签，为在数据有限的场景中增强智能辅导系统、在教育环境中实现更具可解释性的评估，以及为自动化评估奠定基础，提供了一个有前景的方向。

英文摘要：

Knowledge tracing models have enabled a range of intelligent tutoring systems to provide feedback to students. However, existing methods for knowledge tracing in learning sciences are predominantly reliant on statistical data and instructor-defined knowledge components, making it challenging to integrate AI-generated educational content with traditional established methods. We propose a method for automatically extracting knowledge components from educational content using instruction-tuned large multimodal models. We validate this approach by comprehensively evaluating it against knowledge tracing benchmarks in five domains. Our results indicate that the automatically extracted knowledge components can effectively replace human-tagged labels, offering a promising direction for enhancing intelligent tutoring systems in limited-data scenarios, achieving more explainable assessments in educational settings, and laying the groundwork for automated assessment.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

AI总结：

摘要：

英文摘要：

相关论文