Towards Modeling Learner Performance with Large Language Models

本文是LLM系列文章,针对《Towards Modeling Learner Performance with Large Language Models》的翻译。

用大型语言模型模拟学习者的学习表现

摘要

最近探索预训练的大型语言模型(LLM)能力的工作已经证明了它们通过完成代表一系列任务的复杂token序列来充当通用模式机的能力,包括时间序列预测和机器人控制。本文研究了LLM的模式识别和序列建模能力是否可以扩展到知识跟踪领域,知识跟踪是智能辅导系统(ITS)开发的关键组成部分,该系统通过预测学习者随时间的推移的表现来定制教育体验。在对多个现实世界数据集的实证评估中,我们比较了使用LLM执行此任务的两种方法,零样本提示和模型微调,以及现有的非LLM知识跟踪方法。虽然基于LLM的方法不能实现最先进的性能,但经过微调的LLM超过了原始基线模型的性能,并在多个指标上与标准贝叶斯知识跟踪方法不相上下。这些发现表明,LLM的模式识别能力可以用于对复杂的学习轨迹进行建模,为将LLM应用于教育环境开辟了一条新的途径。论文最后讨论了这些发现对未来研究的影响,表明进一步完善和深入了解LLM的预测机制可以提高知识追踪任务的性能。

1 引言

2 相关工作

3 评估模型

4 方法

<
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值