結合大型語言模型與數學精熟學習之知識追蹤研究

Abstract

團隊開發之系統以往多依賴學習者正確率等外顯指標為學生的成果判定，缺乏深入探究學生對題目語意與認知維度的理解，導致難以支援精準教學，為了解決此問題，本研究提出「精熟感知知識追蹤（Proficiency-Aware
Knowledge Tracing,
PKT」）之知識追蹤模型框架，透過大語言模型（LLMs），依據數學題目的架構自動生成題目之認知特徵（如概念理解、程序流暢性等），並將其整合至序列式預測模型中。實驗結果顯示引入認知特徵後可降低預測誤差，提升機率估計之準度。此外，透過視覺化分析，模型能區別出學生在不同認知面向的優勢與弱點，提升預測結果的可解釋性與支援教師教學。