标签
本文介绍了 MBP-KT，这是一个增强型知识追踪框架。该框架利用元行为模式从学习者交互中提取全球协同信息，从而提升各种下游模型的性能。
本文引入了上下文对齐对比回归（Context-Aligned Contrastive Regression），通过解决语言学习数据集中的跨语言对齐和等级结构挑战，来提升词汇难度预测的效果。
本文介绍了 NSMQ Riddles，这是一个使用来自加纳全国科学与数学测验（NSMQ）的科学和数学谜题来评估大语言模型的全新基准，旨在解决人工智能研究中全球南方数据集代表性不足的问题。
摘要：我们提出了一个基于理论支持的模拟学习者评估教育阅读材料自适应个性化的框架。该系统从开放式教科书构建学习目标和知识组件本体，在基于浏览器的本体图谱中进行管理，用本体实体标注教科书片段，并生成对应的阅读-评估配对。模拟读者通过受建构-整合启发的记忆模型阅读文章，该模型整合了DIME风格的读者因素、KREC风格的错误概念修正，以及开放式的New Dale-Chall可读性信号。答案通过基于得分的选项选择在学习者的显性记忆状态上生成，而BKT驱动自适应过程。在三个采样学科本体和每个条件匹配队列的50名模拟学习者中，自适应阅读显著改善了计算机科学成果，在无机化学中产生了较小但不确定的正向收益，在普通生物学中表现为中性至略负。