student-modeling

This paper presents INSIDE, a framework that fine-tunes LLMs to generate internal dialogue grounded in Bloom's Taxonomy, enabling student simulators to model both latent reasoning and observable actions. Evaluations show improved action fidelity and reasoning alignment compared to prompting baselines.

提出了阶段感知知识追踪（PAKT）框架，该框架将学生交互分解为能力阶段和熟练度阶段，利用多分支Transformer建模阶段特定和整体的知识状态，在六个基准测试上相比基线方法实现了一致的改进。

本文介绍了统一行为预测与校准分析流水线（UBP-CAP），这是一个将学生表现预测、校准误差计算和元认知失调的方差分解相结合的集成框架。在包含1,195条交互记录的数据集上进行评估，该流水线识别出正确性的关键预测因子，并揭示元认知校准主要具有情境性，而非稳定特质。