透過動態程序解題表示進行行為感知題目建模之知識追蹤研究
arXiv - Computation and LanguageJun Seo, Sangwon Ryu, Heejin Do, Hyounghun Kim, Gary Geunbae Lee
提出 BAIM 框架，利用語言模型將解題過程分解為四個階段，以捕捉學習者在解題行為中的動態特徵。
AI 幫你先抓重點
AI 重點 1
將解題過程從「靜態結果」轉向「動態程序」的建模視角。
滑鼠懸停看 AI 判斷理由
傳統知識追蹤多關注對錯結果，但此研究強調解題的步驟與邏輯流動。這對於理解學習者「如何思考」而非僅僅是「是否答對」具有革命性意義，能更精準地診斷學習障礙。
AI 重點 2
結合認知心理學框架（Polya）與大型語言模型（LLM）的跨領域應用。
滑鼠懸停看 AI 判斷理由
這展示了如何將經典教育理論轉化為 AI 的結構化輸入。利用 LLM 的推理能力來自動化生成教學層面的特徵，解決了傳統機器學習難以捕捉高階認知過程的痛點。
核心研究發現
- 1
BAIM 框架將題目解題過程依據波利亞（Polya）理論分解為理解、計畫、執行與回顧四個階段，並提取階段性的嵌入軌跡。
- 2
研究引入了上下文條件機制，能根據不同學習者的異質性，自適應地調整並強調不同解題階段的表示權重。
- 3
在 XES3G5M 與 NIPS34 數據集上的實驗證明，BAIM 的表現優於強大的預訓練基準模型，尤其在重複互動的情境下增益顯著。
對教育工作者的啟發
對於開發智慧學習系統（ITS）的設計者，此研究建議不應僅記錄學生的最終答案，應嘗試捕捉其解題的過程特徵（如思考步驟、計畫與檢討）。課程設計者可以參考波利亞的四階段框架，設計更具結構化的引導式問題，並利用 AI 技術來分析學生在哪些特定階段（如「計畫」或「回顧」）出現認知斷層，從而提供更精準的即時反饋與差異化教學建議。
原始文獻資訊
- 英文標題：
- Behavior-Aware Item Modeling via Dynamic Procedural Solution Representations for Knowledge Tracing
- 作者：
- Jun Seo, Sangwon Ryu, Heejin Do, Hyounghun Kim, Gary Geunbae Lee
- 來源：
- arXiv - Computation and Language
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。