KT4EQG：透過知識追蹤實現個人化練習題生成
arXiv - Computers and SocietyXinyi Gao, Qiucheng Wu, Lu Ding, Q. Vera Liao, Kaizhi Qian, Ying Xu, Shiyu Chang, Yang Zhang
提出 KT4EQG 框架，結合知識追蹤模型與大型語言模型，為學生生成能最大化知識掌握度的個人化練習題。
AI 幫你先抓重點
AI 重點 1
將「知識追蹤」與「題目生成」進行深度耦合的策略。
滑鼠懸停看 AI 判斷理由
傳統題目生成往往只關注內容的正確性，而忽略了學生的學習狀態。透過 KT 模型引導生成過程，能將 AI 從單純的內容產出工具，轉化為具備教學策略能力的輔助者，實現真正的適性學習。
AI 重點 2
以「最大化潛在進步」作為生成題目的核心目標。
滑鼠懸停看 AI 判斷理由
這改變了以往僅針對「已知」或「完全未知」範圍出題的邏輯，轉而尋求學生「最需要練習」的知識點，這對於優化學習路徑與提升學習效率具有極高的實務價值。
核心研究發現
- 1
KT4EQG 框架能利用知識追蹤（KT）模型預測學生表現，並據此選擇最能提升學生整體知識掌握度的概念進行練習。
- 2
研究透過訓練基於大型語言模型（LLM）的生成器，確保產出的題目能精準且忠實地對應所選定的知識概念。
- 3
在 XES3G5M 與 MOOCRadar 數據集上的實驗結果顯示，KT4EQG 生成題目的有效性優於缺乏個人化特性的現有方法。
對教育工作者的啟發
對於課程設計者與 EdTech 開發者而言，這項研究提供了從「內容導向」轉向「學生狀態導向」的設計思路。實務上，不應僅追求生成高品質的題目，更應整合學生的歷史學習數據（如知識追蹤模型），精準定位學生的知識缺口。建議在開發自適應學習平台時，將 LLM 的生成能力與動態評估模型結合，確保練習題不僅是正確的，更是對該學生的學習進度最具挑戰性且最有幫助的。
原始文獻資訊
- 英文標題：
- KT4EQG: Personalized Exercise Question Generation via Knowledge Tracing
- 作者：
- Xinyi Gao, Qiucheng Wu, Lu Ding, Q. Vera Liao, Kaizhi Qian, Ying Xu, Shiyu Chang, Yang Zhang
- 來源：
- arXiv - Computers and Society
- 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。