LearnOpt：透過知識圖譜與受限優化恢復考試隱性結構
arXiv - Computers and SocietyJoy Bose, Om Thomas
利用知識圖譜與受限優化，從歷史考題重建隱性認知結構，並生成個性化學習計畫。
AI 幫你先抓重點
AI 重點 1
利用隱性結構檢測課程變動，可即時評估教學設計與課程更新的影響。
滑鼠懸停看 AI 判斷理由
此方法將考試題型與技能分佈的微小變化量化，讓教育者能在課程調整前後快速判斷其有效性，促進循環式課程改進。
AI 重點 2
結合知識圖譜與Bayesian Knowledge Tracing的個性化學習計畫，能更精準地安排學習時間與主題。
滑鼠懸停看 AI 判斷理由
透過技能權重與前置關係的優化，計畫不僅考慮掌握頻率，還能根據學生實際需求調整順序，提升學習效率與成效。
核心研究發現
- 1
NEET考試的隱性技能分佈在同一課程體系內穩定，連續年份KL距離僅0.004-0.032，統計不顯著。
- 2
2023課程調整導致隱性結構顯著變化，KL=0.040 (p=0.0005)，排除/否定題比例從約20-29%升至31-35%。
- 3
在同一體系內，科目對技能配置的解釋力強於年份；考試等級影響隱性結構的程度大於科目，科目又大於時間。
- 4
優化評估顯示，加入技能權重的目標函數能在基於掌握頻率的基線上，微調推薦主題順序。
對教育工作者的啟發
教育工作者可先用LLM對歷史考題進行標註，構建題目與技能的知識圖譜；再利用該圖譜提取隱性技能分佈，監測課程變動對技能結構的影響。基於此結構，運用受限優化與Bayesian Knowledge Tracing，為學生生成個性化、時間限制內的學習路徑，並根據技能權重調整主題順序。此流程不僅能提升學習效率，也為考試設計提供數據驅動的課程評估與調整參考。
原始文獻資訊
- 英文標題：
- LearnOpt: Recovering the Latent Cognitive Structure of Standardized Examinations via Knowledge Graphs and Constrained Optimization
- 作者：
- Joy Bose, Om Thomas
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
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。