LLM-gestützte Knowledge Tracing: Hyperbolische Hierarchie für Lernfortschritt

Ein neues Forschungsprojekt aus dem Bereich der Lernanalyse präsentiert L-HAKT, ein innovatives Modell, das große Sprachmodelle (LLMs) nutzt, um Lernfortschritte genauer zu verfolgen. Durch die Kombination von semantischer Analyse und hyperbolischer Geometrie gelingt es dem Ansatz, die komplexe, hierarchische Entwicklung von kognitiven Zuständen zu erfassen.

Der Lehragent des Modells analysiert Fragen tiefgehend und baut explizit hierarchische Abhängigkeiten zwischen Wissenspunkten auf. Parallel dazu simuliert ein Lernagent Lernverhalten und erzeugt synthetische Daten. Diese beiden Datensätze werden anschließend mittels kontrastiver Lernverfahren in einem hyperbolischen Raum abgeglichen, um Unterschiede in wichtigen Merkmalen wie Fragekomplexität und Vergessensmustern zu minimieren.

Durch die Optimierung der hyperbolischen Krümmung wird die baumartige Struktur der Wissenshierarchie exakt modelliert. Das Ergebnis ist eine präzise Darstellung der Lernkurvenformen für Wissenspunkte auf unterschiedlichen Ebenen, was die individuelle Bewertung von Lernfortschritten deutlich verbessert.

Vielzahl von Tests an vier realen Bildungsdatensätzen bestätigt die Wirksamkeit von L-HAKT. Das Modell bietet damit einen vielversprechenden Ansatz, um Lernprozesse in Bildungseinrichtungen effektiver zu diagnostizieren und zu unterstützen.