כתבה
arXiv cs.CL ·
מודלים של תהליכי הבנה של תלמידים עם LLMs
Modeling Student Sensemaking with LLMs and Knowledge-Graph-Guided Inference
חוקרים בודקים אם מודלי LLMs יכולים לתמוך בניתוח רב-ממדי של תהליכי הבנה של תלמידים. הם מעריכים שני מודלי LLMs ב-23 פרקים מוערים ומותווים על ידי מומחים. התוצאות מראות שמודלים עם יכולת תפיסה משופרת יכולים לזהות מקרים לא מוצלחים של הבנה.
תקציר מקורי באנגליתarXiv:2609.31046v1 Announce Type: new Abstract: Collaborative science learning requires nuanced interpretation of student dialogue to characterize how learners identify knowledge gaps, build explanations, and work toward resolution - a theory-driven analysis that is labor-intensive and difficult to scale. We investigate whether instruction-tuned large language models (LLMs) can support multidimensional analysis of collaborative sensemaking without task-specific training, and whether structured knowledge-state information improves model inference. We evaluate two mid-size LLMs on 23 richly annotated, expert-labeled episodes across prompting conditions that vary definitional scaffolding, reasoning mode, and turn structure. Without reasoning, models tend to overpredict successful sensemaking;
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית