LLM 기반 지식 추적: LLM-학생 계층적 행동 정렬을 활용한 초곡면 공간에서의 접근

Towards LLM-Empowered Knowledge Tracing via LLM-Student Hierarchical Behavior Alignment in Hyperbolic Space

지식 추적(KT)은 교육 분야에서 학생들의 개념 숙달 정도를 지속적인 학습 상태 모니터링을 통해 진단합니다. 기존 방법은 주로 ID 또는 텍스트 정보를 기반으로 한 행동 패턴을 분석하는 데 초점을 맞춥니다. 기존 방법은 ID 기반 시퀀스 또는 표면적인 텍스트 특징에 의존하기 때문에, (1) 인지 상태의 계층적 변화와 (2) 개별 학생의 문제 난이도 인식 차이를 제대로 반영하지 못하는 경우가 많습니다. 이에 본 논문에서는 대규모 언어 모델(LLM)과 초곡면 공간 정렬을 활용한 지식 추적(L-HAKT) 프레임워크를 제안합니다. 먼저, 교사 에이전트는 문제의 의미를 심층적으로 분석하고 지식 요소 간의 계층적 의존성을 명시적으로 구축합니다. 또한, 학생 에이전트는 학습 행동을 시뮬레이션하여 합성 데이터를 생성합니다. 그런 다음, 합성 데이터와 실제 데이터를 초곡면 공간에서 대비 학습을 수행하여 문제 난이도 및 망각 패턴과 같은 핵심 특징에서의 분포 차이를 줄입니다. 마지막으로, 초곡면의 곡률을 최적화하여 지식 요소의 트리 구조와 같은 계층적 구조를 명시적으로 모델링하고, 다양한 수준의 지식 요소에 대한 학습 곡선 형태의 차이를 정확하게 파악합니다. 실제 교육 데이터 세트 4개에 대한 광범위한 실험을 통해 제안하는 L-HAKT 프레임워크의 효과를 검증했습니다.

Knowledge Tracing (KT) diagnoses students' concept mastery through continuous learning state monitoring in education.Existing methods primarily focus on studying behavioral sequences based on ID or textual information.While existing methods rely on ID-based sequences or shallow textual features, they often fail to capture (1) the hierarchical evolution of cognitive states and (2) individualized problem difficulty perception due to limited semantic modeling. Therefore, this paper proposes a Large Language Model Hyperbolic Aligned Knowledge Tracing(L-HAKT). First, the teacher agent deeply parses question semantics and explicitly constructs hierarchical dependencies of knowledge points; the student agent simulates learning behaviors to generate synthetic data. Then, contrastive learning is performed between synthetic and real data in hyperbolic space to reduce distribution differences in key features such as question difficulty and forgetting patterns. Finally, by optimizing hyperbolic curvature, we explicitly model the tree-like hierarchical structure of knowledge points, precisely characterizing differences in learning curve morphology for knowledge points at different levels. Extensive experiments on four real-world educational datasets validate the effectiveness of our Large Language Model Hyperbolic Aligned Knowledge Tracing (L-HAKT) framework.