System-One LLM在少样本知识追踪中超越深度KT模型
Get the story
该研究提出直接使用现成的 System-One LLM 对输入题目返回概率，完成知识追踪（KT），以应对几乎没有学习者日志的场景。实验在七个数据集上进行：Jev 不使用目标平台数据，取得平均 AUC .706；作为对照，使用 8 名学习者训练的 28 个深度 KT 模型最佳值为 .689，System-Two Thinking-KT 为 .650。报告同时称其 API 成本约为 Thinking-KT 的 1/100。目前未见与早先报道矛盾之处，也无后续独立验证或同行评议信息。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Computation and LanguageSystem-One LLM 能否在几乎没有学习者日志时完成知识追踪？
研究提出用现成 System-One LLM 直接对输入题目返回概率做知识追踪（KT），在七个数据集上，Jev 不使用目标平台数据即取得平均 AUC .706，高于用 8 名学习者训练的 28 个深度 KT 模型的最佳值 .689，也高于 System-Two Thinking-KT 的 .650，API 成本约为其 1/100。
Heat trend
Current heat 9·Comparable peak 10（Oct 9）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.