计算机应用

作者：董艳民, 林佳佳, 张征, 程程, 吴金泽, 王士进, 黄振亚, 刘淇, 陈恩红

单位：1.认知智能全国重点实验室（中国科学技术大学），合肥 230088；2.科大讯飞人工智能研究院，合肥 230088；3.合肥综合性国家科学中心人工智能研究院（安徽省人工智能实验室），合肥 230094

关键词：智慧教育,个性化对话助手,大语言模型,知识追踪,LLM智能体

基金：新一代人工智能国家科技重大专项(2022ZD0117103);安徽省科技攻坚计划项目(202423k09020039);中国中文信息学会社会媒体处理专委会（SMP）-智谱AI大模型交叉学科基金资助项目

随着大语言模型（LLM）的快速发展，基于LLM的对话助手逐渐成为学生学习的新方式。通过学生的问答互动，对话助手能生成相应的解答，从而帮助学生解决问题，并提高学习效率。然而，现有的对话助手忽略了学生的个性化需求，无法为学生提供个性化的回答，实现“因材施教”。因此，提出一种基于学生能力感知的个性化对话助手框架。该框架包括2个主要模块：学生能力感知模块和个性化回答生成模块。能力感知模块通过分析学生的答题记录来挖掘学生的知识掌握程度，回答生成模块则根据学生的能力生成个性化回答。基于此框架，设计基于指令、基于小模型驱动和基于智能体Agent的3种实现范式，以深入探讨框架的实际效果。基于指令的对话助手利用LLM的推理能力，从学生的答题记录中挖掘知识掌握程度以帮助生成个性化回答；基于小模型驱动的对话助手利用深度知识追踪（DKT）模型生成学生的知识掌握程度；基于Agent的个性化对话助手采用LLM Agent的方式整合学生能力感知、个性化检测、答案修正等工具辅助答案的生成。基于ChatGLM（Chat General Language Model）、GPT4o_mini的对比实验结果表明，应用3种范式的LLM均能为学生提供个性化的回答，其中基于Agent的范式的准确度更高，表明该范式能更好地感知学生能力，并生成个性化回答。

来源：2025年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第3期