Student Answer Forecasting: Transformer-Driven Answer Choice Prediction for Language Learning

智能辅导系统（ITS）通过预测学生的答案以提供即时和定制化的指导，增强了个性化学习。然而，最近的研究主要关注答案的正确性，而不是学生对特定答案选择的表现，限制了对学生思维过程和潜在误解的洞察。为了解决这个问题，我们提出了MCQStudentBert，这是一个答案预测模型，利用大型语言模型（LLMs）的能力，将学生的答题历史的上下文理解与问题和答案的文本相结合。通过预测学生可能做出的具体答案选择，从业者可以轻松地将模型扩展到新的答案选择或删除相同多项选择题（MCQ）的答案选择，而无需重新训练模型。特别是，我们比较了MLP、LSTM、BERT和Mistral 7B架构，以从学生的过去互动中生成嵌入，然后将其合并到微调的BERT的答案预测机制中。我们将我们的流程应用于一个语言学习MCQ的数据集，该数据集来自一个具有超过10,000名学生的ITS，以探索MCQStudentBert的预测准确性，该模型结合了学生的互动模式，与正确答案预测和传统的掌握学习特征为基础的方法进行比较。这项工作为更个性化的内容、模块化和细粒度支持打开了大门。

本论文旨在解决智能辅导系统（ITS）中，对学生答案的预测主要集中在正确性方面，而忽略了学生在特定选项上的表现，从而限制了对学生思维过程和潜在误解的洞察。

本文提出了MCQStudentBert模型，利用大型语言模型（LLMs）的能力，结合学生的答题历史、问题和答案的文本，预测学生可能做出的具体答案选择，以实现个性化辅导。MCQStudentBert模型可以轻松地扩展到新的答案选择或从相同的多项选择题（MCQ）中删除答案选择，而无需重新训练模型。

本文将MLP、LSTM、BERT和Mistral 7B架构与学生过去的交互生成嵌入，然后将其纳入微调的BERT的答案预测机制。作者将该模型应用于一个语言学习MCQ数据集，并与传统的掌握学习特征和正确答案预测进行了比较，探索了MCQStudentBert在学生交互模式方面的预测准确性。本文开启了个性化内容、模块化和粒度支持的大门。

最近在这个领域中，还有一些相关的研究，如：1）“Personalized Multiple-Choice Question Recommendation for Adaptive Learning”，2）“Deep Learning for Intelligent Tutoring Systems: A Review of Challenges and Opportunities”，3）“A Review of Intelligent Tutoring Systems: From Traditional to Intelligent”。