LoReKT는 낮은 자원 지식 추적 작업에서 성능을 향상시키기 위한 프레임워크로, 사전 훈련 및 세밀 조정을 통해 중요한 매개변수를 업데이트하는 중요성 메커니즘을 활용합니다.
본 연구는 문제 및 개념 수준에서 학생의 지식 습득 상태를 모델링하고, 다중 전문가 기술을 활용하여 더 강건하고 정확한 지식 습득 상태를 얻는다. 또한 세부적인 문제 중심 대조 학습을 통해 상호작용이 적은 문제의 표현을 향상시켜 해당 문제의 지식 습득 상태 정확도를 높인다. 마지막으로 해석 가능한 예측 레이어를 도입하여 모델의 예측 결과에 대한 해석 가능성을 제공한다.
시간적 관계와 구조적 관계를 모두 고려하여 학생의 지식 상태를 효과적으로 추적하는 새로운 모델 제안
학습자 응답의 정오답뿐 아니라 선택한 옵션과 그 가중치를 활용하여 대규모 언어 모델 기반 지식 추적 모델의 정확도를 향상시키고, 특히 데이터 부족 시 발생하는 콜드 스타트 문제를 효과적으로 해결할 수 있다.