대형 언어 모델을 통한 난이도 인지 프로그래밍 지식 추적

지식 추적(KT)은 학생들이 특정 지식 개념을 얼마나 숙달했는지 평가하고, 지능형 튜터링 시스템과의 상호작용 분석을 통해 문제 해결 능력을 예측합니다. 최근 딥러닝과 그래프 신경망 기술 도입으로 추적 정확도가 크게 향상되었으나, 기존 연구들은 난이도가 지식 상태에 미치는 영향에 충분히 주목하지 않았습니다. 프로그래밍 문제의 텍스트 이해 난이도와 지식 개념 난이도는 학생들의 응답에 중요한 역할을 하므로, 이 두 난이도를 정확히 평가하고 지식 상태 예측에 적용하는 것이 핵심 과제입니다. 이를 해결하기 위해, 우리는 대형 언어 모델을 이용한 난이도 인지 프로그래밍 지식 추적(DPKT)을 제안하여 프로그래밍 문제의 텍스트 이해 난이도와 지식 개념 난이도를 추출합니다. 구체적으로, 어텐션 메커니즘을 활용하여 지식 개념 난이도와 텍스트 이해 난이도 간의 관계를 분석하고, 학생의 상태를 동적으로 업데이트합니다. 본 모델은 업데이트 게이트 메커니즘과 그래프 어텐션 네트워크를 결합하여 프로그래밍 문제 난이도 평가 정확도와 지식 상태의 시공간 반영 능력을 크게 향상시킵니다. 실험 결과, 본 모델은 다양한 언어 데이터셋에서 우수한 성능을 보이며 프로그래밍 교육에의 적용 가치를 검증했습니다. 이 모델은 프로그래밍 지식 추적의 혁신적 해법을 제공하며, 교육자에게 개인화 학습을 촉진할 강력한 도구를 제공합니다.