生成式自适应学习中的算法漂移

论文提出自适应学习中的算法漂移，并用模拟检验时间公平稳定器。

资讯摘要

论文提出，自适应学习系统存在“算法漂移”风险：人口统计上不对称的微小观察误差会随时间累积，形成系统性不公平。作者将漂移形式化为学习者—导师耦合动力系统，并用基于智能体的蒙特卡洛模拟验证，其中由透明在线追踪器或 LSTM 深度知识追踪网络驱动基于 IRT 的课程策略。论文还提出时间公平稳定器（TFS），定期重新探测学习者能力，并在模拟环境中与常规探索基线比较。

要点速读

1. 论文将算法漂移形式化为学习者与导师的耦合动力系统，强调公平性是闭环的时间属性。
2. 模拟中分别用透明在线追踪器和 LSTM 深度知识追踪网络驱动基于 IRT 的课程策略。
3. 论文提出时间公平稳定器（TFS），在建模环境中缩小成绩差距，并说明其成功条件；真实学习者验证仍待进行。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。