Cross-university platform portalShow a desktop notification when the AI TA finishes replying
Notify me when classmates post messages in the forum
Play an alert sound whenever there is a new notification
Leveraging Knowledge Graphs and Large Language Models to Track and Analyze Learning Trajectories
學習是一個動態的過程，學生在不同時間點對概念的理解會不斷演進。 然而，傳統的學習評量只能捕捉到單一時間點的快照，無法呈現學生的學習軌跡全貌。 教師缺乏工具來追蹤學生在整個學期中的知識建構過程。
本研究提出結合知識圖譜（Knowledge Graphs）與大型語言模型的方法， 從學生與 AI 助教的對話紀錄中自動建構學習軌跡。 知識圖譜用於表示概念間的關聯，LLM 則負責從自然語言中萃取知識結構。
透過學習軌跡的視覺化，教師可以看見每位學生的知識建構過程， 了解他們在哪些概念上卡關、哪些連結尚未建立。 這使得個人化的學習輔導成為可能。
兩筆引用分別來自 Wiley Q1 期刊《Journal of Computer Assisted Learning》的系統性文獻回顧，以及一篇同樣以 LLM 建構課程知識—能力圖譜的 ACM 會議論文。後者在技術路線與應用場域上都與本研究高度重疊。
同樣以 LLM 建構課程知識圖譜——技術路線與應用場域都最接近的後繼工作。
doi:10.1145/3766557.3766569Wiley Q1 期刊的系統性文獻回顧。（是否列入其分析語料尚未取得全文核對，暫列脈絡引用。）
doi:10.1002/jcal.70272資料來源：OpenAlex（主）＋ Semantic Scholar（補查），資料日期 2026-08-30。 引用次數依資料庫口徑而異；標為「已核對原文」者已取得全文並逐字抄錄引用段落。