PersonaPath：面向知识中心的个性化学习路径规划基准
核心概要
该工作提出知识中心（KC）个性化学习路径规划任务，并构建 PersonaPath 基准，将 2,000 个细粒度学习者画像与覆盖 77 个学科、347 本教材、1,751 个单元、4,092 个概念的分层知识图谱配对，用于评测大语言模型在给定学习者画像、掌握状态与先修知识结构下决定下一步应学哪本教材、哪个单元、哪个概念的能力；对代表性大模型的评测显示，最强模型在基础教育场景的最终通过率仅为 29.5%，且主要瓶颈在于适配性，没有任何模型在针对个体学习者定制路径方面超过 44.7%。
Figure 1: Illustration of Exercise-Centric (EC) recommendation and Knowledge-Centric (KC) planning. Panel A illustrates recommendations conditioned on correctness records alone; Panel B additionally uses explicit learner goals and mastery states. Each node (E1, E2, …) represents an exercise item, and edges denote prerequisite relations among the knowledge points. Abbreviations: VC = Vector Coordinates, VA = Vector Addition, DP = Dot Product, VD = Vector Decomposition, CA = Component-wise Addition, and CDP = Component-wise Dot Product.
arXiv深度剖析
提出并形式化知识中心（KC）个性化学习路径规划任务，区别于以题目为中心的练习推荐。 以往自适应学习系统多把路径规划表述为 Exercise-Centric（EC）推荐，从题目级交互日志推断下一步；该工作指出面向目标的引导还需要显式学习者目标与课程规模的先修结构，因为“exercise records”相似的学习者可能走向不同目标而需要不同路径。 任务定义层面的贡献，论文摘要中明确给出 EC 与 KC 的对比设定，属于概念与问题设定而非实验效应量。
构建 PersonaPath 基准，把细粒度学习者画像与分层知识图谱配对。 该基准包含 2,000 个细粒度学习者画像，以及覆盖 77 个学科、347 本教材、1,751 个单元、4,092 个概念的分层知识图谱，为课程规模、目标导向的路径规划评测提供了资源。 资源规模在摘要中明确列出（2,000 画像；347 教材、1,751 单元、4,092 概念、77 学科），属于可核对的基准构成描述。
对代表性大语言模型的评测显示当前模型在该任务上表现有限，且瓶颈集中在适配性。 结果显示即使最强的大语言模型在基础教育（Basic Education）场景的最终通过率也只有 29.5%，而在针对个体学习者定制路径的适配性维度上没有任何模型超过 44.7%，把改进重点指向个体化适配而非单纯知识覆盖。 来自论文报告的评测数字（29.5% 最终通过率、44.7% 适配性上限），属于基准上的模型对比结果；具体模型清单、评测协议与统计细节需查阅原文。
启示与展望
该工作面向知识中心的学习路径规划设定，适用于具备显式学习目标、学习者画像与课程规模先修知识结构的场景，例如按教材、单元、概念层级组织内容的学科教学；其基准覆盖 77 个学科并包含基础教育场景的评测，因此结论主要适用于此类课程结构化、目标导向的引导任务，而非无明确目标的自由探索式学习或纯题目推荐场景。
当前可获取的文本为论文摘要与元数据，缺少正文中的模型清单、提示设计、评测协议、评分细则与消融分析，因此无法判断 29.5% 与 44.7% 这些数字在不同模型、不同学科与不同难度下的分布情况；此外，画像与知识图谱的构建来源、标注一致性以及基准在真实教学中的外部效度，仍需结合原文进一步确认。