본 논문은 지식 추적(KT)에 대한 대규모 언어 모델(LLM)의 활용 가능성을 제시합니다. 기존 LLM 기반 KT 방법들이 제한된 토큰 수로 인해 확장성과 계산 비용 측면에서 어려움을 겪는 문제를 해결하기 위해, 텍스트 기반 범주형 옵션 가중치(TCOW)를 이용한 LLM 기반 옵션 가중치 지식 추적(LOKT) 프레임워크를 제안합니다. TCOW는 학습자가 질문에 답변할 때 선택한 옵션에 대한 의미론적 레이블(예: "부적절한")을 할당하여 LLM의 해석력을 높입니다. 다양한 다중 선택 데이터셋에 대한 실험 결과, LOKT는 기존의 LLM 기반 및 비-LLM 기반 KT 모델보다 콜드스타트 및 웜스타트 설정 모두에서 우수한 성능을 보였으며, 엄격한 토큰 제약 하에서도 확장 가능하고 비용 효율적인 추론이 가능함을 보여줍니다.
