Pesquisadores introduzem um framework alinhado com Bloom para medir a capacidade de Modelos de Linguagem Grande (LLM) de preservar a intenção instrucional enquanto deslocam a demanda cognitiva para objetivos de aprendizagem específicos. O estudo avalia Qwen3-Next-80B-A3B-Instruct e Qwen3-Coder-Next em 2.520 tarefas de programação de três benchmarks.
- Ambos os modelos aumentam confiavelmente a demanda cognitiva, mas têm dificuldade em reduzi-la, revelando uma assimetria direcional robusta.
- O controle geral de dificuldade e o controle de Bloom foram testados usando a Taxonomia de Bloom revisada como escala operacional.
- O modelo geral mostra separabilidade mais clara nas camadas intermediárias para ambos os contrastes de controle em comparação com o modelo coder.
- Clusterização delta-semântica e sondagem da Razão de Discriminação de Fisher por camada caracterizaram esses resultados.
Os resultados indicam que um forte desempenho de execução não implica automaticamente controle educacional alinhado com Bloom.