מאגר הידע AIEdAIEd KB
בעמוד הזה

העמוד הזה מתורגם לעברית. עמודי המאמרים עדיין כתובים באנגלית. קראו את העמוד הזה באנגלית

מושגים

עקיבה אחר ידע

נוצר 2026-10-12

תרגום אוטומטי של העמוד באנגלית, שטרם נבדק בידי דובר/ת שפת אם.

עקיבה אחר ידע — מידול מה שלומדים יודעים לאורך זמן על ידי מעקב אחר הביצועים שלהם בתרגילים וחיזוי שליטה עתידית. זהו חוט המידול העשיר ביותר במאגר הידע, העוטה על גישות בייסיאניות, למידה עמוקה ומוגברות-LLM למעקב ידע סטודנטי כפי שהוא מתפתח.

שאלות לשימור לב

  • מודלי עקיבה אחר ידע ממידלים מה שאתם יודעים לאורך זמן מהביצועים שלכם בתרגילים, ועוקבים מתי ידע נרכש ומתי הוא נשחק. מה התשובות שלכם יכולות לחשוף לגבי האם אתם באמת 'יודעים' משהו לעומת פשוט צדקתם הפעם?
  • העמוד מזהיר ש'שליטה אינה נכונות' — לומד יכול להיראות כשולט ובכל זאת להחיל מיומנות באופן שיטתי לא-נכון כאשר תנחה נסתרה מופרת. מתי ראיתם מישהו (או את עצמכם) שנראה שהבין משהו אך בפועל לא?
  • אם עקיבה אחר ידע מזינה מערכות מסתגלות שקובעות מה ללמד הלאה, מה משתבש כאשר המודל טועה בין תשובות נכונות לשליטה אמיתית ומקדם סטודנט מוקדם מדי?
  • עקיבה אחר ידע באה בצורות רבות — בייסיאנית, נוירלית, היפרגרף, מבוססת-דיאלוג, מוגברת-LLM. אילו מחוות-החלפה הייתם מצפים בין מודל שקוף שאתם יכולים להסביר למודל עוצמתי אך אטום?
  • העמוד מחבר עקיבה אחר ידע לסטודנטים מדומים — ייצור מצבי הידע שעקיבה בדרך כלל מסיקה מנתונים אמיתיים. כיצד סימולציית לומדים עשויה לעזור בבדיקת יועץ לפני שפוגש סטודנטים אמיתיים?
  • מכיוון שידע נשחק לאורך זמן, מה מערכת מסתגלת צריכה לעשות עם ה'שליטה' העבר של סטודנט ברגע ששכחו אותה? כיצד הייתם מתכננים עבור שכחה במקום להניח שידע נשמר?

מבוא

עקיבה אחר ידע ממירה תשובות תרגיל גלמיות להערכות של מה שסטודנט שלט בו ומה שעדיין עליו ללמוד. בניגוד למעקב נכונות פשוט, עקיבה אחר ידע ממידלת את הדינמיקה הזמנית של הלמידה — מתי ידע נרכש, מתי הוא נשחק, וכיצד מושגים קשורים זה לזה.

גישות מיוצגות במאגר הידע

  • גישות בייסיאניות: StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing מגדיר תקן ליישומי BKT, בעוד MBP-KT: Learning Global Collaborative Information from Meta-Behavioral Pattern for Enhanced Knowledge Tracing משלבת סיגנלים מטא-התנהגותיים

  • BKT בעל-ראיה-רכה עם פונקציית תצפית LLM: CoLearn (He ואח'., 2026) שומר על מבנה BKT אך מחליף את התצפית הבינארית נכון/שגוי — הקלט של BKT הסטנדרטי — בקלה: מעריך מודלי שפה גדולים (LLM) פולט ראית שליטה מדורגת בתוספת משקל ביטחון, המשולבת לפוסטריון מכווץ-ביטחון ומסונן כך שתשובה שגויה בבירור אינה יכולה להרים את ההערכה, מה שהופך את העדכון לווריאנט שמכליל את BKT הסטנדרטי ולא לצמצום קפדני שלו. האם פונקציית התצפית הזו מהימנה תלויה בלומד: ראיה ממוצעת הפרידה דרגות יכולת בצורה נקייה (0.25 חלש / 0.67 מעורב / 0.77 חזק) בעוד המתאם בתוך-דרגה עם שליטה אמיתית היה רק r ≈ 0.15 / 0.48 / 0.41, מה שמשאיר את המצב הנעקב כאמונת סוכן על הלומד ולא כמדידה מכוילת.

  • מודלים נוירליים והיברידיים: Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling משלב חשיבה סימבולית עם רשתות נוירונים; Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning מקדם מודלים הסתברותיים פרשניים

  • רשתות זיכרון היפרגרף: THyMeN מגדיר עקיבה מבוססת-זיכרון (DKVMN) עם חשיבה היפרגרפית-זמנית, ומדל אינטראקציות מסדר-גבוה דינמיות בין מושגים המופיעים יחד בתוך שאלות מרובות-מיומנות

  • KT מבוסס-דיאלוג: Interpretable Knowledge Tracing מתאים עקיבה אחר ידע להוראה שיחתית

  • מוגבר-LLM: HiLLM-CD משתמש ב-LLMs לבניית עץ מושגים אוטומטית ולהסקת מיומנות היררכית

  • KT סמנטי, מונחה-המלצה: ExRec (Ozyurt, Almaci, Feuerriegel and Sachan, 2025) מעגן את הקלט ולא את הארכיטקטורה: LLM מאנט כל שאלה בשלבי פתרון ובמושגי ידע המיושרים ל-Common Core State Standards for Mathematics, למידה קונטרסטיבית מיישרת הטמעות שאלה, שלב-פתרון ומושג (עם שליליים-שקריים מוסרים באמצעות קיבוץ-טרום של וריאנטים של מושגים כמו "פרשנות תרשים מוטות" ו"קריאת מידע מתרשים מוטות"), ואובדן כיול-KC מאפשר לעוקב לחזות מצב ידע ברמת-מושג ישירות במקום להסיק אותו על ידי הרצת המודל על כל שאלה במושג הזה. העוקב המכויל משתמש אז כסביבת למידת-חיזוק להמלצת תרגיל, שבה הערכת-ערך מבוססת-מודל מאתחלת את הביקורתי מהעוקב עצמו. על פני ארבע משימות ב-XES3G5M בממוצע על פני 2,048 סטודנטי-בדיקה, קווי בסיס לא-RL נתנו שיפורי ידע שוליים או שליליים, שיטות רציפות מבוססות-ערך גברו על מבוססות-מדיניות, והערכת-הערך מבוססת-המודל שיפרה אותן באופן עקבי — בחדות ביותר במשישת המושג-החלש ביותר, שבה המטרה משתנה בכל שלב. השיפורים המדווחים הם אחוז-של-מקסימום של שיפור ידע, לא תוצאות למידה, והצנרת תלויה בשלבי פתרון מיוצרים שהעוקב יורש את איכותם.

  • עקיבה אחר ידע מבוססת-תוצאה (OKT): Pradeesh ואח'. (2026) עוקבים ידע סטודנטים בתוך מערכות חינוך מבוסס-תוצאה על ידי התייחסות לתוצאות הקורס כמושגי הידע עצמם, ומחליפים "מיפויי זיקה" של OBE שאומתו-מומחה בין תוצאות קורס לתוצאות תכנית ביחסי מושג הנגזרים מתשומת-לב או מגרף. רשת נוירלית מוגברת-זיכרון (MANN) ממידלת כיצד ההישגות של כל תוצאה משפיעים על אחרים, וכיול-חוזר של BERT מתאם-תחום מעשיר את הטמעות התוצאה (עם גבי GRU שגובר על LSTM). על נתוני LMS חיים של תכנית לימודים בהנדסה (2,416 סטודנטים, 966 תוצאות) OKT הגיעה ל-AUC של 89.81% — גוברת על DKT, DKVMN, EKT ו-SimpleKT — בעוד נתנה רק תוצאות תחרותיות על ASSISTments, מה שמאשר שהיתרון קשור למבנה התכנית הספציפי-OBE.

  • סקלר-אחריות בודד לוכד את רוב מה שמודל-רצף קונה. על 1,927,265 תשובות מתמטיקה מ-8,996 תלמידים פינים, זהות-הפריט בלבד הגיעה ל-AUC .8362; הוספת מדד-אחריות אחד ביחס לקושי-הפריט העלה אותה ל-.8669, ושחזרה 93.5% מרווח ה-.8690 של טרנספורמר מותנה-שאילתה, בעוד תקציר היסטוריה בן 128 ממדים הגיע ל-.8687 בלבד (Lahtinen & McMullen (2026)).

  • עקיבה על סקירה-בלבד. Nagai ואח'. (2026) מעוררים סדר פסאודו-זמני מיחסי הכללה בין סטי המיומנויות של לומדים, ומתייחסים לסטי מיומנויות מתרחבים כהתקדמות למידה כך שסקירות בנקודת-זמן-בודדה נותרות ניתנות-עקיבה — אך הניסוח מניח שמיומנויות אף פעם לא אבודות, ולכן פריסות ללומדים שמדרדרים זקוקות קודם למנגנון שכחה מפורש.

יחס למושגים אחרים

עקיבה אחר ידע קשורה באופן הדוק למידול הלומד והוראה אדפטיבית — בעוד עקיבה אחר ידע ממידלת ספציפית ידע קוגניטיבי לאורך זמן, מידול הסטודנט הוא הפרקטיקה הרחבה יותר של ייצוג כל ההיבטים של לומד (מצב אפקטיבי, מעורבות, העדפות). עקיבה אחר ידע מזינה למערכות מסתגלות ולמותאמות-אישית שצריכות לדעת מה ללמד הלאה, ולפלטפורמות הוראה אינטליגנטית שמשתמשות בהערכות שליטה לבחירת בעיות מתאימות. היא מתחברת לאנליטיקת למידה לעיצוב לוח מחוונים והתערבות, ולאבחון קוגניטיבי עבור הערכה מיומנות עדינה. מבני עקיבה-אחר-ידע גם מיידעים סטודנטים מדומים — המצב הקוגניטיבי של לומד מדומה לרוב מפורמל עם אותה דינמיקת שליטה/שכחה שמודלי עקיבה אחר ידע ממידלים, ולכן סימולציה היא דרך לייצר את מצבי הידע ששיטות עקיבה בדרך כלל מסיקות מנתוני תשובה אמיתיים.

התייחסות-מתחם: עקיבה מעריכה שליטה תחומית, לא קוגניציה מסדר-גבוה. סקירה בת 15 שנה של 127 מחקרי הוראה אינטליגנטית מוצאת שעקיבה בייסיאנית ומבוססת-למידה-עמוקה השתפרה לאורך התקופה ועדיין אינה מסוגלת למידל תהליכים קוגניטיביים מסדר-גבוה, מטאקוגניציה או מוטיבציה — המצבים שמערכת מסתגלת הייתה זקוקה ביותר לתמרן (Zerkouk ואח'. (2025)).

התייחסות: שליטה אינה נכונות. An, McLaren, and Stamper (2026) מראים שהנחת שני-המצבים (נלמד/לא-נלמד) של BKT יכולה להיפר על ידי הכללה-יתרה מרמה — לומדים יכולים להיראות כשולטים ובכל זאת להחיל מיומנות באופן שיטתי לא-נכון כאשר אילוץ יישום נסתר מופר. זה טוען לעקיבת הבנה מותנית (לדעת מתי לעצור פעולה), ולא רק נכונות פעולה, כאשר הערכות שליטה מניעות כללי עצירה מסתגלים.

התייחסות קשורה מתייחסת לכיצד מודלי עקיבה מאומתים לעומת פרוסים. Schuetze, Yan, and Carvalho (2025) מתאימים BKT, BKT-עם-שכחה ואת מודל הגורמים התוספיים למערך נתונים מרובה-מפגשים של למידה-חוזרת מתקדמת, ומצאו שהם משחזרים מגמות למידה כאשר הם מותאמים רטרואקטיבית לכל המפגשים (AUC מקובל ≈ 0.74–0.79); אך תחת ולידציה-צולבת מבוססת-זמן — הדרכת על מפגש אחד לחיזוי הבא, ההקשר היישומי הריאלי — כל שלושת המודלים מעריכים-יתר ביצוע עתידי בקצת 47–58%, נכשלים ללכוד את אפקט הריווח, ואף יכולים לחזות את הסדר האורדינאלי השגוי בין תנאי תרגול. באופן משמעותי, מודלים ללא מנגנון שכחה מפורש ביצעו בערך כמו גרסאות המוגברות-שכחה כשהמפגשים הצטברו, מה שמציע שהשכחה נספגה חלקית לתוך פרמטרים אחרים (למשל, נקודות-חיתוך לפי-סטודנט ב-AFM) ולא ממודלת באמת. המחברים קשרים זאת להבחנת למידה-לעומת-ביצוע: מודלים פופולריים מתבלבלים בין ביצוע רגעי-גבוה לבין סבירות גבוהה של שימור ארוך-טווח. המשמעות הפרקטית היא שעוקב שנראה טוב על התאמה רטרוספקטיבית יכול להטעות למערכות המסתגלות הצורכות את הערכות השליטה שלו, וטוענת להערכת walk-forward ולמודלים שמתחשבים במרווח שימור, ריווח ושכחה בין-מפגשים.

התייחסות נוספת מתייחסת לכלל הראיה שמזין את העדכון. Srivastava (2026) הרצה ארבעה כללי עדכון על רצפי אירועים זהים של ASSISTments 2012–13, הנבדלים רק באופן שבו הם מנקדים שורות שהושלמו בעזרה, על חצי אישורי של 12,716 סטודנטים ו-985,813 אירועים מנוקדים. קריאת שורה עם רמז או ניסיון-חוזר כניסיון ראשון שנכשל חזה את הביצוע הלא-מסוייע העתידי בצורה הטובה ביותר (AUC משולב 0.658); זיכוי כל השלמה חזה את זה בגרוע שבגרוע (0.604), בקושי מעל קבוע שיודע רק קושי מיומנות (0.595). אותה בחירה שולטת בספירת השליטה: זיכוי השלמות הכריז 93.9% מתוך 113,428 זוגות סטודנט–מיומנות כשולטים לעומת 72.8% תחת הכלל הקפדני, והזוגות שהכלל המתון הכריז עליהם קדימה לעומת הקפדני המשיכו ל-70.9% דיוק לא-מסוייע לעומת 85.7% היכן שהשניים הסכימו, מתחת לשיעור הבסיס 0.744. מצב נעקב הוא לכן חלקית פונקציה של מוסכמת הניקוד ולא של הלומד לבד, ולכן הערכת שליטה הנצרכת על ידי שער מסתגל צריכה לשאת את הכלל שייצר אותה.

התייחסות יכולת: מודלי שפה כלליים עוקבים ידע בקושי מעל קו בסיס טריוויאלי. Worden ואח'. (2026) שחררו FoundationalASSIST, שמשחזר את טקסט השאלה המלא, התשובות שהסטודנטים נתנו בפועל ובחירות המסיח שלהם שמערכי נתוני עקיבה קודמים זרקו, ובדקו ארבעה LLMs חלוציים כעוקבים zero-shot. הטוב ביותר, GPT-OSS-120B, הגיע ל-56.2 אחוז לעומת 51.3 אחוז שכבר מנקד כלל חזה-נכון (AUC-ROC 0.559), ללא שיפור מהיסטוריות ארוכות יותר, ו-Llama-3.3-70B הוכיח נכון 85.4 אחוז מהזמן שסטודנט ענה נכון אך רק 12.6 אחוז כשטעה — ראיה שמודל דור-מפעל עוקב אופטימיות ולא הבנה, ולכן מיומנותו הנראת של עוקב חייבת להיקרא לעומת קו הבסיס הטריוויאלי שמשישתו מתירה.

  • LLM חד-מעבר יכול לעקוב ידע לפני שכל לומדים נרשמים. נשאל כשאלה אחת מוקשת ללא נתוני פלטפורמת-מטרה, Jev הגיע ל-AUC ממוצע של .706, מעל הטוב מבין 28 מודלי עקיבה עמוקים שאומנו על 8 לומדים (.689) וקדימה עד שעקיבה בפיקוח מתעדת ב-64-128 לומדים (Lee & Park, 2026).

מושגים מקושרים

מאמרים מקושרים

שאלות נפוצות קשורות

מטא-דאטה

קהל יעדLearners
טכנולוגות ושיטותלמידה מסתגלת, חונך אינטליגנטי, עקיבה אחר ידע, אנליטיקת למידה, מודלי שפה גדולים (LLM), למידה מותאמת אישית, מידול הלומד והוראה אדפטיבית
SourceHistoryEditChat

הטמעת העמוד הזה

העתיקו את הקוד שלמטה כדי להטמיע את העמוד הזה במערכת ניהול למידה או באתר אחר. הגרסה המוטמעת מציגה רק את תוכן העמוד — היא מסתירה את כותרת האתר, את הניווט ואת כותרת התחתונה.