מידול הלומד והוראה אדפטיבית

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

מידול הלומד והוראה אדפטיבית — המטרייה לאופן שבו בינה מלאכותית מייצגת לומדים (מה הם יודעים, מרגישים וזקוקים לו) ולאופן שבו היא משתמשת בייצוגים הללו כדי להתאים את הוראה. המשפחה משתרעת על שכבת המידול — מידול הלומד, מעקב אחר ידע, אבחון קוגניטיבי וסימולציית סטודנטים — ועל המערכות האדפטיביות הצורכות את המודלים הללו — הוראה חכמה, למידה אדפטיבית ולמידה מותאמת אישית. השאלה המשותפת: כיצד מערכת יודעת מה לומד יודע, ומה עליה ללמד הלאה?

שאלות למחשבה

• שאלת המטרייה שהעמוד הזה מציג היא: כיצד מערכת יודעת מה לומד יודע, ומה עליה ללמד הלאה? לפני שתמשיכו בקריאה, כיצד הייתם מתחילים בכלל לייצג 'מה לומד יודע' במכונה?
• מידול הלומד משתרע על מעקב ידע (מעקב אחר ידע לאורך זמן), אבחון קוגניטיבי (מיפוי כישירות שנרכשו) וסימולציית סטודנטים (לומדים סינתטיים). מה לדעתכם כל גישה טובה בו — ומה כל גישה מסתכנת בטעות?
• כל בינה מלאכותית אדפטיבית תלויה במודל כלשהו של הלומד. אם מודל טוב רק ככלות הראיות המזינות אותו, מה לדעתכם הן הראיות שבאמת נמצאות בידי מערכות בינה מלאכותיות על סטודנט, ואילו דברים חשובים עליו נשארים בלתי-נראים?
• מודל עשוי ללכוד מה שסטודנט עונה נכון ומה שהוא עונה לא נכון אך לא מדוע, או לא כיצד הוא מרגיש. כיצד מודל לומד עשוי להטעות מערכת אדפטיבית בדרכים שיפילו לרעה במקום להועיל?
• אם הייתם מעצבים חונך אדפטיבי, מה הייתם רוצים שהמודל שלו עליכם יכלול — ועל מה הייתם רוצים לאסור עליו להניח במפורש?

מבוא

מידול הלומד הוא הייצוג החישובי של לומדים; הוראה אדפטיבית היא מה שמערכות עושות עם הייצוג הזה. כל בינה מלאכותית אדפטיבית בחינוך תלויה במודל כלשהו של הלומד — אפילו קל משקל — וכל מודל לומד קיים כדי ליידע החלטה הוראתית כלשהי. עמוד זה הוא המטרייה לצינור הזה: שיטות המידול, המערכות הפועלות על פי מודלים, והדרכים שבהן הם קשורים.

שכבת המידול

מושגים אלה עונים על "מה הלומד הזה יודע, מרגיש וזקוק לו?" — צד הייצוג של המשפחה.

• מידול הלומד — הפרקטיקה הרחבה של ייצוג מאפייני הלומד (ידע, כישירות, מצבים אפקטיביים, מעורבות, העדפות) בצורה חישובית. הוא המונח-העל בתוך שכבה זו, ומקיף את כל הדרכים לייצג לומד.
• מעקב אחר ידע — הפרקטיקה הספציפית של מידול ידע קוגניטיבי לאורך זמן על ידי מעקב אחר ביצועים בתרגילים וחיזוי שליטה עתידית. הוא מפורמל את הדינמיקה הזמנית של הלמידה — מתי ידע נרכש, נשחק, וכיצד מושגים מתקשרים.
• אבחון קוגניטיבי — הערכה בעלת רזולוציה גבוהה של אילו כישירות או מרכיבי ידע ספציפיים הלומד רכש, ותוצר פרופיל שליטה התומך בתיקון ממוקד.
• סימולציית סטודנטים — יצירת לומדים סינתטיים לפי דרישה, במקום ייצוג לומד אמיתי, כדי שפדגוגיה ומערכות בינה מלאכותית יוכלו להיבחן או להיאמן במצב לא-מקוון.
• פורמליזם סיבתי עבור מודלי לומד. Mangili et al. (2026) מחליפים רשתות בייסיאניות בשער רועש במודלים סיבתיים מבניים שנאספו ממומחים, והופכים רמזים למשתנים אנדוגניים מפורשים כדי שהמודל יוכל לשאול מה סטודנט היה עונה ללא העזרה שנעזר בה — פחות חיזוי, אך מסוגל לנרטיפיוקטואלים שמודלים אסוציאטיביים אינם מסוגלים לבטא.

מחקר Zhang, Jeffries & Koprinska (2025) ממחיש שייצוג נאמן אינו דורש את משפחת המודלים המורכבת ביותר: מודל לומד קל משקל ובעל פרשנותיות פנימית — נבנה מתכונות אינטראקציה עם תוכן הקורס ולא מטלמטריה עשירה — חוזה התקדמות ברמת מודול בקורסי תכנות מקוונים בקנה מידה גדול (85–91% דיוק) ומפריד פרופילי מעורבות של בסיכון-מנותק, מנותק-אך-מוצלח, ומבצע גבוה-מעורב, ותומך באזהרה מוקדמת של אנליטיקת למידה בקנה מידה גדול.

מודל לומד חיזוי יכול לשבת על מבנה ההרשמה ולא על נתוני מעקב: TRACE מקודד כל סמסטר כסל של קורסים לא-מסודר וחוזה את מערכת הקורסים והציונים יחד, וחותך את שגיאת חיזוי הציונים ל-0.1339 MAE — 46.4% מתחת למודל מבוסס-ציונים בלבד — על פני 5,326 סטודנטים ועשור שנים (Savala (2026)).

ניתן לבנות מודלי לומד גם מעדויות התנהגותיות בלבד ועדיין לתמוך בהתאמה. An, Hammock & Goel (2025) גזרו שלושה פרופילי מעורבות — תצפית, בנייה וחקר — מסדרות הלחיצות של 315 לומדים מקוונים שבנו 822 מודלים אקולוגיים ב-VERA, ללא נתונים דמוגרפיים או הקשריים כלשהם, והראו שהפרופילים הללו חוזים את איכות המודל (חקר מניב את המודלים המורכבים והמגוונים ביותר, בעוד תצפית נשלטת על ידי מודלים מועתקים ולא מקוריים). תאי מעורבות ברמה זו הם מודלי הלומד הגסים ששכבת ההוראה האדפטיבית יכולה לצרוך כדי למקד משוב.

מידול לומד אפקטיבי הוא מימד נוסף: חונך מתמטיקה הוציא רגש מטקסט שיחתי והבעת פנים ומיפ את המצב המצטבר לאסטרטגיות חונכות, אך המיזוג הרב-מודאלי הגיע רק ל-60% דיוק לעומת ההערות של המשתתפים עצמם, מה שהופך את קריאת הרגש לחוליה החלשה של הצינור (Kar et al. (2025)).

Gutterman et al. (2026) מצאו שאות דיליי-התחלה שנרשם במהלך תרגול מתמטיקה חזה תוצאות באנגלית, כאשר דחיינים כרוניים (מעל 13 דקות) הראו שיפורים נמוכים יותר (ELA β = -.11 SD) גם לאחר שליטה בידע קודם ובזמן-על-משימה — ולכן מודלי לומד התנהגותיים יכולים לעבור בין תחומי דעת ללא אימון מחדש לכל קורס, אם כי את נקודות החיתוך שלהם יש לגזור מחדש.

שכבת ההוראה האדפטיבית

מושגים אלה עונים על "מה יש ללמד הלאה?" — צד היישום הצורך מודלי לומד.

• הוראה חכמה — מערכות המשתמשות במודלי לומד ובהערכות שליטה כדי לבחור בעיות ולספק הדרכה ברמת הצעד, היישום הקלאסי של מידול הלומד.
• למידה אדפטיבית — מערכות המתאימות תוכן, קצב או קושי בתגובה למודל הלומד.
• למידה מותאמת אישית — ההתאמה הרחבה יותר של הוראה, תוכן ומסלולים למאפייני לומד והעדפות אישיות.

כיצד החברים מתקשרים

המושגים יוצרים צינור ולא מתחרים: מידול הלומד הוא ייצוג-העל; מעקב אחר ידע ואבחון קוגניטיבי הם שיטות מידול ספציפיות המאכלסות אותו; סימולציה יוצרת לומדים במקום לייצג לומדים אמיתיים; והוראה חכמה, למידה אדפטיבית ולמידה מותאמת אישית הן המערכות הצורכות את המודלים הללו כדי להתאים הוראה.

מידול הלומד מול סימולציית סטודנטים היא ההבחנה המרכזית לשמירה. מידול הלומד עוסק בייצוג לומד אמיתי — בניית מודל מתוך נתוני סטודנט בפועל כדי שמערכת אדפטיבית תוכל לפעול על אותו פרט. סימולציית סטודנטים, להיפך, יוצרת לומד סינתטי לפי דרישה כדי לעמוד במקום לומדים אמיתיים, כדי שפדגוגיה ובינה מלאכותית יוכלו להיות מוערכים או מאומנים במצב לא-מקוון. השניים קשורים קשר הדוק ולא ניתנים להחלפה: סטודנטים מדומים בדרך כלל מטמיעים מודל לומד (מצב אפיסטימי, מערך תפיסות שגויות, או פרופיל מעורבות) ונשענים על אותם מבנים שמעקב אחר ידע ואבחון קוגניטיבי מפורמלים. מטרותיהם מתפצלות — מידול הלומד משרת התאמה חיה על ידי יידע החלטות על אדם אמיתי, בעוד סימולציה מרכיבה לומדים כדי לבחון מערכות (ובהיקף גובר גם כדי לבקר בינה מלאכותית, למשל López-Pernas et al. (2026)) ולא לפעול על פרט אמיתי כלשהו.

מעקב ידע מול מידול הלומד היא הבלבול הנפוץ השני. מעקב ידע ממדל ספציפית ידע קוגניטיבי לאורך זמן; מידול הלומד הוא הפרקטיקה הרחבה יותר המכסה את כל היבטי הלומד (מצב אפקטיבי, מעורבות, העדפות). מעקב ידע הוא סוג של מידול הלומד המתמקד בממד הקוגניטיבי-זמני. מבני מעקב ידע מיידעים גם סטודנטים מדומים — מצבו הקוגניטיבי של לומד מדום מפורמל לעתים קרובות באותן דינמיקות שליטה/שחיקה שמודלי מעקב הידע ממדלים, ולכן סימולציה היא דרך ליצור את מצבי הידע ששיטות המעקב בדרך כלל מסיקים מנתוני תגובה אמיתיים.

עיגון המעקב לתוכנית הלימודים מחזק את המודל. Pradeesh et al. (2026) מראים שמודל לומד צובר נאמנות כאשר המעקב קשור למבנה תוכנית לימודים מפורש ולא נלמד באופן טהור מנתונים: מעקב הידע המבוסס-תוצאות שלהם (OKT) מתייחס לתוצאות הקורס בחינוך מבוסס-תוצאות כמושגי הידע למעקב, מספק קשרים בין מושגים באמצעות "מיפויי קרבה" מבוססי-תוצאות שאושרו על ידי מומחים (אלטרנטיבה מפורשת לתשומת לב מרומזת או להעברת מסרים בגרף), ומשתמש במודול מועצם-זיכרון כדי למדל כיצד השגתה של תוצאה אחת משפיעה על האחרות. על נתוני תוכנית הנדסה חיה הוא ניצח את הבסיסים DKT, DKVMN, EKT ו-SimpleKT (89.81% AUC), וממחיש ששכבת המידול יכולה לנצל את המבנה של תוכנית הלימודים עצמה כדי לייצג לומדים ביתר נאמנות.

הוראה חכמה מול למידה אדפטיבית/מותאמת אישית יושבת בצד היישום: הוראה חכמה היא מערכת בחירת הבעיות וההדרכה ברמת הצעד; למידה אדפטיבית מכווננת תוכן וקצב; למידה מותאמת אישית היא ההתאמה הרחבה ביותר של כל חוויית הלמידה. שלושתן הן "הצרכניות" של שכבת המידול.

אתגר התוקף המשותף

על פני המשפחה כולה, אתגר התוקף המגדיר הוא זהה: ייצוג הלומד חייב לשקף באופן נאמן את מצבו האמיתי של הלומד ולא את הנחות ברירת המחדל של המערכת. עבור מידול הלומד ומעקב אחר ידע, זה אומר שהמודל חייב ללכוד באמת מה שלומד יודע (הערכה ותוקף מדידה). עבור סימולציה, זה אומר שהלומד הסינתטי חייב להפגין חוסר שלמות ריאלי ולא את הכושר המלא של המודל או הסכמה חנופית. מערכות אדפטיביות הצורכות מודלים פגומים יורשות ומפיצות את השגיאה הזו.

מודלים המסיקים מצב לומד ממשחק הגיעו ל-AUCs של 0.848–0.913, ועם זאת רק שניים מתוך 55 המחקרים הנסקרים ביקרו אותם להטיה דמוגרפית ואחד בלבד בחן תוצאות מבדילות לפי יכולת הלומד (Kaşarcı and Yurt (2026)).

חלק מהאותות המיועדים עשויים שלא להישלל מדיאלוג כלל: הטיוט של מסגרת הקשר הלמידה שיחזרה תפיסות שגויות ב-91.4% וחרדה ב-100% אך מצפינות רק ב-68.6% ומיינות שפה ב-60%, ולכן מודל מודע-הקשר צריך ללכוד תכונות איטות-להיחשוף במקום להמתין שהדיאלוג יחשוף אותן (Liu et al. (2026)).

Lin et al. (2026) חושפים מעגליות באופן שבו לומדים סינתטיים כאלה מאומתים: סוכני EduMirror מנהלים שאלונים פסיכומטריים לאחר מעשה וקוראים הסכמה עם ייצוג הערך הפנימי של הסוכן כתוקף פסיכולוגי, אך מכיוון שה-Surveyor מודד ממדים שכבר מקודדים במערכת הערך הזו, הבדיקה היא בדיקת עקביות ולא אימות עצמאי.

נכונות אינה תמיד אות נאמן. An, McLaren, and Stamper (2026) מראים שמודל לומד המסיק שליטה מפעולות נכונות יכול לייצג באופן שגוי את מצבו האמיתי של הלומד: לומדים המפגינים הכללה מוטעית מטעה נראים כשולטים אך משמיטים מגבלת יישום קריטית, ולכן מערכות אדפטיביות יכולות לעצור תרגול בטרם עת. מודלי לומד צריכים להעריך הבנה מותנית — לרבות אם הלומד יודע מתי למנוע פעולה — ולא רק נכונות פעולה.

תפיסות שגויות נסתרות מראות את אותה הכשל מהצד השני: Imran and Bulathwela (2026) מצאו שמסווג מכוונן-עדין תפס 57.4% מהתשובות הנכונות שהושגו דרך הגיון פגום, ובשכיחות של 1.6% אפילו מודל הגיון בעל 83.6% דיוק השאיר 8 התראות שווא לכל גילוי — ולכן אותות שליטה מבוססי-נכונות הם גם חלקיים גם יקרים לתיקון.

האופן שבו מודל מאומת הוא עצמו שאלת תוקף. Schuetze, Yan, and Carvalho (2025) מראים שמודלי לומד פופולריים (BKT, BKT-with-Forgetting, AFM) נראים כלוכדי למידה אנושית רק כשהם מותאמים רטרואקטיבית למערך נתונים רב-מושבי שלם; תחת אימות צולב מבוסס-זמן (walk-forward) — חיזוי מושב עתידי ממושבים קודמים, האופן שבו מודלים כאלה נפרסים בפועל — הם מעריכים יתר על המידה, מפספסים את אפקט הפיזור ומסויגים לא נכון תנאי תרגול. מכיוון שמודלים מועצמי-שכחה ובלתי-מועצמי-שכחה ביצעו באופן שווה בערך על פני מושבים, הכותבים מסיקים שהשכחה נבלעת לעתים קרובץ בפרמטרי הלומד ולא מיוצגת באמת. הלקח למשפחה הוא שייצוג לומד נאמן חייב להיות מאומת באופן שבו הוא נמצא בשימוש — וששילוב בין ביצוע ברגע-הנתון לבין שימור ארוך-טווח מניב מודלים שנראים מדויקים אך מייצגים לומדים באופן שגוי.

מידול בעידן ה-LLM

התקדמויות אחרונות משתמשות במודלים לשוניים גדולים למידול עשיר יותר. מסגרת HiLLM-CD מייצגת סטודנטים כעצי מיומנות; גישות רב-מודאליות בונות ייצוגי ידע מעוגני-ראיה ממקורות נתונים מגוונים; מודלים לשוניים גדולים מדמים כעת סטודנטים עם הגיון. מודלים לשוניים גדולים מאפשרים בניית מודל אוטומטית מטקסט חינוכי וסימולציית סטודנטים בעלת נאמנות גבוהה יותר, ומפחיתים את התלות בהערת מומחים — בעוד מחדדים את דאגות הנאמנות שלמעלה. אותות מודל לומד גם מעוגנים הגיון של מודל לשוני גדול: Reddig, Arora & MacLellan (2025) מצאו שהזנת הערכת כישירות מעקב ידע בייסיאני של סטודנט ל-GPT-4 לצד מבנה הממשק של החונך שיפרה באופן חד את אבחון השגיאות שלו (זיהוי שגיאה לוגית עלה מ-40% ל-81% בפקטוריזציה; ~87.8% בכללות), בעוד בעיות רב-שלביות ותגובות המכילות שגיאות אחדות נשארו המקרים החלשים ביותר — ראיה שצימוד מודל לומד פורמלי למודל לשוני גדול מחזק, אך אינו מבטיח, היסק תקין על סטודנט אמיתי. CoLearn (He et al., 2026) מראה כיצד נראה גרסה מתמשכת של אותו צימוד: שליטה ותפיסות שגויות שנכרו מאוחסנות לכל (לומד, מקצוע) ולא כיומנים לפי-מושב, כך שראיות נצברות על פני מושבים, והזיכרון נכתב על ידי פונקציית תצפית המדורגת על ידי מודל לשוני גדול תוך שמירת היכולת להיבדק על ידי הלומד באמצעות פסי שליטה ותווית שמציינת את מה שכל שאלה שנוצרה נבחרה לחקור. הבקרות שלו הופכות את צעד הכתיבה למפורש — כאשר הזיכרון נקרא אך לא עודכן, שיתוף הפריטים שמכוונים לכישירות חלשה באמת ירד מ-0.72 ל-0.57 — והוא משמר את ההכשרה של עמוד זה: השליטה המאוחסנת היא אמונת הסוכן על הלומד, לא מדידה של הידע שלהם.

שפה יכולה להחליף הטמעות מזהה כייצוג: PLCD בונה סכימות מושג ומושגי תהליך תרגיל שנגזרו ממודל לשוני גדול כפראיימים, ומגיע ל-83.51% דיוק ב-XES3G5M, עם השיפורים הגדולים ביותר בהתחלה קרה — 4.60 נקודות ACC על KCD למושגים חדשים ו-4.00 לתרגילים חדשים — במקומות שמודלים מבוססי-מזהה אין להם היסטוריה (Liu et al. (2026)).

איכות המדמה מתפצלת לשני צירים: צינור שמאסף ואז מתמחה שאימן דפוסים התנהגותיים משותפים לפני מתאם לכל-סטודנט הגיע לנאמנות התנהגותית 0.51 ותגובתיות להדרכה 0.91 בשחמט, לעומת 0.23 ו-0.72 לבסיס תפקיד-חזית, ומראה שמדמה חייב הן להתאים לסטודנט והן להיות ניתן להובלה (Yang et al. (2026)).

ציוני סיכון יכולים להיות מדויקים אך לא נתמכים: Gheisari and Salarian (2026) הגיעו ל-99% דיוק בחיזוי נשירה מהרשמה ומתעדי ביצועים, אך על 1,027 מתעדים מנוקים של מוסד בודד ללא אימות חיצוני, ללא התערבות שנבדקה, ועם ביקורת הוגנות המוצהרת כעבודה עתידית — הציון תומך בטריאז', לא בגזר דין על סטודנט.

מודל לומד החוזה סיכון בלבד אינו מספיק לתמיכה בהחלטה: צימוד של מודל בסיכון מכויל עם עזרה מתכנתית שלמה על פני פעולות בדידות — שאומתה מול מגבלות תזמון, תקציב, חוסר-שינוי וזמינות — הניב תכניות התערבות קומפקטיות כאשר אופטימיזציה בלבד קיבלה כאלה שלא ניתנות לביצוע (Le, Abel & Laforge (2026)).

אפשר גם לזקק מעריך קופסא-שחורה למודל קטן בעל הסבר-עצמי: צינור דו-שלבי הופך מעריך מותאם ואת הפרשנות שלאחר-מעשה שלו ל"mentee" בעל 2B פרמטרים שמחזיר הערכה לצד נרציה, ונבדק לנאמנות ולא לזורמות (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

קשרים למושגים אחרים

מידול הלומד והוראה אדפטיבית מזינים לאנליטיקת למידה (לוחות מחוונים והתערבויות), להערכה מעצבת (הערכה מונעת אנליטיקה) ולמשוב (מה שהמערכת אומרת ללומד). הם מתחברים לבינה מלאכותית בחינוך כחוט ליבה של בינה מלאכותית לחינוך.

מושגים מחוברים

• לומדים — לומדים: המטרייה למושגים בצד הלומד
• בינה מלאכותית מוסברת
• אנליטיקת למידה
• עקיבה אחר ידע
• גרף ידע
• למידה מסתגלת
• חונך אינטליגנטי
• למידה מותאמת אישית
• הערכה עיצובית
• חינוך גן ותיכון (K-12)
• חונכות אפקטיבית
• מודלי שפה גדולים (LLM)
• השכלה גבוהה
• בינה מלאכותית בחינוך
• סימולציית סטודנטים
• אבחון קוגניטיבי
• משוב
• מערכות המלצה ומסלולי למידה
• תמיכה והצלחת סטודנטים — המודלים שמתחת לחיזוי סיכון ולמיקוד תמיכה

מאמרים מחוברים

• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — הכללה מוטעית מטעה: שליטה אדפטיבית עשויה לעצור תרגול לפני שהלומדים יודעים מתי למנוע פעולה (An, McLaren & Stamper 2026)
• Causal Modelling of Support Interventions for Student Competency Assessment — Causal Modeling of Support Interventions for Student Competency Assessment
• AI Tutoring is Not a Monolith: What We Actually Know — AI Tutoring is Not a Monolith: What We Actually Know (Stanford SCALE/NSSA brief)
• Learning Context: A Unified Framework and Roadmap for Context-Aware AI in Education
• Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most — חונכי LLM דוחים יתר על המידה אלטרנטיבה חוקית, ומאמתים יתר על המידה שגויה (Yasir et al. 2026)
• HAIML: A Human-Centered AI Metacognitive Learning Model — A Framework for Human Agency and Reflective Learning in the Age of Artificial Intelligence
• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms
• The Correct Answer Trap: Pedagogically-Grounded Detection and Feedback for Hidden Misconceptions
• Cross-Subject Predictive Validity for Learning Outcomes of Delayed Start Behavior
• EduMirror: Modeling Educational Social Dynamics with Value-driven Multi-agent Simulation
• MathBuddy: Affective Math Tutoring
• Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning
• HiLLM-CD: LLM-Enhanced Hierarchical Cognitive Diagnosis
• INSIDE the Student's Mind: Jointly Modeling Latent Reasoning and Action in LLM Student Simulators
• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE)
• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — From Student Risk Prediction to SC2R: Counterfactual Recourse
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
• Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics — Distilling self-explaining LM for learning analytics
• StudentSim: Training LLM-based Student Simulators — StudentSim: Training LLM-based Student Simulators
• Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs — Predicting Student Attrition in Competitive Programming
• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — מעקב ידע מבוסס-תוצאות עם מיפוי קרבה
• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis
• Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models
• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models
• A Machine Learning Approach for Predicting Student Progress in Online Programming Education
• Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis — Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — מצב לומד קומפקטי בצירוף מעקב מכויל כסביבת המלצה
• CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop — CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop
• Effectiveness of AI-Supported Game-Based Learning: A Systematic Review of Outcomes, Challenges, and Future Directions — הערכה סמויה הגיעה ל-AUCs של 0.848–0.913, אך ביקורות הטיה היו כמעט נעדרות ב-55 מחקרים