ज्ञान अनुरेखण

यह अंग्रेज़ी पेज का ऑटोमैटिक अनुवाद है और इसकी अभी तक किसी मूल भाषी ने समीक्षा नहीं की है।

ज्ञान अनुरेखण — अभ्यास प्रश्नों पर शिक्षार्थियों के प्रदर्शन को ट्रैक करके और भविष्य में दक्षता की भविष्यवाणी करके यह मॉडलिंग करना कि शिक्षार्थी समय के साथ क्या जानते हैं। यह ज्ञान-आधार की सबसे समृद्ध मॉडलिंग थ्रेड है, जो छात्र के ज्ञान के विकास को ट्रैक करने के लिए बेज़ियन, डीप लर्निंग और LLM-संवर्धित दृष्टिकोणों तक फैली हुई है।

विचार के लिए प्रश्न

• ज्ञान अनुरेखण मॉडल अभ्यास प्रश्नों पर आपके प्रदर्शन से यह ट्रैक करते हैं कि समय के साथ आप क्या जानते हैं — कि ज्ञान कब अर्जित हुआ और कब क्षय हुआ। आपके उत्तर क्या बता सकते हैं कि आप वास्तव में किसी चीज़ को जानते हैं बनाम इस बार सिर्फ सही उत्तर मिल गया?
• यह पेज चेतावनी देता है कि 'दक्षता सही उत्तर नहीं है' — जब कोई छिपी हुई शर्त का उल्लंघन होता है तो एक शिक्षार्थी दक्षताप्राप्त दिख सकता है फिर भी किसी कौशल को व्यवस्थित रूप से गलत तरीके से लागू कर सकता है। आपने कब किसी (या स्वयं को) ऐसा देखा है जो समझ रहा था जैसा लगता था, लेकिन वास्तव में नहीं था?
• यदि ज्ञान अनुरेखण उन अनुकूली (adaptive) प्रणालियों को आधार देता है जो यह तय करती हैं कि आगे क्या पढ़ाना है, तो जब मॉडल सही उत्तरों को वास्तविक दक्षता समझ लेता है और छात्र को बहुत जल्दी आगे बढ़ा देता है, तो क्या गलत होता है?
• ज्ञान अनुरेखण कई रूपों में आता है — बेज़ियन, न्यूरल, हाइपरग्राफ, संवाद-आधारित, LLM-संवर्धित। एक पारदर्शी मॉडल जिसे आप समझा सकते हैं और एक शक्तिशाली लेकिन अपारदर्शी मॉडल के बीच आप कौन-से समझौते की अपेक्षा करेंगे?
• यह पेज ज्ञान अनुरेखण को सिम्युलेटेड स्टूडेंट से जोड़ता है — उन ज्ञान अवस्थाओं को जनरेट करता है जिन्हें अनुरेखण सामान्यतः वास्तविक डेटा से अनुमानित करता है। सिम्युलेटेड लर्नर किसी ट्यूटर को वास्तविक छात्रों से मिलने से पहले परखने में कैसे मदद कर सकते हैं?
• चूँकि समय के साथ ज्ञान क्षयित होता है, किसी अनुकूली प्रणाली को किसी छात्र के पुराने 'दक्षता' के साथ क्या करना चाहिए जब उसने भूल गया हो? ज्ञान बने रहने की धारणा करने के बजाय भूलने के लिए आप डिज़ाइन कैसे करेंगे?

परिचय

ज्ञान अनुरेखण कच्चे अभ्यास-प्रतिक्रिया डेटा को इस अनुमान में बदलता है कि एक छात्र ने क्या महारत हासिल की है और उसे अब भी क्या सीखना है। सरल सही/गलत ट्रैकिंग के विपरीत, ज्ञान अनुरेखण सीखने के अस्थायी गतिकी को मॉडल करता है — कि ज्ञान कब अर्जित होता है, कब क्षयित होता है, और अवधारणाएँ एक-दूसरे से कैसे संबंधित हैं।

ज्ञान-आधार में प्रस्तुत दृष्टिकोण

• बेज़ियन दृष्टिकोण: StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing BKT कार्यान्वयनों को मानकीकृत करता है, जबकि MBP-KT: Learning Global Collaborative Information from Meta-Behavioral Pattern for Enhanced Knowledge Tracing मेटा-व्यवहारगत संकेतों को शामिल करता है

• LLM ऑब्ज़र्वेशन फंक्शन के साथ सॉफ्ट-एविडेंस BKT: CoLearn (He et al., 2026) BKT संरचना को बनाए रखता है, लेकिन बाइनरी सही/गलत ऑब्ज़र्वेशन — जो मानक BKT का इनपुट है — को एक सतत (continuous) ऑब्ज़र्वेशन से बदल देता है: एक बड़े भाषा मॉडल (LLMs) ग्रेडर ग्रेडेड दक्षता प्रमाण तथा एक विश्वास-भार (confidence weight) जारी करता है, जिसे एक विश्वास-संकुचित (confidence-shrunk) पोस्टीरियर में मिश्रित किया जाता है और इसे गेट किया जाता है ताकि साफ़-साफ़ गलत उत्तर अनुमान को बढ़ा न सके, जिससे यह अपडेट मानक BKT का एक सामान्यीकरण वाला रूप बनता है न कि उसका कड़ा उत्पाद। क्या वह ऑब्ज़र्वेशन फंक्शन भरोसेमंद है, यह शिक्षार्थी पर निर्भर करता है: माध्य प्रमाण ने योग्यता-स्तरों को साफ़ अलग किया (0.25 कमज़ोर / 0.67 मिश्रित / 0.77 मज़बूत), जबकि वास्तविक दक्षता के साथ स्तर-भीतर सहसंबंद्धता केवल r ≈ 0.15 / 0.48 / 0.41 थी, जिससे ट्रेस की गई अवस्था शिक्षार्थी के बारे में किसी एजेंट की विश्वास होती है, न कि कैलिब्रेटेड माप।

• न्यूरल और हाइब्रिड मॉडल: Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling प्रतीकात्मक तर्क को न्यूरल नेटवर्क के साथ जोड़ता है; Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning व्याख्यायोग्य प्रायिकता मॉडलों को आगे बढ़ाता है

• हाइपरग्राफ मेमोरी नेटवर्क: THyMeN मेमोरी-आधारित अनुरेखण (DKVMN) को अस्थायी हाइपरग्राफ तर्क से संवर्धित करता है, और उन अवधारणाओं के बीच गतिशील उच्च-क्रम (higher-order) परस्परक्रियाओं को मॉडल करता है जो बहु-कौशल प्रश्नों में सह-घटित होती हैं

• संवाद-आधारित KT: Interpretable Knowledge Tracing संवादमूलक ट्यूटरिंग के लिए ज्ञान अनुरेखण को अनुकूलित करता है

• LLM-संवर्धित: HiLLM-CD स्वचालित अवधारणा-ट्री निर्माण और पदानुक्रमित प्रवीणता अनुमान के लिए LLM का उपयोग करता है

• अर्थपूर्ण, अनुशंसा-उन्मुख KT: ExRec (Ozyurt, Almaci, Feuerriegel and Sachan, 2025) संरचना के बजाय इनपुट को आधार देता है: एक LLM प्रत्येक प्रश्न को हल-चरणों और ज्ञान अवधारणाओं से एनोटेट करता है जो Common Core State Standards for Mathematics से संरेखित हों, कॉन्ट्रास्टिव लर्निंग प्रश्न, हल-चरण और अवधारणा एम्बेडिंग को संरेखित करता है (जहाँ पूर्व-क्लस्टरिंग से झूठे नेगेटिव हटा दिए जाते हैं, जैसे "interpreting a bar chart" और "reading information from a bar graph" जैसी अवधारणा-प्रतिरूपों के लिए), और एक KC-कैलिब्रेशन लॉस ट्रेसर को सीधे अवधारणा-स्तरीय ज्ञान अवस्था की भविष्यवाणी करने देता है, बजाय उस अवधारणा के प्रत्येक प्रश्न पर मॉडल चलाकर उसे अनुमानित करने के। कैलिब्रेटेड ट्रेसर फिर अभ्यास अनुशंसा के लिए रिइन्फोर्समेंट-लर्निंग परिवेश का काम करता है, जहाँ एक मॉडल-आधारित मान-अनुमान ट्रेसर से ही क्रिटिक को प्रारंभिक मान देता है। 2,048 परीक्षण-छात्रों पर औसत लिए गए XES3G5M के चार कार्यों में, गैर-RL बेसलाइनों ने तुच्छ या ऋणात्मक ज्ञान-लाभ दिए, मान-आधारित सतत विधियों ने नीति-आधारित विधियों को हराया, और मॉडल-आधारित मान-अनुमान ने उन्हें लगातार सुधारा — सबसे तेज़ सबसे कमज़ोर अवधारणा वाले कार्य में, जहाँ लक्ष्य प्रत्येक चरण में बदलता है। रिपोर्ट किए गए लाभ अधिकतम ज्ञान-सुधार के प्रतिशत हैं, सीखने के परिणाम नहीं, और यह पाइपलाइन जनरेट किए गए हल-चरणों पर निर्भर करती है जिनकी गुणवत्ता ट्रेसर को विरासत में मिलती है।

• परिणाम-आधारित ज्ञान अनुरेखण (OKT): Pradeesh et al. (2026) Outcome-Based Education प्रणालियों के भीतर छात्र ज्ञान को इस प्रकार ट्रैक करते हैं कि पाठ्यक्रम परिणामों को ही ज्ञान अवधारणाएँ माना जाता है, और पाठ्यक्रम तथा प्रोग्राम परिणामों के बीच विशेषज्ञ-मान्य OBE "एफिनिटी मैपिंग" को ध्यान- या ग्राफ-निर्मित अवधारणा संबंधों के विकल्प के रूप में रखा जाता है। एक Memory Augmented Neural Network (MANN) यह मॉडल करता है कि प्रत्येक परिणाम की प्राप्ति दूसरों को कैसे प्रभावित करती है, और डोमेन-अनुकूली BERT फाइन-ट्यूनिंग परिणाम एम्बेडिंग को समृद्ध करता है (जहाँ GRU बैकबोन ने LSTM को हराया)। लाइव इंजीनियरिंग-प्रोग्राम LMS डेटा (2,416 छात्र, 966 परिणाम) पर OKT ने 89.81% AUC पहुँचा — DKT, DKVMN, EKT और SimpleKT से बेहतर — जबकि ASSISTments पर केवल प्रतिस्पर्धी परिणाम दिए, जिससे पुष्टि होती है कि यह लाभ OBE-विशिष्ट पाठ्यक्रम संरचना से बँधा है।

• केवल-स्नैपशॉट अनुरेखण। Nagai et al. (2026) शिक्षार्थियों के कौशल-समुच्चयों के बीच समावेश संबंधों से एक छद्म-अस्थायी क्रम प्रेरित करते हैं, बढ़ते कौशल-समुच्चयों को सीखने की प्रगति मानते हैं ताकि एकल-समय-बिंदु स्नैपशॉट ट्रेस करने योग्य बने रहें — लेकिन यह रूपरेखा यह मानती है कि कौशल कभी खोए नहीं जाते, इसलिए जिन शिक्षार्थियों में प्रतिगमन होता है उनके लिए तैनाती को पहले एक स्पष्ट विस्मृति तंत्र की आवश्यकता है।

• एक एकल हाल की स्केलर उस अधिकांश को पकड़ लेता है जो एक अनुक्रम मॉडल खरीदता है। 8,996 फ़िनिश छात्रों से 1,927,265 गणित प्रतिक्रियाओं पर, आइटम पहचान अकेली AUC .8362 तक पहुँची; आइटम कठिनाई के सापेक्ष एक हाल की माप जोड़ने ने इसे .8669 कर दिया, एक क्वेरी-सशर्त ट्रांसफॉर्मर के .8690 लाभ के 93.5% को पुनर्प्राप्त करते हुए, जबकि इतिहास का एक 128-आयामी सारांश केवल .8687 तक पहुँचा (Lahtinen & McMullen (2026))।

अन्य अवधारणाओं से संबंध

ज्ञान अनुरेखण शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण के निकट संबंधित है — जहाँ ज्ञान अनुरेखण विशेष रूप से समय के साथ संज्ञानात्मक ज्ञान को मॉडल करता है, वहाँ स्टूडेंट मॉडलिंग शिक्षार्थी के सभी पहलुओं (भावनात्मक अवस्था, भागीदारी, प्राथमिकताएँ) को प्रस्तुत करने का व्यापक अभ्यास है। ज्ञान अनुरेखण अनुकूली अधिगम और व्यक्तिगत शिक्षा प्रणालियों में जाता है जिन्हें यह जानना आवश्यक है कि आगे क्या पढ़ाना है, और इंटेलिजेंट ट्यूटरिंग प्लेटफ़ॉर्म में जो उपयुक्त प्रश्न चुनने के लिए दक्षता अनुमानों का उपयोग करते हैं। यह डैशबोर्ड और हस्तक्षेप डिज़ाइन के लिए लर्निंग एनालिटिक्स से जुड़ता है, और सूक्ष्म-स्तरीय कौशल मूल्यांकन के लिए संज्ञानात्मक निदान से। ज्ञान अनुरेखण निर्माण सिम्युलेटेड स्टूडेंट को भी सूचित करते हैं — एक सिम्युलेटेड शिक्षार्थी की संज्ञानात्मक अवस्था को प्रायः उसी दक्षता/क्षय गतिकी से औपचारिक रूप दिया जाता है जिसे ज्ञान अनुरेखण मॉडल करता है, इसलिए सिमुलेशन उन ज्ञान अवस्थाओं को जनरेट करने का एक तरीका है जिन्हें अनुरेखण विधियाँ सामान्यतः वास्तविक प्रतिक्रिया डेटा से अनुमानित करती हैं।

एक दायरे की चेतावनी: अनुरेखण डोमेन दक्षता का अनुमान लगाता है, उच्च-क्रम संज्ञान का नहीं। 127 इंटेलिजेंट ट्यूटरिंग अध्ययनों के 15 वर्षीय समीक्षा में पाया गया कि बेज़ियन और डीप-लर्निंग अनुरेखण इस अवधि में सुधरे हैं, फिर भी उच्च-क्रम संज्ञानात्मक प्रक्रियाओं, मेटाकॉग्निशन या प्रेरणा को मॉडल करने में असमर्थ हैं — वे अवस्थाएँ जिन्हें एक अनुकूली प्रणाली को सबसे अधिक लक्षित करना चाहिए (Zerkouk et al. (2025)).

एक चेतावनी: दक्षता सही उत्तर नहीं है। An, McLaren, and Stamper (2026) दिखाते हैं कि BKT की दो-अवस्था (सीखा/नहीं सीखा) धारणा का उल्लंघन भ्रामक अति-सामान्यीकरण (deceptive overgeneralization) से हो सकता है — शिक्षार्थी दक्षताप्राप्त दिख सकते हैं फिर भी जब कोई छिपा हुआ अनुप्रयोग-बाधा का उल्लंघन होता है तो किसी कौशल को व्यवस्थित रूप से गलत तरीके से लागू कर सकते हैं। यह तब तर्क देता है कि शर्त-आधारित समझ (यह जानना कि किसी क्रिया को कब रोकना है) को ट्रेस करें, केवल क्रिया की सहीता नहीं, जब दक्षता अनुमान अनुकूली रोकने के नियमों को चलाते हों।

एक संबंधित चेतावनी यह है कि अनुरेखण मॉडलों की कैसे वैधता जाँची जाती है बनाम तैनात किया जाता है। Schuetze, Yan, and Carvalho (2025) ने एक बहु-सत्र उत्तराधिकार-पुनर्अधिगम डेटासेट पर BKT, BKT-with-Forgetting और Additive Factors Model फिट किए और पाया कि सभी सत्रों पर पश्चादमी (retroactive) रूप से फिट करने पर वे सीखने की प्रवृत्तियों को पुनरुत्पादित करते हैं (स्वीकार्य AUC ≈ 0.74–0.79); लेकिन समय-आधारित क्रॉस-वैलिडेशन के अंतर्गत — एक सत्र पर प्रशिक्षित होकर अगले की भविष्यवाणी करना, जो व्यावहारिक लागू सेटिंग है — तीनों ने भविष्य के प्रदर्शन को लगभग 47–58% अधिक आँका, स्पेसिंग प्रभाव को पकड़ने में विफल रहे, और अभ्यास शर्तों में क्रम-वार व्यवस्था भी गलत भविष्यवाणी कर सकते हैं। बात-कहानी यह है कि जिन मॉडलों में स्पष्ट विस्मृति तंत्र नहीं था, वे सत्रों के जमा होने पर विस्मृति-संवर्धित संस्करणों के लगभग उतने ही अच्छा प्रदर्शन करते रहे, यह संकेत देते हुए कि विस्मृति आंशिक रूप से अन्य पैरामीटरों (जैसे AFM में प्रति-छात्र इंटरसेप्ट) में अवशोषित हो गई थी, न कि वास्तव में मॉडल की गई। लेखक इसे सीखने-बनाम-प्रदर्शन के अंतर से जोड़ते हैं: लोकप्रिय मॉडल क्षणिक उच्च प्रदर्शन को दीर्घकालिक अवधारिता की उच्च संभावना के साथ मिला देते हैं। व्यावहारिक निहितार्थ यह है कि एक ट्रेसर जो पश्चादमी फिट पर अच्छा दिखता है, वह अपने दक्षता अनुमानों का उपभोग करने वाली अनुकूली प्रणालियों को भ्रमित कर सकता है, जो वॉक-फ़ॉरवर्ड मूल्यांकन और उन मॉडलों के पक्ष में तर्क देता है जो अवधारण अंतराल, स्पेसिंग और सत्रों के बीच की विस्मृति को ध्यान में रखें।

एक और चेतावनी उस प्रमाण-नियम से संबंधित है जो अपडेट को आधार देता है। Srivastava (2026) ने समान ASSISTments 2012–13 इवेंट-क्रमों पर चार अपडेट नियम चलाए, जो केवल इस बात में भिन्न थे कि सहायता से पूर्ण किए गए पंक्तियों को कैसे स्कोर किया जाए, 12,716 छात्रों और 985,813 स्कोर किए गए इवेंट की एक पुष्टिकारक (confirmatory) आधी छात्र-आबादी पर। संकेत-युक्त या पुनः-प्रयास किए गए पंक्ति को विफल प्रथम प्रयास के रूप में पढ़ना बाद के बिना-सहायता प्रदर्शन की सबसे अच्छी भविष्यवाणी करता था (पूल किया गया AUC 0.658); किसी भी पूर्णता को श्रेय देना उसकी सबसे खराब भविष्यवाणी करता था (0.604), जो केवल कौशल कठिनाई जानने वाले स्थिर नियम (0.595) से मुश्किल से ऊपर था। यही विकल्प दक्षता गणना को भी नियंत्रित करता है: पूर्णता को श्रेय देने वाले नियम ने 113,428 छात्र–कौशल युग्मों में से 93.9% को दक्षताप्राप्त घोषित किया, बनाम कड़े नियम के तहत 72.8%, और जिन युग्मों को उदार नियम ने कड़े नियम से आगे घोषित किया, वे बाद में 70.9% बिना-सहायता शुद्धता पर पहुँचे, बनाम 85.7% जहाँ दोनों सहमत थे, जो 0.744 आधार दर से नीचे है। ट्रेस की गई अवस्था इसलिए आंशिक रूप से स्कोरिंग सम्मेलन का फलन है, न कि केवल शिक्षार्थी का, इसलिए किसी अनुकूली गेट द्वारा उपभोग किया गया दक्षता अनुमान उस नियम के साथ आना चाहिए जिसने उसे उत्पन्न किया।

एक क्षमता चेतावनी: सामान्य भाषा मॉडल ज्ञान को एक तुच्छ बेसलाइन से मुश्किल से ऊपर ट्रैस करते हैं। Worden et al. (2026) ने FoundationalASSIST जारी किया, जो पूर्ण प्रश्न पाठ, छात्रों के वास्तविक दिए गए उत्तर और उनके विकर्षक विकल्पों को बहाल करता है जिन्हें पहले के अनुरेखण डेटासेट ने फेंक दिए थे, और चार अग्रणी LLM को शून्य-शॉट ट्रेसर के रूप में परखा। सबसे अच्छा, GPT-OSS-120B, ने 56.2 प्रतिशत पहुँचा, बनाम 51.3 प्रतिशत जो एक हमेशा-सही-भविष्यवाणी वाला नियम पहले ही स्कोर करता है (AUC-ROC 0.559), लंबे इतिहास से कोई सुधार नहीं, और Llama-3.3-70B 85.4 प्रतिशत समय सही साबित हुआ जब छात्र ने सही उत्तर दिया लेकिन केवल 12.6 प्रतिशत जब उसने चूका — यह प्रमाण कि एक तैयार-मौजूद मॉडल समझ के बजाय आशावाद को ट्रैस करता है, इसलिए किसी ट्रेसर की स्पष्ट कुशलता को उस तुच्छ बेसलाइन के सापेक्ष पढ़ना चाहिए जो उसके कार्य की अनुमति देता है।

• एकल-पास LLM किसी भी शिक्षार्थी को लॉग होने से पहले ज्ञान ट्रैस कर सकता है। बिना किसी लक्ष्य-प्लेटफ़ॉर्म डेटा के एक टाइप किए गए प्रश्न के रूप में पूछा गया Jev ने .706 का माध्य AUC पहुँचा, 8 शिक्षार्थियों पर प्रशिक्षित 28 गहरे अनुरेखण मॉडलों के सर्वश्रेष्ठ (.689) से ऊपर और तब तक आगे जब तक पर्यवेक्षित अनुरेखण 64-128 शिक्षार्थियों पर न पकड़ में आ जाए (Lee & Park, 2026)।

संबंधित अवधारणाएँ

• शिक्षार्थी — शिक्षार्थी: शिक्षार्थी-पक्ष की अवधारणाओं के लिए छत्र अवधारणा
• शिक्षार्थी मॉडलिंग और अनुकूली शिक्षण
• ज्ञान ग्राफ़
• अनुकूली अधिगम
• व्यक्तिगत शिक्षा
• इंटेलिजेंट ट्यूटरिंग
• लर्निंग एनालिटिक्स
• निर्माणकारक मूल्यांकन
• शिक्षा में AI
• AI शिक्षा मूल्यांकन
• बहुमाध्यमी AI
• शिक्षण
• संज्ञानात्मक ऑफलोडिंग
• बड़े भाषा मॉडल (LLMs)
• छात्रों का अनुकरण
• अनुशंसा प्रणालियाँ और सीखने के पथ
• छात्र सहायता और सफलता — सूक्ष्म-स्तरीय दक्षता अनुमान सहायता निर्णयों को आधार देता है

संबंधित लेख

• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — भ्रामक अति-सामान्यीकरण: अनुकूली दक्षता अभ्यास को रोक सकती है इससे पहले कि शिक्षार्थी जानें कि किसी क्रिया को कब रोकना है (An, McLaren & Stamper 2026)
• Interpretable Knowledge Tracing
• Augmenting Knowledge Tracing Through Modeling Dynamic Higher-Order Concept Interactions: A Temporal Hypergraph Memory Network
• Estimating Learners' Skill Acquisition Without Temporal Information
• HiLLM-CD: LLM-Enhanced Hierarchical Cognitive Diagnosis
• Comprehensive Review of Intelligent Tutoring Systems
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — गतिशील डोमेन के लिए ग्राफ-आधारित इंटेलिजेंट ट्यूटरिंग (2026)
• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — एफिनिटी मैपिंग के साथ परिणाम-आधारित ज्ञान अनुरेखण
• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — KC-कैलिब्रेटेड अवस्थाओं के साथ अर्थपूर्ण रूप से आधारित अनुरेखण, अनुशंसा के लिए RL परिवेश के रूप में उपयोगित
• CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop — CoLearn: एक एजेंटिक ट्यूटर जो मानव-AI सह-सीखने के लूप में अपने शिक्षार्थी को सीखता है
• Crediting assisted work inflates mastery: a preregistered comparison of evidence rules in intelligent tutoring logs — कौन-सा प्रमाण नियम दक्षता दावे का निर्णय करता है (Srivastava 2026)
• Can a System-One LLM Perform Knowledge Tracing When Few or No Learners Are Logged? — एकल-पास LLM 8 शिक्षार्थियों पर प्रशिक्षित गहरे मॉडलों से ऊपर ज्ञान ट्रैस करता है, एक अंश लागत पर (Lee & Park 2026)
• Compressing student history in mathematics knowledge tracing — गणित ज्ञान अनुरेखण में छात्र इतिहास को संपीड़ित करना