Pelacakan Pengetahuan

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Pelacakan pengetahuan — memodelkan apa yang diketahui siswa sepanjang waktu dengan melacak kinerja mereka pada latihan dan memprediksi penguasaan di masa depan. Ini adalah alur pemodelan terkaya dalam basis pengetahuan, mencakup pendekatan Bayes, pembelajaran mendalam, dan yang diperkaya LLM untuk melacak pengetahuan siswa sebagaimana ia berkembang.

Pertanyaan yang Perlu Dipertimbangkan

• Pelacakan pengetahuan memodelkan apa yang Anda ketahui sepanjang waktu dari kinerja Anda pada latihan, melacak kapan pengetahuan diperoleh dan kapan ia meluruh. Apa yang dapat diungkapkan jawaban Anda tentang apakah Anda benar-benar 'mengetahui' sesuatu versus sekadar kebetulan benar kali ini?
• Halaman ini memperingatkan bahwa 'penguasaan bukanlah kebenaran' — seorang siswa dapat tampak menguasai tetapi secara sistematis salah menerapkan suatu keterampilan ketika suatu kondisi tersembunyi dilanggar. Kapan Anda melihat seseorang (atau diri Anda sendiri) tampak memahami sesuatu tetapi sebenarnya tidak?
• Jika pelacakan pengetahuan memasok sistem adaptif yang menentukan apa yang diajarkan berikutnya, apa yang salah ketika model keliru menganggap jawaban benar sebagai penguasaan sejati dan memajukan siswa terlalu cepat?
• Pelacakan pengetahuan hadir dalam banyak bentuk — Bayes, neural, hypergraph, berbasis dialog, diperkaya LLM. Trade-off apa yang Anda perkirakan antara model transparan yang dapat Anda jelaskan dan model ampuh tetapi buram?
• Halaman ini menghubungkan pelacakan pengetahuan dengan siswa simulasi — menghasilkan keadaan pengetahuan yang biasanya disimpulkan pelacakan dari data nyata. Bagaimana mensimulasikan siswa dapat membantu menguji tutor sebelum ia bertemu siswa nyata?
• Karena pengetahuan meluruh seiring waktu, apa yang harus dilakukan sistem adaptif dengan 'penguasaan' masa lalu seorang siswa setelah mereka lupa? Bagaimana Anda akan merancang untuk kelupaan alih-alih mengasumsikan pengetahuan bertahan?

Pendahuluan

Pelacakan pengetahuan mengubah respons latihan mentah menjadi estimasi tentang apa yang telah dikuasai siswa dan apa yang masih perlu mereka pelajari. Berbeda dari pelacakan kebenaran sederhana, pelacakan pengetahuan memodelkan dinamika temporal pembelajaran — kapan pengetahuan diperoleh, kapan ia meluruh, dan bagaimana konsep-konsep saling berhubungan.

Pendekatan yang terwakili dalam basis pengetahuan

• Pendekatan Bayes: StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing menstandarkan implementasi BKT, sementara MBP-KT: Learning Global Collaborative Information from Meta-Behavioral Pattern for Enhanced Knowledge Tracing memasukkan sinyal meta-perilaku

• BKT berbukti lunak dengan fungsi observasi LLM: CoLearn (He et al., 2026) mempertahankan struktur BKT tetapi menggantikan observasi biner benar/salah — masukan standar BKT — dengan observasi kontinu: penilai Model Bahasa Besar (LLM) mengeluarkan bukti penguasaan bertingkat plus bobot keyakinan, yang dicampur ke dalam posterior yang menyusut karena keyakinan dan dibatasi gerbang sehingga jawaban yang jelas salah tidak dapat menaikkan estimasi, yang menjadikan pembaruannya varian yang menggeneralisasi BKT standar alih-alih reduksi ketat darinya. Apakah fungsi observasi itu dapat dipercaya bergantung pada siswa: bukti rata-rata memisahkan lapisan kemampuan dengan rapi (0.25 lemah / 0.67 campuran / 0.77 kuat) sementara korelasi dalam lapisan dengan penguasaan sebenarnya hanya r ≈ 0.15 / 0.48 / 0.41, sehingga keadaan yang dilacak tetap merupakan keyakinan agen tentang siswa alih-alih pengukuran yang terkalibrasi.

• Model neural dan hibrida: Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling menggabungkan penalaran simbolik dengan jaringan neural; Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning memajukan model probabilistik yang dapat ditafsirkan

• Jaringan memori hipergraf: THyMeN memperkaya pelacakan berbasis memori (DKVMN) dengan penalaran hipergraf temporal, memodelkan interaksi tingkat tinggi dinamis antarkonsep yang muncul bersama dalam soal multi-keterampilan

• KT berbasis dialog: Interpretable Knowledge Tracing menyesuaikan pelacakan pengetahuan untuk tutor percakapan

• Diperkaya LLM: HiLLM-CD menggunakan LLM untuk konstruksi pohon konsep otomatis dan inferensi kecakapan hierarkis

• KT semantik yang berorientasi rekomendasi: ExRec (Ozyurt, Almaci, Feuerriegel dan Sachan, 2025) mendasarkan masukannya alih-alih arsitekturnya: sebuah LLM menganotasi setiap soal dengan langkah penyelesaian dan konsep pengetahuan yang selaras dengan Common Core State Standards for Mathematics, pembelajaran kontrastif menyelaraskan embedding soal, langkah penyelesaian, dan konsep (dengan negatif palsu dihapus melalui pra-pengelompokan varian konsep seperti "menafsirkan diagram batang" dan "membaca informasi dari grafik batang"), dan loss kalibrasi KC memungkinkan pelacak memprediksi keadaan pengetahuan tingkat konsep secara langsung alih-alih menyimpulkannya dengan menjalankan model pada setiap soal dalam konsep tersebut. Pelacak terkalibrasi itu kemudian berfungsi sebagai lingkungan pembelajaran penguatan untuk rekomendasi latihan, tempat estimasi nilai berbasis model menginisialisasi kritik dari pelacak itu sendiri. Di empat tugas pada XES3G5M yang dirata-ratakan atas 2,048 siswa uji, baseline non-RL memberi keuntungan pengetahuan marginal atau negatif, metode kontinu berbasis nilai mengalahkan metode berbasis kebijakan, dan estimasi nilai berbasis model memperbaikinya secara konsisten — paling tajam pada tugas konsep terlemah, tempat target berubah di setiap langkah. Keuntungan yang dilaporkan adalah persentase perbaikan pengetahuan maksimum, bukan hasil belajar, dan pipeline bergantung pada langkah penyelesaian yang dihasilkan yang kualitasnya diwarisi pelacak.

• Pelacakan pengetahuan berbasis hasil (OKT): Pradeesh et al. (2026) melacak pengetahuan siswa dalam sistem Pendidikan Berbasis Hasil dengan memperlakukan capaian pembelajaran mata kuliah sebagai konsep pengetahuan itu sendiri, dan menggantikan "pemetaan afinitas" OBE yang divalidasi pakar antara capaian mata kuliah dan capaian program untuk relasi konsep yang diturunkan dari atensi atau graf. Memory Augmented Neural Network (MANN) memodelkan bagaimana pencapaian setiap capaian memengaruhi yang lain, dan penyetelan halus BERT yang adaptif memperkaya embedding capaian (dengan tulang punggung GRU mengalahkan LSTM). Pada data LMS program teknik yang hidup (2,416 siswa, 966 capaian) OKT mencapai 89.81% AUC — mengungguli DKT, DKVMN, EKT, dan SimpleKT — tetapi hanya memberi hasil yang kompetitif pada ASSISTments, menegaskan bahwa keunggulannya terikat pada struktur kurikulum khas OBE.

• Satu skalar kebaruan menangkap sebagian besar manfaat model sekuens. Pada 1,927,265 respons matematika dari 8,996 siswa Finlandia, identitas butir saja mencapai AUC .8362; menambahkan satu ukuran kebaruan relatif terhadap tingkat kesulitan butir menaikkannya menjadi .8669, memulihkan 93.5% dari keuntungan .8690 sebuah transformer berkondisi kueri, sementara ringkasan riwayat 128 dimensi hanya mencapai .8687 (Lahtinen & McMullen (2026)).

• Pelacakan hanya-snapshot. Nagai et al. (2026) menginduksi urutan pseudo-temporal dari relasi inklusi antarkumpulan keterampilan siswa, memperlakukan kumpulan keterampilan yang meluas sebagai progresi belajar sehingga snapshot satu titik waktu tetap dapat dilacak — tetapi formulasinya mengasumsikan keterampilan tidak pernah hilang, sehingga penerapan bagi siswa yang mengalami regresi perlu mekanisme kelupaan yang eksplisit terlebih dahulu.

Hubungan dengan konsep lain

Pelacakan pengetahuan erat terkait dengan Pemodelan Pembelajar dan Pengajaran Adaptif — pelacakan pengetahuan secara khusus memodelkan pengetahuan kognitif sepanjang waktu, sedangkan pemodelan siswa adalah praktik yang lebih luas untuk merepresentasikan semua aspek seorang siswa (keadaan afektif, keterlibatan, preferensi). Pelacakan pengetahuan memasok sistem Pembelajaran Adaptif dan Pembelajaran yang Dipersonalisasi yang perlu mengetahui apa yang diajarkan berikutnya, serta platform Tutoring Cerdas yang menggunakan estimasi penguasaan untuk memilih soal yang tepat. Ia terhubung dengan Analitik Pembelajaran untuk desain dasbor dan intervensi, dan dengan Diagnosis Kognitif untuk Penilaian keterampilan yang terperinci. Konstruk pelacakan pengetahuan juga menginformasikan siswa simulasi — keadaan kognitif siswa simulasi sering diformalkan dengan dinamika penguasaan/peluruhan yang sama yang dimodelkan pelacakan pengetahuan, sehingga Simulasi adalah cara untuk menghasilkan keadaan pengetahuan yang biasanya disimpulkan metode pelacakan dari data respons nyata.

Satu catatan cakupan: pelacakan mengestimasi penguasaan domain, bukan kognisi tingkat tinggi. Tinjauan 15 tahun atas 127 studi tutor cerdas menemukan bahwa pelacakan Bayes dan pembelajaran mendalam membaik selama periode itu namun masih belum mampu memodelkan proses kognitif tingkat tinggi, metakognisi, atau motivasi — keadaan yang paling perlu disasar sistem adaptif (Zerkouk et al. (2025)).

Satu catatan: penguasaan bukanlah kebenaran. An, McLaren, dan Stamper (2026) menunjukkan bahwa asumsi dua keadaan BKT (terpelajari/belum terpelajari) dapat dilanggar oleh generalisasi berlebih yang menipu — siswa dapat tampak menguasai tetapi secara sistematis salah menerapkan keterampilan ketika suatu batasan penerapan tersembunyi dilanggar. Ini mendukung pelacakan pemahaman bersyarat (mengetahui kapan menahan suatu tindakan), bukan hanya kebenaran tindakan, ketika estimasi penguasaan menggerakkan aturan berhenti adaptif.

Catatan terkait menyangkut bagaimana model pelacakan divalidasi versus diterapkan. Schuetze, Yan, dan Carvalho (2025) mencocokkan BKT, BKT-dengan-Kelupaan, dan Additive Factors Model pada kumpulan data belajar-ulang berturut-turut multi-sesi dan menemukan bahwa model tersebut mereproduksi tren belajar ketika dicocokkan secara retrospektif pada semua sesi (AUC yang dapat diterima ≈ 0.74–0.79); tetapi di bawah validasi silang berbasis waktu — melatih pada satu sesi untuk memprediksi sesi berikutnya, yaitu setting terapan yang realistis — ketiganya melebih-lebihkan kinerja masa depan sekitar 47–58%, gagal menangkap efek jeda, dan bahkan dapat memprediksi urutan ordinal yang salah antarkondisi latihan. Yang menandakan, model tanpa mekanisme kelupaan eksplisit tampil hampir sebaik versi yang diperkaya kelupaan seiring bertambahnya sesi, menunjukkan bahwa kelupaan sebagian terserap ke parameter lain (misalnya intersep per siswa dalam AFM) alih-alih benar-benar dimodelkan. Para penulis mengaitkannya dengan pembedaan belajar-versus-kinerja: model populer mencampuradukkan kinerja tinggi pada saat itu dengan kemungkinan tinggi retensi jangka panjang. Implikasi praktisnya adalah bahwa pelacak yang tampak baik pada kecocokan retrospektif dapat menyesatkan sistem adaptif yang mengonsumsi estimasi penguasaannya, sehingga diperlukan evaluasi walk-forward dan model yang memperhitungkan interval retensi, jeda, dan kelupaan antarsesi.

Catatan lebih lanjut menyangkut aturan bukti yang memasok pembaruan. Srivastava (2026) menjalankan empat aturan pembaruan atas urutan peristiwa ASSISTments 2012–13 yang identik, berbeda hanya dalam cara menilai baris yang diselesaikan dengan bantuan, pada separuh konfirmatori berisi 12,716 siswa dan 985,813 peristiwa ternilai. Membaca baris yang diberi petunjuk atau dicoba ulang sebagai upaya pertama yang gagal paling baik memprediksi kinerja tanpa bantuan di kemudian hari (AUC terkumpul 0.658); mengkreditkan penyelesaian apa pun paling buruk memprediksinya (0.604), nyaris di atas konstanta yang hanya mengetahui tingkat kesulitan keterampilan (0.595). Pilihan yang sama mengatur hitungan penguasaan: mengkreditkan penyelesaian menyatakan 93.9% dari 113,428 pasangan siswa–keterampilan telah dikuasai berbanding 72.8% di bawah aturan ketat, dan pasangan yang dinyatakan lebih maju oleh aturan longgar kemudian mencapai akurasi tanpa bantuan 70.9% berbanding 85.7% ketika keduanya sepakat, di bawah laju dasar 0.744. Keadaan yang dilacak karena itu sebagian merupakan fungsi dari konvensi penilaian alih-alih dari siswa semata, sehingga estimasi penguasaan yang dikonsumsi oleh gerbang adaptif harus membawa aturan yang menghasilkannya.

Catatan kapabilitas: model bahasa umum melacak pengetahuan nyaris di atas baseline trivial. Worden et al. (2026) merilis FoundationalASSIST, yang memulihkan teks soal lengkap, respons yang benar-benar diberikan siswa, dan pilihan pengecoh yang dibuang kumpulan data pelacakan sebelumnya, lalu menguji empat LLM terdepan sebagai pelacak zero-shot. Yang terbaik, GPT-OSS-120B, mencapai 56.2 persen berbanding 51.3 persen yang sudah dicapai aturan selalu-memprediksi-benar (AUC-ROC 0.559), tanpa perbaikan dari riwayat yang lebih panjang, dan Llama-3.3-70B terbukti benar 85.4 persen saat siswa menjawab benar tetapi hanya 12.6 persen saat mereka keliru — bukti bahwa model siap pakai melacak optimisme alih-alih pemahaman, sehingga keterampilan yang tampak pada pelacak harus dibaca terhadap baseline trivial yang memungkinkan tugasnya.

• LLM sekali-jalan dapat melacak pengetahuan sebelum ada siswa yang tercatat. Ketika ditanyai sebagai satu pertanyaan yang diketik tanpa data platform target, Jev mencapai AUC rata-rata .706, di atas yang terbaik dari 28 model pelacakan mendalam yang dilatih pada 8 siswa (.689) dan unggul sampai pelacakan tersupervisi menyusul pada 64-128 siswa (Lee & Park, 2026).

Miskonsepsi Umum

"Label penguasaan berarti siswa telah menguasainya." Penguasaan bukanlah kebenaran — seorang siswa dapat tampak menguasai dan secara sistematis salah menerapkan keterampilan setiap kali suatu kondisi tersembunyi dilanggar — dan nilai label bergantung pada aturan penghitungan di belakangnya. Mengkreditkan penyelesaian menyatakan 93.9% dari 113,428 pasangan siswa–keterampilan telah dikuasai berbanding 72.8% di bawah aturan ketat, dan pasangan yang dinyatakan lebih maju oleh aturan longgar hanya mencapai 70.9% akurasi tanpa bantuan. Dua aturan yang sama-sama dapat dipertahankan menghasilkan perbedaan 21 poin dalam siapa yang dinyatakan siap.

"Model sekuens adalah yang membuat pelacakan akurat." Sebagian besar keuntungan yang tampak lebih murah dari itu. Pada 1,927,265 respons matematika dari 8,996 siswa Finlandia, identitas butir saja mencapai AUC .8362, dan menambahkan satu ukuran kebaruan relatif terhadap tingkat kesulitan butir menaikkannya menjadi .866. Sebagian besar dari apa yang dibeli model sekuens mendalam tersedia dari baseline kesulitan butir plus kebaruan, sehingga perbandingan arsitektur memerlukan baseline itu agar bermakna.

"Model terbaik pada satu kumpulan data adalah model terbaik untuk kursus Anda." Akurasi bergantung pada setting. OKT mencapai 89.81% AUC pada data LMS program teknik yang hidup (2,416 siswa, 966 capaian), mengalahkan DKT, DKVMN, EKT dan SimpleKT — tetapi hanya memberi hasil kompetitif pada ASSISTments. Arsitektur yang sama yang menang pada satu keluarga kumpulan data tidak istimewa pada keluarga lain, sehingga AUC utama dari tempat lain adalah bukti lemah tentang siswa Anda.

"Pengetahuan bertahan kecuali ada bukti kelupaan." Kelupaan adalah keadaan bawaan yang layak dimodelkan. Schuetze, Yan dan Carvalho (2025) mencocokkan BKT, BKT-dengan-Kelupaan dan Additive Factors Model sepanjang urutan multi-sesi dan menemukan bahwa kecocokan model berubah ketika retensi direpresentasikan, dan bahwa cara model ini divalidasi berbeda dari cara model ini diterapkan.

Implikasi untuk Praktik

Bagi instruktur

• Perlakukan label penguasaan sebagai klaim yang memiliki asal-usul, bukan fakta. Mengkreditkan penyelesaian menyatakan 93.9% dari 113,428 pasangan siswa–keterampilan telah dikuasai, berbanding 72.8% di bawah aturan ketat — dan pasangan yang dinyatakan lebih maju oleh aturan longgar kemudian mencapai 70.9% akurasi tanpa bantuan berbanding kumpulan yang lebih ketat. Aturan yang Anda pilih terlihat pada angka yang Anda lihat.
• Utamakan model yang divalidasi pada setting seperti milik Anda. OKT mencapai 89.81% AUC pada data LMS program teknik yang hidup (2,416 siswa, 966 capaian), mengungguli DKT, DKVMN, EKT dan SimpleKT — tetapi hanya memberi hasil kompetitif pada ASSISTments. Keunggulannya khas setting, sehingga klaim akurasi lintas konteks tidak seharusnya menjadi validasi Anda.
• Ingat bahwa penguasaan bukanlah kebenaran: seorang siswa dapat tampak menguasai sambil secara sistematis salah menerapkan suatu keterampilan setiap kali kondisi tersembunyi dilanggar.

Bagi pengembang

• Jangan membayar kompleksitas model sekuens tanpa baseline. Pada 1,927,265 respons matematika dari 8,996 siswa Finlandia, identitas butir saja mencapai AUC .8362, dan menambahkan satu ukuran kebaruan relatif terhadap tingkat kesulitan butir menaikkannya menjadi .866 — sebagian besar dari apa yang dibeli model sekuens dengan sebagian kecil mesinnya.
• Modelkan kelupaan secara eksplisit alih-alih mengasumsikan pengetahuan bertahan; perbandingan BKT-dengan-kelupaan menunjukkan kecocokan berubah ketika retensi ada dalam model.
• Laporkan aturan penerapan bersama modelnya. Ketidakcocokan validasi-versus-penerapan dalam studi kelupaan adalah kegagalan pelaporan sama besarnya dengan kegagalan pemodelan.

Bagi peneliti

• Laporkan hasil pada lebih dari satu keluarga kumpulan data sebelum mengklaim keunggulan arsitektural, karena kontras OKT berbalik antara data LMS teknik dan ASSISTments.
• Laporkan aturan penghitungan penguasaan sebagai parameter hasil, bukan sebagai catatan kaki metodologis.

Konsep terkait

• Pembelajar — Siswa: payung bagi konsep-konsep sisi siswa
• Pemodelan Pembelajar dan Pengajaran Adaptif
• Graf Pengetahuan
• Pembelajaran Adaptif
• Pembelajaran yang Dipersonalisasi
• Tutoring Cerdas
• Analitik Pembelajaran
• Penilaian Formatif
• AI dalam Pendidikan
• Evaluasi AI dalam Pendidikan
• AI Multimodal
• Pengajaran
• Offloading Kognitif
• Model Bahasa Besar (LLM)
• Mensimulasikan Siswa
• Sistem Rekomendasi dan Jalur Pembelajaran
• Dukungan dan Keberhasilan Siswa — estimasi penguasaan terperinci yang memasok keputusan dukungan

Artikel terkait

• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — Generalisasi berlebih yang menipu: penguasaan adaptif dapat menghentikan latihan sebelum siswa tahu kapan harus menahan suatu tindakan (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 — Tutor Cerdas Berbasis Graf untuk Domain Dinamis (2026)
• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — Pelacakan pengetahuan berbasis hasil dengan pemetaan afinitas
• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — pelacakan berlandas semantik dengan keadaan terkalibrasi KC, digunakan sebagai lingkungan RL untuk rekomendasi
• CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop — CoLearn: Tutor Agentik yang Mempelajari Siswanya dalam Lingkar Ko-Pembelajaran Manusia-AI
• Crediting assisted work inflates mastery: a preregistered comparison of evidence rules in intelligent tutoring logs — Aturan bukti mana yang menentukan klaim penguasaan (Srivastava 2026)
• Can a System-One LLM Perform Knowledge Tracing When Few or No Learners Are Logged? — LLM sekali-jalan melacak pengetahuan di atas model mendalam yang dilatih pada 8 siswa, dengan sebagian kecil biayanya (Lee & Park 2026)
• Compressing student history in mathematics knowledge tracing — Memampatkan riwayat siswa dalam pelacakan pengetahuan matematika