AIEdナレッジベースAIEd KB
このページの内容

このページを英語で読む

概念

知識追跡

作成日 2026-10-10 · 更新日 2026-10-10

英語ページの自動翻訳です。母語話者による確認はまだ行われていません。

知識追跡——練習における学習者の成績を追跡し、将来の習熟を予測することにより、学習者が時間の経過とともに何を知っているかをモデル化することです。これは、このナレクッジベースで最も豊かなモデル化の糸であり、学習者の知識が進化するにつれてそれを追跡する、ベイジアン的、深層学習、そしてLLM で強化されたアプローチにわたっています。

検討すべき問い

  • 知識追跡は、あなたが時間の経過とともに何を知っているかを、練習におけるあなたの成績からモデル化し、知識がいつ獲得され、いつ減衰するかを追跡します。あなたの答えは、あなたが本当に何かを「知っている」ことと、今回はたまたま正答したこととをどう区別しうるでしょうか。
  • このページは「習熟は正しさではない」と警告しています——学習者は習熟したように見えながら、隠された条件が破られたときに技能を体系的に誤って適用しうるのです。誰か（あるいはあなた自身）が何かを理解しているように見えたのに、実際には理解していなかった場面を、いつ見たことがありますか。
  • 知識追跡が、次に何を教えるかを決める適応的なシステムに供給するなら、モデルが正しい答えを真の習熟と見誤り、学生を早く先に進めてしまったとき、何がうまくいかなくなるでしょうか。
  • 知識追跡には多くの形があります——ベイジアン的、ニューラル、ハイパーグラフ、対話に基づく、LLM で強化されたもの。説明できる透明なモデルと、強力だが不透明なモデルとの間に、どのようなトレードオフを予想するでしょうか。
  • このページは、知識追跡をシミュレートされた学生——知識追跡が通常は実際のデータから推定する知識状態を生成すること——に結びつけています。学習者をシミュレートすることが、どのようにして個別指導者が本物の学生と出会う前にそれを試す助けになりうるでしょうか。
  • 知識は時間とともに減衰するので、学生が忘れてしまった後、適応的なシステムは過去の「習熟」をどうすべきでしょうか。知識が持続することを前提にするのではなく、忘却のために設計するなら、どうするでしょうか。

はじめに

知識追跡は、生の練習への反応を、学生が何を習得し、何をまだ学ぶ必要があるかについての推定へと変換します。単純な正しさの追跡とは異なり、知識追跡は学習の時間的な力学——知識がいつ獲得され、いつ減衰し、概念が互いにどう関係するか——をモデル化します。

ナレッジベースに現れるアプローチ

  • ベイジアン的なアプローチ： StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracingは BKT の実装を標準化し、一方MBP-KT: Learning Global Collaborative Information from Meta-Behavioral Pattern for Enhanced Knowledge Tracingはメタ行動的な信号を取り入れます
  • LLM の観測関数によるソフトエビデンスの BKT： CoLearn (He et al., 2026)は、BKT の構造を保ちながら、標準的な BKT の入力である二値の正誤の観測を連続的なものに置き換えます。すなわち、大規模言語モデル（LLM）の採点者が段階づけられた習熟のエビデンスと信頼の重みを出し、それを信頼を縮約した事後分布に混合し、明らかに誤った答えが推定を上げられないようにゲートを設けます。これにより、その更新は標準的な BKT の厳密な還元ではなく、それを一般化する変種となります。その観測関数が信頼できるかどうかは学習者に依存します。平均的なエビデンスは能力の層を鮮やかに分離しました（弱い 0.25／中程度 0.67／強い 0.77）が、層内の真の習熟との相関は r ≈ 0.15 / 0.48 / 0.41 にすぎず、追跡された状態は較正された測定ではなく、エージェントの学習者についての信念のままです。
  • ニューラルなモデルとハイブリッドなモデル： Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modellingは、記号的な推論とニューラルネットワークとを結合します。Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoningは、解釈可能な確率的なモデルを進展させます
  • ハイパーグラフ記憶ネットワーク： THyMeNは、記憶に基づく追跡（DKVMN）を時間的なハイパーグラフ推論で強化し、複数の技能を伴う問題の中で共起する概念間の動的な高次の相互作用をモデル化します
  • 対話に基づく KT： Interpretable Knowledge Tracingは、知識追跡を対話的な個別指導に適応させます
  • LLM で強化されたもの： HiLLM-CDは、LLM を自動的な概念の木の構成と階層的な習熟度の推定に用います
  • 意味的で推薦志向の KT： ExRec (Ozyurt, Almaci, Feuerriegel and Sachan, 2025)は、アーキテクチャではなく入力に根拠を置きます。LLM が各問題に、数学のコモン・コア州基準に沿った解法のステップと知識概念とで注釈を付け、対照的な学習が問題、解法のステップ、概念の埋め込みを整合させます（「棒グラフを読み解くこと」と「棒グラフから情報を読み取ること」のような概念の変種を事前にクラスタリングすることで偽の負例を取り除きます）。KC 較正の損失により、追跡器は、その概念のすべての問題にわたってモデルを走らせて推定するのではなく、概念レベルの知識状態を直接予測できます。較正された追跡器は、練習の推薦のための強化学習の環境として働き、モデルに基づく価値の推定が批評家を追跡器自身から初期化します。2,048 人のテスト学生にわたって平均化された XES3G5M 上の四つの課題では、RL でないベースラインはわずかまたは負の知識の伸びしか与えず、価値に基づく連続的な手法が方策に基づく手法を上回り、モデルに基づく価値の推定はそれらを一貫して改善しました——最も弱い概念の課題で最も鋭く、そこでは目標が各ステップで変わります。報告された伸びは学習の成果ではなく、最大知識の改善率であり、そのパイプラインは追跡器が質を引き継ぐ生成された解法のステップに依存しています。
  • 成果に基づく知識追跡（OKT）： Pradeesh et al. (2026)は、コースの成果を知識概念そのものとして扱うことにより、成果に基づく教育（OBE）の体系の中で学生の知識を追跡し、注意やグラフから導かれた概念の関係に代えて、コースとプログラムの成果の間の専門家が検証した OBE の「親和性の対応づけ」を用います。記憶拡張ニューラルネットワーク（MANN）は、各成果の達成が他の成果にどう影響するかをモデル化し、領域適応的な BERT の微調整が成果の埋め込みを豊かにします（GRU の骨格が LSTM を上回ります）。生の工学プログラムの LMS データ（学生 2,416 人、成果 966 件）において、OKT は AUC 89.81% に達し——DKT、DKVMN、EKT、SimpleKT を上回りました——ASSISTments では競争的な結果しか与えず、その優位性が OBE 特有のカリキュラム構造に結びついていることを確認しました。
  • 単一の再近接性のスカラーが、系列モデルが買うもののほとんどを捉える。 8,996人のフィンランド人の学生からの1,927,265件の数学の回答において、項目の同一性だけでもAUC .8362に達し、項目の難易度に対する1つの再近接性の測度を加えると.8669に上がり、クエリ条件づきのTransformerの.8690の利得の93.5%を回復し、一方で履歴の128次元の要約は.8687にしか達しませんでした（Lahtinen & McMullen (2026)）。
  • 時点の記録のみによる追跡。 Nagai et al. (2026)は、学習者の技能集合の間の包含関係から疑似時間的な順序を誘導し、広がる技能集合を学習の進展として扱うことで、単一時点の記録が追跡可能なままであることを示します——ただし、その定式化は技能が決して失われないことを前提とするため、後戻りする学習者のための展開には、まず明示的な忘却の機構が必要です。

他の概念との関係

知識追跡は学習者モデル化と密接に関連しています——知識追跡が特に認知的知識を時間の経過とともにモデル化するのに対し、学習者モデル化は学習者のすべての側面（情動的な状態、関与、選好）を表現するより広い実践です。知識追跡は、次に何を教える必要があるかを知る必要のある適応学習とパーソナライズ学習のシステムに供給され、習熟度の推定を用いて適切な問題を選ぶ知的個別指導のプラットフォームに供給されます。それはダッシュボードと介入の設計のための学習分析に、そして精細な技能の評価のための認知的診断に結びついています。知識追跡の構成要素はシミュレートされた学生にも示唆を与えます——シミュレートされた学習者の認知的状態は、知識追跡がモデル化するのと同じ習熟／減衰の力学でしばしば定式化されるため、シミュレーションは、追跡の手法が通常は実際の反応データから推定する知識状態を生成する一つの方法なのです。

範囲に関する注意：追跡が推定するのは領域の習熟であり、高次の認知ではありません。 127 件の知的個別指導研究の 15 年にわたるレビューは、ベイジアン的な追跡と深層学習による追跡がこの期間にわたって改善した一方で、なお高次の認知的過程、メタ認知、動機づけ——適応的なシステムが最も標的に必要とする状態——をモデル化できないことを見出しています（Zerkouk et al. (2025)）。

注意：習熟は正しさではありません。 An, McLaren, and Stamper (2026)は、BKT の二状態（学習済み／未学習）の仮定が、欺的な過度の一般化によって破られうることを示しました——学習者は、隠された適用の制約が破られたときに、技能を体系的に誤って適用しながら習熟したように見えうるのです。これは、習熟度の推定が適応的な打ち切り規則を動かすとき、行為の正しさだけでなく、条件づけられた理解（ある行為を控えるべき時を知ること）を追跡するよう主張します。

関連する注意は、追跡のモデルがどう検証されるかに対して展開されるかという点に関するものです。 Schuetze, Yan, and Carvalho (2025)は、BKT、忘却を伴う BKT、加法因子モデルを複数セッションにわたる逐次再学習のデータセットに当てはめ、それらがすべてのセッションに事後的に当てはめられたときには学習の傾向を再現すること（許容できる AUC ≈ 0.74–0.79）を見出しました。しかし、時間に基づく交差検証——一つのセッションで訓練して次を予測する、現実的な応用の設定——において、三つのモデルはすべて将来の成績をおよそ 47–58% 過大評価し、間隔効果を捉えられず、練習の条件にわたっては誤った順序の並びさえ予測しうることが分かりました。示唆に富むことに、セッションが積み重なるにつれて、明示的な忘却の機構を持たないモデルは、忘却を強化した版とおおよそ同等に機能し、忘却は他のパラメータ（例えば AFM における学生ごとの切片）に部分的に吸収されていたことを示唆しています。著者らはこれを学習と成績の区別に結びつけます。一般的なモデルは、その場における高い成績と長期的な保持の高い見込みとを混同しています。実際上の含意は、事後的な当てはめにおいて良く見える追跡器が、その習熟度の推定を消費する適応的なシステムを誤らせうるため、前向きの評価と、保持の間隔、間隔、セッション間の忘却を考慮するモデルを主張するということです。

さらなる注意は、更新に供給するエビデンスの規則に関するものです。 Srivastava (2026)は、同一の ASSISTments 2012–13 年のイベント列にわたって、援助を受けて完了された行をどう採点するかだけが異なる四つの更新規則を、12,716 人の学生と 985,813 件の採点されたイベントからなる確証的な半分に用いて走らせました。ヒントを与えられた、あるいは再試行された行を最初の失敗した試行として読む規則が、その後の援助なしの成績を最もよく予測し（プールされた AUC 0.658）、いかなる完了をも功績として認める規則はそれを最も悪く予測しました（0.604）。技能の難易度のみを知る定数（0.595）をわずかに上回るにすぎません。同じ選択が習熟の数をも支配します。完了を功績として認める規則は、113,428 の学生—技能の対のうち 93.9% が習熟したと宣言したのに対し、厳格な規則では 72.8% であり、寛大な規則が厳格な規則より先に習熟したと宣言した対は、その後、両者が一致した対の 85.7% に対し、援助なしの正答率 70.9% に行き着き、0.744 の基準率を下回りました。したがって追跡された状態は、学習者だけではなく採点の慣習の関数でもあるため、適応的な関門に消費される習熟度の推定は、それを生み出した規則を伴って伝わるべきです。

能力に関する注意：一般的な言語モデルは、瑣末なベースラインをわずかに上回るにすぎません。 Worden et al. (2026)は、初期の追跡データセットが見捨てていた、問題の全文、学生が実際に与えた答え、そしてその誘導肢の選択を復元した FoundationalASSIST を公開し、四つのフロンティアLLMをゼロショットの追跡器として検証しました。最良の GPT-OSS-120B は、常に正答を予測する規則がすでに記録する 51.3% に対し 56.2% に達し（AUC-ROC 0.559）、より長い履歴からの改善は見られず、Llama-3.3-70B は、学生が正しく答えたときに 85.4% 正しいものの、誤ったときには 12.6% しか正しくありませんでした——これは、既製のモデルが理解ではなく楽観主義を追跡することのエビデンスであり、したがって追跡器の見かけの腕前は、その課題が許す瑣末なベースラインに対して読まれなければなりません。

  • 単一パスの LLM は、学習者が記録される前に知識を追跡できる。 対象プラットフォームのデータなしで、型づけされた一つの問いとして尋ねられたとき、Jev は平均 AUC .706 に達し、8 人の学習者で訓練された 28 個の深い追跡モデルの最良（.689）を上回り、教師ありの追跡が 64–128 人の学習者で追いつくまで先行しました（Lee & Park, 2026）。

関連概念

関連記事

関連するFAQ

メタデータ

対象読者Learners
技術と手法適応学習, 知的個別指導, 知識追跡, ラーニングアナリティクス, 大規模言語モデル（LLM）, パーソナライズド・ラーニング（個別最適化学習）, 学習者モデル化と適応的教授
SourceHistoryEditChat

このページを埋め込む

下のコードをコピーして、学習管理システムや他のウェブサイトにこのページを埋め込みましょう。埋め込み版ではページの内容のみが表示され、サイトのヘッダー・ナビゲーション・フッターは非表示になります。