AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Трассирование знаний

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Трассирование знаний — моделирование того, что знают учащиеся во времени, посредством отслеживания их результативности на упражнениях и предсказания будущего освоения. Это самая богатая линия моделирования в базе знаний, охватывающая байесовские, глубокие и усиленные LLM подходы к отслеживанию знаний студента по мере их развития.

Вопросы для размышления

  • Модели трассирования знаний описывают то, что вы знаете во времени, на основе вашей результативности на упражнениях, отслеживая, когда знания приобретаются и когда они угасают. Что могут рассказать ваши ответы о том, действительно ли вы «знаете» что-то, или просто ответили правильно на этот раз?
  • Страница предупреждает, что «освоение — не правильность»: учащийся может выглядеть освоившим материал, но при нарушении скрытого условия систематически неверно применять навык. Когда вы видели, как кто-то (или вы сами) выглядел понявшим что-то, а на самом деле не понимал?
  • Если трассирование знаний питает адаптивные системы, которые решают, чему учить дальше, что идёт не так, когда модель принимает правильные ответы за истинное освоение и переводит студента дальше слишком рано?
  • Трассирование знаний существует во многих формах — байесовской, нейронной, гиперграфовой, основанной на диалоге, усиленной LLM. Каких компромиссов вы ожидали бы между прозрачной моделью, которую можно объяснить, и мощной, но непрозрачной?
  • Страница связывает трассирование знаний с симулированными студентами — генерацией состояний знаний, которые трассирование обычно выводит из реальных данных. Как моделирование учащихся может помочь протестировать репетитора до того, как он встретит реальных студентов?
  • Поскольку знания угасают со временем, что должна делать адаптивная система с прошлым «освоением» студента после того, как он забыл материал? Как бы вы проектировали с учётом забывания, вместо того чтобы предполагать, что знания сохраняются?

Введение

Трассирование знаний превращает сырые ответы на упражнения в оценки того, что студент освоил и что ему ещё нужно изучить. В отличие от простого отслеживания правильности, трассирование знаний моделирует временну́ю динамику обучения — когда знания приобретаются, когда они угасают и как понятия связаны между собой.

Подходы, представленные в базе знаний

  • Байесовские подходы: StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing стандартизирует реализации BKT, тогда как MBP-KT: Learning Global Collaborative Information from Meta-Behavioral Pattern for Enhanced Knowledge Tracing включает метаповеденческие сигналы

  • BKT с мягкими свидетельствами и функцией наблюдения LLM: CoLearn (He et al., 2026) сохраняет структуру BKT, но заменяет бинарное наблюдение «правильно/неправильно» — вход стандартного BKT — на непрерывное: оценщик Большие языковые модели (LLM) выдаёт градуированные свидетельства освоения плюс вес уверенности, смешиваемые в постериор с сжатой уверенностью и пропускаемые через фильтр так, что явно неверный ответ не может повысить оценку, что делает обновление вариантом, обобщающим стандартный BKT, а не строгим его сведением. Можно ли доверять этой функции наблюдения, зависит от учащегося: средние свидетельства чисто разделили уровни способности (0,25 слабый / 0,67 смешанный / 0,77 сильный), тогда как внутриуровневая корреляция с истинным освоением была лишь r ≈ 0,15 / 0,48 / 0,41, из-за чего трассированное состояние остаётся верой агента о учащемся, а не калиброванным измерением.

  • Нейронные и гибридные модели: Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling сочетает символические рассуждения с нейронными сетями; Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning продвигает интерпретируемые вероятностные модели

  • Сети памяти на гиперграфах: THyMeN дополняет трассирование на основе памяти (DKVMN) временны́м гиперграфовым рассуждением, моделируя динамические взаимодействия высшего порядка между понятиями, которые совместно встречаются в вопросах с несколькими навыками

  • Трассирование на основе диалога: Interpretable Knowledge Tracing адаптирует трассирование знаний для разговорного репетиторства

  • Усиленное LLM: HiLLM-CD использует LLM для автоматизированного построения деревьев понятий и иерархического вывода владения

  • Семантическое трассирование, ориентированное на рекомендации: ExRec (Ozyurt, Almaci, Feuerriegel и Sachan, 2025) обосновывает вход, а не архитектуру: LLM аннотирует каждый вопрос шагами решения и понятиями знаний, согласованными с Common Core State Standards for Mathematics, контрастивное обучение согласует встраивания вопроса, шага решения и понятия (с ложными отрицаниями, удалёнными путём предварительной кластеризации вариантов понятий, таких как «интерпретация столбчатой диаграммы» и «чтение информации из столбчатой диаграммы»), а функция потерь калибровки KC позволяет трассировщику предсказывать состояние знаний на уровне понятия напрямую, вместо того чтобы выводить его путём прогона модели по каждому вопросу этого понятия. Откалиброванный трассировщик затем служит средой обучения с подкреплением для рекомендации упражнений, где оценка значения на основе моделей инициализирует критика из самого трассировщика. На четырёх задачах в XES3G5M, усреднённых по 2048 тестовым студентам, базовые методы без обучения с подкреплением дали маргинальные или отрицательные приросты знаний, непрерывные методы на основе значения превзошли методы на основе политики, а оценка значения на основе моделей последовательно улучшала их — наиболее резко на задаче слабейшего понятия, где цель меняется на каждом шаге. Сообщаемые приросты — это процентное улучшение знаний от максимума, а не результаты обучения, и конвейер зависит от сгенерированных шагов решения, чьё качество трассировщик наследует.

  • Трассирование знаний на основе результатов (OKT): Pradeesh et al. (2026) трассируют знания студентов в системах образования на основе результатов, рассматривая результаты курса как сами понятия знаний, и заменяют отношения между понятиями, выведенные из внимания или графа, на проверенные экспертами «отображения близости» OBE между результатами курса и программы. Нейронная сеть с дополненной памятью (MANN) моделирует, как достижение каждого результата влияет на другие, а доменно-адаптивное дообучение BERT обогащает встраивания результатов (причём базовая сеть GRU превосходит LSTM). На реальных данных LMS инженерной программы (2416 студентов, 966 результатов) OKT достиг AUC 89,81% — превзойдя DKT, DKVMN, EKT и SimpleKT, — давая при этом лишь сопоставимые результаты на ASSISTments, что подтверждает, что преимущество связано с учебно-программной структурой, специфичной для OBE.

  • Трассирование только по снимкам. Nagai et al. (2026) выводит псевдовременной порядок из отношений включения между наборами навыков учащихся, рассматривая расширяющиеся наборы навыков как прогрессию обучения, чтобы одиночные снимки одного момента времени оставались трассируемыми, — но формулировка предполагает, что навыки никогда не утрачиваются, поэтому для учащихся, регрессирующих в развитии, сначала необходим явный механизм забывания.

  • Один скаляр давности улавливает большую часть того, что даёт последовательная модель. На 1 927 265 математических ответов от 8 996 финских студентов одна лишь идентичность задания достигала AUC 0,8362; добавление одной меры давности относительно сложности задания повышало её до 0,8669, восстанавливая 93,5% прироста трансформера, обусловленного запросом (0,8690), тогда как 128-мерное резюме истории достигало лишь 0,8687 (Lahtinen & McMullen (2026)).

Связь с другими понятиями

Трассирование знаний тесно связано с Моделирование учащегося и адаптивное обучение — в то время как трассирование знаний конкретно моделирует когнитивные знания во времени, моделирование студента является более широкой практикой представления всех аспектов учащегося (аффективное состояние, вовлечённость, предпочтения). Трассирование знаний питает Адаптивное обучение и системы Персонализированное обучение, которым нужно знать, чему учить дальше, и платформы Интеллектуальное тьюторство, которые используют оценки освоения для выбора подходящих задач. Оно связано с Аналитика обучения для проектирования панелей данных и вмешательств, а также с Когнитивная диагностика для тонкой оценки навыков Оценивание. Конструкты трассирования знаний также питают симулированных студентов — когнитивное состояние симулированного учащегося часто формализуется той же динамикой освоения/угасания, которую моделирует трассирование знаний, поэтому Моделирование является способом генерировать состояния знаний, которые методы трассирования обычно выводят из реальных данных ответов.

Оговорка об охвате: трассирование оценивает освоение домена, а не мышление высшего порядка. 15-летний обзор 127 исследований интеллектуальных репетиторов показывает, что байесовское трассирование и трассирование с глубоким обучением улучшились за этот период, но всё ещё неспособны моделировать когнитивные процессы высшего порядка, метакогницию или мотивацию — те состояния, на которые адаптивной системе было бы важнее всего целенаправленно влиять (Zerkouk et al. (2025)).

Оговорка: освоение — не правильность. An, McLaren и Stamper (2026) показывают, что предположение BKT о двух состояниях (выучено/не выучено) может нарушаться из-за обманчивого обобщения — учащиеся могут выглядеть освоившими материал, но систематически неверно применять навык при нарушении скрытого ограничения применения. Это говорит в пользу трассирования условного понимания (знания, когда воздержаться от действия), а не только правильности действия, когда оценки освоения управляют адаптивными правилами остановки.

Смежная оговорка касается того, как модели трассирования валидизируются по сравнению с их развёртыванием. Schuetze, Yan и Carvalho (2025) подгоняют BKT, BKT с забыванием и аддитивную факторную модель к набору данных с последовательным переобучением в нескольких сессиях и обнаруживают, что они воспроизводят тенденции обучения при ретроактивной подгонке по всем сессиям (приемлемый AUC ≈ 0,74–0,79); но при кросс-валидации по времени — обучении на одной сессии для предсказания следующей, что является реалистичным прикладным условием, — все три завышают будущую результативность примерно на 47–58%, не улавливают эффект распределения и могут даже предсказывать неверный порядковый порядок между условиями практики. Показательно, что модели без явного механизма забывания работали примерно так же хорошо, как и версии с дополненным забыванием, по мере накопления сессий, что позволяет предположить, что забывание частично поглощалось другими параметрами (например, индивидуальными интерсептами в AFM), а не моделировалось по-настоящему. Авторы связывают это с различением обучения и результативности: популярные модели смешивают высокую результативность в данный момент с высокой вероятностью долговременного удержания. Практическое следствие состоит в том, что трассировщик, хорошо выглядящий на ретроактивной подгонке, может ввести в заблуждение адаптивные системы, потребляющие его оценки освоения, что говорит в пользу прогнозирующей оценки и моделей, учитывающих интервал удержания, распределение и забывание между сессиями.

Дальнейшая оговорка касается правила доказательств, питающего обновление. Srivastava (2026) применил четыре правила обновления к идентичным последовательностям событий ASSISTments 2012–13, различавшимся только тем, как они оценивают строки, выполненные с помощью, на подтверждающей половине из 12 716 студентов и 985 813 оценённых событий. Чтение строки с подсказкой или с повторной попыткой как неудачной первой попытки лучше всего предсказывало последующую результативность без посторонней помощи (объединённый AUC 0,658); зачёт любого выполнения предсказывал её хуже всего (0,604), едва выше константы, которая знает только трудность навыка (0,595). Тот же выбор управляет и числом освоений: правило зачёта выполненных заданий объявило освоенными 93,9% из 113 428 пар «студент–навык» против 72,8% при строгом правиле, и пары, которые мягкое правило объявило освоенными раньше строгого, впоследствии давали 70,9% точности без посторонней помощи против 85,7% там, где правила соглашались, что ниже базовой частоты 0,744. Поэтому трассированное состояние частично является функцией соглашения об оценивании, а не только учащегося, так что оценка освоения, потребляемая адаптивным механизмом, должна нести с собой правило, которое её породило.

Оговорка о возможностях: общие языковые модели трассируют знания едва выше тривиальной базовой линии. Worden et al. (2026) выпустили FoundationalASSIST, который восстанавливает полный текст вопросов, ответы, которые студенты действительно давали, и их выбор отвлекающих вариантов, которые более ранние наборы данных для трассирования отбрасывали, и протестировал четыре ведущие LLM как трассировщиков в режиме zero-shot. Лучшая, GPT-OSS-120B, достигла 56,2 процента против 51,3 процента, которые уже набирает правило «всегда предсказывай правильно» (AUC-ROC 0,559), без улучшений от более длинных историй, а Llama-3.3-70B оказывалась права в 85,4 процента случаев, когда студент отвечал правильно, но лишь в 12,6 процента случаев, когда он ошибался, — доказательство того, что готовая модель из коробки трассирует оптимизм, а не понимание, поэтому кажущееся умение трассировщика следует читать относительно тривиальной базовой линии, которую допускает его задача.

  • Однопроходная LLM может трассировать знания до того, как зарегистрированы какие-либо учащиеся. Запрошенная как один набранный вопрос без данных целевой платформы, Jev достигла среднего AUC ,706, выше лучшего из 28 моделей глубокого трассирования, обученных на 8 учащихся (,689), и оставалась впереди, пока обучение с учителем не догонит её при 64–128 учащихся (Lee и Park, 2026).

Связанные концепции

Связанные статьи

Связанные FAQ

Метаданные

Целевая аудиторияLearners
Технологии и методыАдаптивное обучение, Интеллектуальное тьюторство, Трассирование знаний, Аналитика обучения, Большие языковые модели (LLM), Персонализированное обучение, Моделирование учащегося и адаптивное обучение
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.