База знань AIEdAIEd KB
На цій сторінці

Ця сторінка перекладена українською. Сторінки статей досі написані англійською. Читати цю сторінку англійською

Концепції

Відстеження знань

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Відстеження знань (knowledge tracing) — моделювання того, що здобувачі знають упродовж часу, шляхом відстеження їхніх результатів на вправах та прогнозування майбутнього опанування. Це найбагатша нитка моделювання в базі знань, що охоплює байєсівські, глибокі та LLM-enhanced підходи до відстеження знань студентів у міру їхнього розвитку.

Питання для роздумів

  • Моделі відстеження знань відтворюють те, що ви знаєте упродовж часу, з ваших результатів на вправах, фіксуючи, коли знання набуваються, а коли згасають. Що можуть розкрити ваші відповіді про те, чи ви справді «знаєте» щось, проти того, що просто цього разу відповіли правильно?
  • Сторінка попереджає, що «опанування — це не правильність»: здобувач може виглядати таким, що опанував матеріал, і водночас систематично неправильно застосовувати навичку, коли порушується прихована умова. Коли ви бачили, як хтось (або ви самі) виглядав так, ніби зрозумів щось, а насправді не зрозумів?
  • Якщо відстеження знань живить адаптивні системи, які вирішують, чого вчити далі, що йде не так, коли модель приймає правильні відповіді за справжнє опанування і переводить студента далі занадто рано?
  • Відстеження знань існує в багатьох формах — байєсівська, нейромережева, гіперграфова, діалогова, підсилена LLM. Яких компромісів ви очікували б між прозорою моделлю, яку можна пояснити, і потужною, але непрозорою?
  • Сторінка пов’язує відстеження знань із симульованими студентами — генерацією тих станів знань, які відстеження зазвичай виводить із реальних даних. Як симулювання здобувачів могло б допомогти випробувати репетитора, перш ніж він зустріне реальних студентів?
  • Оскільки знання згасають упродовж часу, що має робити адаптивна система з минулим «опануванням» студента після того, як він це забув? Як би ви проєктували з розрахунку на забування, а не припускаючи стійкість знань?

Вступ

Відстеження знань перетворює необроблені відповіді на вправи на оцінки того, що студент опанував і що йому ще потрібно засвоїти. На відміну від простого відстеження правильності, відстеження знань моделює тимчасову динаміку навчання — коли знання набуваються, коли згасають і як поняття пов’язані між собою.

Підходи, представлені в базі знань

  • Байєсівські підходи: StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing стандартизує реалізації BKT, тоді як MBP-KT: Learning Global Collaborative Information from Meta-Behavioral Pattern for Enhanced Knowledge Tracing інтегрує метаповедінкові сигнали
  • BKT з м’якими свідченнями та функцією спостереження на основі LLM: CoLearn (He et al., 2026) зберігає структуру BKT, але замінює бінарне спостереження «правильно/неправильно» — вхідні дані стандартного BKT — на безперервне: оцінювач на основі Великі мовні моделі (LLM) видає градуйовані свідчення опанування разом із вагою достовірності, які змішуються в апостеріорне розподілення зі стиснутою достовірністю й проходять через вентиль, так що явно неправильна відповідь не може підвищити оцінку; це робить оновлення варіантом, що узагальнює стандартний BKT, а не суворим його зведенням. Чи є ця функція спостереження надійною, залежить від здобувача: середні свідчення чітко розділили рівні здібностей (0,25 — слабкий / 0,67 — змішаний / 0,77 — сильний), тоді як кореляція всередині рівня зі справжнім опануванням становила лише r ≈ 0,15 / 0,48 / 0,41, залишаючи простеженостан станом агента щодо здобувача, а не каліброваним вимірюванням.
  • Нейромережеві та гібридні моделі: Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling поєднує символічні міркування з neural networks; Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning розвиває інтерпретовані ймовірнісні моделі
  • Гіперграфові пам’яткові мережі: THyMeN розширює відстеження на основі пам’яті (DKVMN) тимчасовими гіперграфовими міркуваннями, моделюючи динамічні взаємоди вищих порядків між поняттями, які з’являються разом у багатонавичкових питаннях
  • Відстеження знань на основі діалогу: Interpretable Knowledge Tracing адаптує відстеження знань для розмовного тьюторінгу
  • Підсилене LLM: HiLLM-CD використовує LLM для автоматичного побудування дерева понять та ієрархічного виведення володіння
  • Семантичне відстеження знань, орієнтоване на рекомендації: ExRec (Ozyurt, Almaci, Feuerriegel and Sachan, 2025) грунтує самі вхідні дані, а не архітектуру: LLM анотує кожне питання кроками розв’язання та поняттями знань, узгодженими зі стандартами Common Core State Standards for Mathematics, контрастивне навчання узгоджує вбудовування питання, кроків розв’язання та понять (а хибні негативи вилучаються попереднім кластеризуванням варіантів понять, зокрема «інтерпретування стовпчикової діаграми» та «читання інформації зі стовпчикової діаграми»), а функція втрат калібрування KC дозволяє трасувальнику передбачати стан знань на рівні поняття безпосередньо, замість виведення його прогінням моделі над усіма питаннями цього поняття. Відкалібрований трасувальник потім слугує середовищем навчання з підкріпленням для рекомендації вправ, де оцінювання на основі моделі ініціалізує критика з самого трасувальника. На чотирьох завданнях набору XES3G5M із усередненням за 2 048 тестовими студентами базові методи без навчання з підкріпленням давали незначні або від’ємні прирости знань, безперервні методи на основі цінності перевершували методи на основі політики, а оцінювання на основі моделі стабільно їх покращувало — найрізкіше на завданні з найслабшим поняттям, де ціль змінюється на кожному кроці. Подані прирости — це відсоткове поліпшення від максимального знання, а не результати навчання, і конвеєр залежить від згенерованих кроків розв’язання, чию якість трасувальник успадковує.
  • Відстеження знань на основі результатів (OKT): Pradeesh et al. (2026) відстежують знання студентів у межах систем Outcome-Based Education, розглядаючи результати курсу як самі поняття знань, і замінюють експертно перевірені OBE-«відображення спорідненості» між результатами курсу та програми на відносини понять, виведені з уваги чи графа. Memory Augmented Neural Network (MANN) моделює, як досягнення кожного результату впливає на інші, а адаптивне до домену донавчання BERT збагачує вбудовування результатів (із хребтом GRU, що перевершує LSTM). На живих даних LMS engineering програми (2 416 студентів, 966 результатів) OKT досяг AUC 89,81 % — перевершивши DKT, DKVMN, EKT і SimpleKT — і водночас дав лише конкурентні результати на ASSISTments, що підтверджує прив’язаність переваги до специфічної для OBE структури curriculum.
  • Один скаляр свіжості вловлює більшу частину того, що дає модель послідовностей. На 1 927 265 математичних відповідях від 8 996 фінських студентів лише ідентичність завдання давала AUC 0,8362; додавання однієї міри свіжості відносно складності завдання підняло її до 0,8669, відновлюючи 93,5% приросту трансформера з умовою на запит (0,8690), тоді як 128-вимірний підсумок історії досяг лише 0,8687 (Lahtinen & McMullen (2026)).
  • Відстеження лише за знімками. Nagai et al. (2026) виводять псевдотимчасовий порядок із відношень включення між наборами навичок здобувачів, розглядаючи розширені набори навичок як прогресію навчання, щоб знімки в один момент часу залишалися придатними для відстеження — але формулювання припускає, що навички ніколи не втрачаються, тому розгортання для здобувачів, які регресують, потребує спершу явного механізму забування.

Співвідношення з іншими поняттями

Відстеження знань тісно пов’язане з Моделювання здобувача та адаптивне навчання — хоч відстеження знань і моделює саме когнітивні знання в часі, моделювання студента — це ширша практика представлення всіх аспектів здобувача (affective стан, engagement, уподобання). Відстеження знань живить системи Адаптивне навчання та Персоналізоване навчання, яким потрібно знати, чому вчити далі, і платформи Інтелектуальний тьюторінг, що використовують оцінки опанування для вибору відповідних задач. Воно пов’язане з Аналітика навчання для проєктування панелей і втручань, а також із Когнітивна діагностика для дрібнозернистого Оцінювання. Конструкти відстеження знань інформують також simulated students — когнітивний стан симульованого здобувача часто формалізовано тією ж динамікою опанування і згасання, що моделює відстеження знань, тому Симуляція — це спосіб генерувати ті стани знань, які методи відстеження зазвичай виводять із реальних даних відповідей.

Застереження щодо охоплення: відстеження оцінює опанування домену, а не пізнання вищих порядків. Огляд 15 років і 127 досліджень інтелектуальних тьюторів показує, що байєсівське відстеження та відстеження на глибокому навчанні за цей період покращилися, але все ще не здатні моделювати когнітивні процеси вищих порядків, метакогніцію чи мотивацію — ті стани, на які адаптивній системі найбільше потрібно спрямовувати вплив (Zerkouk et al. (2025)).

Застереження: опанування — це не правильність. An, McLaren, and Stamper (2026) показують, що припущення BKT про два стани (засвоєно/не засвоєно) може порушуватися через обманливу надзагальненість — здобувачі можуть виглядати такими, що опанували матеріал, і водночас систематично неправильно застосовувати навичку, коли порушено приховане обмеження застосування. Це спонукає відстежувати умовне розуміння (знання коли не застосовувати дію), а не лише правильність дії, коли оцінки опанування керують правилами adaptive зупинки.

Пов’язане застереження стосується того, як моделі відстеження перевіряються проти того, як розгортаються. Schuetze, Yan, and Carvalho (2025) підганяли BKT, BKT-з-забуванням і модель адитивних факторів (Additive Factors Model) до багатосесійного набору даних послідовного повторного навчання й виявили, що вони відтворюють тенденції навчання, коли їх підганяють ретроспективно до всіх сесій (прийнятне AUC ≈ 0,74–0,79); але за часової перехресної перевірки — навчання на одній сесії для прогнозування наступної, реалістичного прикладного налаштування — усі три переоцінюють майбутню продуктивність приблизно на 47–58 %, не вловлюють spacing effect і навіть можуть передбачати хибний порядковий розподіл між умовами практики. Показово, що моделі без явного механізму забування за накопиченням сесій працювали приблизно так само добре, як версії з забуванням, що вказує на те, що забування частково абсорбувалося в інших параметрах (наприклад, у індивідуальних перетинах AFM), а не моделювалося справді. Автори пов’язують це з розрізненням навчання та продуктивності: популярні моделі зливають високу продуктивність «у моменті» з високою ймовірністю довгострокового збереження. Практичний наслідок: трасувальник, що виглядає добре за ретроспективної підгонки, може вводити в оману адаптивні системи, що споживають його оцінки опанування, тому слід використовувати оцінювання методом прогнозування вперед і моделі, які враховують інтервал збереження, розподіл у часі та забування між сесіями.

Ще одне застереження стосується правила свідчень, які живлять оновлення. Srivastava (2026) прогнав чотири правила оновлення на ідентичних послідовностях подій ASSISTments 2012–13, що відрізнялися лише тим, як вони оцінюють рядки, виконані з допомогою, на підтверджувальній половині з 12 716 студентів і 985 813 оцінених подій. Читання підказаного або повтореного рядка як невдалої першої спроби найкраще передбачало наступну самостійну продуктивність (об’єднане AUC 0,658); зарахування будь-якого завершення передбачало її найгірше (0,604), ледь вище константи, яка знає лише складність навички (0,595). Той самий вибір керує і підрахунком опанування: зарахування завершень оголошувало 93,9 % із 113 428 пар «студент–навичка» опанованими проти 72,8 % за суворого правила, а пари, які поблажливе правило оголошувало випереджальними супроть суворого, далі давали 70,9 % самостійної точності проти 85,7 % там, де обидва правила погоджувалися, тобто нижче базової частки 0,744. Отже, простеженостан частково є функцією домовленості про оцінювання, а не лише здобувача, тому оцінка опанування, яку споживає adaptive вентиль, має нести із собою правило, що її утворило.

Застереження щодо можливостей: загальні мовні моделі відстежують знання ледь вище тривіального базового рівня. Worden et al. (2026) випустили FoundationalASSIST, який відновлює повний текст питань, відповіді, які студенти справді давали, і вибір відволікань, що ранішні набори для відстеження відкидали, і випробували чотири передові LLMs як трасувальники нульового прогону. Найкраща, GPT-OSS-120B, досягла 56,2 % проти 51,3 %, які вже дає правило «завжди передбачай правильно» (AUC-ROC 0,559), без поліпшень від довших історій, а Llama-3.3-70B виявилася правою 85,4 % часу, коли студент відповідав правильно, але лише 12,6 %, коли він помилявся, — свідчення того, що готова модель відстежує оптимізм, а не розуміння, тож очевидну майстерність трасувальника слід читати на фоні того тривіального базового рівня, який дозволяє його завдання.

  • Один прохід LLM може відстежувати знання ще до появи записаних здобувачів. Як одне типізоване запитання без даних цільової платформи Jev досяг середнього AUC 0,706, вище найкращого з 28 глибоких моделей відстеження, навчених на 8 здобувачах (0,689), і залишався попереду, доки контрольоване відстеження не наздогнало його на 64–128 здобувачах (Lee & Park, 2026).

Пов’язані поняття

Пов’язані статті

Пов’язані поширені питання

Метадані

Цільова аудиторіяLearners
Технології та методиАдаптивне навчання, Інтелектуальний тьюторінг, Відстеження знань, Аналітика навчання, Великі мовні моделі (LLM), Персоналізоване навчання, Моделювання здобувача та адаптивне навчання
SourceHistoryEditChat

Вставити цю сторінку

Скопіюйте наведений нижче код, щоб вставити цю сторінку в систему управління навчанням або на інший вебсайт. Вбудована версія показує лише вміст сторінки — вона приховує заголовок сайту, навігацію та колонтитул.