База знань AIEdAIEd KB
На цій сторінці

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

Концепції

Моделювання здобувача та адаптивне навчання

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Моделювання здобувача та адаптивне навчання — узагальнення для того, як ШІ представляє здобувачів (що вони знають, відчувають і в чому потребують) і як він використовує ці подання, щоб адаптувати викладання. Родина охоплює шар моделювання — моделювання здобувача, Відстеження знань, Когнітивна діагностика та симулювання здобувачів, — і адаптивні системи, які споживають ці моделі, — Інтелектуальний тьюторінг, Адаптивне навчання та Персоналізоване навчання. Спільне запитання: як система знає, що знає здобувач, і чому вона має вчити наступного?

Питання для роздумів

  • Узагальнене запитання, яке ставить ця сторінка: як система знає, що знає здобувач, і чому вона має вчити наступного? Перш ніж читати далі, з чого б ви навіть почали представляти «те, що знає здобувач», у машині?
  • Моделювання здобувача охоплює відстеження знань (відстеження знань у часі), когнітивну діагностику (відображення опанованих навичок) і симулювання здобувачів (синтетичних здобувачів). У чому, на вашу думку, кожен підхід є сильним — і що кожен ризикує зробити неправильно?
  • Кожен адаптивний ШІ залежить від певної моделі здобувача. Якщо модель лише настільки добра, наскільки добре її живлять дані, якими доказами про здобувача системи ШІ насправді володіють, і які важливі речі про нього залишаються невидимими?
  • Модель може фіксувати, що здобувач робить правильно, а що неправильно, але не чому, і не як він почувається. Як модель здобувача могла б вводити адаптивну систему в оману способами, які шкодять, а не допомагають здобувачеві?
  • Якби ви проєктували адаптивного тьютора, що б ви хотіли, щоб його модель про вас включала — і від яких припущень ви хотіли б її явно заборонити?

Вступ

Моделювання здобувача — це обчислювальне подання здобувачів; адаптивне навчання — це те, що системи роблять із цим поданням. Кожен адаптивний ШІ в освіті залежить від певної моделі здобувача — навіть спрощеної, — і кожна модель здобувача існує, щоб інформувати певне інструкційне рішення. Ця сторінка є узагальненням для того конвеєра: методів моделювання, систем, що діють за моделями, і того, як вони пов’язані.

Шар моделювання

Ці поняття відповідають на запитання «що цей здобувач знає, відчуває і в чому потребує?» — сторона подання родини.

  • моделювання здобувача — широка практика представлення характеристик здобувача (знань, навичок, афективних станів, залученості, уподобань) в обчислювальній формі. Це узагальнений термін у межах цього шару, що охоплює всі способи представлення здобувача.
  • Відстеження знань — конкретна практика моделювання когнітивних знань у часі шляхом відстеження продуктивності на вправах і прогнозування майбутнього майстерства. Вона формалізує тимчасову динаміку навчання — коли знання набуваються, згасають, і як поняття пов’язані.
  • Когнітивна діагностика — дрібнозернисте Оцінювання того, якими конкретними навичками або компонентами знань здобувач опанував, що дає профіль майстерства, який підтримує цільову ремедіацію.
  • симулювання здобувачів — генерація синтетичних здобувачів на вимогу, а не представлення справжнього, щоб Педагогіки та стратегії викладання і системи ШІ могли тестуватися або тренуватися офлайн.
  • Причинний формалізм для моделей здобувача. Манджилі і співавтори (2026) замінюють баєсові мережі з шумливими воротами на структурні причинні моделі, виведені від експертів, роблячи підказки явними ендогенними змінними, щоб модель могла запитувати, що здобувач відповів би без допомоги, якою він скористався, — дещо менш предиктивно, але здатною до контрфактичних тверджень, яких асоціативні моделі не можуть висловити.

Дослідження Чжана, Джеффріса та Коприньскої (2025) ілюструє, що вірне подання не потребує найскладнішої родини моделей: спрощена, власне інтерпретована модель здобувача на основі дерева рішень — побудована з ознак взаємодії зі змістом курсу, а не з багатої телеметрії, — передбачає прогрес на рівні модулів у великомасштабних онлайн-курсах програмування (85–91% точність) і відокремлює розлучені профілі залученості «під загрозою й розлучений», «розлучений, але успішний» та «залучений високий виконавець», підтримуючи раннє попередження Аналітика навчання у масштабі.

Предиктивна модель здобувача може спиратися на структуру зарахування, а не на дані трасування: TRACE кодує кожен семестр як невпорядкований кошик курсів і передбачає набір курсів і оцінки разом, знижуючи помилку прогнозування оцінок до 0,1339 MAE — на 46,4% нижче за модель лише з оцінками, — на 5 326 студентах і десяти роках (Савала (2026)).

Моделі здобувача також можна будувати чисто з поведінкових слідів і все ще підтримувати адаптацію. Ан, Геммок та Гоел (2025) вивели три профілі залученості — Спостереження, Конструювання та Дослідження, — з потоків кліків 315 онлайн-здобувачів, які будували 822 екологічні моделі в VERA, без будь-яких демографічних або контекстних даних, і показали, що ці профілі передбачають якість моделі (Дослідження дає найскладніші та найрізноманітніші моделі, тоді як Спостереження домінується скопійованими, а не оригінальними моделями). Такі характеризації на рівні залученості є грубозернистими моделями здобувача, які шар адаптивного навчання може споживати, щоб націлювати зворотний зв’язок.

Афективне моделювання здобувача є подальшим виміром: тьютор із математики виводив емоцію з розмовного тексту та виразу обличчя і відображав агрегований стан на стратегії тьюторінгу, проте багатомодальне злиття досягало лише 60% точності проти власних анотацій учасників, роблячи афективне прочитання найслабшим ланцюгом конвеєра (Кар і співавтори (2025)).

Ґаттерман і співавтори (2026) виявили, що сигнал відкладеного старту, записаний під час практики математики, передбачав результати з англійської, причому хронічні байдикувальники (понад 13 хвилин) показували нижчі здобутки (ELA β = −.11 SD) навіть після контролю на попередні знання та час на завданні, — тож поведінкові моделі здобувача можуть переноситися між предметами без перетренування на кожен курс, хоча їхні точки розрізу повинні бути перевизначені.

Шар адаптивного навчання

Ці поняття відповідають на запитання «чому слід вчити наступного?» — сторона застосування, яка споживає моделі здобувача.

  • Інтелектуальний тьюторінг — системи, які використовують моделі здобувача та оцінки майстерства, щоб обирати задачі та надавати керівництво на рівні кроків, класичний застосунок моделювання здобувача.
  • Адаптивне навчання — системи, які регулюють зміст, темп або складність у відповідь на модель здобувача.
  • Персоналізоване навчання — ширше підлаштування навчання, змісту та шляхів до індивідуальних характеристик і уподобань здобувача.

Як члени пов’язані

Поняття формують конвеєр, а не конкурентів: моделювання здобувача є узагальненим поданням; Відстеження знань і Когнітивна діагностика є конкретними методами моделювання, які його наповнюють; симуляція генерує здобувачів, а не представляє справжніх; а Інтелектуальний тьюторінг, Адаптивне навчання та Персоналізоване навчання є системами, які споживають ці моделі, щоб адаптувати навчання.

Моделювання здобувача проти симулювання здобувачів — ключове розрізнення, яке слід тримати прямим. Моделювання здобувача стосується представлення справжнього здобувача — побудови моделі з даних фактичного студента, щоб адаптивна система могла діяти за цією особистістю. Симулювання здобувачів, навпаки, генерує синтетичного здобувача на вимогу, щоб стояти замість справжніх здобувачів, щоб педагогіка та ШІ могли оцінюватися або тренуватися офлайн. Вони тісно пов’язані, а не взаємозамінні: симульовані здобувачі типово вбудовують модель здобувача (епістемічний стан, набір хибних уявлень або профіль залученості) і спираються на ті самі конструкти, які Відстеження знань і Когнітивна діагностика формалізують. Їхні цілі розходяться — моделювання здобувача служить живій адаптації, інформуючи рішення про справжню людину, тоді як Симуляція фабрикує здобувачів, щоб тестувати системи (і дедалі частіше, щоб аудитувати ШІ, наприклад, Лопес-Пернас і співавтори (2026)), а не діяти за будь-якою справжньою особистістю.

Відстеження знань проти моделювання здобувача — інше поширене плутанина. Відстеження знань конкретно моделює когнітивні знання у часі; моделювання здобувача є ширшою практикою, що охоплює всі аспекти здобувача (афективний стан, залученість, уподобання). Відстеження знань є типом моделювання здобувача, зосередженим на когнітивно-часовому вимірі. Конструкти відстеження знань також інформують симульованих здобувачів — когнітивний стан симульованого здобувача часто формалізований тими самими динаміками майстерства/згасання, які моделює відстеження знань, тож симуляція є способом генерувати стани знань, які методи трасування зазвичай виводять із реальних даних відповідей.

Прив’язування трасування до навчальної програми зміцнює модель. Прадіш і співавтори (2026) показують, що модель здобувача набирає вірності, коли трасування прив’язане до явної структури навчальної програми, а не вивчається чисто з даних: їхнє відстеження знань на основі результатів (OKT) трактує результати курсів в освіті на основі результатів як поняття знань для трасування, постачає взаємозв’язки понять через перевірені експертами «відображення спорідненості» OBE між результатами курсу та програми (явна альтернатива до неявної уваги чи передачі повідомлень у графі) і використовує модуль з розширеною пам’яттю, щоб моделювати, як досягнення одного результату впливає на інші. На живих даних інженерної програми воно перевершило базові лінії DKT, DKVMN, EKT і SimpleKT (89,81% AUC), ілюструючи, що шар моделювання може експлуатувати власну структуру навчальної програми, щоб представляти здобувачів вірніше.

Інтелектуальний тьюторінг проти адаптивного/персоналізованого навчання сидить на стороні застосування: інтелектуальний тьюторінг є системою, що обирає задачі та керує на рівні кроків; адаптивне навчання налаштовує зміст і темп; персоналізоване навчання є найширшим підлаштуванням усього навчального досвіду. Усі три є «споживачами» шару моделювання.

Спільний виклик валідності

Впродовж усієї родини визначальний виклик валідності є тим самим: подання здобувача повинно вірно відображати справжній стан здобувача, а не типові припущення системи. Для моделювання здобувача та Відстеження знань це означає, що модель повинна справді фіксувати, що здобувач знає (оцінювання та валідність вимірювання). Для симуляції це означає, що синтетичний здобувач повинен виявляти реалістичну недосконалість, а не повну компетентність моделі чи підлабузницьку згоду. Адаптивні системи, які споживають хибні моделі, успадковують і поширюють цю помилку.

Моделі, які виводять стан здобувача з ігрового процесу, досягали AUC 0,848–0,913, проте лише два з 55 розглянутих досліджень аудитували їх на демографічну упередженість, і лише одне дослідило диференційні результати за здібністю здобувача (Кашарджи та Юрт (2026)).

Деякі передбачувані сигнали можуть бути невідновлюваними з діалогу взагалі: пілот рамки «Контекст навчання» відновив хибні уявлення на 91,4% і тривожність на 100%, але сумлінність лише на 68,6% і володіння мовою на 60%, тож модель, чутлива до контексту, повинна фіксувати риси, що повільно з’являються на поверхню, а не чекати, поки діалог їх розкриє (Лю і співавтори (2026)).

Лін і співавтори (2026) розкривають циклічність у тому, як такі синтетичні здобувачі валідуються: їхні агенти EduMirror застосовують психометричні анкети постфактум і читають узгодженість із внутрішнім поданням цінностей агента як психологічну валідність, але оскільки Surveyor вимірює виміри, уже закодовані в цій системі цінностей, перевірка є перевіркою узгодженості, а не незалежною валідацією.

Правильність не завжди є вірним сигналом. Ан, Макларен і Стемпер (2026) показують, що модель здобувача, яка виводить майстерність із правильних дій, може перекручувати справжній стан здобувача: здобувачі, які виявляють оманливе узагальнення, здаються опанували, проте пропускають критичне обмеження застосування, тож адаптивні системи можуть припиняти практику передчасно. Моделі здобувача повинні оцінювати умовне розуміння — включно з тим, чи знає здобувач, коли слід утримати дію, — а не лише правильність дії.

Приховані хибні уявлення показують ту саму відмову з іншого боку: Імран і Булатвела (2026) виявили, що донастроєний класифікатор ловив 57,4% правильних відповідей, досягнутих через хибне міркування, і на 1,6% поширеності навіть модель міркування з 83,6% точністі залишала 8 хибних тривог на виявлення, — тож сигнали майстерства на основі правильності є і неповними, і дорогими в ремонті.

Те, як модель валідується, саме по собі є запитанням валідності. Шетце, Ян і Карвалью (2025) показують, що популярні моделі здобувача (BKT, BKT-with-Forgetting, AFM) здаються фіксуючими людське навчання лише тоді, коли їх підганяють ретроспективно до повного багатосеансового набору даних; за часовою (що йде вперед) перехресною валідацією — прогнозуючи майбутній сеанс із попередніх, так, як такі моделі насправді розгортаються, — вони переоцінюють продуктивність, пропускають ефект інтервалу і неправильно впорядковують умови практики. Оскільки моделі з розширенням забування і без нього поводилися приблизно однаково між сеансами, автори діходять висновку, що забування часто поглинається в параметри здобувача, а не справді представляється. Урок для родини полягає в тому, що вірне подання здобувача повинно валідуватися так, як воно використовується — і що злиття миттєвої продуктивності з довгостроковим утриманням дає моделі, які здаються точними, проте перекручують здобувачів.

Моделювання в епоху LLM

Недавні досягнення використовують LLM для багатшого моделювання. Рамка HiLLM-CD представляє здобувачів як дерева умінь; багатомодальні підходи конструюють подання знань, обґрунтовані доказами, з різноманітних джерел даних; LLM тепер симулюють здобувачів із міркуванням. LLM уможливлюють автоматизовану побудову моделей з освітнього тексту та високовірне симулювання здобувачів, знижуючи спору на експертну анотацію — загострюючи при цьому занепокоєння щодо вірності вище. Сигнали моделі здобувача також обґрунтовують міркування LLM: Реддіґ, Арора та Маклеллан (2025) виявили, що живлячи GPT-4 оцінкою уміння баєсового Відстеження знань здобувача разом зі структурою інтерфейсу тьютора, значно покращувалася його діагностика помилок (ідентифікація логічних помилок зростала з 40% до 81% на розкладанні на множники; ~87,8% загалом), тоді як багатокрокові задачі та відповіді, що містять кілька помилок, залишалися найслабшими випадками — свідчення, що пов’язування формальної моделі здобувача з LLM зміцнює, але не гарантує, обґрунтований висновок про справжнього здобувача. CoLearn (Хе і співавтори, 2026) показує, як виглядає стійка версія цього пов’язування: майстерство та видобуті хибні уявлення зберігаються на (здобувача, предмет), а не як логи за сеанс, тож докази накопичуються між сеансами, і пам’ять записується функцією спостереження, оціненою LLM, залишаючись перевірюваною для здобувача через смуги майстерства та позначку, що називає, що мала дослідити кожна згенерована задача. Його контрольні умови роблять крок запису явним — за прочитаної, але більше не оновлюваної пам’яті частка елементів, націлених на справді слабку навичку, впала з 0,72 до 0,57 — і він зберігає цю оговорку сторінки непохитною: збережене майстерність є вірою агента про здобувача, а не виміром його знань.

Мова може замінити ID-вбудовування як подання: PLCD будує виведені LLM схеми понять і графи процесу вправ як приорні, досягаючи 83,51% точності на XES3G5M, з найбільшими здобутками в холодному старті — на 4,60 пунктів ACC вище за KCD для нових понять і на 4,00 для нових вправ — там, де моделі на основі ID не мають історії (Лю і співавтори (2026)).

Якість симулятора розділяється на дві осі: конвеєр «спочатку пул, потім спеціалізуй», який тренує спільні поведінкові патерни перед адаптером на здобувача, досягнув поведінкової вірності 0,51 і чуйності до керівництва 0,91 в шахах проти 0,23 і 0,72 для базової лінії рольової гри переднього краю, показуючи, що симулятор повинен і відповідати здобувачеві, і бути керованим (Ян і співавтори (2026)).

Оцінки ризику можуть бути точними, проте непідкріпленими: Ґейсарі та Саларян (2026) досягли 99% точності, прогнозуючи відплив із записів про зарахування та продуктивність, але на 1 027 очищених записах однієї установи без зовнішньої валідації, без перевіреного втручання та з аудитами справедливості, названими майбутньою роботою, — оцінка підтримує тріажування, а не вирок про здобувача.

Модель здобувача, яка лише передбачає ризик, є недостатньою для підтримки рішень: пов’язування каліброваної моделі ризику з цілочисельним програмним рекурсом над дискретними діями — валідоване проти обмежень часування, бюджету, незмінності та доступності, — дало компактні плани втручання там, де одна оптимізація приймала нездійсненні (Ле, Абель та Лафорж (2026)).

Оцінювач-чорна скринька також можна дистилювати в малу самопояснювану модель: двокроковий конвеєр перетворює підігнаний оцінювач і його постфактум інтерпретацію в 2B-параметричного «підопічного», який повертає оцінку разом із оповіддю, аудитованою на вірність, а не на вільність (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

Зв’язки з іншими поняттями

Моделювання здобувача та адаптивне навчання живлять Аналітика навчання (панелі та втручання), Формативне оцінювання (кероване аналітикою оцінювання) та Зворотний зв’язок (що система каже здобувачеві). Воно пов’язане з ШІ в освіті як ключовий напрям ШІ для освіти.

Пов’язані поняття

Пов’язані статті

Пов’язані поширені питання

Метадані

Технології та методиАдаптивне навчання, Когнітивна діагностика, Інтелектуальний тьюторінг, Відстеження знань, Аналітика навчання, Великі мовні моделі (LLM), Персоналізоване навчання, Симуляція студентів, 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.