בעידן הלמידה המותאמת אישית, מערכות הוראה חכמות (ITS) שמסוגלות לעקוב אחר מצב הידע האישי של התלמידים ולהציע מסלולי לימוד מותאמים הופכות לדרישה חיונית. אולם, מודלי מעקב ידע (KT) קיימים סובלים ממגבלות כמו תמיכה מוגבלת בפורמטי קלט, בעיות cold start עם תלמידים או שאלות חדשות, וחוסר יציבות בסביבות שירות אמיתיות. מחקר חדש מציג את PICKT – Practical Interlinked Concept Knowledge Tracing – מודל שמתגבר על אתגרים אלה באמצעות מפת ידע המבנה קשרים בין קונספטים.
המודל PICKT משלב מפת ידע שמבוססת על מידע טקסטואלי משאלות וקונספטים, ומאפשרת מעקב ידע אפקטיבי גם במצבי cold start. הוא תומך במגוון רחב של פורמטי נתוני קלט, מה שמאפשר גמישות גבוהה יותר בהשוואה למודלים קודמים. לפי החוקרים, ארכיטקטורת המודל מנצלת את הקשרים בין הקונספטים כדי לחזות רמות רכישת ידע מדויקות יותר על סמך רצפי אינטראקציות של תלמידים.
ניסויים שמשקפים סביבות תפעוליות אמיתיות הוכיחו את הביצועים המצוינים של PICKT. המודל השיג שיפורים משמעותיים בשני אתגרי cold start מרכזיים: הרשמה של תלמידים חדשים והוספת שאלות חדשות. בנוסף, הוא הוכיח יציבות גבוהה בסביבות שירות אמיתיות, מה שהופך אותו למעשי ליישום במוצרים.
התרומות העיקריות כוללות ארכיטקטורה שמנצלת נתונים מגוונים, שיפורי ביצועים על פני מודלים קיימים, ואימות יציבות באמצעות עיצוב ניסויי מדויק. הדבר מספק בסיס תיאורטי וטכני ליישום מערכות ITS מתקדמות, שיכולות לשפר משמעותית את תהליכי הלמידה.
למנהלי חינוך ועסקים בתחום הטכנולוגיה החינוכית, PICKT מציע הזדמנות לשדרג מערכות למידה קיימות. כיצד תשלבו טכנולוגיה זו כדי להאיץ רכישת ידע? קראו את המחקר המלא ב-arXiv.