Bilgi İzleme
Knowledge Tracing (Bayesian / Deep) · Ayrıca şöyle bilinir: BKT, Bayesian Knowledge Tracing, Deep Knowledge Tracing, Bilgi İzleme
Bilgi İzleme (KT), her an itibarıyla bir öğrencinin hedeflenen bir bilgi bileşeninde ustalaşma olasılığını tahmin eden bir öğrenci modelleme tekniğidir. Corbett ve Anderson tarafından 1994 yılında tanıtılan klasik Bayesçi Bilgi İzleme (BKT) modeli, beceri edinimini dört yorumlanabilir parametre tarafından yönlendirilen iki durumlu bir Gizli Markov Modeli olarak ele alır: ön bilgi, öğrenme oranı, hata yapma ve tahmin etme. Derin varyantlar (DKT, DKVMN, AKT) daha sonra Gizli Markov Modellerini (HMM) tekrarlayan ve dönüştürücü mimarilerle değiştirdi.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Belirli bilgi bileşenlerine etiketlenmiş sıralı etkileşim günlükleriniz (örn. ITS egzersiz denemeleri, LMS tıklama akışları) olduğunda ve uyarlanabilir sıralama veya erken müdahale uyarılarını yönlendirmek için gerçek zamanlı, öğrenci başına ustalık tahminlerine ihtiyacınız olduğunda Bilgi İzleme'yi kullanın. BKT, beceri bağımsızlığını, ikili ustalığı ve öğrenci unutmasını varsayar — bu varsayımlar karmaşık, birbiriyle ilişkili beceriler veya uzun zaman boşlukları için geçerliliğini yitirir. Bunlar başarısız olduğunda, Derin Bilgi İzleme (DKT) veya HLR gibi unutmayı içeren modelleri düşünün. Güvenilir parametre tahmini için yeterli beceri başına gözlem (genellikle 10+) gereklidir.
Güçlü yönler & sınırlılıklar
- Yorumlanabilir dört parametreli yapı, pedagojik yapılarla (önceki, öğrenme, kayma, tahmin) doğrudan eşleşir.
- Gerçek zamanlı sonsal güncellemeler, yeniden eğitim olmaksızın anında uyarlanabilir kararlar sağlar.
- Onlarca yıllık ampirik kanıtlarla akıllı öğretim sistemlerinde iyi doğrulanmıştır.
- Derin uzantılar (DKT, DKVMN, AKT) binlerce beceriye ölçeklenir ve beceriler arası bağımlılıkları yakalar.
- Klasik BKT, beceri bağımsızlığını varsayar, bilgi bileşenleri arasındaki aktarım ve ön koşul ilişkilerini göz ardı eder.
- Unutma mekanizması yok: bir kez öğrenildiğinde, ustalık olasılığı azalmaz, bu da onu aralıklı tekrar bağlamları için uygunsuz hale getirir.
- Seyrek verilerle parametre tanımlanabilirlik sorunları ortaya çıkar; beceri başına tahminler yeterli pratik denemeleri gerektirir.
- Derin KT varyantları tahminsel doğruluğu artırır ancak BKT'yi eğitmenler için uygulanabilir kılan yorumlanabilirliği feda eder.
SSS
BKT, Madde Tepki Kuramı'ndan nasıl farklıdır?
IRT, tek bir test anlık görüntüsünden kararlı gizli yeteneği tahmin eder ve madde kalibrasyonuna odaklanırken, BKT sıralı pratik fırsatları boyunca beceri ustalığının dinamik evrimini modeller. BKT, her etkileşimden sonra gerçek zamanlı olarak güncellenir; IRT tipik olarak bir toplu, kesitsel ölçüm modelidir. İkisi tamamlayıcıdır: IRT toplu değerlendirme için daha iyidir, BKT biçimlendirici, uyarlanabilir pratik için.
Bayesçi KT yerine Derin KT'yi ne zaman kullanmalıyım?
Derin KT, büyük etkileşim günlükleriniz (on binlerce öğrenci, yüzlerce beceri) olduğunda, beceriler birbirine bağımlı olduğunda ve aktarım etkileri beklendiğinde veya birincil hedef ham sonraki yanıt tahmin doğruluğu olduğunda tercih edilir. BKT, yorumlanabilirlik, küçük veri veya eğitmenler tarafından gerçek zamanlı parametre denetimi gerektiğinde tercih edilir, çünkü dört parametresi doğrudan pedagojik anlam taşır.
Bilgi İzleme hangi veri formatını gerektirir?
KT, öğrenci-egzersiz etkileşimlerinin sıralı bir günlüğünü gerektirir, minimum olarak şunları içerir: öğrenci kimliği, zaman damgası veya sıra indeksi, bilgi bileşeni (beceri) etiketi ve yanıtın ikili doğruluğu. Madde zorluğu veya yanıt süresi derin varyantları zenginleştirebilir. Maddeleri becerilerle eşleştiren doğrulanmış bir Q-matrisi BKT için esastır; bu olmadan, beceri sınırları keyfidir ve parametreler yorumlanabilirliğini kaybeder.
Kaynaklar
- Corbett, A. T., & Anderson, J. R. (1994). Knowledge tracing: Modeling the acquisition of procedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278. DOI: 10.1007/BF01099821 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Knowledge Tracing (Bayesian / Deep). ScholarGate. https://scholargate.app/tr/education-analytics/knowledge-tracing
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes AğıBayesçi↔ karşılaştır
- LSTMDerin öğrenme↔ karşılaştır
- Rasch ModeliPsikometri↔ karşılaştır