能力と習熟度のモデリングによる知識状態の分離を用いた知識追跡
知識追跡（KT）は、生徒の過去の相互作用から進化する知識状態をモデル化し、将来のパフォーマンスを予測する。既存手法は相互作用を統一された行動プロセスとして扱い、学習の段階固有の性質を見落としている。本論文では、生徒の相互作用を能力段階と習熟度段階に分解するPAKTを提案する。マルチブランチTransformerとタイプ認識読み出しモジュールにより、段階固有および全体的な知識状態を捉える。6つのベンチマークで最大1.33%、平均0.82%のAUC向上を示した。
知識追跡（Knowledge Tracing, KT）は、教育データマイニングにおける重要なタスクであり、生徒の過去のインタラクションデータを分析することで、動的に変化する知識状態をモデル化し、将来の学習パフォーマンスを予測することを目的としています。従来のKT手法は、通常、生徒の解答系列を一貫した行動プロセスとして扱い、学習行動が本来持つ段階的な性質を無視していました。例えば、生徒が新しい概念に初めて触れる際には既存の能力に依存して試行錯誤しますが、十分な練習を経た後は、習熟度を高めるための段階に移行します。このような段階の違いを無視すると、知識状態のモデル化に偏りが生じる可能性があります。
この問題に対処するため、複数の研究機関からなるチームは、Phase-Aware Knowledge Tracing（PAKT）と呼ばれる新しいフレームワークを提案しました。本研究成果はDuantengchuan Li氏を含む5名の著者によるもので、2026年7月14日にarXiv（識別子: 2607.13103）に提出され、機械学習（cs.LG）および人工知能（cs.AI）の分野に分類されています。PAKTの中心的な革新は、カスタマイズされた分解メカニズムを用いて、生徒のインタラクション系列を「能力段階」と「習熟度段階」に明確に分割する点にあります。能力段階では、生徒は主に先行知識レベルに依存し、習熟度段階では、反復練習を通じて知識ポイントの習得度を徐々に高めます。この分割により、学習プロセスの実際の変化をより詳細に反映できます。
分割された系列を効果的に活用するため、PAKTはマルチブランチTransformerアーキテクチャを設計しました。このアーキテクチャは、能力段階と習熟度段階の系列をそれぞれ処理する複数の並列ブランチを備え、タイプ認識読み出しモジュール（type-aware readout）を用いて両者を融合することで、段階固有の知識状態と段階横断的な全体的な知識状態を同時に捉えます。さらに、PAKTは因果分析を導入し、従来の段階非依存KTモデルにおける学習行動の混同による交絡バイアスを明らかにし、分解の必要性を検証しています。
6つの公開ベンチマークデータセットでの広範な実験により、PAKTは現在の代表的なベースライン手法を一貫して上回り、最大AUC 1.33%、平均0.82%の改善を達成しました。この結果は、知識状態を能力と習熟度の2次元に分離することで、生徒の学習進捗をより正確に追跡でき、個別化された教育介入のためのより信頼性の高い基盤を提供することを示しています。本論文のコードとデータは公開されており、研究者による再現やさらなる探求が可能です。