DE 
EnglishStandard
Українська
Polski🎓 Adaptive-Learning-Engine — Live-Wissensverfolgung
Beobachten Sie, wie ein Wissensverfolgungsmodell seine Schätzung der Stoffbeherrschung eines simulierten Lernenden nach jeder beantworteten Frage aktualisiert, und sehen Sie, wie sich die Auswahl der nächsten Frage in Echtzeit anpasst.
Über die Adaptive-Learning-Engine
Adaptive-Learning-Plattformen wie Khan Academy, Duolingo oder ALEKS stehen vor demselben grundlegenden Problem: das tatsächliche Verständnis einer Fähigkeit durch einen Lernenden ist nie direkt beobachtbar, sondern wird nur aus einem verrauschten Strom richtiger und falscher Antworten erschlossen. Bayesian Knowledge Tracing (BKT), der Algorithmus hinter jahrzehntelangen intelligenten Tutorensystemen, löst dies, indem es die Beherrschung jeder Fähigkeit als verborgene Wahrscheinlichkeit P(L) behandelt und diese nach jedem Versuch per Bayes-Regel aktualisiert, unter Nutzung zweier Störparameter — Raten und Ausrutscher —, die echtes Verständnis von Glückstreffern und unaufmerksamen Fehlern trennen. Diese Simulation implementiert genau dieses Modell vollständig für einen simulierten Lernenden, der fünf unabhängige Mathematikfähigkeiten durchläuft, jede mit eigenem verborgenen wahren Beherrschungszustand und eigener lebendiger Bayes-Schätzung, die Sie Frage für Frage sich entwickeln sehen können.
Jede simulierte Antwort löst einen echten vierstufigen BKT-Zyklus aus: eine Frage wird von einer adaptiven Richtlinie gewählt, eine Antwort wird stochastisch aus dem echten verborgenen Zustand des Lernenden über Raten-/Ausrutscher-Parameter gezogen, der verborgene Zustand selbst kann in Richtung Beherrschung übergehen, und der Modellglaube wird mit der Bayes'schen A-posteriori-Formel aktualisiert, bevor eine Lerntempo-Transformation eingewoben wird. Das Beherrschungs-Balkendiagramm, das Auswahlbegründungspanel und der gleitende Genauigkeits-/Beherrschungszuwachstrend aktualisieren sich live aus diesen Berechnungen — nichts hier ist vorskriptiert oder vorab animiert.
Häufig gestellte Fragen
Was ist Bayesian Knowledge Tracing und was nimmt es über den Lernenden an?
Bayesian Knowledge Tracing (BKT), eingeführt von Corbett und Anderson 1995, modelliert das Wissen eines Lernenden über eine bestimmte Fähigkeit als eine einzelne verborgene binäre Variable: entweder beherrscht oder noch nicht beherrscht. Es beobachtet diesen Zustand nie direkt — es sieht nur, ob jede Antwort richtig oder falsch war — und hält eine Wahrscheinlichkeit P(L), dass die Fähigkeit aktuell beherrscht wird, die es nach jedem Versuch per Bayes-Regel aktualisiert. Diese Simulation führt genau dieses Modell für fünf unabhängige Fähigkeiten eines simulierten Lernenden aus: jede Fähigkeit hat einen eigenen wahren verborgenen Beherrschungszustand (den das Modell nie sieht) und eine eigene lebendige P(L)-Schätzung.
Was bedeuten die Raten- und Ausrutscher-Parameter, und warum kann der reine Prozentsatz richtiger Antworten die Beherrschung nicht messen?
Raten (g) ist die Wahrscheinlichkeit, dass ein Lernender, der die Fähigkeit NICHT beherrscht, trotzdem richtig antwortet — etwa durch Erkennen eines Musters bei Multiple-Choice-Optionen. Ausrutscher (s) ist die Wahrscheinlichkeit, dass ein Lernender, der die Fähigkeit BEHERRSCHT, trotzdem falsch antwortet — ein unaufmerksamer Fehler. Wegen dieser beiden Effekte ist eine einzelne richtige Antwort kein Beweis für Beherrschung, und eine einzelne falsche Antwort ist kein Beweis für Unwissen: der reine Prozentsatz richtiger Antworten verwechselt Fähigkeit mit Glück. BKT trennt diese beiden Dinge klar, indem es Raten und Ausrutscher als feste Störparameter behält und die verborgene Beherrschungswahrscheinlichkeit erschließt, die die gesamte Sequenz von Antworten am besten erklärt.
Wie funktioniert die Bayes'sche Aktualisierung nach jeder Antwort genau?
Vor einer Frage hat das Modell eine A-priori-Wahrscheinlichkeit P(L), dass die Fähigkeit beherrscht wird. Ist die Antwort richtig, ist die A-posteriori-Wahrscheinlichkeit P(L|richtig) = [P(L)·(1−s)] / [P(L)·(1−s) + (1−P(L))·g] — die Wahrscheinlichkeit einer richtigen Antwort durch echte Beherrschung, geteilt durch die Gesamtwahrscheinlichkeit einer richtigen Antwort (durch Beherrschung oder Glück). Ist die Antwort falsch, ist die A-posteriori-Wahrscheinlichkeit P(L|falsch) = [P(L)·s] / [P(L)·s + (1−P(L))·(1−g)]. Diese Simulation berechnet genau diese beiden Formeln nach jeder simulierten Frage und zeigt die Beherrschungswerte vor und nach im Panel „Letzte Frage“.