🧠 Adaptieve Leerengine — Live Kennistracking

BKT neemt aan dat een student kan leren van het proberen van een vraag, ongeacht of die goed werd beantwoord — van feedback, van het doorwerken van het probleem, of gewoon van herhaalde blootstelling. Na het berekenen van de Bayesiaanse posterior uit de waargenomen juistheid, past het model nog één stap toe: P(L_volgende) = P(L_post) + (1−P(L_post))·T, waarbij T de leersnelheid-kans (overgang) is dat een niet-beherende student bij deze poging beheersing bereikt. Cruciaal is dat BKT aanneemt dat leren eenrichtingsverkeer is — beheersing wordt nooit verondersteld te worden vergeten — dus T duwt de schatting alleen maar omhoog. Dit is precies wat de leersnelheid-schuifregelaar in deze simulatie regelt, en je kunt zien hoe hogere instellingen beheersingsschattingen veel sneller naar 100% trekken.

Het beleid "Zwakste vaardigheid eerst" stelt simpelweg een vraag van welke vaardigheid momenteel de laagste P(L)-schatting heeft, waardoor oefening geconcentreerd wordt waar het model denkt dat de student het meest nodig heeft — dit is het kernidee achter beheersingsgebaseerde adaptieve systemen zoals de oefenengine van Khan Academy en ALEKS. "Gewogen op onzekerheid" doet hetzelfde probabilistisch, door vaardigheden te bemonsteren met een kans evenredig aan (1 − P(L)), zodat zwakke vaardigheden bevoordeeld maar niet deterministisch afgedwongen worden. "Round robin" doorloopt vaardigheden in een vaste volgorde ongeacht beheersing, en "Willekeurig" kiest uniform willekeurig als basislijn. Wisselen tussen deze beleidsvormen terwijl je de beheersingsstaafgrafiek bekijkt maakt de efficiëntiewinst van adaptiviteit rechtstreeks zichtbaar: zwakste-eerst bereikt volledige beheersing over alle vijf vaardigheden in merkbaar minder vragen dan de willekeurige basislijn.

Dit is precies wat de gok- en misstapparameters modelleren, en daarom houdt BKT een kans bij in plaats van een enkel waargenomen feit. Een student met werkelijke beheersingsstatus "niet beheerst" kan nog steeds correct antwoorden met kans g (een gelukkige gok, of gedeeltelijke kennis die deze keer toevallig werkt) — de simulatie gooit deze munt daadwerkelijk elke keer dat een niet-beherende gesimuleerde student een vraag krijgt. Symmetrisch antwoordt een echt beherende student incorrect met kans s (een momentele misstap, een verkeerd gelezen vraag, of een typefout). Omdat beide worden gesimuleerd als echte willekeurige trekkingen — geen gescripte uitkomsten — zul je af en toe gelukkige correcte antwoorden zien op zwakke vaardigheden en af en toe ongelukkige missers op vaardigheden die het model al als sterk beheerst inschat, precies zoals bij een echte student zou gebeuren.

De aannames van BKT zijn sterke vereenvoudigingen: het behandelt de beheersing van elke vaardigheid als volledig binair en onafhankelijk van elke andere vaardigheid, negeert gedeeltelijk krediet en reactietijd, en neemt een vast gok/misstap-percentage aan in plaats van een dat varieert per vraagmoeilijkheid of student. Moderne onderzoekssystemen zoals Deep Knowledge Tracing (DKT, met recurrente neurale netwerken) en Bayesiaanse uitbreidingen met per-item-moeilijkheidsparameters (dichter bij Item Response Theory) versoepelen deze aannames en passen vaak nauwkeuriger bij echte studentendata, tegen de prijs van veel minder interpreteerbaarheid — je kunt geen enkele transparante kans aflezen dat de student breuken beheerst uit de verborgen status van een neuraal netwerk, zoals je dat wel kunt bij BKT. Die interpreteerbaarheid is precies waarom BKT, ondanks dat het drie decennia oud is, tegenwoordig nog steeds breed wordt ingezet in echte productie-tutorsystemen.