إلى حساب مناسب للطلب، والمعيار، والقيمة لتعقب المعرفة

تُعدّ عملية تتبع المعرفة، أي نمذجة معرفة الطالب من خلال الأنشطة التعليمية، أحد المسائل المدروسة على نطاق واسع في مجال التعليم المدعوم بالحوسبة. وعلى الرغم من أن النماذج التي تعتمد آلية الانتباه (attention mechanism) قد تفوقت على الطرق التقليدية مثل تتبع المعرفة بايزيان (Bayesian knowledge tracing) والتصفية التعاونية (collaborative filtering)، إلا أنها تواجه قيودًا اثنين. أولاً، تعتمد هذه النماذج على طبقات انتباه سطحية، ولا تنجح في التقاط العلاقات المعقدة بين التمارين والاستجابات عبر الزمن. ثانيًا، لم تُجرَ دراسة معمقة للاختلافات في تركيبات الاستفسارات (queries) والمقاييس (keys) والقيم (values) لطبقة الانتباه الذاتي (self-attention) في سياق تتبع المعرفة. ويُعتبر الممارسة الشائعة التي تُستخدم فيها التمارين والتفاعلات (أزواج التمرين-الاستجابة) كاستفسارات ومقاييس/قيم على التوالي، غير مدعومة دليلاً تجريبيًا كافيًا. في هذا البحث، نقترح نموذجًا جديدًا مبنيًا على معمارية Transformer لتمكين تتبع المعرفة، يُسمى SAINT: Separated Self-AttentIve Neural Knowledge Tracing. يتميز نموذج SAINT ببنية مشفرة-فكّار (encoder-decoder)، حيث تدخل تسلسلات تمثيل التمارين (exercise embedding) وتمثيل الاستجابات (response embedding) إلى المشفر والفكّار على التوالي، مما يسمح بتحريك طبقات الانتباه بشكل متكرر. إلى حد معرفتنا، يُعد هذا العمل الأول الذي يقترح نموذجًا مُشفّر-فكّار لتتبع المعرفة، ويُطبّق طبقات انتباه ذاتي عميقة على التمارين والاستجابات بشكل منفصل. أظهرت التقييمات التجريبية على مجموعة بيانات تتبع المعرفة على نطاق واسع أن نموذج SAINT يحقق أفضل أداء ممكن في مجال تتبع المعرفة، مع تحسن في معامل AUC بنسبة 1.8% مقارنةً بالنماذج الحالية الأكثر تقدمًا.