تُعرّف مُرَاقَبَة المعرفة (KT) بالمهمة التي تُقدّر قدرة الطلاب على الإجابة بشكل صحيح على الأسئلة بناءً على استجاباتهم السابقة. وعلى الرغم من التّركيز الكبير في الأبحاث السابقة على استغلال معلومات الأسئلة، لم يتم استخلاص المعلومات المتقدمة الكثيرة المتوفرة بين الأسئلة والمهارات بشكل فعّال، مما يجعل من الصعب على الدراسات السابقة تحقيق أداء مرضٍ. في هذا البحث، نُظهر أنّ تحقيق تحسينات كبيرة في أداء KT يمكن تحقيقها من خلال تدريب مُدمجات (embeddings) لكل سؤال مسبقًا باستخدام معلومات جانبية وافرة، تليها عملية تدريب نماذج عميقة لـ KT على هذه المدمجات المُكتسبة. وبشكل دقيق، تشمل المعلومات الجانبية صعوبة السؤال، وثلاثة أنواع من العلاقات المُحتَمَلة في رسم بياني ثنائي القوائم (bipartite graph) بين الأسئلة والمهارات. ولتدريب المدمجات المسبقة للأسئلة، نقترح استخدام الشبكات العصبية القائمة على المنتج (product-based neural networks) لإعادة بناء هذه المعلومات الجانبية. وبنتيجة ذلك، يُظهر استخدام المدمجات المُدرَّبة مسبقًا في النماذج العميقة الحالية لـ KT تفوقًا ملحوظًا على أفضل النماذج الحالية على ثلاث مجموعات بيانات شائعة لـ KT.