Wissensverfolgung – bei der ein Computer das Wissen eines Schülers modelliert, während dieser mit Kursmaterialien interagiert – ist ein etabliertes Problem im computerunterstützten Unterricht. Obwohl eine effektive Modellierung des Schülerwissens einen hohen pädagogischen Nutzen hätte, birgt die Aufgabe viele inhärente Herausforderungen. In dieser Arbeit untersuchen wir die Nützlichkeit von Rekurrenten Neuronalen Netzen (RNNs) zur Modellierung des Lernprozesses von Schülern. Die Familie der RNN-Modelle hat wichtige Vorteile gegenüber früheren Methoden, da sie keine explizite Kodierung menschlichen Fachwissens erfordert und komplexere Darstellungen des Schülerwissens erfassen kann. Die Verwendung neuronaler Netze führt zu erheblichen Verbesserungen der Vorhersageleistung auf einer Reihe von Wissensverfolgungsdatensätzen. Zudem kann das gelernte Modell für den intelligenten Curriculumentwurf eingesetzt werden und ermöglicht eine einfache Interpretation und Entdeckung von Strukturen in Schüleraufgaben. Diese Ergebnisse deuten auf eine vielversprechende neue Forschungsrichtung für Wissensverfolgung hin und stellen eine exemplarische Anwendungsaufgabe für RNNs dar.