Neues Lernmodell verbessert Schülerprofilierung und Übungswahl

Personalisierte Empfehlungen sind das Herzstück moderner Lernplattformen. Sie basieren auf präzisen Modellen, die den Wissensstand eines Schülers aus vergangenen Interaktionen ableiten. Diese Modelle, bekannt als Knowledge‑Tracing‑Algorithmen, nutzen häufig von Menschen annotierte Lernkonzepte (KCs), um Aufgaben zu klassifizieren.

Allerdings sind diese menschlich definierten Konzepte oft unvollständig, fehlerhaft oder zu allgemein. Um dieses Problem anzugehen, hat ein Forschungsteam ein tiefes Lernmodell entwickelt, das für jede Aufgabe eine kompakte binäre Repräsentation erzeugt. Jeder Bitwert signalisiert das Vorhandensein oder Fehlen eines latenten Konzepts – sogenannte „auxiliary KCs“. Diese versteckten Konzepte fassen die zugrunde liegende Struktur von Aufgaben besser zusammen als die herkömmlichen Annotationen.

Die neuen auxiliary KCs lassen sich nahtlos in klassische Modelle wie Bayesian Knowledge Tracing (BKT) sowie in moderne neuronale Knowledge‑Tracing‑Architekturen integrieren. Durch die Ergänzung von BKT mit den auxiliary KCs konnte die Vorhersagegenauigkeit signifikant gesteigert werden.

Auch bei der Übungswahl zeigen die Ergebnisse, dass die auxiliary KCs die Leistung von Reinforcement‑Learning‑Strategien sowie einer einfachen Planungsmethode (Expectimax) deutlich verbessern. In simulierten Lernumgebungen führten diese Optimierungen zu messbaren Fortschritten im Lernerfolg der simulierten Schüler.

Die Studie unterstreicht das Potenzial, Lernplattformen durch automatisierte, datengetriebene Konzepte zu optimieren und damit die Effektivität individueller Lernpfade nachhaltig zu erhöhen.