Deep Knowledge Tracing nutzt kausale Strukturen statt bidirektionaler Beziehungen

In der Bildungsforschung gilt die Entwicklung erklärbarer Knowledge‑Tracing‑Modelle als ein zentrales Ziel. Deep Knowledge Tracing (DKT) – ein Ansatz, der ein rekurrentes neuronales Netzwerk einsetzt, um das Wissen und die Leistung von Lernenden vorherzusagen – wurde bislang als Fortschritt gegenüber traditionellen Methoden gefeiert. Viele Studien haben die Leistungssteigerung von DKT auf die Fähigkeit zurückgeführt, bidirektionale Beziehungen zwischen verschiedenen Wissenskomponenten (KCs) zu modellieren.

Eine neue Untersuchung stellt diese Annahme in Frage. Die Autoren zeigen, dass DKT seine Stärke vielmehr in der impliziten Modellierung von Prämissenbeziehungen als kausale Struktur besitzt. Durch das Kürzen von Übungsbeziehungsgraphen zu gerichteten azyklischen Graphen (DAGs) und das Training von DKT auf kausalen Teilmengen des Assistments‑Datensatzes lässt sich nachweisen, dass die Vorhersagekraft von DKT eng mit diesen kausalen Strukturen korreliert.

Darüber hinaus schlagen die Forscher eine alternative Methode vor, um Übungsbeziehungs‑DAGs aus den von DKT erlernten Repräsentationen zu extrahieren. Empirische Ergebnisse untermauern die These, dass DKT vor allem die kausalen Abhängigkeiten zwischen KCs approximiert, anstatt lediglich einfache relationale Abbildungen zu nutzen. Diese Erkenntnis liefert neue Einblicke in die Funktionsweise von Deep Knowledge Tracing und legt den Grundstein für weiterentwickelte, erklärbare Lernanalysen.