Abstract
知識トレーシング（KT）は、過去の相互作用から学習者の将来の成績を予測することを目的とします。近年のKT手法では、知識コンポーネントに整合した学習アイテム表現によって性能が向上していますが、問題解決の手続き的ダイナミクスを見落としています。そこで本研究では、行動を考慮したアイテムモデリング（Behavior-Aware Item Modeling, BAIM）を提案します。これは、動的な手続き的解決情報を統合することで、アイテム表現を豊かにする枠組みです。BAIMは推論言語モデルを活用し、各アイテムの解決を4つの問題解決段階（すなわち、理解、計画、実行、振り返り）に分解します。これらはポリヤの枠組みに基づく教育的な根拠を持っています。具体的には、段階ごとの埋め込み軌跡から段階レベル表現を導出し、表面的特徴のほかに潜在的な信号を捉えます。学習者の多様性を反映するために、BAIMはこれらの段階ごとの表現を適応的にルーティングし、KTバックボーン内に文脈条件付けメカニズムを導入します。これにより、学習者ごとに異なる手続き段階が重視されるようになります。XES3G5MおよびNIPS34での実験では、BAIMが強力な事前学習ベースラインを一貫して上回り、特に学習者の反復的な相互作用下で大幅な改善を達成することが示されました。
