💻 computer science

Tracing intermittent knowledge states based on knowledge-context-aware augmentation of Q-matrices

Este artículo propone un modelo de rastreo de conocimiento que utiliza el aumento de la matriz Q consciente del contexto del conocimiento y la ordenación topológica de los conceptos de conocimiento para rastrear eficazmente los estados de conocimiento intermitentes de los estudiantes, los cuales exhiben estabilidad a corto plazo y variabilidad a largo plazo, validado mediante experimentos en múltiples conjuntos de datos.

Autores originales: Lankun Guo, Jianghui Yi, Jinhai Li, Zhiqiang Yuan

Publicado 2026-07-31

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Lankun Guo, Jianghui Yi, Jinhai Li, Zhiqiang Yuan

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de rastrear el progreso de un estudiante que aprende una materia compleja, como las matemáticas. En el mundo del "rastreo del conocimiento" (knowledge tracing), los científicos actúan como detectives, tratando de averiguar exactamente qué sabe y qué no sabe un estudiante en un momento dado. Lo hacen observando cómo los estudiantes responden preguntas a lo largo del tiempo. Tradicionalmente, muchos modelos informáticos asumían que el conocimiento de un estudiante es como un equilibrista tembloroso: cambiando y fluctuando salvajemente con cada pregunta que responde. Si un estudiante acierta una pregunta, su "nivel de conocimiento" salta hacia arriba; si falla una, se desploma.

Sin embargo, la vida real no es tan caótica. Piensa en el aprendizaje como la construcción de una casa. Puedes pasar una semana colocando ladrillos (aprendiendo), y luego tomarte un fin de semana libre (olvidando un poco), pero cuando regresas el lunes, la base que construiste la semana pasada sigue estando allí en su mayor parte. No desaparece solo porque te tomaste un descanso. La mayoría de los modelos informáticos existentes pasan por alto esta naturaleza "intermitente" del aprendizaje: la idea de que el conocimiento permanece estable durante un examen, pero puede cambiar significamente entre diferentes periodos de evaluación. Este artículo, titulado "Tracing intermittent knowledge states based on knowledge-context-aware augmentation of Q-matrices", tiene como objetivo construir un detective más inteligente que entienda este ritmo. Introduce un nuevo modelo llamado INKT que no solo observa al estudiante, sino que entiende el mapa del conocimiento mismo y cómo los estudiantes aprenden y olvidan a lo largo del tiempo.

El Mapa y las Piezas Faltantes

Para entender la solución del artículo, primero debemos observar las herramientas que los investigadores utilizaron. Imagina un mapa gigante de una ciudad donde cada calle representa un "concepto de conocimiento" (como el álgebra o la geometría) y cada edificio es una "pregunta de examen". En esta ciudad, algunas calles conducen directamente a otras; no puedes conducir hacia la autopista sin antes tomar la rampa de acceso. Este mapa se llama matriz Q (Q-matrix). Es una lista que le dice a la computadora qué conceptos son necesarios para responder ciertas preguntas.

El problema es que los mapas proporcionados por expertos humanos suelen estar incompletos. Solo muestran las conexiones obvias. Por ejemplo, un mapa podría decir: "Para resolver este problema de cálculo, necesitas saber derivadas". Pero olvida mencionar que para saber derivadas, también necesitas saber límites, y para saber límites, necesitas saber funciones. La computadora, mirando el mapa incompleto, piensa que el estudiante solo necesita saber derivadas. Si el estudiante falla el problema de cálculo, la computadora culpa a la habilidad de cálculo, pasando por alto el hecho de que el estudiante en realidad olvidó cómo manejar los límites.

Los autores de este artículo se dieron cuenta de que, para arreglar el mapa, necesitaban mirar la "topología" de la ciudad, es decir, la forma de las conexiones. Propusieron una forma de "aumentar" (o mejorar) la matriz Q. En lugar de solo mirar los enlaces directos, su algoritmo rastrea las rutas completas a través del grafo de conocimiento. Si el Concepto A conduce al Concepto B, y el Concepto B conduce al Concepto C, la computadora aprende que realizar una tarea para C también involucra a A y B. Utilizaron un método matemático llamado "ordenamiento topológico" para organizar estos conceptos en un orden lógico, como organizar libros en un estante de los más fáciles a los más difíciles. Al hacer esto, pudieron completar las conexiones "ocultas", convirtiendo un mapa disperso e incompleto en una guía rica y detallada que muestra cómo todos los conceptos están secretamente relacionados.

El Detective "Intermitente"

Una vez que tuvieron un mejor mapa, los investigadores construyeron su nuevo modelo de detective, INKT. La idea central aquí es que los estados de conocimiento son "intermitentes". Esto significa que durante un examen corto (como un cuestionario de 30 minutos), el conocimiento de un estudiante es relativamente estable. No están olvidando todo de repente o aprendiendo un nuevo capítulo en medio del examen. Sin embargo, entre exámenes —por ejemplo, con una semana de diferencia— los estudiantes pueden olvidar algunas cosas (la "tasa de olvido") o aprender cosas nuevas (la "tasa de aprendizaje").

La mayoría de los modelos antiguos trataban cada pregunta como un evento totalmente nuevo donde el conocimiento del estudiante podía oscilar violentamente. INKT, por el contrario, respeta las ventanas de tiempo. Asume que si tomas un examen hoy, tu conocimiento es una versión ligeramente evolucionada de lo que era ayer, ajustada por cuánto aprendiste o olvidaste en el ínterin. Utiliza un marco matemático llamado Teoría de Respuesta al Ítem (IRT), que es una forma elegante de decir que no solo considera si acertaste la respuesta, sino también qué tan difícil era la pregunta y qué tan buena es la pregunta para distinguir entre un estudiante inteligente y uno que está adivinando.

El modelo también tiene en cuenta la "curva del olvido", un concepto de la psicología que sugiere que perdemos información con el tiempo si no la usamos. INKT calcula una "tasa de olvido" específica para cada estudiante y cada concepto, y una "tasa de aprendizaje" para la rapidez con la que captan las cosas. Luego utiliza estas tasas para predecir cuál debería ser el estado de conocimiento del estudiante en el siguiente examen, en lugar de simplemente adivinar basándose en la última respuesta.

Lo que Mostraron los Experimentos

Para ver si este nuevo detective era bueno, los investigadores lo probaron en varios conjuntos de datos. Crearon un conjunto de datos personalizado llamado MTest a partir de una escuela secundaria real en Shenzhen, China, que involucró a 69 estudiantes, 7 exámenes y 88 conceptos de conocimiento. También utilizaron tres conjuntos de datos públicos (Math1, Math2 y FrcSub) e incluso generaron un enorme conjunto de datos simulado llamado FMTest utilizando un método de Análisis de Conceptos Formales para ver cómo el modelo manejaba grupos grandes de estudiantes.

Los resultados fueron muy prometedores. Cuando compararon INKT con otros modelos (algunos de los cuales eran más simples, y otros más complejos pero que no tenían en cuenta la naturaleza "intermitente" del aprendizaje), INKT se desempeñó consistentemente mejor.

En el conjunto de datos MTest, INKT logró una precisión (ACC) de alrededor de 0.77 en el mejor escenario de prueba, mientras que el siguiente mejor modelo solo alcanzó aproximadamente 0.57.
En el gran conjunto de datos simulado FMTest, INKT alcanzó una precisión de 0.94, superando significativamente a los demás, que rondaban el 0.81.
El modelo también demostró ser muy estable. Incluso cuando cambiaron el número de estudiantes o la mezcla de exámenes, INKT no falló; siguió dando predicciones precisas.

Los investigadores también realizaron estudios de "ablación", que son como desarmar un motor para ver qué parte hace qué. Descubrieron que si eliminaban la "tasa de olvido" o la "tasa de aprendizaje" del modelo, el rendimiento caía significativamente. Esto demostró que rastrear cómo los estudiantes aprenden y olvidan a lo largo del tiempo es esencial. También descubrieron que usar la matriz Q "aumentada" (el mapa mejorado con las conexiones ocultas) era crucial. Cuando usaron el mapa viejo e incompleto, el modelo no era tan bueno prediciendo quién acertaría qué.

El Veredicto

El artículo concluye que, al combinar un mapa de conocimiento más inteligente (la matriz Q aumentada) con un modelo que respeta el ritmo del aprendizaje y el olvido (el rastreo de estados intermitentes), podemos obtener una imagen mucho más clara de lo que los estudiantes realmente saben. Los autores sugieren que este enfoque es más racional que los modelos que asumen que el conocimiento fluctúa constante y salvajemente.

Sin embargo, los autores son cuidadosos de no afirmar que este es un problema perfecto y resuelto. Admiten que su "mapa" de conexiones de conocimiento todavía fue construido por expertos humanos, lo cual puede ser subjetivo. También señalan que su modelo asume que el conocimiento actual de un estudiante solo depende del estado inmediatamente anterior, ignorando mecanismos de "atención" más complejos que podrían estar en juego. Sugieren que el trabajo futuro podría consistir en generar automáticamente estos mapas de conocimiento a partir de los datos y utilizar mecanismos de atención más avanzados para hacer que el modelo sea aún más preciso.

En resumen, este artículo ofrece una forma lúdica pero rigurosa de dejar de tratar a los estudiantes como equilibristas nerviosos y empezar a tratarlos como constructores que colocan ladrillos, se toman un descanso y regresan para encontrar su base mayormente intacta. Al comprender las conexiones ocultas en el currículo y el flujo natural de la memoria, el modelo INKT proporciona una visión más honesta y precisa del viaje del aprendizaje.

Resumen Técnico: Rastreo de Estados de Conocimiento Intermitentes Basado en la Aumentación de Matrices Q Consciente del Contexto del Conocimiento

Formulación del Problema
Los modelos de rastreo de conocimiento (KT) existentes suelen asumir que el estado de conocimiento de un estudiante fluctúa de manera continua y significativa con cada interacción de ejercicio. Sin embargo, en escenarios educativos prácticos, los estudiantes suelen participar en el aprendizaje por lotes (por ejemplo, durante exámenes o ventanas de prueba específicas) separados por intervalos más largos. Durante estos intervalos, ocurren el aprendizaje latente y el olvido, mientras que los estados de conocimiento permanecen relativamente estables dentro de ventanas de tiempo cortas (por ejemplo, durante un solo examen). Los modelos actuales basados en aprendizaje profundo a menudo no logran capturar esta naturaleza "intermitente" de la evolución del estado de conocimiento, tratando los datos de series temporales como un flujo continuo de cambio constante. Además, los modelos tradicionales de diagnóstico cognitivo dependen en gran medida de las matrices Q (que mapean ejercicios a conceptos de conocimiento) que a menudo son proporcionadas por expertos y contienen solo conexiones explícitas. Esta incompletitud reduce la precisión del rastreo, mientras que la naturaleza de "caja negra" de los modelos de aprendizaje profundo suele sacrificar la interpretabilidad.

Metodología
Los autores proponen INKT (Rastreo de Conocimiento Intermitente), un modelo diseñado para rastrear los estados de conocimiento de los estudiantes admitiendo características de estabilidad en rangos de tiempo cortos y variabilidad a través de diferentes etapas. La metodología consta de tres módulos principales:

Minería de Índice Topológico:
El modelo utiliza un grafo de conceptos de conocimiento $G$ donde los nodos representan conceptos y las aristas dirigidas representan relaciones de preparación (prerrequisitos). Los autores definen un conjunto de "rutas completas" dentro de este grafo. Introducen un índice topológico ( $x_k$ ) para cada concepto de conocimiento para representar su posición relativa en un orden lineal deseado. Este índice se optimiza maximizando una función que equilibra:
- Correlación Positiva: La alineación entre el índice topológico y el grado de preparación acumulado (derivado de los pesos de las aristas) a lo largo de las rutas completas.
- Mecanismo de Penalización: Un término que penaliza las contradicciones donde un concepto prerrequisito tiene un índice menor que el concepto que este soporta.
  Esta optimización se resuelve mediante el descenso de gradiente para derivar un ordenamiento lineal de conceptos que mejor se ajuste a la estructura del grafo.
Aumentación de la Matriz Q Consciente del Contexto del Conocimiento:
Utilizando los índices topológicos derivados y el grafo de conceptos de conocimiento, el modelo aumenta las matrices Q originales dispersas. En lugar de depender únicamente de etiquetas explícitas de expertos, el modelo infiere conceptos de conocimiento implícitos para cada ejercicio.
- Para un ejercicio $e$ , el conjunto de conceptos relacionados incluye tanto los explícitos como aquellos que aparecen anteriormente en las rutas completas de los conceptos explícitos.
- Los valores de correlación ( $\tilde{q}_{ek}$ ) se cuantifican optimizando una función objetivo bayesiana. Esta función maximiza la compatibilidad entre los valores de la matriz Q aumentada y los índices topológicos de los conceptos de conocimiento, asegurando que la matriz actualizada refleje la estructura cognitiva subyacente.
Modelo de Rastreo de Conocimiento Intermitente:
El módulo central de rastreo integra la Teoría de Respuesta al Ítem (IRT) con un mecanismo de actualización de estado recursivo basado en fórmulas bayesianas.
- Dinámica de Estado: El dominio de un estudiante $s$ sobre un concepto $k$ en la etapa $i$ ( $I^{(i)}_{sk}$ ) se modela como una función de la maestría de la etapa anterior, ponderada por una tasa de aprendizaje ( $c^{(i)}_{sk}$ ) y una tasa de olvido ( $f^{(i)}_{sk}$ ). La tasa de olvido se modela utilizando la curva de olvido de Ebbinghaus, dependiente del intervalo de tiempo $\Delta t$ .
- Competencia y Calificación: La competencia de un estudiante en un ejercicio se calcula como la suma ponderada de su dominio en los conceptos relacionados (usando la matriz Q aumentada). La tasa de calificación simulada se deriva entonces utilizando una función logística de IRT de 2 parámetros que involucra la dificultad y la discriminación del ejercicio.
- Optimización: El modelo aprende los parámetros (maestría inicial, tasas de aprendizaje/olvido, dificultad/discriminación del ítem) minimizando una función de pérdida derivada de la distribución log-posterior, utilizando el descenso de gradiente (específicamente la optimización Adam).

Contribuciones Clave

Modelado de Estado Intermitente: El artículo introduce un marco diseñado específicamente para escenarios donde los estados de conocimiento son estables dentro de ventanas de prueba cortas pero evolucionan a través de intervalos más largos, abordando una brecha en los modelos de KT de tiempo continuo existentes.
Aumentación de la Matriz Q vía Topología: Se propone un método novedoso para aumentar automáticamente las matrices Q dispersas aprovechando la estructura topológica del grafo de conceptos de conocimiento. Esto captura dependencias de conocimiento implícitas sin requerir etiquetado adicional de expertos.
Interpretabilidad y Racionalidad: A diferencia de muchos modelos de "caja negra" de aprendizaje profundo, INKT modela explícitamente los parámetros cognitivos (tasas de aprendizaje/olvido) y los atributos del ítem (dificultad/discriminación), proporcionando una explicación transparente y teóricamente fundamentada del desempeño del estudiante.
Mecanismo de Actualización Recursiva: El modelo emplea una fórmula recursiva que actualiza dinámicamente los estados de conocimiento basándose en los intervalos de tiempo y en tasas de aprendizaje/olvido personalizadas, yendo más allá de las suposiciones estáticas de la IRT clásica.

Resultados Experimentales
Los autores evaluaron INKT en tres conjuntos de datos públicos (FrcSub, Math1, Math2) y dos conjuntos de datos recolectados recientemente (MTest y un FMTest generado por análisis de conceptos formales).

Desempeño: INKT superó consistentemente a los modelos de referencia (incluyendo variantes de IRT de 1 parámetro y 3 parámetros, y modelos basados en conjuntos difusos) en métricas como Exactitud (ACC), Error Cuadrático Medio (MSE) y Error Absoluto Medio (MAE).
Robustez: El modelo demostró una estabilidad superior bajo diversas divisiones de datos (diferentes proporciones de pruebas y estudiantes) y mostró una fuerte generalización en conjuntos de datos a gran escala.
Estudios de Ablación: Eliminar ya sea el componente de la tasa de aprendizaje o de la tasa de olvido degradó significamente el desempeño, confirmando la necesidad de modelar ambos factores cognitivos. Reemplazar la matriz Q aumentada con la original también resultó en caídas de desempeño, validando el valor de la estrategia de aumentación.
Estudios de Caso: Las visualizaciones de las trayectorias de maestría de estudiantes específicos revelaron la capacidad del modelo para capturar patrones de aprendizaje matizados, como debilidades persistentes en conceptos específicos o mejoras graduales, y la interacción dinámica entre el aprendizaje y el olvido.

Significancia y Afirmaciones
El artículo afirma que INKT proporciona un enfoque más racional y preciso para el rastreo de conocimiento al alinearse con los procesos cognitivos reales de los estudiantes (estabilidad intermitente y variabilidad). Al integrar el análisis topológico para la aumentación de la matriz Q y parámetros cognitivos explícitos para el rastreo de estado, el modelo supera las limitaciones estáticas de la IRT clásica y los problemas de interpretabilidad de los modelos de aprendizaje profundo. Los autores sostienen que su enfoque ofrece un marco de modelado dinámico "tridimensional" (estudiante-tiempo-ítem) que simula eficazmente la evolución temporal de los estados de conocimiento, lo que lo hace particularmente adecuado para sistemas de educación personalizada donde entender el proceso de aprendizaje es tan importante como predecir el resultado.

Limitaciones y Trabajo Futuro
Los autores reconocen que las relaciones preliminares en el grafo de conocimiento son actualmente proporcionadas por expertos, lo que introduce un posible sesgo subjetivo. El trabajo futuro apunta a desarrollar métodos para extraer automáticamente grafos de conocimiento a partir de los datos. Además, el mecanismo recursivo actual asume que el estado actual depende solo del estado anterior; los autores sugieren incorporar mecanismos de atención para capturar dependencias más complejas como una dirección futura. Finalmente, señalan que la estrategia actual de actualización de la matriz Q se centra en el ordenamiento lineal, mientras que las estructuras lógicas más complejas entre conceptos pueden requerir mayor investigación.

El Mapa y las Piezas Faltantes

El Detective "Intermitente"

Lo que Mostraron los Experimentos

El Veredicto

Más como este