💻 computer science

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

Cet article propose un modèle de suivi des connaissances qui utilise une augmentation de la matrice Q sensible au contexte de la connaissance et un tri topologique des concepts de connaissance pour suivre efficacement les états de connaissances intermittents des étudiants, qui présentent une stabilité à court terme et une variabilité à long terme, validé par des expériences sur plusieurs ensembles de données.

Auteurs originaux : Lankun Guo, Jianghui Yi, Jinhai Li, Zhiqiang Yuan

Publié 2026-07-31

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Lankun Guo, Jianghui Yi, Jinhai Li, Zhiqiang Yuan

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de suivre les progrès d'un élève apprenant un sujet complexe, comme les mathématiques. Dans le monde du « traçage des connaissances » (knowledge tracing), les scientifiques agissent comme des détectives, cherchant à comprendre exactement ce qu'un élève sait et ne sait pas à un instant donné. Ils font cela en observant la manière dont les élèves répondent aux questions au fil du temps. Traditionnellement, de nombreux modèles informatiques supposaient que le niveau de connaissance d'un élève est comme un funambule instable : oscillant, changeant et fluctuant sauvagement à chaque question posée. Si un élève répond correctement à une question, son « niveau de connaissance » bondit ; s'il se trompe, il s'effondre.

Cependant, la vie réelle n'est pas aussi chaotique. Pensez à l'apprentissage comme à la construction d'une maison. Vous pouvez passer une semaine à poser des briques (apprendre), puis prendre un week-end de repos (oublier un peu), mais quand vous revenez le lundi, la fondation que vous avez construite la semaine dernière est toujours là pour l'essentiel. Elle ne disparaît pas simplement parce que vous avez fait une pause. La plupart des modèles existants ignorent cette nature « intermittente » de l'apprentissage — l'idée que la connaissance reste stable pendant un test, mais peut changer de manière significative entre différentes périodes d'évaluation. Ce papier, intitulé « Tracing intermittent knowledge states based on knowledge-context-aware augmentation of Q-matrices », vise à construire un détective plus intelligent qui comprend ce rythme. Il introduit un nouveau modèle appelé INKT qui ne se contente pas de surveiller l'élève ; il comprend la carte de la connaissance elle-même et la façon dont les élèves apprennent et oublient au fil du temps.

La Carte et les Pièces Manquantes

Pour comprendre la solution des chercheurs, nous devons d'abord examiner les outils qu'ils ont utilisés. Imaginez une carte géante d'une ville où chaque rue représente un « concept de connaissance » (comme l'algèbre ou la géométrie) et chaque bâtiment est une « question de test ». Dans cette ville, certaines rues mènent directement à d'autres ; on ne peut pas conduire sur l'autoroute sans passer par la bretelle d'accès. Cette carte est appelée une matrice Q. C'est une liste qui indique à l'ordinateur quels concepts sont nécessaires pour répondre à quelles questions.

Le problème est que les cartes fournies par les experts humains sont souvent incomplètes. Elles ne montrent que les connexions évidentes. Par exemple, une carte pourrait dire : « Pour résoudre ce problème de calcul, vous devez connaître les dérivées. » Mais elle oublie de mentionner que pour connaître les dérivées, vous devez aussi connaître les limites, et pour connaître les limites, vous devez connaître les fonctions. L'ordinateur, regardant la carte incomplète, pense que l'élève a seulement besoin de connaître les dérivées. Si l'élève échoue au problème de calcul, l'ordinateur blâme la compétence en calcul, omettant le fait que l'élève a en réalité oublié comment gérer les limites.

Les auteurs de ce papier ont réalisé que pour corriger la carte, ils devaient observer la « topologie » de la ville — la forme des connexions. Ils ont proposé un moyen d'« augmenter » (ou de mettre à niveau) la matrice Q. Au lieu de regarder uniquement les liens directs, leur algorithme trace les chemins complets à travers le graphe de connaissances. Si le Concept A mène au Concept B, et que le Concept B mène au Concept C, l'ordinateur apprend qu'effectuer une tâche pour C implique également A et B. Ils ont utilisé une méthode mathématique appelée « tri topologique » pour organiser ces concepts dans un ordre logique, comme le rangement de livres sur une étagère, du plus facile au plus difficile. En faisant cela, ils ont pu combler les connexions « cachées », transformant une carte éparse et incomplète en un guide riche et détaillé montrant comment tous les concepts sont secrètement liés.

Le Détective « Intermittent »

Une fois qu'ils ont eu une meilleure carte, les chercheurs ont construit leur nouveau modèle de détective, INKT. L'idée centrale ici est que les états de connaissance sont « intermittents ». Cela signifie que lors d'un test court (comme un quiz de 30 minutes), la connaissance d'un élève est relativement stable. L'élève n'est pas en train d'oublier soudainement tout ou d'apprendre un nouveau chapitre au milieu du quiz. Cependant, entre deux tests — disons, à une semaine d'intervalle — les élèves peuvent oublier certaines choses (le « taux d'oubli ») ou apprendre de nouvelles choses (le « taux d'apprentissage »).

La plupart des anciens modèles traitaient chaque question comme un événement totalement nouveau où le niveau de connaissance de l'élève pouvait osciller violemment. INKT, en revanche, respecte les fenêtres de temps. Il suppose que si vous passez un test aujourd'hui, votre connaissance est une version légèrement évoluée de ce qu'elle était hier, ajustée par ce que vous avez appris ou oublié entre-temps. Il utilise un cadre mathématique appelé Théorie de la réponse aux items (IRT), ce qui est une façon sophistiquée de dire qu'il considère non seulement si vous avez répondu correctement, mais aussi la difficulté de la question et la capacité de cette question à distinguer un élève brillant d'un élève qui devine.

Le modèle tient également compte de la « courbe de l'oubli », un concept de psychologie suggérant que nous perdons des informations au fil du temps si nous ne les utilisons pas. INKT calcule un « taux d'oubli » spécifique pour chaque élève et chaque concept, ainsi qu'un « taux d'apprentissage » pour la vitesse à laquelle ils acquièrent les connaissances. Il utilise ensuite ces taux pour prédire quel devrait être l'état de connaissance de l'élève au prochain test, plutôt que de simplement deviner en se basant sur la dernière réponse.

Ce que les Expériences ont Montré

Pour voir si ce nouveau détective était efficace, les chercheurs l'ont testé sur plusieurs ensembles de données. Ils ont créé un ensemble de données personnalisé appelé MTest à partir d'un véritable lycée de Shenzhen, en Chine, impliquant 69 élèves, 7 tests et 88 concepts de connaissance. Ils ont également utilisé trois ensembles de données publics (Math1, Math2 et FrcSub) et ont même généré un énorme ensemble de données simulées appelé FMTest en utilisant une méthode d'Analyse des Concepts Formels pour voir comment le modèle gérait de grands groupes d'élèves.

Les résultats ont été très prometteurs. Lorsqu'ils ont comparé INKT à d'autres modèles (certains plus simples, et d'autres plus complexes mais ne tenant pas compte de la nature « intermittente » de l'apprentissage), INKT a systématiquement obtenu de meilleurs résultats.

Sur l'ensemble de données MTest, INKT a atteint une précision (ACC) d'environ 0,77 dans le meilleur scénario de test, tandis que le deuxième meilleur modèle n'a atteint qu'environ 0,57.
Sur le grand ensemble de données simulées FMTest, INKT a atteint une précision de 0,94, surpassant nettement les autres qui stagnaient autour de 0,81.
Le modèle a également fait preuve d'une grande stabilité. Même lorsqu'ils modifiaient le nombre d'élèves ou le mélange de tests, INKT ne s'effondrait pas ; il continuait à fournir des prédictions précises.

Les chercheurs ont également mené des études d'« ablation », qui consistent à démonter le moteur pour voir quelle pièce fait quoi. Ils ont découvert que si l'on retirait le « taux d'oubli » ou le « taux d'apprentissage » du modèle, la performance chutait considérablement. Cela a prouvé que le suivi de la manière dont les élèves apprennent et oublient au fil du temps est essentiel. Ils ont également constaté que l'utilisation de la matrice Q « augmentée » (la carte améliorée avec les connexions cachées) était cruciale. Lorsqu'ils utilisaient l'ancienne carte incomplète, le modèle n'était pas aussi performant pour prédire qui réussirait ou non.

Le Verdict

L'article conclut qu'en combinant une carte plus intelligente des connaissances (la matrice Q augmentée) avec un modèle qui respecte le rythme de l'apprentissage et de l'oubli (le traçage des états intermittents), nous pouvons obtenir une image beaucoup plus claire de ce que les élèves savent réellement. Les auteurs suggèrent que cette approche est plus rationnelle que les modèles qui supposent que les connaissances fluctuent constamment et de manière sauvage.

Cependant, les auteurs prennent soin de ne pas prétendre qu'il s'agit d'un problème parfaitement résolu. Ils admettent que leur « carte » des connexions de connaissances est encore construite par des experts humains, ce qui peut être subjectif. Ils notent également que leur modèle suppose que la connaissance actuelle d'un élève ne dépend que de l'état immédiatement précédent, ignorant des mécanismes d'« attention » plus complexes qui pourraient être en jeu. Ils suggèrent que les travaux futurs pourraient consister à générer automatiquement ces cartes de connaissances à partir des données et à utiliser des mécanismes d'attention plus avancés pour rendre le modèle encore plus précis.

En bref, ce papier propose une manière ludique mais rigoureuse de cesser de traiter les élèves comme des funambules nerveux pour commencer à les traiter comme des bâtisseurs qui posent des briques, font une pause, et reviennent pour trouver leur fondation largement intacte. En comprenant les connexions cachées du programme scolaire et le flux naturel de la mémoire, le modèle INKT offre une vision plus honnête et plus précise du parcours d'apprentissage.

Résumé Technique : Traçage des États de Connaissance Intermittents Basé sur l'Augmentation des Matrices-Q Sensibles au Contexte de la Connaissance

Formulation du Problème
Les modèles de traçage de connaissances (KT - Knowledge Tracing) existants supposent souvent que l'état de connaissance d'un étudiant fluctue de manière continue et significative à chaque interaction avec un exercice. Cependant, dans les scénaux éducatifs réels, les étudiants s'engagent généralement dans l'apprentissage par lots (par exemple, lors d'examens ou de fenêtres de tests spécifiques) séparés par des intervalles plus longs. Durant ces intervalles, un apprentissage et un oubli latents se produisent, tandis que les états de connaissance restent relativement stables au sein de courtes fenêtres temporelles (par exemple, lors d'un seul examen). Les modèles actuels basés sur l'apprentissage profond échouent souvent à capturer cette nature « intermittente » de l'évolution de l'état de connaissance, traitant les données de séries temporelles comme un flux continu de changements constants. De plus, les modèles traditionnels de diagnostic cognitif reposent fortement sur des matrices-Q (cartographiant les exercices aux concepts de connaissances) qui sont souvent fournies par des experts et ne contiennent que des connexions explicites, manquant ainsi les relations implicites. Cette incomplétude réduit la précision du traçage, tandis que la nature de « boîte noire » des modèles d'apprentissage profond sacrifie souvent l'interprétabilité.

Méthodologie
Les auteurs proposent INKT (Intermittent Knowledge Tracing), un modèle conçu pour tracer les états de connaissance des étudiants en admettant des caractéristiques de stabilité dans de courtes plages temporelles et de variabilité à travers différentes étapes. La méthodologie se compose de trois modules de base :

Extraction de l'Indice Topologique :
Le modèle utilise un graphe de concepts de connaissances $G$ où les nœuds représentent des concepts et les arêtes dirigées représentent des relations de préparation (prérequis). Les auteurs définissent un ensemble de « chemins complets » au sein de ce graphe. Ils introduisent un indice topologique ( $x_k$ ) pour chaque concept de connaissance afin de représenter sa position relative dans un ordre linéaire souhaité. Cet indice est optimisé en maximisant une fonction qui équilibre :
- La Corrélation Positive : L'alignement entre l'indice topologique et le degré de préparation accumulé (dérivé des poids des arêtes) le long des chemins complets.
- Le Mécanisme de Pénalité : Un terme qui pénalise les contradictions où un concept prérequis possède un indice inférieur au concept qu'il soutient.
  Cette optimisation est résolue via la descente de gradient pour dériver un ordonnancement linéaire des concepts qui s'ajuste au mieux à la structure du graphe.
Augmentation de la Matrice-Q Sensible au Contexte de la Connaissance :
En utilisant les indices topologiques dérivés et le graphe de concepts de connaissances, le modèle augmente les matrices-Q originales éparses. Au lieu de s'appuyer uniquement sur des étiquettes d'experts explicites, le modèle infère des concepts de connaissances implicites pour chaque exercice.
- Pour un exercice $e$ , l'ensemble des concepts liés comprend à la fois les concepts explicites et ceux apparaissant plus tôt dans les chemins complets des concepts explicites.
- Les valeurs de corrélation ( $\tilde{q}_{ek}$ ) sont quantifiées en optimisant une fonction objectif bayésienne. Cette fonction maximise la compatibilité entre les valeurs de la matrice-Q augmentée et les indices topologiques des concepts de connaissances, garantissant que la matrice mise à jour reflète la structure cognitive sous-jacente.
Modèle de Traçage de Connaissance Intermittent :
Le module de traçage central intègre la Théorie de la Réponse à l'Item (IRT) avec un mécanisme de mise à jour récursive basé sur des formules bayésiennes.
- Dynamique de l'État : La maîtrise d'un étudiant $s$ sur un concept $k$ à l'étape $i$ ( $I^{(i)}_{sk}$ ) est modélisée comme une fonction de la maîtrise de l'étape précédente, pondérée par un taux d'apprentissage ( $c^{(i)}_{sk}$ ) et un taux d'oubli ( $f^{(i)}_{sk}$ ). Le taux d'oubli est modélisé à l'aide de la courbe d'oubli d'Ebbinghaus, dépendant de l'intervalle de temps $\Delta t$ .
- Maîtrise et Score : La maîtrise d'un étudiant sur un exercice est calculée comme la somme pondérée de sa maîtrise des concepts liés (en utilisant la matrice-Q augmentée). Le taux de score simulé est ensuite dérivé à l'aide d'une fonction logistique IRT à deux paramètres impliquant la difficulté et la discrimination de l'exercice.
- Optimisation : Le modèle apprend les paramètres (maîtrise initiale, taux d'apprentissage/d'oubli, difficulté/discrimination de l'item) en minimisant une fonction de perte dérivée de la distribution log-a posteriori, en utilisant la descente de gradient (spécifiquement l'optimisation Adam).

Principales Contributions

Modélisation de l'État Intermittent : L'article introduit un cadre spécifiquement conçu pour les scénarios où les états de connaissance sont stables au sein de courtes fenêtres de test mais évoluent à travers de plus longs intervalles, comblant une lacune dans les modèles de KT à temps continu existants.
Augmentation de la Matrice-Q via la Topologie : Une nouvelle méthode est proposée pour augmenter automatiquement les matrices-Q éparses en exploitant la structure topologique du graphe de concepts de connaissances. Cela capture les dépendances de connaissances implicites sans nécessiter d'étiquetage d'expert supplémentaire.
Interprétabilité et Rationalité : Contra-rencement à de nombreux modèles de « boîte noire » de l'apprentissage profond, INKT modélise explicitement les paramètres cognitifs (taux d'apprentissage/d'oubli) et les attributs des items (difficulté/discrimination), fournissant une explication transparente et théoriquement fondée de la performance de l'étudiant.
Mécanisme de Mise à Jour Récursive : Le modèle emploie une formule récursive qui met à jour dynamiquement les états de connaissance en fonction des intervalles de temps et des taux d'apprentissage/d'oubli personnalisés, dépassant les hypothèses statiques de l'IRT classique.

Résultats Expérimentaux
Les auteurs ont évalué INKT sur trois jeux de données publics (FrcSub, Math1, Math2) et deux nouveaux jeux de données collectés (MTest et un FMTest généré par analyse de concept formel).

Performance : INKT a systématiquement surpassé les modèles de référence (incluant les variantes de l'IRT à 1 paramètre et à 3 paramètres, ainsi que les modèles basés sur les ensembles flous) sur des métriques telles que l'Exactitude (ACC), l'Erreur Quadratique Moyenne (MSE) et l'Erreur Absolue Moyenne (MAE).
Robustesse : Le modèle a démontré une stabilité supérieure sous diverses divisions de données (proportions différentes de tests et d'étudiants) et a montré une forte généralisation sur des jeux de données à grande échelle.
Études d'Ablation : Le retrait soit de la composante du taux d'apprentissage, soit de celle du taux d'oubli a considérablement dégradé les performances, confirmant la nécessité de modéliser les deux facteurs cognitifs. Le remplacement de la matrice-Q augmentée par l'originale a également entraîné des baisses de performance, validant la valeur de la stratégie d'augmentation.
Études de Cas : Les visualisations des trajectoires de maîtrise de certains étudiants ont révélé la capacité du modèle à capturer des schémas d'apprentissage nuancés, tels que des faiblesses persistantes dans des concepts spécifiques ou des améliorations graduelles, ainsi que l'interaction dynamique entre l'apprentissage et l'oubli.

Signification et Revendications
L'article affirme qu'INKT fournit une approche plus rationnelle et précise du traçage de connaissances en s'alignant sur les processus cognitifs réels des étudiants (stabilité intermittente et variabilité). En intégrant l'analyse topologique pour l'augmentation de la matrice-Q et des paramètres cognitifs explicites pour le traçage de l'état, le modèle surmonte les limites statiques de l'IRT classique et les problèmes d'interprétabilité des modèles d'apprentissage profond. Les auteurs soutiennent que leur approche offre un cadre de modélisation dynamique « tridimensionnel » (étudiant-temps-item) qui simule efficacement l'évolution temporelle des états de connaissance, ce qui la rend particulièrement adaptée aux systèmes d'éducation personnalisée où la compréhension du processus d'apprentissage est aussi importante que la prédiction du résultat.

Limites et Travaux Futurs
Les auteurs reconnaissent que les relations préliminaires dans le graphe de connaissances sont actuellement fournies par des experts, introduisant un potentiel biais subjectif. Les travaux futurs visent à développer des méthodes pour extraire automatiquement des graphes de connaissances à partir des données. De plus, le mécanisme récursif actuel suppose que l'état actuel dépend uniquement de l'état précédent ; les auteurs suggèrent d'incorporer des mécanismes d'attention pour capturer des dépendances plus complexes comme une direction future. Enfin, ils notent que la stratégie actuelle de mise à jour de la matrice-Q se concentre sur l'ordonnancement linéaire, tandis que des structures logiques plus complexes entre les concepts pourraient nécessiter des investigations supplémentaires.

La Carte et les Pièces Manquantes

Le Détective « Intermittent »

Ce que les Expériences ont Montré

Le Verdict

Articles similaires