तकनीकी सारांश: फेज-अवेयर नॉलेज ट्रेसिंग (PAKT)

समस्या विवरण (Problem Statement)

नॉलेज ट्रेसिंग (KT) का लक्ष्य छात्र के ऐतिहासिक इंटरैक्शन अनुक्रमों (interaction sequences) के आधार पर उनके विकसित होते ज्ञान अवस्थाओं (knowledge states) को मॉडल करके भविष्य के प्रदर्शन की भविष्यवाणी करना है। जबकि मौजूदा डीप लर्निंग-आधारित KT विधियों (जैसे DKT, SAINT, AKT) ने महत्वपूर्ण प्रगति की है, वे मुख्य रूप से कच्चे इंटरैक्शन अनुक्रम को एक एकीकृत व्यवहार प्रक्रिया (unified behavioral process) के रूप में मानती हैं। यह एकीकृत प्रतिमान (paradigm) अंतर्निहित रूप से यह मान लेता है कि सभी इंटरैक्शन ज्ञान अवस्था के विकास में समान रूप से योगदान देते हैं, जो सीखने की चरण-विशिष्ट प्रकृति (phase-specific nature) की अनदेखी करता है।

लेखक देखते हैं कि छात्र के सीखने के व्यवहार विभिन्न चरणों में काफी भिन्न होते हैं: शुरुआती इंटरैक्शन मुख्य रूप से क्षमता निर्माण (अवधारणाओं का प्रारंभिक अधिग्रहण और समझ) को दर्शाते हैं, जबकि बाद के इंटरैक्शन निपुणता (महारत हासिल करने के बाद कौशल स्वचालन, प्रवाह और निरंतरता) को दर्शाते हैं। इन विशिष्ट चरणों को एक एकल सजातीय (homogeneous) अनुक्रम के रूप में मानने से जटिल शिक्षण संकेतों में उलझाव हो सकता है, जिससे कन्फाउंडिंग बायस (confounding bias) उत्पन्न होता है और ज्ञान अवस्थाओं के गतिशील विकास को सटीक रूप से चित्रित करने की मॉडल की क्षमता सीमित हो जाती है।

कार्यप्रणाली: फेज-अवेयर नॉलेज ट्रेसिंग (PAKT)

इन सीमाओं को दूर करने के लिए, लेखक PAKT का प्रस्ताव करते हैं, जो एक ढांचा (framework) है जो चरण-विशिष्ट मॉडलिंग के लिए छात्र इंटरैक्शन अनुक्रमों को अलग-अलग क्षमता (Ability) और निपुणता (Proficiency) चरणों में विभाजित करता है। कार्यप्रणाली में तीन मुख्य घटक शामिल हैं:

1. लर्निंग बिहेवियर-अवेयर सीक्वेंस डिकंपोजिशन (Learning Behavior-Aware Sequence Decomposition)

मुख्य नवाचार एक डिकंपोजिशन तंत्र है जो प्रत्येक ज्ञान अवधारणा (KC) के लिए छात्र के रिस्पॉन्स इतिहास को सही प्रतिक्रियाओं की संचयी संख्या (cumulative count of correct responses) के आधार पर विभाजित करता है।

• तंत्र (Mechanism): एक बाइनरी फेज इंडिकेटर फंक्शन $\delta(s, c, t)$ को थ्रेशोल्ड $k$ का उपयोग करके परिभाषित किया गया है। यदि किसी अवधारणा $c$ के लिए छात्र $s$ द्वारा चरण $t$ तक सही प्रतिक्रियाओं की संचयी संख्या $k$ से कम है, तो उस इंटरैक्शन को एबिलिटी फेज (Ability Phase) में असाइन किया जाता है। एक बार जब गणना $k$ तक पहुँच जाती है या उससे अधिक हो जाती है, तो बाद के इंटरैक्शन को प्रोफिशिएंसी फेज (Proficiency Phase) में असाइन किया जाता है।
• आउटपुट: यह प्रक्रिया दो डिकंपोजिशन मास्क मैट्रिसेस ($M^{A}$ और $M^{F}$) उत्पन्न करती है जो मूल अनुक्रम को एक एबिलिटी सबसीक्वेंस और एक प्रोफिशिएंसी सबसीक्वेंस में विभाजित करती है, जबकि मूल पूर्ण अनुक्रम को बनाए रखती है।

2. मल्टी-ब्रांच ट्रांसफॉर्मर-बेस्ड बैकबोन (Multi-Branch Transformer-Based Backbone)

PAKT विभाजित अनुक्रमों को प्रोसेस करने के लिए एक मल्टी-ब्रांच ट्रांसफॉर्मर आर्किटेक्चर का उपयोग करता है:

• तीन इनपुट शाखाएं (Three Input Branches):
  1. एबिलिटी ब्रांच (Ability Branch): $M^{A}$ द्वारा मास्क किए गए इंटरैक्शन को प्रोसेस करती है, जो आंतरिक संज्ञानात्मक क्षमता (intrinsic cognitive capacity) और प्रारंभिक अधिग्रहण को कैप्चर करती है।
  2. प्रोफिशिएंसी ब्रांच (Proficiency Branch): $M^{F}$ द्वारा मास्क किए गए इंटरैक्शन को प्रोसेस करती है, जो अभ्यास-प्रेरित स्वचालन (practice-induced automation) और निरंतरता को कैप्चर करती है।
  3. कम्प्लीट ब्रांच (Complete Branch): मूल, गैर-विभाजित अनुक्रम को प्रोसेस करती है ताकि सीखने के प्रक्षेपवक्र (learning trajectory) का समग्र दृष्टिकोण बना रहे।
• दो-चरणीय प्रशिक्षण (Two-Stage Training): बैकबोन एक दो-चरणीय डिकोडर तंत्र का उपयोग करता है। पहला चरण सभी शाखाओं के लिए एक साझा (shared) ट्रांसफॉर्मर डिकोडर का उपयोग करता है ताकि सार्वभौमिक अनुक्रमिक विशेषताओं को कुशलतापूर्वक सीखा जा सके। दूसरा चरण प्रत्येक शाखा के लिए स्वतंत्र डिकोडर्स (independent decoders) का उपयोग करता है ताकि चरण-विशिष्ट विशेषज्ञता सक्षम हो सके।

3. टाइप-अवेयर रीडआउट मॉड्यूल (Type-Aware Readout Module)

तीन शाखाओं से प्राप्त रिप्रेजेंटेशन को एकीकृत करने के लिए, एक टाइप-अवेयर रीडआउट मॉड्यूल डिज़ाइन किया गया है:

• अनुकूली संलयन (Adaptive Fusion): एबिलिटी ($H_A$) और प्रोफिशिएंसी ($H_F$) रिप्रेजेंटेशन को एक सीखने योग्य गुणांक $\alpha$ के माध्यम से फ्यूज किया जाता है: $H_{AF} = \alpha \cdot H_A + (1-\alpha) \cdot H_F$।
• डिफरेंशियल गेन (Differential Gain): एक गैप वेक्टर $H_{\Delta} = H_F - H_A$ की गणना की जाती है ताकि अभ्यास द्वारा संचालित प्रदर्शन सुधार को स्पष्ट रूप से कैप्चर किया जा सके।
• अंतिम प्रतिनिधित्व (Final Representation): अंतिम छात्र प्रतिनिधित्व $H_S$ को फ्यूज किए गए एबिलिटी-प्रोफिशिएंसी वेक्टर, कम्प्लीट ब्रांच रिप्रेजेंटेशन ($H_C$), और डिफरेंशियल गेन वेक्टर के संयोजन (concatenation) द्वारा बनाया जाता है: $H_S = [H_{AF} \parallel H_C \parallel H_{\Delta}]$।
• भविष्यवाणी (Prediction): इस प्रतिनिधित्व को लक्षित प्रश्न विशेषताओं के साथ जोड़ा जाता है और सही प्रतिक्रिया की संभावना की भविष्यवाणी करने के लिए एक MLP के माध्यम से भेजा जाता है।

कारण विश्लेषण (Causal Analysis)

पेपर एक स्ट्रक्चरल कॉज़ल मॉडल (SCM) का उपयोग करके एक कारण विश्लेषण प्रदान करता है। यह तर्क देता है कि पारंपरिक KT मॉडल में, छात्र की आंतरिक क्षमता ($A$) और अर्जित निपुणता ($F$), देखे गए इंटरैक्शन इतिहास ($D$) के माध्यम से आपस में उलझी हुई होती हैं, जिससे एक कन्फाउंडिंग बायस (confounding bias) पैदा होता है जो लेटेंट स्टूडेंट रिप्रेजेंटेशन ($S$) को प्रभावित करता है। $A$ और $F$ को स्पष्ट रूप से अलग करके और उन्हें अलग से मॉडल करके, PAKT इस स्प्यूरियस सहसंबंध (spurious correlation) को तोड़ता है, जिससे प्रत्येक कारक के वास्तविक योगदान का अधिक सटीक अनुमान लगाने की अनुमति मिलती है।

मुख्य योगदान (Key Contributions)

1. डिकंपोजिशन मैकेनिज्म: एक नया लर्निंग बिहेवियर-अवेयर मैकेनिज्म का विकास जो संचयी सही प्रतिक्रियाओं के आधार पर इंटरैक्शन अनुक्रमों को एबिलिटी और प्रोफिशिएंसी चरणों में विभाजित करता है।
2. मॉडल आर्किटेक्चर: एक मल्टी-ब्रांच ट्रांसफॉर्मर बैकबोन और एक टाइप-अवेयर रीडआउट मॉड्यूल का प्रस्ताव जो संयुक्त रूप से चरण-विशिष्ट और समग्र ज्ञान अवस्थाओं को कैप्चर करता है।
3. अनुभवजन्य सत्यापन (Empirical Validation): छह सार्वजनिक डेटासेट्स पर प्रतिनिधि बेसलाइन्स पर निरंतर सुधार प्रदर्शित करने वाले व्यापक प्रयोग।
4. सैद्धांतिक अंतर्दृष्टि: एक कारण विश्लेषण जो फेज-एग्नोस्टिक मॉडल्स में कन्फाउंडिंग बायस को प्रकट करता है और लर्निंग बिहेवीयर्स को अलग करने की आवश्यकता को न्यायसंगत ठहराता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने छह सार्वजनिक बेंचमार्क: Algebra05, ASSISTments09, ASSISTments17, Ed-Net, Slepemapy, और Spanish पर PAKT का मूल्यांकन किया।

• प्रदर्शन: PAKT ने दोनों AUC (Area Under the ROC Curve) और ACC (Accuracy) मेट्रिक्स पर छह छहों डेटासेट्स पर सर्वश्रेष्ठ प्रदर्शन किया।
• सुधार: विधि ने सबसे मजबूत बेसलाइन्स पर निरंतर लाभ दिखाया, जिसमें औसत AUC लाभ 0.82% और अधिकतम AUC लाभ 1.33% (Spanish डेटासेट पर) रहा।
• तुलना: जबकि DisKT (एक पिछला डिकंपोजिशन मेथड) प्रतिस्पर्धी परिणाम दिखाता था, इसका प्रदर्शन अस्थिर था। PAKT का सूक्ष्म, चरण-आधारित डिकंपोजिशन अधिक मजबूत और सार्वभौमिक रूप से प्रभावी साबित हुआ।
• संवेदनशीलता (Sensitivity): थ्रेशोल्ड पैरामीटर $k$ पर संवेदनशीलता विश्लेषण ने संकेत दिया कि इष्टतम प्रदर्शन आम तौर पर निम्न मूल्यों ($k \le 5$) पर होता है, जिसमें विशिष्ट इष्टतम मान डेटासेट की विशेषताओं (जैसे, अवधारणा घनत्व और इंटरैक्शन वॉल्यूम) के अनुसार भिन्न होते हैं।
• एब्लेशन (Ablation): "Complete" ब्रांच को हटाने से सबसे अधिक प्रदर्शन गिरावट हुई, जो समग्र दृष्टिकोण की आवश्यकता की पुष्टि करता है, जबकि दोनों चरण-विशिष्ट शाखाओं ने पूरक सुधार (complementary refinements) प्रदान किए।

महत्व और सीमाएं (Significance and Limitations)

पेपर का दावा है कि PAKT "होमोजेनियस मॉडलिंग प्रतिमान" से आगे बढ़कर क्षमता अधिग्रहण से कौशल सुदृढ़ीकरण (skill consolidation) तक के अस्थायी संक्रमण को स्पष्ट रूप से मॉडल करके क्षेत्र को उन्नत करता है। यह दृष्टिकोण सीखने के व्यवहार संबंधी अर्थों (behavioral semantics) के साथ बेहतर तालमेल बिठाता है और कन्फाउंडिंग बायस को कम करता है।

हालाँकि, लेखक विशिष्ट सीमाओं को भी स्वीकार करते हैं:

• डेटा स्पर्सिटी (Data Sparsity): यदि किसी छात्र के पास किसी अवधारणा के साथ थ्रेशोल्ड $k$ तक पहुँचने के लिए बहुत कम इंटरैक्शन हैं, तो प्रोफिशिएंसी ब्रांच को बहुत कम या कोई सिग्नल नहीं मिलता है, जिससे इसकी प्रभावशीलता कमजोर हो सकती है।
• हाइपरपैरामीटर ट्यूनिंग: इष्टतम थ्रेशोल्ड $k$ को मैन्युअल रूप से ट्यून करना आवश्यक है और यह डेटासेट्स के बीच भिन्न होता है, जो भविष्य में स्वचालित डिकंपोजिशन रणनीतियों की आवश्यकता का सुझाव देता है।
• छोटे अनुक्रम (Short Sequences): यह विधि बहुत छोटे इंटरैक्शन अनुक्रमों के साथ संघर्ष कर सकती है जहाँ चरण संक्रमण (phase transition) दृश्यमान नहीं होता है।

यह कार्य नेशनल नेचुरल साइंस फाउंडेशन ऑफ चाइना और विभिन्न विश्वविद्यालय सुधार परियोजनाओं द्वारा समर्थित है।