💻 computer science

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

Este artigo propõe um modelo de rastreamento de conhecimento que utiliza o aumento da matriz Q consciente do contexto do conhecimento e a ordenação topológica de conceitos de conhecimento para rastrear efetivamente os estados de conhecimento intermitentes dos alunos, que exibem estabilidade de curto prazo e variabilidade de longo prazo, validados por meio de experimentos em múltiplos conjuntos de dados.

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

Publicado 2026-07-31

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando rastrear o progresso de um aluno aprendendo uma matéria complexa, como matemática. No mundo do "rastreamento de conhecimento" (knowledge tracing), cientistas agem como detetives, tentando descobrir exatamente o que um aluno sabe e o que não sabe em um determinado momento. Eles fazem isso observando como os alunos respondem às perguntas ao longo do tempo. Tradicionalmente, muitos modelos computacionais assumiam que o conhecimento de um aluno é como um equilibrista em uma corda bamba instável: oscilando, mudando e flutuando descontroladamente a cada pergunta que responde. Se um aluno acerta uma questão, seu "nível de conhecimento" dá um salto; se erra uma, ele despenca.

No entanto, a vida real não é tão caótica. Pense no aprendizado como a construção de uma casa. Você pode passar uma semana assentando tijolos (aprendendo) e depois tirar um fim de semana de folga (esquecendo um pouco), mas quando volta na segunda-feira, a fundação que você construiu na semana passada ainda está majoritariamente lá. Ela não desaparece só porque você fez uma pausa. A maioria dos modelos computacionais existentes ignora essa natureza "intermitente" do aprendizado — a ideia de que o conhecimento permanece estável durante um teste, mas pode mudar significamente entre diferentes períodos de avaliação. Este artigo, intitulado "Tracing intermittent knowledge states based on knowledge-context-aware augmentation of Q-matrices", visa construir um detetive mais inteligente que entenda esse ritmo. Ele introduz um novo modelo chamado INKT que não apenas observa o aluno; ele entende o mapa do próprio conhecimento e como os alunos aprendem e esquecem ao longo do tempo.

O Mapa e as Peças Faltantes

Para entender a solução dos pesquisadores, primeiro precisamos olhar para as ferramentas que eles usaram. Imagine um mapa gigante de uma cidade onde cada rua representa um "conceito de conhecimento" (como álgebra ou geometria) e cada edifício é uma "questão de teste". Nesta cidade, algumas ruas levam diretamente a outras; você não consegue dirigir até a rodovia sem antes passar pela rampa de acesso. Este mapa é chamado de matriz Q (Q-matrix). É uma lista que diz ao computador quais conceitos são necessários para responder a quais questões.

O problema é que os mapas fornecidos por especialistas humanos são frequentemente incompletos. Eles mostram apenas as conexões óbvias. Por exemplo, um mapa pode dizer: "Para resolver este problema de cálculo, você precisa saber derivadas". Mas ele esquece de mencionar que, para saber derivadas, você também precisa saber limites, e para saber limites, você precisa saber funções. O computador, olhando para o mapa incompleto, pensa que o aluno só precisa saber derivadas. Se o aluno errar o problema de cálculo, o computador culpa a habilidade de cálculo, perdendo o fato de que o aluno, na verdade, esqueceu como lidar com limites.

Os autores deste artigo perceberam que, para consertar o mapa, precisavam olhar para a "topologia" da cidade — a forma das conexões. Eles propuseram uma maneira de "aumentar" (ou atualizar) a matriz Q. Em vez de apenas olhar para os links diretos, seu algoritmo rastreia os caminhos completos através do grafo de conhecimento. Se o Conceito A leva ao Conceito B, e o Conceito B leva ao Conceito C, o computador aprende que realizar uma tarefa para C também envolve A e B. Eles usaram um método matemático chamado "ordenação topológica" para organizar esses conceitos em uma ordem lógica, como arrumar livros em uma prateleira do mais fácil para o mais difícil. Ao fazer isso, eles pudram preencher as conexões "ocultas", transformando um mapa esparso e incompleto em um guia rico e detalhado que mostra como todos os conceitos estão secretamente relacionados.

O Detetive "Intermitente"

Uma vez que tiveram um mapa melhor, os pesquisadores construíram seu novo modelo de detetive, o INKT. A ideia central aqui é que os estados de conhecimento são "intermitentes". Isso significa que, durante um teste curto (como um quiz de 30 minutos), o conhecimento de um aluno é relativamente estável. Eles não estão subitamente esquecendo tudo ou aprendendo um novo capítulo no meio do quiz. No entanto, entre os testes — digamos, com uma semana de intervalo — os alunos podem esquecer algumas coisas (a "taxa de esquecimento") ou aprender coisas novas (a "taxa de aprendizado").

A maioria dos modelos antigos tratava cada pergunta como um evento totalmente novo, onde o conhecimento do aluno poderia oscilar drasticamente. O INKT, por outro outro lado, respeita as janelas de tempo. Ele assume que, se você faz um teste hoje, seu conhecimento é uma versão levemente evoluída do que era ontem, ajustada pelo quanto você aprendeu ou esqueceu nesse ínterim. Ele utiliza uma estrutura matemática chamada Teoria de Resposta ao Item (IRT), que é uma forma sofisticada de dizer que o modelo considera não apenas se você acertou a resposta, mas também o quão difícil era a questão e o quão boa a questão é para diferenciar um aluno inteligente de um aluno que está apenas chutando.

O modelo também leva em conta a "curva do esquecimento", um conceito da psicologia que sugere que perdemos informações ao longo do tempo se não as utilizarmos. O INKT calcula uma "taxa de esquecimento" específica para cada aluno e cada conceito, e uma "taxa de aprendizado" para a velocidade com que absorvem conteúdos. Ele então usa essas taxas para prever qual deve ser o estado de conhecimento do aluno no próximo teste, em vez de apenas adivinhar com base na última resposta.

O Que os Experimentos Mostraram

Para verificar se o novo detetive deles era bom, os pesquisadores o testaram em vários conjuntos de dados. Eles criaram um conjunto de dados personalizado chamado MTest a partir de uma escola secundária real em Shenzhen, China, envolvendo 69 alunos, 7 testes e 88 conceitos de conhecimento. Eles também utilizaram três conjuntos de dados públicos (Math1, Math2 e FrcSub) e até geraram um enorme conjunto de dados simulado chamado FMTest usando um método chamado Análise de Conceitos Formais para ver como o modelo lidava com grandes grupos de alunos.

Os resultados foram bastante promissores. Quando compararam o INKT com outros modelos (alguns mais simples e outros mais complexos, mas que não consideravam a natureza "intermitente" do aprendizado), o INKT apresentou desempenho superior de forma consistente.

No conjunto de dados MTest, o INKT alcançou uma precisão (ACC) de cerca de 0,77 no melhor cenário de teste, enquanto o segundo melhor modelo atingiu apenas cerca de 0,57.
No grande conjunto de dados simulado FMTest, o INKT atingiu uma precisão de 0,94, superando significativamente os outros, que orbitavam em torno de 0,81.
O modelo também mostrou ser muito estável. Mesmo quando alteraram o número de alunos ou a mistura de testes, o INKT não falhou; continuou fornecendo previsões precisas.

Os pesquisadores também realizaram estudos de "ablação", que são como desmontar o motor para ver o que cada parte faz. Eles descobriram que, se removessem a "taxa de esquecimento" ou a "taxa de aprendizado" do modelo, o desempenho caía significativamente. Isso provou que rastrear como os alunos aprendem e esquecem ao longo do tempo é essencial. Eles também descobriram que o uso da matriz Q "aumentada" (o mapa atualizado com as conexões ocultas) era crucial. Quando utilizaram o mapa antigo e incompleto, o modelo não era tão bom em prever quem acertaria o quê.

O Veredito

O artigo conclui que, ao combinar um mapa de conhecimento mais inteligente (a matriz Q aumentada) com um modelo que respeita o ritmo de aprender e esquecer (o rastreamento de estado intermitente), podemos obter uma imagem muito mais clara do que os alunos realmente sabem. Os autores sugerem que esta abordagem é mais racional do que modelos que assumem que o conhecimento está constantemente e loucamente flutuando.

No entanto, os autores são cuidadosos ao não afirmar que este é um problema perfeito e resolvido. Eles admitem que seu "mapa" de conexões de conhecimento ainda foi construído por especialistas humanos, o que pode ser subjetivo. Eles também observam que seu modelo assume que o conhecimento atual de um aluno depende apenas do estado imediatamente anterior, ignorando mecanismos de "atenção" mais complexos que podem estar em jogo. Eles sugerem que trabalhos futuros poderiam envolver a geração automática desses mapas de conhecimento a partir de dados e o uso de mecanismos de atenção mais avançados para tornar o modelo ainda mais preciso.

Em suma, este artigo oferece uma maneira lúdica, porém rigorosa, de parar de tratar os alunos como equilibristas nervosos e começar a tratá-los como construtores que assentam tijolos, fazem uma pausa e retornam para encontrar sua fundação majoritariamente intacta. Ao compreender as conexões ocultas no currículo e o fluxo natural da memória, o modelo INKT fornece uma visão mais honesta e precisa da jornada de aprendizagem.

Resumo Técnico: Rastreamento de Estados de Conhecimento Intermitentes Baseado na Augmentação de Matrizes Q Consciente do Contexto-Conhecimento

Formulação do Problema
Os modelos de rastreamento de conhecimento (KT) existentes frequentemente assumem que o estado de conhecimento de um aluno flutua continuamente e significativamente a cada interação de exercício. No entanto, em cenários educacionais práticos, os alunos geralmente se envolvem no aprendizado em lotes (por exemplo, durante exames específicos ou janelas de testes) separados por intervalos mais longos. Durante esses intervalos, ocorrem o aprendimento latente e o esquecimento, enquanto os estados de conhecimento permanecem relativamente estáveis dentro de curtos intervalos de tempo (por exemplo, durante um único exame). Os atuais modelos baseados em aprendizagem profunda falham frequentemente em capturar essa natureza "intermitente" da evolução do estado de conhecimento, tratando os dados de séries temporais como um fluxo contínuo de mudança constante. Além disso, os modelos tradicionais de diagnóstico cognitivo dependem fortemente de matrizes Q (que mapeiam exercícios para conceitos de conhecimento) que são frequentemente fornecidas por especialistas e contêm apenas conexões explícitas. Essa incompletude reduz a precisão do rastreamento, enquanto a natureza de "caixa preta" dos modelos de aprendizagem profunda frequentemente sacrifica a interpretabilidade.

Metodologia
Os autores propõem o INKT (Intermittent Knowledge Tracing), um modelo projetado para rastrear os estados de conhecimento dos alunos ao admitir características de estabilidade em curtos intervalos de tempo e variabilidade através de diferentes estágios. A metodologia consiste em três módulos principais:

Mineração de Índice Topológico:
O modelo utiliza um grafo de conceitos de conhecimento $G$ , onde os nós representam conceitos e as arestas direcionadas representam relações preparatórias (pré-requisitos). Os autores definem um conjunto de "caminhos completos" dentro deste grafo. Eles introduzem um índice topológico ( $x_k$ ) para cada conceito de conhecimento para representar sua posição relativa em uma ordem linear desejada. Este índice é otimizado maximizando uma função que equilibra:
- Correlação Positiva: O alinhamento entre o índice topológico e o grau preparatório acumulado (derivado de pesos de arestas) ao longo dos caminhos completos.
- Mecanismo de Penalidade: Um termo que penaliza contradições onde um conceito pré-requisito possui um índice inferior ao conceito que ele suporta.
  Esta otimização é resolvida via gradiente descendente para derivar uma ordenação linear de conceitos que melhor se ajuste à estrutura do grafo.
Augmentação de Matriz Q Consciente do Contexto-Conhecimento:
Utilizando os índices topológicos derivados e o grafo de conceitos de conhecimento, o modelo aumenta as matrizes Q originais esparsas. Em vez de depender apenas de rótulos explícitos de especialistas, o modelo infere conceitos de conhecimento implícitos para cada exercício.
- Para um exercício $e$ , o conjunto de conceitos relacionados inclui tanto os explícitos quanto aqueles que aparecem anteriormente nos caminhos completos dos conceitos explícitos.
- Os valores de correlação ( $\tilde{q}_{ek}$ ) são quantificados otimizando uma função objetivo Bayesiana. Esta função maximiza a compatibilidade entre os valores da matriz Q aumentada e os índices topológicos dos conceitos de conhecimento, garantindo que a matriz atualizada reflita a estrutura cognitiva subjacente.
Modelo de Rastreamento de Conhecimento Intermitente:
O módulo central de rastreamento integra a Teoria de Resposta ao Item (IRT) com um mecanismo de atualização de estado recursivo baseado em fórmulas Bayesianas.
- Dinâmica de Estado: O domínio de um aluno $s$ sobre um conceito $k$ no estágio $i$ ( $I^{(i)}_{sk}$ ) é modelado como uma função do domínio do estágio anterior, ponderado por uma taxa de aprendizagem ( $c^{(i)}_{sk}$ ) e uma taxa de esquecimento ( $f^{(i)}_{sk}$ ). A taxa de esquecimento é modelada usando a curva de esquecimento de Ebbinghaus, dependente do intervalo de tempo $\Delta t$ .
- Proficiência e Pontuação: A proficiência de um aluno em um exercício é calculada como a soma ponderada de seu domínio sobre os conceitos relacionados (usando a matriz Q aumentada). A taxa de pontuação simulada é então derivada usando uma função logística de IRT de 2 parâmetros envolvendo a dificuldade e a discriminação do exercício.
- Otimização: O modelo aprende parâmetros (domínio inicial, taxas de aprendizagem/esquecimento, dificuldade/discriminação do item) minimizando uma função de perda derivada da distribuição log-posterior, utilizando gradiente descendente (especificamente a otimização Adam).

Principais Contribuições

Modelagem de Estado Intermitente: O artigo introduz um framework especificamente projetado para cenários onde os estados de conhecimento são estáveis dentro de curtas janelas de teste, mas evoluem através de intervalos mais longos, abordando uma lacuna nos modelos de KT de tempo contínuo existentes.
Augmentação de Q-Matrix via Topologia: Um método inovador é proposto para aumentar automaticamente matrizes Q esparsas aproveitando a estrutura topológica do grafo de conceitos de conhecimento. Isso captura dependências de conhecimento implícitas sem exigir rotulagem adicional de especialistas.
Interpretabilidade e Racionalidade: Ao contrário de muitos modelos de "caixa preta" de aprendizagem profunda, o INKT modela explicitamente parâmetros cognitivos (taxas de aprendizagem/esquecimento) e atributos de itens (dificuldade/discriminação), fornecendo uma explicação transparente e teoricamente fundamentada do desempenho do aluno.
Mecanismo de Atualização Recursiva: O modelo emprega uma fórmula recursiva que atualiza dinamicamente os estados de conhecimento com base em intervalos de tempo e taxas de aprendizagem/esquecimento personalizadas, indo além das suposições estáticas da IRT clássica.

Resultados Experimentais
Os autores avaliaram o INKT em três conjuntos de dados públicos (FrcSub, Math1, Math2) e dois novos conjuntos de dados coletados (MTest e um FMTest gerado por análise de conceito formal).

Desempenho: O INKT superou consistentemente os modelos de base (incluindo variantes de IRT de 1 parâmetro e 3 parâmetros, e modelos baseados em conjuntos nebulosos/fuzzy) em métricas como Acurácia (ACC), Erro Quadrático Médio (MSE) e Erro Médio Absoluto (MAE).
Robustez: O modelo demonstrou estabilidade superior sob diferentes divisões de dados (diferentes proporções de testes e alunos) e mostrou forte generalização em conjuntos de dados de larga escala.
Estudos de Ablação: Remover qualquer um dos componentes de taxa de aprendizagem ou taxa de esquecimento degradou significamente o desempenho, confirmando a necessidade de modelar ambos os fatores cognitivos. Substituir a matriz Q aumentada pela original também resultou em quedas de desempenho, validando o valor da estratégia de augmentação.
Estudos de Caso: Visualizações das trajetórias de domínio de alunos específicos revelaram a capacidade do modelo de capturar padrões de aprendizagem sutis, como fraquezas persistentes em conceitos específicos ou melhorias graduais, e a interação dinâmica entre aprendizagem e esquecimento.

Significância e Alegações
O artigo afirma que o INKT fornece uma abordagem mais racional e precisa para o rastreamento de conhecimento ao alinhar-se com os processos cognitivos reais dos alunos (estabilidade intermitente e variabilidade). Ao integrar a análise topológica para a augmentação da matriz Q e parâmetros cognitivos explícitos para o rastreamento de estado, o modelo supera as limitações estáticas da IRT clássica e os problemas de interpretabilidade dos modelos de aprendizagem profunda. Os autores afirmam que sua abordagem oferece um framework de modelagem dinâmica "tridimensional" (aluno-tempo-item) que simula efetivamente a evolução temporal dos estados de conhecimento, tornando-o particularmente adequado para sistemas de educação personalizada onde entender o processo de aprendizagem é tão importante quanto prever o resultado.

Limitações e Trabalho Futuro
Os autores reconhecem que as relações preliminares no grafo de conhecimento são atualmente fornecidas por especialistas, introduzindo um potencial viés subjetivo. O trabalho futuro visa desenvolver métodos para extrair automaticamente grafos de conhecimento a partir de dados. Adicionalmente, o mecanismo recursivo atual assume que o estado atual depende apenas do estado anterior; os autores sugerem incorporar mecanismos de atenção para capturar dependências mais complexas como uma direção futura. Finalmente, eles observam que a estratégia atual de atualização da matriz Q foca na ordenação linear, enquanto estruturas lógicas mais complexas entre conceitos podem exigir investigação adicional.

O Mapa e as Peças Faltantes

O Detetive "Intermitente"

O Que os Experimentos Mostraram

O Veredito

Mais como este