خلف الغلاف

يستخدم تتبع المعرفة العميق شبكات عصبية متكررة من نوع LSTM (الذاكرة الطويلة قصيرة المدى) لمعالجة كل تفاعل يقوم به الطالب — محاولات الإجابة وطلبات التلميحات وأزمنة الاستجابة — وتحديث متجه حالة خفية دائم يفوق 200 بُعد يمثل «حالة الدماغ» للمتعلم. وعلى خلاف تتبع المعرفة البايزي الذي يستخدم حالات ثنائية (معروف/غير معروف)، تنمذج DKT المعرفة الجزئية على طيف مستمر (مثلًا، «إتقان الكسور بنسبة 40%»). وتحل بنية LSTM مشكلة التدرج المتلاشي عبر بوابات النسيان والإدخال والإخراج، بما يمكّن النموذج من تذكر أن مفهومًا دُرِس في سبتمبر يظل ذا صلة في مايو. ويحقق ذلك دقة تنبؤية (AUC) أعلى بنسبة 25% من المقاربات البايزية.

يربط تحسين منطقة التدفق تنبؤات الاحتمالات لدى DKT بنظرية التدفق النفسي عند ميهاي تشيكسنت ميهايي. يوفر متجه مخرجات DKT قيمة P(correct) لكل تمرين في المنهج. فالمسائل التي تكون فيها P بين 0.40 و0.70 تقع في منطقة التدفق — إذ يمتلك الطالب معرفة أساسية لكن عليه بذل جهد معرفي، وهذا هو الأمثل للتعلم. أما المسائل التي تتجاوز فيها P قيمة 0.75 فتشير إلى الإتقان (خطر الملل)، في حين يشير انخفاض P دون 0.35 إلى خطر القلق. وتختار حلقة تحكم في الضبط الديناميكي للصعوبة باستمرار المسألة المثلى التالية لإبقاء الطالب في حالة التدفق. وهذا يرفع معدلات الإكمال من 15-20% (تقليدي) إلى 60-80% (تكيفي).

تفشل أغلفة نماذج اللغة الكبيرة في التعليم على ثلاثة مستويات: أولًا، فهي عديمة الحالة — تعامل كل جلسة كحدث معزول بلا ذاكرة دائمة لتاريخ تعلم الطالب عبر أشهر، ونوافذ السياق لا تستطيع التوسع لتتبع مئات التفاعلات بتكلفة مقبولة. ثانيًا، فهي تفاعلية لا استراتيجية — تستجيب للاستفسارات دون توجيه ترتيب المنهج بناءً على نموذج معرفة. ثالثًا، فهي تهلو أصول التدريس — تولّد تفسيرات معقولة المظهر لكنها خاطئة لا يستطيع الطلاب المبتدئون تمييزها عن تعليم سليم (مثلًا، تصديق Khanmigo على أن 3,750 × 7 يساوي 21,690). والغلاف سلعة بلا خندق بيانات، بينما يبني DKT بيانات «حالة دماغ» خاصة تتحسن مع كل تفاعل.