ラッパーを超えて：真の 教育知能を深層 知識トレーシングで構築する

エグゼクティブサマリー：生成AI時代における 文脈の危機

教育テクノロジの現場はいま、逆説的な危機を迎えている。われわれは 「知的」なツールに囲まれているのに、真の教育学的知性は依然として乏しい。急速な 大規模言語モデル（LLM）のコモディティ化は、「AI チューター」——公開の薄いソフトウェアラッパーにすぎないことが多いアプリケーション——であり、公開 APIであり、システムプロンプトで「教師のように振る舞え」と指示される。これらのシステムは 言語的ロールプレイに優れ、教育者のリズムと語彙を不気味なほど 流暢に模倣するが、教育の中核タスクでは根本的に失敗する。

教育は説明を生成することだけではない。学習者の 認知状態を時間軸で管理することである。本物の教師は質問に答えるだけでなく、なぜ その質問が出されたかを理解する。先週分数で苦戦したことを覚えているから、 今日の比でも苦戦すると予見する。彼らは学習者の 習熟度の心的モデル——「ブレインステート」——を構築し、それは持続し進化する。対照的に標準LLMは、 状態を持たない確率エンジンである。長期的なユーザー履歴の文脈では破滅的忘却に 陥り、その生徒固有の学習 軌跡の持続的記憶を欠く。提供するのはロールプレイであり、メンタリングではない。

Veriprajna は、「個別最適化学習」が中身のない 流行語になったという確信のもとで事業を行う。効果的なAI教育の実態は 深層知識トレーシング（DKT） にある。 テキスト生成から状態追跡へとアーキテクチャの焦点を移し、リカレント ニューラルネットワーク（RNN）で人間の心の隠れ次元をモデル化すれば、われわれは チャットボット構築からメンター構築へと移行できる。本ホワイトペーパーは、DKTの技術的 必然性、「ブレインステート」のアーキテクチャ、そしてニューロシンボリック 学習者を「フローゾーン」——挑戦とスキルの最適な交差点——に保つシステムの配備を述べる 深い学習が起きる場所である。

第I部：「AIチューター」の誤謬とラッパー問題

1.1 能力の錯覚：なぜチャットボットはチューターではないのか

現在の市場は「ラッパー」アプリケーション——ユーザー向けの インタフェースを提供しつつ、認知処理のすべてをGPT-4やClaudeなどの第三者LLMに委譲するソフトウェア——で飽和している。これらは 訓練データに基づき系列の次トークンを予測するよう設計された確率エンジンである 訓練データ。 ¹ 「数学のチューターのように振る舞え」とプロンプトされると、モデルはユーザーのクエリに統計的に続きやすい 応答を生成する。

しかしこの過程は教育学的推論とは別物である。モデルは生徒を「知って」おらず、 現在の会話の直近コンテキストウィンドウしか知らない。この 限界はいくつかの致命的失敗として現れる。

1.​ 状態のなさと記憶の欠如： 生徒の学習旅程は数か月から 数年にわたり、何千もの微小な相互作用を含む。標準LLMは限られた コンテキストウィンドウで動作する。ウィンドウは拡大しつつあるが、処理のコストと遅延は 生徒の全履歴を一回の相互作用ごとに処理することは、スケーラブルな 配備には過大である。 ³ その結果、「AIチューター」は毎回のセッションを半ば孤立した出来事として扱う。 3か月前の代数の誤概念を、今日の 微積分の失敗に効果的に結びつけることはできない。学習者の 習熟度の構造化された持続的モデルを欠くからである。 ⁵

2.​ 教育学のハルシネーション： 研究によれば、LLMは単純な問題は解けても、 特定の誤概念の診断には頻繁に失敗する。それらは 「ハルシネーション」——もっともらしいが事実として誤った説明 または推論連鎖を生成すること——に陥りやすい。 ⁶ 数学チュータリングにおけるLLMの研究では、モデルはしばしば正しい 最終答を誤った中間ステップ経由で出したり、逆に正しい生徒の ステップを誤りと判定し、学習者を混乱させたりした。 ⁸ 初心者の生徒には、妥当な説明と自信たっぷりのハルシネーションを 見分ける専門性がない。

3.​ ロールプレイ対戦略： 「教師のように振る舞え」というプロンプトはモデルに_トーン_を指示し、 戦略 ではない。教育者のペルソナ——支援的、ソクラテス的、 権威的——をシミュレートするが、必要な認知モデルなしに戦略的決定を下す カリキュラム配列について。 ⁹ ユーザーに反応するのであって、導くのではない。

1.2 エンタープライズEdTechにおけるラッパートラップ

エンタープライズEdTech事業者と企業のラーニング＆デベロップメント（L&D）部門にとって、 「ラッパー」アプローチは重大な戦略リスクである。知性をすべて 公開APIに依存するアプリケーションには防御的モートがない。製品の中核価値が誰でも複製できる プロンプトなら、その製品はコモディティである。

AI時代の真の価値はチャットインタフェースではなく、その下に座るプロプライエタリなデータ モデルから生まれる。「ディープAI」ソリューション提供者は 状態マネージャ として機能しなければならない。 競争優位は、「隠れ状態」——生徒の知識の高次元 デジタルツイン——を維持し、LLMが_何を_言うべきかを規定する能力にある。この 区別が、ユーティリティであるチャットボットと、資産であるメンターの間の溝を定義する。 資産である。

第II部：深層知識トレーシング（DKT）の科学

2.1 ベイズ推論から深層学習へ

AIメンタリングの未来を理解するには、知識 トレーシング（KT） ——生徒の知識を時間とともにモデル化し将来成績を予測する機械学習タスク——の進化を検討しなければならない。 将来成績を予測する。 ¹⁰

歴史的にこの分野は ベイジアン知識トレーシング（BKT） が支配してきた。BKTは学習を 隠れマルコフモデル（HMM）としてモデル化し、生徒知識を 二値の潜在変数の集合（習得済み対未習得）として表す。 ¹¹ BKTは基盤的な 技術であったが、硬直性に苦しむ。

●​ 二値仮定： 生徒があるスキルを「知っている」か知らないかのどちらかと仮定し、 部分的習熟や「錆びた」知識を捉えられない。

●​ 独立性仮定： 概念を独立したサイロとして扱う。それは 「乗法」の習熟が「除法」の前提であることを本質的には理解しない 人間の専門家が明示的にハードコードしない限り。 ¹²

●​ アノテーションのボトルネック： BKTはすべての設問に人手で「スキル」 または「概念」のタグ付けを要求する。この対応はしばしば曖昧で労働集約的である。 ¹¹

深層知識トレーシング（DKT） はパラダイム転換である。先駆的研究で導入され Piech et al.により、DKTは リカレントニューラルネットワーク（RNN） と 長短期 記憶（LSTM） ネットワークを用いて学習をモデル化する。 ¹¹ DKTはBKTの二値・専門家ラベル付き 制約を捨て、生 データから学習する柔軟な高次元表現を採る。

表1：知識トレーシングアーキテクチャの比較分析

項目	ベイジアン知識 トレーシング（BKT）	深層知識トレーシング （DKT）
状態表現	二値（0または1）；既知／ 未知	連続 高次元ベクトル （例：200+次元）
概念依存関係	独立性を仮定 （サイロ）	複雑で 非線形・潜在的な 依存を捉える

時間ダイナミクス	一次マルコフ （直前ステップの記憶 のみ）	無限インパルス応答 （長期記憶は次による LSTM）
入力要件	設問ごとの 「スキル」の専門家ラベルが必要	潜在概念 構造を生の インタラクションログから学習できる
予測性能	低いAUC（曲線下 面積）	大幅に高いAUC （例：BKT比で25%向上）13
適応性	硬直したルールベース構造	柔軟、データ駆動、 時間方向に「深い」

2.2 「ブレインステート」のアーキテクチャ

DKTの中核的革新は、RNNを用いて 隠れ状態ベクトル（$h_t$) 。 Veriprajnaアーキテクチャでは、このベクトルが生徒の「ブレイン ステート」のデジタル代理として機能する。

_過去の_成績を記録する成績簿とは異なり、隠れ状態ベクトルは予測的な _現在の_能力のモデルである。相互作用のたびに進化する密な連続 ベクトルである。

●​ 入力 ($x_t$)： 生徒が問題に取り組む（例：問題ID 502、解答： 不正解）。

●​ 処理： RNNは隠れ状態をこの新情報と 前状態 ($h_{t-1}$) に基づき更新する。

●​ 出力 ($y_t$)： モデルは、正答尤度を予測する確率ベクトルを生成する 生徒がデータベース内の_他のすべての設問_に正しく答える。 ¹⁴

この連続表現により、二値モデルが見落とすニュアンスを符号化できる。

1.​ 潜在相関： モデルは人手タグなしでカリキュラム構造を学習する。 設問Aに失敗する生徒が設問Bにも失敗しがちなら、隠れ状態に両者の依存を符号化する。Aを習熟すれば、 Bを習熟する確率は自動的に上昇する 予測ベクトル上で。 ¹⁰

2.​ 部分的知識： 状態は、あるトピックで「40%習熟」の生徒を表現できる トピック——概念は理解しているが計算ミスをする——である。

3.​ 忘却曲線： LSTMアーキテクチャは記憶の減衰のモデル化に特に適する。 記憶である。特定スキルを1週間練習していなければ、隠れ 状態のそのスキルに対応する値がドリフトし、自然な「忘却曲線」を反映する 認知科学で観測される。 ¹⁵

2.3 LSTMの利点：勾配消失の解決

標準RNNは「勾配消失」 問題のため長期依存に苦戦する——遠い過去の情報を忘れがちである。しかし教育は 長期過程である。9月に学んだ概念は5月にも関連する。

Veriprajnaはこれを解くために 長短期記憶（LSTM） ユニットを用いる。LSTMは 情報の流れを調節する「ゲート」を持つ複雑なセル構造を使う。

●​ 忘却ゲート： 過去状態のどの情報がもはや関連しないかを決め（例： 数学問題の具体的な数値）であり、破棄すべきである。

●​ 入力ゲート： どの新情報（例：基礎規則の習熟）を 長期セル状態に格納すべきかを決める。

●​ 出力ゲート： 更新された状態に基づき現在の予測を決める。 ¹³

このアーキテクチャにより「ブレインステート」は頑健で持続的な記憶として働き、保存する 何千もの相互作用にわたる臨界信号を、ノイズを濾しつつ。

第III部：フローの教育学と動的難易度 調整

3.1 正誤を超えて：心理学的要請

「ブレインステート」追跡の究極の効用は単なる予測ではなく 介入 である。学習科学で最も効果的な介入戦略は、生徒を 発達の最近接 領域（ZPD） に保つことであり、しばしば「フローゾーン」と呼ばれる。

フロー は心理学者Mihaly Csikszentmihalyiが定義した状態で、完全な 活動への没入を特徴とする。挑戦と 参加者のスキルの間に最適な均衡があるときにのみ生じる。 ¹⁶

●​ 退屈チャネル： スキル > 挑戦なら、生徒は離脱する。

●​ 不安チャネル： 挑戦 > スキルなら、生徒は挫折してやめる。

●​ フローチャネル： 挑戦が $\approx$ スキルと均衡するとき、生徒は没入し、集中し、 学習している。

3.2 確率ベクトルによるフローの運用化

伝統的教室や標準チャットボットアプリでは、このゾーンの特定は 当て推量である。DKTシステムでは計算の問題である。

出力ベクトル $y_t$ はDKTモデルが正答確率 ($P_{correct}$) を次に出題しうるすべての演習について与える。これらの確率を学習者の

心理状態 ¹⁸ :

●​ 習熟／退屈ゾーン ($P_{correct} > 0.75$)： モデルは生徒が 高い成功尤度を持つと予測する。この内容の提示は教育的価値が小さく、リスクがある 退屈を誘発する。

●​ 挫折／不安ゾーン ($P_{correct} < 0.35$)： モデルは生徒が 失敗しやすいと予測する。足場かけなしにこの内容を出すと不安と離脱を招くリスクがある。

●​ フローゾーン ($0.40 \le P_{correct} \le 0.70$)： ここが最適点である。生徒は およそ50-60%の成功確率を持つ。問題に取り組む基礎 知識はあるが、成功には認知的努力が必要だという意味である。これは VygotskyのZPD定義——学習者が独力でできることと 指導があればできることの間のギャップ——と一致する。 ¹⁹

3.3 動的難易度調整（DDA）アルゴリズム

Veriprajnaは「ブレインステート」を用いて 動的難易度調整（DDA） を駆動する。その代わりに すべてのユーザーが同じ経路をたどる線形カリキュラムではなく、DKTモデルは リアルタイムの政策エンジンとして働く。

制御ループ：

1.​ 相互作用： 生徒が設問に答える。

2.​ 状態更新： LSTMが隠れベクトル $h_t$を更新する。

3.​ 予測的先読み： システムは計算する $P_{correct}$ すべての候補設問について データベース内で。

4.​ 選択政策： システムは、確率が次の範囲に収まる設問をフィルタする $P_{correct}$ 厳密に範囲内に落ちる フローゾーン（例：$0.55$）。

5.​ 配信： AIメンターが最適に挑戦的な問題を提示する。

これにより生徒は最大の認知的エンゲージメント状態に常時保たれる。 苦戦すれば隠れ状態が調整され、確率がシフトし、システムは自動的により単純な補習内容（足場かけ）を出して自信を再建してから 複雑さに戻る。 複雑さに戻る。 ²⁰

第IV部：ニューロシンボリックアーキテクチャ：メンターを 構築する

教師のように話しデータサイエンティストのように考えるシステムを構築するため、われわれは ニューロシンボリックアーキテクチャ を提案する。このハイブリッドは生成能力を組み合わせる LLM（記号的／言語的）とDKTの状態追跡精度（コネクショニスト／ニューラル）の。

4.1 インタフェース層（口）

この層は自然言語インタラクションを扱う。ファインチューンされたLLM（例： Llama 3またはGPT-4o）で駆動される。

●​ 役割： ユーザー入力の解析、会話応答の生成、整形 説明の。

●​ 制約： この層は 状態を持たない 。_何を_教えるかは決めず、_どう_言うかだけを決める。

4.2 認知層（脳）

この層はDKTモデル（LSTM/RNN）を収容する。

●​ 役割： インタラクションログ $\{Question\_ID, Result, Time\}$を処理する。隠れ 状態ベクトルを更新する。

●​ 出力： 「知識状態」とカリキュラムの確率行列。

4.3 政策層（案内）

この層は橋として働く。「脳」を解釈し「口」に指示する。

●​ 機能： 認知層に照会し、次に教えるべき最良概念を特定する （フロー最適化に基づく）。

●​ プロンプト構築： インタフェース層向けシステムプロンプトを動的に組み立てる。 インタフェース層である。

○​ 例示指示: 「生徒は現在『二次 方程式' ($P=0.6$)。問題#882を提示せよ。答えを明かしてはならない。ヒントを 「因数分解」に関連して、躊躇したら出せ。」

このアーキテクチャは ハルシネーション を緩和する。検証済みDKTモデルが特定した演習にLLMの範囲を制限することで、生成 モデルの探索空間を狭め、 教育学的戦略に接地させる。 ²¹

4.4 「コールドスタート」への対処

深層学習のよくある課題が「コールドスタート」——新規ユーザーをどうモデル化するか、 履歴なしで。Veriprajnaは転移学習戦略を用いる。

1.​ 事前学習： DKTモデルは匿名化集約データで事前学習される 何千もの過去学習トレースから。「ベースライン」ブレインステートを確立する。

2.​ クラスタ初期化： 新規ユーザーは初期の 診断評価または人口統計メタデータに基づく「学習者クラスタ」に割り当てられ、隠れ状態を 類似学習者の重心で初期化する。 ²³

3.​ 急速収束： LSTMは汎用ベースラインから急速に分岐するよう設計されている 最初の10-20回の相互作用で個別状態へと。

第V部：教育におけるディープAIのビジネスケース

EdTechと企業研修の意思決定者にとって、ラッパーAIからDKTへの転換は 単なる技術アップグレードではなく、事業価値の根本的駆動因である。

5.1 リテンションとエンゲージメントのROI

サブスクリプション経済では解約が収益の主脅威である。教育における解約は 主に感情的である。退屈（製品が易しすぎる）または 不安（製品が 難しすぎる）から生じる。DKTでユーザーをフローゾーンに機械的に維持すれば、組織は リテンション指標に直接影響できる。

研究によれば、個別適応型チュータリングは学習成果を倍増し（「2 シグマ」効果）、セッション時間を大幅に伸ばしうる。 ²⁴ 平均顧客 生涯価値（LTV）をユーザーリテンション延長で高めることは、巨大な収益増につながり、はるかに上回る DKTモデル運用の計算コストを。

5.2 企業L&Dにおける効率

企業環境では研修はしばしばコストセンターである。成功指標は「習熟までの 時間」である。画一的な動画コースは非効率で、従業員は座らされる 既知の教材にも付き合わされる。

●​ DKTの利点： DKT駆動システムは習熟を即座に識別し（$P > 0.9$) 、 従業員が冗長内容をスキップし、知識の欠落にのみ集中できるようにする。 これにより総研修時間を40-50%削減でき、従業員をより早く生産性に戻し、 大きな運用節約を生む。 ²⁶

5.3 戦略的差別化：データモート

LLMがコモディティ化するにつれ、「チャットチューター」構築の参入障壁はほぼ ゼロまで下がる。競合は週末でラッパーアプリを複製できる。

●​ DKTモート： DKTベースのシステムはプロプライエタリな 生徒行動のモデルを通じて防御的モートを築く。学習者が多く相互作用するほど、より洗練される DKTモデルは学習軌跡の予測において。この「データフライホイール」は生み出す 独自資産——集約された「ブレインステート」データ——を、競合が次経由では複製できない API。 ⁵

第VI部：実装ロードマップ

標準LMSやチャットボットからディープAIソリューションへ移行するには、構造化された アプローチが必要である。

6.1 フェーズ1：データ監査とインフラ

●​ トレースデータ収集： 「テスト得点」の記録から「インタラクショントレース」の記録へ移行する。 すべての試行、ヒント要求、遅延指標を捕捉しなければならない 時系列データベースに。

●​ 匿名化： プライバシー準拠のためユーザーIDの厳密なハッシュを実装する 系列データの完全性を保ちつつ。

6.2 フェーズ2：モデル学習と検証

●​ オフライン学習： 履歴データでLSTMを学習し、予測 精度（AUC）を既存手法に対してベンチマークする。

●​ フロー較正： 履歴ログを分析し、離脱と相関する経験的確率 閾値を求め、自社コンテンツ向けに「フローゾーン」を較正する 自社コンテンツについて。

6.3 フェーズ3：ニューロシンボリック統合

●​ APIオーケストレーション： 政策層を配備し、ユーザーメッセージを傍受し、DKT モデルに照会し、LLMプロンプトへ文脈を注入する。

●​ A/Bテスト： 「AIメンター」を一部ユーザーに展開し、学習利得（プレテスト対ポストテスト）とエンゲージメント（セッション長）という別個の指標を測定する。 学習利得（プレテスト対ポストテスト）とエンゲージメント（セッション長）。

第VII部：結論

「個別最適化学習」の約束は長く果たされず、次の限界に囚われてきた ルールベースシステムとマーケティングの流行語である。生成AIの到来は 解決の一端を見せたが、認知アーキテクチャがなければ、錯覚しか与えなかった 教師の。

知識トレーシングこそ現実である。 会話インタフェースを 教育学的エンジンに変えるのに必要な数学的背骨である。深層知識 トレーシング を実装することで、学習が複雑で時間的で深く人間的な過程であり、 確率トークンだけでは解けないことを認める。苦戦、忘却、 そして突破をモデル化しなければならない。

先週分数で苦戦したことを覚えているシステムを構築し、それらが 今日の比を助けられるようにしなければならない。繊細な均衡を尊重するシステムを構築しなければならない フローゾーンの。チャットボットを作るのをやめ、メンターを作り始めなければならない。

Veriprajna。 テキストを処理するだけではない。知識をトレースせよ。

データ付録

表2：適応学習の経済的インパクト

指標	伝統的線形 学習	DKT駆動 適応学習	事業インパクト
完了率	~15-20% （MOOC／標準）	60-80%（適応）	より高いLTVと 更新率
習熟までの 時間	固定（高い）	可変 （最適化）	40-50%削減 研修コスト24
エンゲージメント	受動的 消費	能動的フロー状態	デイリーアクティブ ユーザー（DAU）の増加
スケーラビリティ	高い（しかし低い 有効性）	高い（高い 有効性）	「2 シグマ」スケーラビリティ 問題25

表3：DKT確率ベクトルの解釈

代数を学ぶ生徒（「Alex」）の仮説的出力。

概念ID	概念 名	予測 P(Correct)	状態 診断	政策アクション
C_101	整数 加算	0.99	習熟 （退屈）	スキップ。 提示 しない。
C_205	分数 加算	0.35	弱点 （不安）	足場かけ。 ヒントまたは 前提の復習を 提供する。
C_301	線形 方程式	0.62	フローゾーン	教える。 この概念を 次に提示する。
C_302	二次方程式	0.15	未準備	ロック。 コンテンツ

参考文献

1. Limitations of LLMs – ChatGPT in STEM Teaching: An introduction ...、2025年12月11日閲覧、 https://ecampusontario.pressbooks.pub/llmtoolsforstemteachinginhighered/part/technical-limitations-of-llms/

2. Knowledge Integrity in Large Language Models: A State-of-The-Art Review MDPI、2025年12月11日閲覧、 https://www.mdpi.com/2078-2489/16/12/1076

3. The Context Window Problem: Scaling Agents Beyond Token Limits - Factory.ai、2025年12月11日閲覧、 https://factory.ai/news/context-window-problem

4. What is long context and why does it matter for AI? | Google Cloud Blog、2025年12月11日閲覧、 https://cloud.google.com/transform/the-prompt-what-are-long-context-windows-and-why-do-they-mater t

5. LLM-KT: Aligning Large Language Models with Knowledge Tracing using a Plug-and-Play Instruction - arXiv、2025年12月11日閲覧、 https://arxiv.org/html/2502.02945v1

6. 4 LLM Hallucination Examples and How to Reduce Them - Vellum AI、2025年12月11日閲覧、 https://www.vellum.ai/blog/llm-hallucination-types-with-examples

7. Mitigating Hallucinations in LLMs for Community College Classrooms: Strategies to Ensure Reliable and Trustworthy AI-Powered Learning Tools - Faculty Focus、2025年12月11日閲覧、 https://www.facultyfocus.com/articles/teaching-with-technology-articles/mitigating-hallucinations-in-llms-for-community-college-classrooms-strategies-to-ensure-reliable-and-trustworthy-ai-powered-learning-tools/

8. Beyond Final Answers: Evaluating Large Language Models for Math Tutoring arXiv、2025年12月11日閲覧、 https://arxiv.org/html/2503.16460v1

9. Why AI chatbots make bad teachers - and how teachers can exploit that weakness - ZDNET、2025年12月11日閲覧、 https://www.zdnet.com/article/why-ai-chatbots-make-bad-teachers-and-how-teachers-can-exploit-that-weakness/

10. Deep Knowledge Tracing - Stanford University、2025年12月11日閲覧、 https://stanford.edu/~cpiech/bio/papers/deepKnowledgeTracing.pdf

11. Deep Knowledge Tracing、2025年12月11日閲覧、 https://arxiv.org/abs/1506.05908

12. Deep Knowledge Tracing - NIPS papers、2025年12月11日閲覧、 https://papers.nips.cc/paper/5654-deep-knowledge-tracing

13. [Quick Review] Deep Knowledge Tracing - Liner、2025年12月11日閲覧、 https://liner.com/review/deep-knowledge-tracing

14. Deep Knowledge Tracing - Neural Dynamics and Computation Lab - Stanford University、2025年12月11日閲覧、 https://ganguli-gang.stanford.edu/pdf/DeepKnowledgeTracing.pdf

15. Deep knowledge tracing with learning curves - PMC - NIH、2025年12月11日閲覧、 https://pmc.ncbi.nlm.nih.gov/articles/PMC10097988/

16. Flow Theory – Design in Progress: A Collaborative Text on Learning Theories、2025年12月11日閲覧、 https://isu.pressbooks.pub/thuf/chapter/ff low-theory-jennifer-uptmor/

17. Unlock Your Potential: Mastering the Mental Model of Flow State for Peak Performance - FunBlocks AI、2025年12月11日閲覧、 https://www.funblocks.net/thinking-maters/classic-mental-models/ft low-state

18. The zone of proximal development (ZPD): The power of just right - NWEA、2025年12月11日閲覧、 https://www.nwea.org/blog/2025/the-zone-of-proximal-development-zpd-the-power-of-just-right/

19. Zone of proximal development - Wikipedia、2025年12月11日閲覧、 https://en.wikipedia.org/wiki/Zone_of_proximal_development

20. Revisiting Applicable and Comprehensive Knowledge Tracing in Large-Scale Data - arXiv、2025年12月11日閲覧、 https://arxiv.org/html/2501.14256v1

21. TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation - ePrints Soton、2025年12月11日閲覧、 https://eprints.soton.ac.uk/498281/1/RecSys_A_personalized_large_language_model_learning_recommender_tool_based_on_knowledge_tracing.pdf

22. Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure - ACL Anthology、2025年12月11日閲覧、 https://aclanthology.org/2025.findings-acl.1348.pdf

23. Collaborative Learning Groupings Incorporating Deep Knowledge Tracing Optimization Strategies - MDPI、2025年12月11日閲覧、 https://www.mdpi.com/2076-3417/15/5/2692

24. AI Tutoring vs. Traditional Tutoring: Key Differences - Dialzara、2025年12月11日閲覧、 https://dialzara.com/blog/ai-tutoring-vs-traditional-tutoring-key-diferences f

25. Tutors of tomorrow? A new benchmark for evaluating LLMs - MBZUAI、2025年12月11日閲覧、 https://mbzuai.ac.ae/news/tutors-of-tomorrow-a-new-benchmark-for-evaluating-llms/

26. How adaptive learning is reshaping corporate training - CYPHER Learning、2025年12月11日閲覧、 https://www.cypherlearning.com/blog/business/how-adaptive-learning-is-reshaping-corporate-training

27. Delivering the ROI of Learning - Fulcrum Labs Infographic、2025年12月11日閲覧、 https://www.fulcrumlabs.ai/blog/roi-learning-infographic/