Voorbij de wrapper: ontwerp van echte onderwijsintelligentie met Deep Knowledge Tracing

Managementsamenvatting: de contextcrisis in het tijdperk van generatieve AI

Het landschap van onderwijstechnologie maakt momenteel een paradoxale crisis mee. We worden overspoeld met "intelligente" tools, terwijl echte pedagogische intelligentie schaars blijft. De snelle commoditisering van large language models (LLM's) heeft geleid tot een wildgroei van "AI- tutors"—toepassingen die vaak weinig meer zijn dan dunne softwarewrappers rond publieke API's, via systeemprompts geïnstrueerd om "zich als een leraar te gedragen." Hoewel deze systemen uitblinken in linguïstisch rollenspel en de cadans en het vocabulaire van een pedagoog met verbluffende vloeiendheid nabootsen, falen ze fundamenteel in de kerntaak van onderwijs.

Onderwijs is niet louter het genereren van uitleg; het is het beheren van de cognitieve toestand van een lerende in de tijd. Een echte leraar beantwoordt niet alleen een vraag; ze begrijpen waarom de vraag werd gesteld. Ze onthouden dat een student vorige week moeite had met breuken, en anticiperen daarom vandaag op moeite met verhoudingen. Ze bouwen een mentaal model van de bekwaamheid van de lerende—een "hersentoestand" ("Brain State")—dat blijft bestaan en evolueert. Standaard-LLM's zijn daarentegen toestandsloze kansmotoren. Ze lijden aan catastrofaal vergeten in de context van langetermijngebruikersgeschiedenis en missen een persistent geheugen van het unieke leertraject van de student. Ze bieden rollenspel, geen mentorschap.

Veriprajna werkt vanuit de overtuiging dat "gepersonaliseerd leren" een holle buzzword is geworden. De realiteit van effectief AI-onderwijs ligt in Deep Knowledge Tracing (DKT) . Door de architecturale focus te verschuiven van tekstgeneratie naar toestandsopvolging, en recurrent neural networks (RNN's) te gebruiken om de verborgen dimensionaliteit van de menselijke geest te modelleren, kunnen we overstappen van het bouwen van chatbots naar het bouwen van mentoren. Dit whitepaper schetst de technische noodzaak van DKT, de architectuur van de "hersentoestand" en de inzet van neuro-symbolische systemen die lerenden in de "Flow-zone" houden—het optimale snijpunt van uitdaging en vaardigheid waar diep leren plaatsvindt.

Deel I: de drogreden van de "AI-tutor" en het wrapperprobleem

1.1 De illusie van competentie: waarom chatbots geen tutors zijn

De huidige markt is verzadigd met "wrapper"-toepassingen—software die een gebruikers- interface biedt maar alle cognitieve verwerking afwentelt op externe LLM's zoals GPT-4 of Claude. Deze modellen zijn probabilistische motoren ontworpen om het volgende token in een reeks te voorspellen op basis van trainingsdata. ¹ Wanneer ze worden gevraagd om "zich als een wiskundetutor te gedragen," genereert het model een antwoord dat statistisch waarschijnlijk volgt op de query van de gebruiker.

Dit proces is echter iets anders dan pedagogisch redeneren. Het model "kent" de student niet; het kent alleen het directe contextvenster van het huidige gesprek. Deze beperking manifesteert zich in verschillende kritieke falen:

1.​ Toestandsloosheid en het geheugentekort: Het leertraject van een student beslaat maanden of jaren, met duizenden micro-interacties. Standaard-LLM's werken met beperkte contextvensters. Hoewel die vensters groter worden, zijn de kosten en latentie van het verwerken van de volledige geschiedenis van een student bij elke afzonderlijke interactie onhoudbaar voor schaalbare inzet. ³ Bijgevolg behandelt de "AI-tutor" elke sessie als een semi-geïsoleerde gebeurtenis. Hij kan een misconceptie in algebra van drie maanden geleden niet effectief koppelen aan een falen in calculus vandaag, omdat hij een gestructureerd, persistent model van de bekwaamheid van de lerende mist. ⁵

2.​ De hallucinatie van pedagogiek: Onderzoek wijst uit dat LLM's weliswaar eenvoudige problemen kunnen oplossen, maar vaak falen in het diagnosticeren van specifieke misconcepties. Ze zijn vatbaar voor "hallucinaties"—het genereren van plausibele maar feitelijk onjuiste uitleg of redeneerketens. ⁶ In een studie van LLM's bij wiskundetutoring gaven modellen vaak juiste eindeantwoorden via onjuiste tussenstappen, of markeerden ze omgekeerd juiste student- stappen als onjuist, wat de lerende in verwarring bracht. ⁸ Een beginnende student mist de expertise om een geldige uitleg te onderscheiden van een zelfverzekerde hallucinatie.

3.​ Rollenspel versus strategie: De prompt "gedraag je als een leraar" instrueert het model over toon, niet over strategie . Hij simuleert de persona van een pedagoog—ondersteunend, Socratisch, gezaghebbend—zonder het vereiste cognitieve model om strategische beslissingen te nemen over curriculumvolgorde. ⁹ Hij reageert op de gebruiker in plaats van hen te begeleiden.

1.2 De wrapperval in enterprise-EdTech

Voor enterprise-EdTech-aanbieders en corporate Learning & Development (L&D)-afdelingen vormt de "wrapper"-aanpak een aanzienlijk strategisch risico. Toepassingen die volledig steunen op publieke API's voor hun intelligentie hebben geen verdedigbare gracht. Als de kernwaarde van een product een prompt is die iedereen kan repliceren, is het product een massagoed.

Echte waarde in het AI-tijdperk wordt niet gegenereerd door de chatinterface, maar door het propriëtaire data- model dat eronder zit. Een aanbieder van "deep AI"-oplossingen moet functioneren als toestandsbeheerder . Het concurrentievoordeel ligt in het vermogen een "verborgen toestand" te onderhouden—een hoogdimensionale digitale tweeling van de kennis van de student—die dicteert wat de LLM moet zeggen. Dit onderscheid definieert de kloof tussen een chatbot, die een hulpmiddel is, en een mentor, die een asset is.

Deel II: de wetenschap van Deep Knowledge Tracing (DKT)

2.1 Van Bayesiaanse inferentie naar deep learning

Om de toekomst van AI-mentorschap te begrijpen, moeten we de evolutie van Knowledge Tracing (KT) onderzoeken—de machinelearningtaak om de kennis van een student in de tijd te modelleren om toekomstige prestaties te voorspellen. ¹⁰

Historisch werd dit veld gedomineerd door Bayesian Knowledge Tracing (BKT) . BKT modelleert leren als een hidden Markov model (HMM), waarin studentenkennis wordt voorgesteld als een set binaire latente variabelen (geleerd vs. niet geleerd). ¹¹ Hoewel BKT een fundamentele technologie was, lijdt het aan rigiditeit:

●​ Binaire aanname: Het veronderstelt dat een student een vaardigheid ofwel "kent" of niet, en slaagt er niet in gedeeltelijke beheersing of "roestige" kennis vast te leggen.

●​ Onafhankelijkheidsaanname: Het behandelt concepten als onafhankelijke silo's. Het begrijpt niet inherent dat beheersing van "vermenigvuldigen" een vereiste is voor "delen" tenzij dat expliciet hard-coded is door menselijke experts. ¹²

●​ Annotatieknelpunt: BKT vereist dat elke vraag handmatig wordt getagd met een "skill" of "concept." Deze mapping is vaak ambigu en arbeidsintensief. ¹¹

Deep Knowledge Tracing (DKT) vertegenwoordigt een paradigmaverschuiving. Geïntroduceerd in baanbrekend onderzoek van Piech et al. gebruikt DKT recurrent neural networks (RNN's) en long short-term memory (LSTM)-netwerken om leren te modelleren. ¹¹ DKT laat de binaire, door experts gelabelde beperkingen van BKT los ten gunste van een flexibele, hoogdimensionale representatie die leert van ruwe data.

Tabel 1: vergelijkende analyse van knowledge-tracing-architecturen

Kenmerk	Bayesian Knowledge Tracing (BKT)	Deep Knowledge Tracing (DKT)
Toestandsrepresentatie	Binair (0 of 1); bekend / onbekend	Continu Hoogdimensionale vector (bijv. 200+ dimensies)
Conceptafhankelijkheden	Veronderstelt onafhankelijkheid (silo's)	Vangt complexe, niet-lineaire, latente afhankelijkheden

Temporele dynamiek	Eerste-orde Markov (geheugen van vorige stap alleen)	Oneindige impulsrespons (langetermijngeheugen via LSTM)
Invoervereiste	Vereist expertlabeling van "skills" per vraag	Kan latente concept- structuren leren uit ruwe interactielogs
Voorspellende prestatie	Lagere AUC (oppervlakte onder de curve)	Aanzienlijk hogere AUC (bijv. 25% winst t.o.v. BKT)13
Aanpasbaarheid	Starre, regelgebaseerde structuur	Flexibel, datagedreven, "diep" in de tijd

2.2 De architectuur van de "hersentoestand"

De kerninnovatie van DKT is het gebruik van het RNN om een verborgen-toestandsvector ($h_t$) . In de Veriprajna-architectuur dient deze vector als digitale proxy voor de "hersentoestand" van de student ("Brain State").

In tegenstelling tot een cijferlijst die eerdere prestaties vastlegt, is de verborgen-toestandsvector een voorspellend model van huidige bekwaamheid. Het is een dichte, continue vector die evolueert bij elke interactie.

●​ Invoer ($x_t$): De student probeert een opgave (bijv. vraag-ID 502, antwoord: Onjuist).

●​ Verwerking: Het RNN werkt de verborgen toestand bij op basis van deze nieuwe informatie en de vorige toestand ($h_{t-1}$).

●​ Uitvoer ($y_t$): Het model genereert een kansvector die de waarschijnlijkheid voorspelt dat de student elke andere vraag in de database correct beantwoordt. ¹⁴

Deze continue representatie laat het systeem nuances coderen die binaire modellen missen:

1.​ Latente correlaties: Het model leert de structuur van het curriculum zonder menselijke tagging. Als studenten die zakken voor vraag A ook vaak zakken voor vraag B, codeert het model een afhankelijkheid daartussen in de verborgen toestand. Als een student A beheerst, stijgt de kans op beheersing van B automatisch in de voorspellingsvector. ¹⁰

2.​ Gedeeltelijke kennis: De toestand kan een student representeren die "40% bekwaam" is in een onderwerp—misschien begrijpen ze het concept maar maken ze rekenfouten.

3.​ Vergeetcurven: De LSTM-architectuur is uniek geschikt om het verval van geheugen te modelleren. Als een student een week een specifieke vaardigheid niet heeft geoefend, zullen de waarden in de verborgen toestand die bij die vaardigheid horen wegdrijven, wat de natuurlijke "vergeetcurve" weerspiegelt die is waargenomen in de cognitieve wetenschap. ¹⁵

2.3 Het LSTM-voordeel: het oplossen van de verdwijnende gradiënt

Standaard-RNN's worstelen met langetermijnafhankelijkheden door het probleem van de "verdwijnende gradiënt" —ze vergeten informatie uit het verre verleden. Onderwijs is echter een langetermijnproces; een concept dat in september is geleerd, is in mei relevant.

Veriprajna zet long short-term memory (LSTM)-units in om dit op te lossen. LSTM's gebruiken een complexe celstructuur met "gates" die de informatiestroom reguleren:

●​ Forget-gate: Bepaalt welke informatie uit de vorige toestand niet langer relevant is (bijv. de specifieke getallen in een wiskundeopgave) en moet worden weggegooid.

●​ Input-gate: Bepaalt welke nieuwe informatie (bijv. de beheersing van de onderliggende regel) in de langetermijnceltoestand moet worden opgeslagen.

●​ Output-gate: Bepaalt de huidige voorspelling op basis van de bijgewerkte toestand. ¹³

Deze architectuur laat de "hersentoestand" fungeren als een robuust, persistent geheugen, dat kritieke signalen over duizenden interacties bewaart terwijl ruis wordt weggefilterd.

Deel III: de pedagogiek van flow en dynamische moeilijkheids- aanpassing

3.1 Voorbij correctheid: het psychologische mandaat

Het ultieme nut van het volgen van de "hersentoestand" is niet louter voorspelling; het is interventie . De meest effectieve interventiestrategie in de leerwetenschap is de student houden in de zone van naaste ontwikkeling (ZPD), vaak aangeduid als de "Flow-zone."

Flow, een toestand gedefinieerd door psycholoog Mihaly Csikszentmihalyi, kenmerkt zich door volledige opgaan in een activiteit. Het treedt alleen op wanneer er een optimaal evenwicht is tussen de moeilijkheid van de uitdaging en de vaardigheid van de deelnemer. ¹⁶

●​ Het verveeldheidskanaal: Als vaardigheid > uitdaging, haakt de student af.

●​ Het angstkanaal: Als uitdaging > vaardigheid, raakt de student gefrustreerd en stopt.

●​ Het flowkanaal: Als uitdaging $\approx$ vaardigheid, is de student betrokken, geconcentreerd en aan het leren.

3.2 Flow operationaliseren met kansvectoren

In een traditioneel klaslokaal of een standaard-chatbotapp is het identificeren van deze zone een kwestie van giswerk. In een DKT-systeem is het een kwestie van berekening.

De uitvoervector $y_t$ van het DKT-model levert de kans op correctheid ($P_{correct}$) voor elke mogelijke volgende oefening. We kunnen deze kansen rechtstreeks mappen op

de psychologische toestanden van de lerende ¹⁸ :

●​ Beheersing / verveeldheidszone ($P_{correct} > 0.75$): Het model voorspelt dat de student een hoge kans op succes heeft. Deze inhoud presenteren biedt weinig onderwijswaarde en riskeert verveling op te wekken.

●​ Frustratie- / angstzone ($P_{correct} < 0.35$): Het model voorspelt dat de student waarschijnlijk zal falen. Deze inhoud zonder scaffolding presenteren riskeert angst en churn.

●​ De Flow-zone ($0.40 \le P_{correct} \le 0.70$): Dit is de ideale zone. De student heeft grofweg 50-60% kans op succes. Dat impliceert dat ze de fundamentele kennis hebben om de opgave te proberen, maar cognitieve inspanning moeten leveren om te slagen. Dit sluit aan bij Vygotsky's definitie van de ZPD: de kloof tussen wat een lerende alleen kan en wat hij of zij met begeleiding kan. ¹⁹

3.3 Algoritmen voor dynamische moeilijkheidsaanpassing (DDA)

Veriprajna gebruikt de "hersentoestand" om dynamische moeilijkheidsaanpassing (DDA) aan te drijven. In plaats van een lineair curriculum waarin elke gebruiker hetzelfde pad volgt, fungeert het DKT-model als een realtimebeleidsengine.

De regelkring:

1.​ Interactie: De student beantwoordt een vraag.

2.​ Toestandsupdate: De LSTM werkt de verborgen vector bij $h_t$.

3.​ Voorspellende lookahead: Het systeem berekent $P_{correct}$ voor alle kandidaatvragen in de database.

4.​ Selectiebeleid: Het systeem filtert op vragen waarbij $P_{correct}$ valt strikt binnen de Flow-zone (bijv. $0.55$).

5.​ Aanbieding: De AI-mentor presenteert de optimaal uitdagende opgave.

Dit zorgt ervoor dat de student voortdurend in een toestand van maximale cognitieve betrokkenheid wordt gehouden. Als een student moeite heeft, past de verborgen toestand zich aan, verschuiven de kansen, en het systeem serveert automatisch eenvoudigere, remediërende inhoud (scaffolding) om vertrouwen te herstellen voordat het terugkeert naar complexiteit. ²⁰

Deel IV: de neuro-symbolische architectuur: bouwen van de mentor

Om een systeem te bouwen dat praat als een leraar en denkt als een data scientist, stellen we een neuro-symbolische architectuur voor. Deze hybride aanpak combineert de generatieve capaciteiten van LLM's (symbolisch/linguïstisch) met de toestandsopvolgingsprecisie van DKT (connectionistisch/neuraal).

4.1 De interfacelaag (de mond)

Deze laag handelt de natuurlijke-taalinteractie af. Ze wordt aangedreven door een fijngetuned LLM (bijv. Llama 3 of GPT-4o).

●​ Rol: Gebruikersinvoer parsen, conversationele antwoorden genereren en uitleg formatteren.

●​ Beperking: Deze laag is toestandsloos . Ze beslist niet wat er onderwezen moet worden; ze beslist alleen hoe het te zeggen.

4.2 De cognitieve laag (het brein)

Deze laag huisvest het DKT-model (LSTM/RNN).

●​ Rol: Interactielogs verwerken $\{Question\_ID, Result, Time\}$. De verborgen toestandsvector bijwerken.

●​ Uitvoer: De "kennistoestand" en de kansmatrix voor het curriculum.

4.3 De beleidslaag (de gids)

Deze laag fungeert als de brug. Ze interpreteert het "brein" en instrueert de "mond."

●​ Functie: Ze bevraagt de cognitieve laag om het volgende beste concept te identificeren om te onderwijzen (op basis van flow-optimalisatie).

●​ Promptconstructie: Ze assembleert dynamisch de systeemprompt voor de interface- laag.

○​ Voorbeeldinstructie: "De student bevindt zich momenteel in de Flow-zone voor 'kwadratische vergelijkingen' ($P=0.6$). Presenteer opgave #882. Onthul het antwoord niet. Geef een hint gerelateerd aan 'ontbinden in factoren' als ze aarzelen."

Deze architectuur mitigeert hallucinaties . Door de reikwijdte van de LLM te beperken tot een specifieke oefening die is geïdentificeerd door het geverifieerde DKT-model, verkleinen we de zoekruimte voor het generatieve model, waardoor het gedwongen wordt gegrond te blijven in de pedagogische strategie. ²¹

4.4 Omgaan met de "cold start"

Een veelvoorkomende uitdaging in deep learning is de "cold start"—hoe modelleer je een nieuwe gebruiker zonder geschiedenis. Veriprajna zet transfer-learningstrategieën in:

1.​ Voortraining: Het DKT-model wordt voorgetraind op geanonimiseerde geaggregeerde data van duizenden historische leertraces. Dit vestigt een "baseline"-hersentoestand.

2.​ Clusterinitialisatie: Nieuwe gebruikers worden toegewezen aan een "lerendencluster" op basis van een initiële diagnostische assessment of demografische metadata, waarbij hun verborgen toestand wordt gezaaid met het zwaartepunt van vergelijkbare lerenden. ²³

3.​ Snelle convergentie: De LSTM is ontworpen om snel af te wijken van de generieke baseline naar een gepersonaliseerde toestand binnen de eerste 10-20 interacties.

Deel V: de businesscase voor deep AI in onderwijs

Voor besluitvormers in EdTech en corporate training is de verschuiving van wrapper-AI naar DKT niet alleen een technische upgrade; het is een fundamentele drijver van bedrijfswaarde.

5.1 ROI van retentie en betrokkenheid

In de subscriptie-economie is churn de primaire bedreiging voor omzet. Churn in onderwijs is grotendeels emotioneel: het komt voort uit verveling (product is te makkelijk) of angst (product is te moeilijk). Door DKT te implementeren om gebruikers mechanisch in de Flow-zone te houden, kunnen organisaties direct retentiemetrics beïnvloeden.

Onderzoek wijst uit dat gepersonaliseerde, adaptieve tutoring leerresultaten kan verdubbelen (het "2- sigma"-effect) en de sessieduur aanzienlijk kan verlengen. ²⁴ Het verhogen van de gemiddelde customer lifetime value (LTV) door gebruikersretentie te verlengen, vertaalt zich in enorme omzetwinsten die de rekencosten van het draaien van DKT-modellen ruimschoots overtreffen.

5.2 Efficiëntie in corporate L&D

In corporate omgevingen is training vaak een kostenpost. De succesmetric is "tijd tot bekwaamheid." Een een-maat-voor-allen-videocursus is inefficiënt omdat medewerkers moeten zitten door materiaal dat ze al kennen.

●​ Het DKT-voordeel: Een DKT-aangedreven systeem identificeert beheersing onmiddellijk ($P > 0.9$) en laat de medewerker redundante inhoud overslaan, zodat alleen hun kennishiaten centraal staan. Dit kan de totale trainingstijd met 40-50% verkorten, medewerkers sneller terugbrengen naar productiviteit en aanzienlijke operationele besparingen genereren. ²⁶

5.3 Strategische differentiatie: de datagracht

Naarmate LLM's tot massagoed worden, daalt de toetredingsdrempel voor het bouwen van een "chattutor" tot bijna nul. Een concurrent kan een wrappertoepassing in een weekend repliceren.

●​ De DKT-gracht: Een DKT-gebaseerd systeem bouwt een verdedigbare gracht via zijn propriëtaire model van studentengedrag. Hoe meer lerenden met het systeem interageren, hoe verfijnder het DKT-model wordt in het voorspellen van leertrajecten. Dit "dataflywheel" creëert een uniek asset—de geaggregeerde "hersentoestand"-data—dat concurrenten niet via een API kunnen klonen. ⁵

Deel VI: implementatieroadmap

De overstap van een standaard-LMS of chatbot naar een deep-AI-oplossing vereist een gestructureerde aanpak.

6.1 Fase 1: data-audit en infrastructuur

●​ Trace-datacollectie: Verschuif van het loggen van "testscores" naar het loggen van "interactietraces." Elke poging, elk hintverzoek en elke latentie-metric moet worden vastgelegd in een tijdreeksdatabase.

●​ Anonimisering: Implementeer rigoureuze hashing van gebruikers-ID's om privacycompliance te waarborgen terwijl de integriteit van sequentiële data behouden blijft.

6.2 Fase 2: modeltraining en validatie

●​ Offline training: Train het LSTM-model op historische data om voorspellende nauwkeurigheid (AUC) te benchmarken tegen bestaande methoden.

●​ Flowkalibratie: Analyseer historische logs om de empirische kans- drempels te bepalen die correleren met gebruikersuitval, en kalibreer de "Flow-zone" specifiek voor uw inhoud.

6.3 Fase 3: de neuro-symbolische integratie

●​ API-orchestratie: Zet de beleidslaag in om gebruikersberichten te onderscheppen, het DKT- model te bevragen en context in de LLM-prompt te injecteren.

●​ A/B-testen: Rol de "AI-mentor" uit naar een subset van gebruikers en meet aparte metrics: leerwinst (pretest vs. posttest) en betrokkenheid (sessieduur).

Deel VII: conclusie

De belofte van "gepersonaliseerd leren" is lang onvervuld gebleven, gevangen in de beperkingen van regelgebaseerde systemen en de buzzwords van marketing. De komst van generatieve AI bood een glimp van een oplossing, maar zonder cognitieve architectuur gaf het ons slechts de illusie van een leraar.

Knowledge Tracing is de realiteit. Het is de wiskundige ruggengraat die nodig is om een conversationele interface om te zetten in een pedagogische motor. Door Deep Knowledge Tracing te implementeren, erkennen we dat leren een complex, temporeel en diep menselijk proces is dat niet alleen met waarschijnlijkheidstokens kan worden opgelost. We moeten de worsteling, het vergeten en de doorbraak modelleren.

We moeten systemen bouwen die onthouden dat je vorige week moeite had met breuken, zodat ze je vandaag kunnen helpen met verhoudingen. We moeten systemen bouwen die het delicate evenwicht van de Flow-zone respecteren. We moeten stoppen met het bouwen van chatbots en beginnen met het bouwen van mentoren.

Veriprajna. Verwerk niet alleen tekst. Traceer kennis.

Data-appendix

Tabel 2: de economische impact van adaptief leren

Meetwaarde	Traditioneel lineair leren	DKT-aangedreven adaptief leren	Bedrijfsimpact
Voltooiingspercentages	~15-20% (MOOC/standaard)	60-80% (adaptief)	Hogere LTV & verlengingspercentages
Tijd tot bekwaamheid	Vast (hoog)	Variabel (geoptimaliseerd)	40-50% reductie in trainingskosten24
Betrokkenheid	Passieve consumptie	Actieve flowtoestand	Toename dagelijkse actieve gebruikers (DAU)
Schaalbaarheid	Hoog (maar lage effectiviteit)	Hoog (met hoge effectiviteit)	Lost het "2- sigma"-schaalbaarheids- probleem25 op

Tabel 3: de DKT-kansvector interpreteren

Hypothetische uitvoer voor een student ("Alex") die algebra leert.

Concept-ID	Concept- naam	Voorspelde P(correct)	Toestand Diagnose	Beleidsactie
C_101	Gehele optelling	0.99	Beheersing (verveling)	Overslaan. Niet tonen.
C_205	Breuken optellen	0.35	Zwakte (angst)	Ondersteun. Geef hints of vereiste herhaling.
C_301	Lineaire vergelijkingen	0.62	Flow-zone	Onderwijs. Presenteer dit concept als volgende.
C_302	Kwadratische vgl.	0.15	Onvoorbereid	Vergrendel. inhoud

Geraadpleegde bronnen

1. Limitations of LLMs – ChatGPT in STEM Teaching: An introduction ..., geraadpleegd op 11 december 2025, https://ecampusontario.pressbooks.pub/llmtoolsforstemteachinginhighered/part/technical-limitations-of-llms/

2. Knowledge Integrity in Large Language Models: A State-of-The-Art Review MDPI, geraadpleegd op 11 december 2025, https://www.mdpi.com/2078-2489/16/12/1076

3. The Context Window Problem: Scaling Agents Beyond Token Limits - Factory.ai, geraadpleegd op 11 december 2025, https://factory.ai/news/context-window-problem

4. What is long context and why does it matter for AI? | Google Cloud Blog, geraadpleegd op 11 december 2025, 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, geraadpleegd op 11 december 2025, https://arxiv.org/html/2502.02945v1

6. 4 LLM Hallucination Examples and How to Reduce Them - Vellum AI, geraadpleegd op 11 december 2025, 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, geraadpleegd op 11 december 2025, 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, geraadpleegd op 11 december 2025, https://arxiv.org/html/2503.16460v1

9. Why AI chatbots make bad teachers - and how teachers can exploit that weakness - ZDNET, geraadpleegd op 11 december 2025, https://www.zdnet.com/article/why-ai-chatbots-make-bad-teachers-and-how-teachers-can-exploit-that-weakness/

10. Deep Knowledge Tracing - Stanford University, geraadpleegd op 11 december 2025, https://stanford.edu/~cpiech/bio/papers/deepKnowledgeTracing.pdf

11. Deep Knowledge Tracing, geraadpleegd op 11 december 2025, https://arxiv.org/abs/1506.05908

12. Deep Knowledge Tracing - NIPS papers, geraadpleegd op 11 december 2025, https://papers.nips.cc/paper/5654-deep-knowledge-tracing

13. [Quick Review] Deep Knowledge Tracing - Liner, geraadpleegd op 11 december 2025, https://liner.com/review/deep-knowledge-tracing

14. Deep Knowledge Tracing - Neural Dynamics and Computation Lab - Stanford University, geraadpleegd op 11 december 2025, https://ganguli-gang.stanford.edu/pdf/DeepKnowledgeTracing.pdf

15. Deep knowledge tracing with learning curves - PMC - NIH, geraadpleegd op 11 december 2025, https://pmc.ncbi.nlm.nih.gov/articles/PMC10097988/

16. Flow Theory – Design in Progress: A Collaborative Text on Learning Theories, geraadpleegd op 11 december 2025, 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, geraadpleegd op 11 december 2025, 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, geraadpleegd op 11 december 2025, https://www.nwea.org/blog/2025/the-zone-of-proximal-development-zpd-the-power-of-just-right/

19. Zone of proximal development - Wikipedia, geraadpleegd op 11 december 2025, https://en.wikipedia.org/wiki/Zone_of_proximal_development

20. Revisiting Applicable and Comprehensive Knowledge Tracing in Large-Scale Data - arXiv, geraadpleegd op 11 december 2025, https://arxiv.org/html/2501.14256v1

21. TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation - ePrints Soton, geraadpleegd op 11 december 2025, 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, geraadpleegd op 11 december 2025, https://aclanthology.org/2025.findings-acl.1348.pdf

23. Collaborative Learning Groupings Incorporating Deep Knowledge Tracing Optimization Strategies - MDPI, geraadpleegd op 11 december 2025, https://www.mdpi.com/2076-3417/15/5/2692

24. AI Tutoring vs. Traditional Tutoring: Key Differences - Dialzara, geraadpleegd op 11 december 2025, https://dialzara.com/blog/ai-tutoring-vs-traditional-tutoring-key-diferences f

25. Tutors of tomorrow? A new benchmark for evaluating LLMs - MBZUAI, geraadpleegd op 11 december 2025, https://mbzuai.ac.ae/news/tutors-of-tomorrow-a-new-benchmark-for-evaluating-llms/

26. How adaptive learning is reshaping corporate training - CYPHER Learning, geraadpleegd op 11 december 2025, https://www.cypherlearning.com/blog/business/how-adaptive-learning-is-reshaping-corporate-training

27. Delivering the ROI of Learning - Fulcrum Labs Infographic, geraadpleegd op 11 december 2025, https://www.fulcrumlabs.ai/blog/roi-learning-infographic/