Simulating a ZPD-based Knowledge Tracing Model for Enhanced Adaptive Practicing
Notice bibliographique
Résumé
Self-paced online learning demands strong self-regulation, a skill many learners lack, causing high attrition rates in this educational model. Learners need a means to assess their dynamic knowledge states to clearly understand their ability throughout the course learning. While knowledge tracing function in adaptive learning systems (ALS) helps, traditional models usually overlook the side information of metacognition and the consideration of learner control. To address these issues, our study introduces the Zone of Proximal Development-based Knowledge Tracing (ZPD-KT) model, a novel adaptive practicing framework for online STEM education. ZPD-KT integrates confidence-based assessment, dynamic ZPD, and traditional knowledge tracing principles to enable an AI-learner shared control approach. Through a large-scale simulation involving 8,000 synthetic learners, the ZPD-KT model was benchmarked against traditional Bayesian Knowledge Tracing (BKT). Initial results show a significant increase in the effectiveness of adaptive practice when traditional KT algorithms are augmented with ZPD. Furthermore, the study highlights the critical role of metacognitive signals (e.g., self-reported confidence) in refining KT beyond binary correctness metrics. For smart education ecosystems, ZPD-KT offers a scalable, ethically grounded solution that balances AI-driven personalization with learner autonomy, advocating for systems that prioritize pedagogical equity and adaptability in self-paced online learning environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».