בעידן הלמידה הדיגיטלית, שבו פלטפורמות כמו קורסרה וקהן משמשות מיליונים, השאלה המרכזית היא: כיצד לחזות במדויק את ביצועי התלמיד בשאלה הבאה? מעקב ידע (Knowledge Tracing, KT) מנסה לענות על כך על ידי מודלינג מסלול הלמידה של התלמיד. אך אתגר מרכזי נותר: כיצד לייצג טוב יותר את הקשרים בין תלמידים, שאלות ומושגי ידע (KCs)? מחקר חדש מציג את MAGE-KT, מסגרת חדשנית המשלבת גרפים הטרוגניים רב-נקודת מבט. (72 מילים)
שיטות מבוססות גרף בתחום KT הראו הבטחה, אך לא ניצלו מספיק את הקשרים הבין-מושגיים, שמוסקים רק מרצפי אינטראקציה. בנוסף, הגודל והטרוגניות של גרפי KT הופכים קידוד גרף מלא לייקר מבחינה חישובית ומועד לרעש, מה שגורם לדליפת תשומת לב לאזורים לא רלוונטיים לתלמיד. MAGE-KT פותרת זאת באמצעות בניית גרף הטרוגני רב-נקודת מבט: משלב מחלץ קשרי KC רב-סוכנים עם גרף אינטראקציות תלמיד-שאלה, שתופס אותות סמנטיים והתנהגותיים משלימים. (98 מילים)
מותנה בהיסטוריית התלמיד המטרה, MAGE-KT מחלצת תת-גרפים קומפקטיים ועשירי ערך, ומשלבת אותם באמצעות מודול מיזוג קרוס-תשומת-לב א-סימטרי. גישה זו משפרת את החיזוי תוך הימנעות מדיפוזיית תשומת לב וחישובים מיותרים. לפי החוקרים, השיטה משפרת את הדיוק בקשרי KC ומשיגה שיפורים משמעותיים בחיזוי השאלה הבאה. (82 מילים)
המשמעות של MAGE-KT גדולה לעולם החינוך הדיגיטלי: חברות ישראליות כמו אלו בפינטק החינוכי יכולות לשלב אותה בפלטפורמות למידה אישית, לשפר שיעורי השלמה ולהגביר הכנסות. בהשוואה לשיטות קודמות, היא מציעה יעילות גבוהה יותר בגרפים גדולים, רלוונטי במיוחד לנתונים ישראליים מגוונים. הניסויים נערכו על שלושה מערכי נתונים סטנדרטיים ל-KT, והדגימו יתרונות ברורים. (88 מילים)
למנהלי עסקים בתחום הטכנולוגיה החינוכית, MAGE-KT מסמנת כיוון חדש: שילוב AI מתקדם ללמידה מותאמת אישית. כדאי לבחון אינטגרציה בשירותים קיימים. מה תהיה ההשפעה על שוק העדיטק הישראלי? קראו את המחקר המלא ב-arXiv. (70 מילים)