Liigu sisu juurde

Sõnastik

flowchart TB
subgraph pred["Ennustus"]
PL(["P(L) — oskus omandatud?"])
PS(["P(solve) — lahendab ülesande?"])
end
subgraph params["Neli parameetrit"]
PL0["P(L₀)"]
PT["P(T)"]
PSl["P(S)"]
PG["P(G)"]
end
subgraph ui["Toode"]
SEL["Ülesannete valija"]
HM["Klassi soojuskaart"]
EXP["Seletatavus"]
end
PL --> PS
PL0 --> PL
PT --> PL
PSl --> PS
PG --> PS
PS --> SEL
PL --> HM
SEL --> EXP
MõisteDefinitsioon
BKTBayesian Knowledge Tracing — jälgib iga (õpilane, mikrooskus) paari jaoks tõenäosust „oskus omandatud”; uuendab pärast iga vastust Bayesi reeglite ja õppimissammu (P(T)) abil.
MikrooskusVäikseim mõistlik oskuse üksus (nt „sulgude avamine”); igaühel on oma BKT olek.
(P(L))Tõenäosus, et õpilane on oskuse praegu omandanud (varjatud olek).
(P(L_0))Algne (P(L)) enne esimest katset selle oskuse kohta (prior).
(P(T))Tõenäosus õppida ühe katsega pärast ülesande lahendamist (transiit).
(P(S))Libisemine — „teab oskust, kuid vastab valesti” (hooplemus).
(P(G))Äraarvamine — „ei tea, kuid valib õige vastuse”.
(P(solve))Tõenäosus praeguse ülesande õigesti lahendamiseks antud (P(L)) juures: (P(L)(1-P(S))+(1-P(L))P(G)).
ZPDLähima arengu tsoon — „raske, kuid jõukohane”; selektor sihib (P(solve) \approx 0.7).
Selektorrecommend() — järjestab ülesandeid sihtmärgi (P(solve)) läheduse ja nõrga oskuse boonuse järgi.
Geom. keskmine oskuste kaupaMitme mikrooskusega ülesandel on ühine (P(solve)) geomeetriline keskmine — nõrk koht mõjutab tugevamini kui aritmeetiline keskmine.
Klassi soojuskaartÕpilased × oskused maatriks, värv = (P(L)).
SeletatavusÕpetajale „miks see ülesanne” tekst mallidest + BKT arvudest (faktid, mitte LLM-i väljamõeldis).
JupyterLiteJupyter brauseris (Pyodide/WASM); siin /lab/ all.
IRTItem Response Theory — modelleerib ülesande raskust ja võimet (\theta); hea testi hetktõmmiseks, nõrgem kui BKT õppe dünaamika jaoks.
EM / Baum–WelchSobitab BKT parameetrid vastuste ajaloost (HMM-stiilis).