پیش‌بینی تسلط دانش‌آموز: ردیابی دانش بیزی و نظریه پاسخ به آیتم چگونه یادگیری تطبیقی را هدایت می‌کنند

هنگامی که مدیران برنامه درسی مناطق آموزشی و مدیران فناوری اطلاعات دانشگاه‌ها، پلتفرم‌های یادگیری تطبیقی را در طول چرخه‌های سالانه خرید نرم‌افزار خود ارزیابی می‌کنند، در نهایت در حال خرید یک الگوریتم هستند. آنها تصمیم می‌گیرند که کدام مدل ریاضی بر تمرینات روزانه دانش‌آموزانشان حاکم باشد—اینکه آیا یک سیستم دانش‌آموز را پس از سه پاسخ صحیح به مرحله بعد می‌برد یا برای ترمیم نگه می‌دارد. این انتخاب به نحوه محاسبه حافظه و تسلط انسان توسط نرم‌افزار بستگی دارد، تقسیمی که در حال حاضر تحت سلطه دو چارچوب آماری رقیب است: ردیابی دانش بیزی (BKT) و نظریه پاسخ به آیتم (IRT).

سیستم‌های تدریس هوشمند (ITS) جدید نیستند، اما اثربخشی آنها کاملاً به ریاضیات زیربنایی بستگی دارد. یک فراتحلیل در سال ۲۰۱۶ که در نشریه «بررسی تحقیقات آموزشی» منتشر شد، ۵۰ ارزیابی کنترل‌شده از این سیستم‌ها را بررسی کرد. محققان دریافتند که به طور متوسط، تدریس هوشمند نمرات آزمون را به میزان ۰.۶۶ انحراف معیار نسبت به آموزش سنتی کلاس درس افزایش داده است. نویسندگان نتیجه گرفتند: «تأثیر میانه تدریس هوشمند در ۵۰ ارزیابی، افزایش نمرات آزمون به میزان ۰.۶۶ انحراف معیار نسبت به سطوح سنتی، یا از صدک ۵۰ام به صدک ۷۵ام بوده است.» اما اینکه سیستم چگونه تصمیم می‌گیرد دانش‌آموز به آن صدک ۷۵ام رسیده است، تعیین می‌کند که چقدر کارآمد به آنجا می‌رسد.[1]

نظریه پاسخ به آیتم (IRT) در ابتدا توسط روان‌سنجان برای آزمون‌های استاندارد شده مانند SAT و GRE توسعه یافت. این نظریه احتمال پاسخ صحیح را بر اساس دو عامل اصلی مدل‌سازی می‌کند: توانایی پنهان دانش‌آموز و دشواری ذاتی آیتم. همچنین شامل یک پارامتر حدس زدن و یک پارامتر تمایز آیتم است که اندازه‌گیری می‌کند یک سؤال چقدر خوب می‌تواند دانش‌آموزان با توانایی بالا را از دانش‌آموزان با توانایی پایین جدا کند. IRT در قرار دادن دانش‌آموزان در یک مقیاس پیوسته از مهارت عالی است، اما فرض می‌کند که توانایی زیربنایی دانش‌آموز در طول ارزیابی ثابت است.[3]