MÔ HÌNH TRUY VẾT TRI THỨC NGƯỜI HỌC KẾT HỢP ĐỘNG LỰC THỜI GIAN: PHÂN TÍCH KHẢ NĂNG DỰ ĐOÁN TỪ SAINT+ VÀ DỮ LIỆU EDNET

Tóm tắt

Trí tuệ nhân tạo đang trở thành công cụ mạnh mẽ trong việc định hình trải nghiệm học tập cá nhân hóa, đặc biệt thông qua các mô hình truy vết và dự đoán trạng thái tri thức của người học theo thời gian. Trong số đó, mô hình SAINT (Separated Attention- based Knowledge Tracing) đạt độ chính xác cao nhờ khai thác các đặc trưng thời gian như thời lượng làm bài và khoảng cách giữa các lần phản hồi. Tuy nhiên, tính chất quyết định không minh bạch của mô hình này đặt ra thách thức đối với các nhà giáo dục trong việc tìm kiếm sự diễn giải và niềm tin vào hệ thống AI. Nghiên cứu này phân tích khả năng giải thích của cơ chế chú ý theo thời gian trong SAINT, sử dụng bộ dữ liệu quy mô lớn EdNet với hơn 130 triệu tương tác từ học sinh trong nhiều môi trường học tập khác nhau. Chúng tôi tập trung vào cách các động lực thời gian ảnh hưởng đến chất lượng dự đoán, đồng thời trực quan hóa trọng số chú ý để diễn giải cách các mẫu hành vi theo thời gian định hình mô hình hóa người học. Kết quả cho thấy việc mô hình hóa thời gian một cách minh bạch không chỉ cải thiện hiệu suất dự đoán mà còn thúc đẩy niềm tin và sự tương thích với trực giác sư phạm. Công trình này đặc biệt có ý nghĩa đối với các nhà giáo dục tại các khu vực thiếu nguồn lực như Việt Nam, nơi các công cụ AI có tính giải thích và dễ tiếp cận có thể góp phần thúc đẩy giáo dục cá nhân hóa một cách công bằng và khả thi hơn.