En este artículo, proponemos el Rastreo Iterativo Colaborativo de Conocimiento (CIKT), un novedoso marco que aprovecha los modelos de lenguaje a gran escala (LLM) para abordar los desafíos de explicabilidad, escalabilidad y modelado de dependencias de conocimiento complejas en los métodos existentes de Rastreo de Conocimiento (KT). CIKT emplea una arquitectura de dos componentes: un analista y un predictor. El analista genera perfiles de usuario dinámicos y explicables basados en las respuestas pasadas de los estudiantes, y el predictor utiliza estos perfiles para predecir el rendimiento futuro. En su núcleo hay un bucle de optimización interactivo entre el analista y el predictor, en el que el analista se mejora iterativamente en función de la precisión de predicción del predictor, y el predictor se reentrena utilizando los perfiles mejorados. Los resultados de la evaluación en varios conjuntos de datos de entrenamiento muestran que CIKT mejora la precisión de la predicción, la explicabilidad a través de perfiles de usuario actualizados dinámicamente y mejora la escalabilidad.
