본 논문은 기존 지식 추적(Knowledge Tracing, KT) 방법의 설명 가능성, 확장성, 복잡한 지식 의존성 모델링의 어려움을 해결하기 위해 대규모 언어 모델(LLM)을 활용한 새로운 프레임워크인 협업적 반복 지식 추적(Collaborative Iterative Knowledge Tracing, CIKT)을 제안합니다. CIKT는 분석가(Analyst)와 예측가(Predictor)의 이중 구성 요소 아키텍처를 사용합니다. 분석가는 학생의 과거 응답을 바탕으로 동적인 설명 가능한 사용자 프로필을 생성하고, 예측가는 이러한 프로필을 사용하여 미래 성과를 예측합니다. 핵심은 분석가와 예측가 간의 상호 작용적 최적화 루프로, 예측가의 예측 정확도에 따라 분석가가 반복적으로 개선되고, 개선된 프로필을 사용하여 예측가가 재훈련됩니다. 다양한 교육 데이터셋에서 평가한 결과, CIKT는 예측 정확도 향상, 동적으로 업데이트되는 사용자 프로필을 통한 설명 가능성 향상, 확장성 향상을 보여줍니다.
