본 논문은 교육 분야 심층 학습의 발전에도 불구하고, 학생 지식 추적 및 행동 모델링이 여전히 제한된 개인화, 다양한 학습 활동(특히 평가되지 않은 자료)에 대한 부적절한 모델링, 지식 습득과 행동 패턴 간의 상호 작용 간과 등의 문제점을 안고 있음을 지적합니다. 고정된 크기의 시퀀스 분할과 같은 실질적인 한계는 개인화된 학습에 필수적인 문맥 정보의 손실을 초래합니다. 또한 평가된 자료에 대한 학생 성과에 대한 의존은 강의와 같은 평가되지 않은 상호 작용을 배제하여 모델링 범위를 제한합니다. 이러한 단점을 극복하기 위해, 본 논문에서는 학생의 지식과 행동을 개인화하고 동시에 모델링하기 위해 설계된 상태 유지 다중 작업 접근 방식인 지식 모델링 및 자료 예측(KMaP)을 제안합니다. KMaP는 클러스터링 기반 학생 프로파일링을 사용하여 개인화된 학생 표현을 생성하여 향후 학습 자료 선호도 예측을 개선합니다. 두 개의 실제 데이터 세트에 대한 광범위한 실험은 학생 클러스터 간의 상당한 행동 차이를 확인하고 KMaP 모델의 효능을 검증합니다.
