본 논문은 기존 지식 추적(Knowledge Tracing, KT) 모델의 단일 단계 학습으로 인한 오류 누적 문제와 데이터 부족 문제를 해결하기 위해, 새로운 적대적 다단계 학습 프레임워크(Adversarial Multi-Step Training Framework for Knowledge Tracing, AdvKT)를 제안합니다. AdvKT는 생성자와 판별자를 활용한 적대적 학습 방식을 통해 다단계 KT 작업에 초점을 맞춥니다. 생성자는 높은 보상을 받는 응답을 모방하여 다단계에 걸친 오류 누적을 줄이고, 판별자는 합성 데이터 생성에 대한 피드백을 제공합니다. 또한, 특수한 데이터 증강 기법을 설계하여 실제적인 변형을 가진 훈련 데이터를 풍부하게 만들어 데이터 부족 상황에서도 모델의 일반화 성능을 향상시킵니다. 실제 데이터셋 4개에 대한 실험 결과, AdvKT는 기존 KT 모델보다 우수한 성능을 보이며 오류 누적 및 데이터 부족 문제를 효과적으로 해결함을 보여줍니다.
