Knowledge Tracing e interpretabilità: una nuova frontiera

Il Knowledge Tracing (KT) è un campo cruciale per la personalizzazione dell'istruzione, poiché mira a modellare l'evoluzione delle conoscenze degli studenti per prevedere le loro performance future. I modelli di deep learning tradizionali, pur raggiungendo un'elevata accuratezza, spesso mancano di interpretabilità. I Large Language Models (LLM), d'altra parte, offrono forti capacità di ragionamento ma sono limitati dalla dimensione della finestra di contesto e dal rischio di allucinazioni.

MERIT: un approccio innovativo

Il framework MERIT (Memory-Enhanced Retrieval for Interpretable Knowledge Tracing) propone una soluzione training-free che combina le capacità di ragionamento di un LLM con una memoria pedagogica strutturata. Invece di aggiornare i parametri del modello, MERIT trasforma i log delle interazioni in una memoria interpretabile. Questo approccio utilizza il semantic denoising per categorizzare gli studenti in schemi cognitivi latenti e costruisce un paradigm bank dove i modelli di errore rappresentativi vengono analizzati offline per generare spiegazioni Chain-of-Thought (CoT).

Inference e vantaggi

Durante l'inference, un meccanismo di routing gerarchico recupera i contesti rilevanti, mentre un modulo logic-augmented applica vincoli semantici per calibrare le consegne. Ancorando l'LLM a una memoria interpretabile, MERIT raggiunge performance all'avanguardia su dataset reali senza aggiornamenti dei gradienti. Questo riduce i costi computazionali e supporta aggiornamenti dinamici della conoscenza, migliorando l'accessibilità e la trasparenza della diagnostica educativa.

Per chi valuta deployment on-premise, esistono trade-off da considerare. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi aspetti.