대규모 데이터 기반 지식 추적의 혁신: DKT2 모델의 등장

Zhou, Han, Chen 등 연구진이 개발한 DKT2 모델은 xLSTM 아키텍처, Rasch 모델, IRT를 결합하여 기존 DLKT 모델의 한계를 극복하고, 대규모 데이터에서 우수한 예측 성능과 해석력을 보여주는 혁신적인 지식 추적 모델입니다. 실제 교육 환경에 적용 가능성이 높아 AI 기반 교육 시스템 발전에 크게 기여할 것으로 기대됩니다.

지식 추적(KT)은 인공지능 기반 교육 시스템(ITS)의 핵심 요소입니다. 학습자의 지식 상태를 모델링하여 향후 성과를 예측하는 데 사용되죠. 최근 딥러닝 기반 KT(DLKT) 모델이 등장하면서, 특히 Deep Knowledge Tracing(DKT)은 그 적용성과 포괄성 면에서 괄목할 만한 발전을 가져왔습니다. 하지만 Attentive Knowledge Tracing(AKT) 등 후속 모델들은 예측 성능 향상에만 집중하면서, DKT가 가진 장점들을 일부 희생하는 경향이 있었습니다.

Zhou, Han, Chen 등 연구진이 발표한 논문 "Revisiting Applicable and Comprehensive Knowledge Tracing in Large-Scale Data"는 이러한 문제점을 해결하기 위해 새로운 KT 모델, 바로 DKT2를 제시합니다. 기존 딥러닝 기반 순차 모델의 병렬 컴퓨팅, 저장 용량 제약, 해석력 저하 등의 한계를 극복하기 위해, 연구진은 최근 개발된 xLSTM 아키텍처를 활용했습니다.

DKT2의 핵심은 무엇일까요? 바로 Rasch 모델과 Item Response Theory(IRT) 의 통합입니다. Rasch 모델을 이용하여 입력 표현을 개선하고, IRT를 통해 학습된 지식을 익숙한 지식과 낯선 지식으로 분해하여 해석력을 높였습니다. 예측된 질문과 이러한 지식 정보를 통합하여, DKT2는 보다 포괄적인 지식 상태를 생성합니다.

세 개의 대규모 데이터 세트를 사용한 광범위한 실험 결과, DKT2는 17개의 기존 모델들을 꾸준히 능가하는 예측 성능을 보였습니다. 이는 DKT2가 실제 교육 환경에 적용될 가능성을 보여주는 강력한 증거입니다. 이 연구는 KT 분야의 이론적 발전과 실제 구현 사이의 간극을 메우는 중요한 성과를 거두었습니다. 연구팀은 GitHub(https://github.com/codebase-2025/DKT2)에 코드와 데이터 세트를 공개하여, 다른 연구자들의 활용을 지원하고 있습니다.

DKT2의 등장은 AI 기반 교육 시스템의 발전에 중요한 이정표가 될 것으로 기대됩니다. 더욱 정확하고 해석 가능한 지식 추적 모델을 통해, 학습자 개인에게 맞춤화된 효과적인 교육 환경을 구축할 수 있을 것입니다. 이는 단순한 예측 성능 향상을 넘어, 교육의 질적 향상으로 이어지는 혁신적인 발걸음입니다.