[연구의 필요성]

Knowledge Tracing(KT)은 학습자의 과거 풀이 이력을 기반으로 미래 문제 풀이 성과를 예측하는 핵심 기술입니다. 기존 연구들은 문제(item)를 Knowledge Component(KC)와 같은 개념적 구조에 기반한 정적 임베딩으로 표현해왔습니다. 그러나 실제 문제 해결 과정은 단순한 개념 이해를 넘어, 문제 해석, 전략 수립, 계산 수행, 검토 등 절차적(problem-solving) 과정을 포함합니다. 기존 방법들은 이러한 절차적 정보를 반영하지 못해, 동일한 개념을 공유하는 문제 간의 차이나 학습자의 상황에 따른 문제 난이도 변화를 충분히 설명하지 못하는 한계를 가집니다. 또한 학습자의 상태에 따라 문제 해결 과정에서 중요한 단계가 달라질 수 있음에도, 기존 KT 모델은 이러한 동적이고 개인화된 중요도 변화를 반영하지 못합니다. 따라서 문제 해결 과정을 구조적으로 모델링하고, 학습자 맥락에 따라 이를 유연하게 활용할 수 있는 새로운 접근이 필요합니다.

[포스텍이 가진 고유의 기술]

본 연구에서는 문제 해결의 절차적 특성을 반영한 아이템 표현 방식인 Behavior-Aware Item Modeling(BAIM)을 제안합니다. BAIM은 문제를 단순한 개념 단위가 아닌 실제 풀이 과정 기반으로 모델링하며, Polya의 4단계(이해–계획–수행–검토)를 따라 문제를 구조적으로 분해합니다. 각 단계별 풀이 과정은 Reasoning Language Model(RLM)을 통해 생성되며, 이 과정에서 얻은 hidden state를 활용해 절차적 표현(embedding trajectory)을 구성합니다. 이는 최종 출력이 아닌 문제 해결 전반의 정보 흐름을 반영함으로써 보다 풍부한 표현을 가능하게 합니다. 또한 Context-Conditioned Stage Routing을 통해 학습자의 풀이 이력에 따라 중요한 단계를 동적으로 선택하여 활용합니다. 이를 통해 BAIM은 layer-wise 표현을 통합한 다차원적 문제 표현과 개인화된 예측을 동시에 구현하며, 추가 사전학습 없이 기존 Knowledge Tracing 모델에 결합 가능한 end-to-end 구조로 설계되었습니다.

[연구의 의미]

본 연구는 Knowledge Tracing에서 문제를 정적 개념이 아닌 절차적 문제 해결 과정으로 모델링하는 새로운 관점을 제시합니다. 문제를 단계별 표현의 집합으로 구성하고, 학습자 상태에 따라 이를 동적으로 선택함으로써 보다 정교하고 해석 가능한 모델링을 가능하게 합니다. 또한 RLM의 내부 표현을 활용해 문제의 절차적 특성을 반영한 점은 기존의 표면적 특징 기반 접근을 확장한 방법론으로, 학습자의 사고 과정 반영 및 분석 가능성을 제공합니다. 실험 결과, 다양한 KT 모델에서 일관된 성능 향상을 보였으며, 특히 반복 풀이 상황에서 학습자 상태 변화에 대한 적응력이 크게 개선되었습니다.

[연구결과의 진행 상태 및 향후 계획]

본 연구는 ACL Findings 2026에 채택되어 발표 예정입니다. 

[성과와 관련된 실적]

Jun Seo*, Sangwon Ryu*, Heejin Do†, Hyounghun Kim, Gary Geunbae Lee†, Behavior-Aware Item Modeling via Dynamic Procedural Solution Representations for Knowledge Tracing, Findings of ACL 2026

[성과와 관련된 이미지]