Transformer-based Knowledge Tracing Model Reflecting Cognitive Science-Informed Forgetting Effects

최근 지식 추적(KT, Knowledge Tracing)은 온라인 학습 환경에서 학습자의 지식 상태를 추정하고 개인화된 학습 경로를 제공하는 핵심 기술로 주목받고 있다. 하지만, 기존의 Self-Attention 기반 KT 모델은 학습 시퀀스의 인지적 망각 과정을 충분히 반영하지 못하는 한계가 있다. 이에 본 연구는 ACT-R 이론의 시간 감쇠 원리를 SAKT 구조에 통합한 새로운 SAKT-MI 모델을 제안한다. 제안 모델은 문제 유사도와 시간 경과에 따른 기억 강도 간의 복잡한 상호작용을 학습하는 어텐션 재구성 메커니즘을 도입함으로써, 학습자의 망각 패턴을 효과적으로 모델링할 수 있도록 한다. 두 공개 데이터셋 실험에서 제안 모델은 기존 SAKT보다 전반적으로 우수한 예측 성능과 안정적인 학습 수렴 특성을 보였다. 본 연구는 인지과학적 망각 이론을 딥러닝 기반 KT 구조에 결합함으로써, 교육 데이터 마이닝 분야에서 지식 추적의 예측 성능 향상과 해석 가능성을 제시한다.