《教师生成式人工智能应用指引（第一版）》在助力教学提质中提到，场景示例1：学情分析。在教学各环节，应用生成式人工智能分析学生数据，辅助识别学生的学习兴趣、知识基础、认知特点等，生成学情报告，为教学目标设定与教学活动实施提供依据。前文我们已经详细了解了什么是学情分析；知道了如何使用生成式人工智能赋能经验型学情分析也初步分析了生成式人工智能赋能数据型学情分析的不完全分析已经初步认识了Q矩阵：学情分析篇—如何借助智能工具创建Q矩阵也使用开放的大模型开展了学情分析实战：学情分析篇—如何借助大模型开展认知诊断
我们已经对智能技术赋能学情分析有了较全面的认识，那么你肯定会发现一个问题，学情是一个动态发展的过程，前边描述的都是节点性的学情分析，我们一直在讲有了生成式人工智能以后，学情分析是动态，教学过程是适性的，那么如何做到这一点呢？使用前边所述的认知诊断是否能实现呢？
答案是否定的，简单来讲，认知诊断是用于阶段性的学情分析，可以用于前驱知识诊断和学后的结果验证性诊断。如果要叠加时间因素开展动态分析，这里需要一个新的模型——知识追踪。认知诊断（CD）像是“拍一张X光片”，看的是当下的知识结构；而知识追踪（KT）像是“拍摄一段视频”，看的是随时间变化的学习过程。
我们将从什么是知识追踪；知识追踪和认知诊断的异同；如何开展知识追踪开始阐述。
知识追踪的逻辑起点是将学习看做一个时间序列过程，通过分析你过去答对或答错的轨迹，模型会推算你现在对某个知识点的“熟练度”概率，并预测你下一次做同类题目时答对的概率。核心在于“动态”和“时序”，目的是为了“预测”。常用的知识追踪模型：最早的 BKT (贝叶斯知识追踪) 和现在的 DKT (深度知识追踪，基于LSTM/RNN等神经网络)。
知识追踪是必须要借助工具才能开展的，当然教师日常教学可以借鉴知识追踪的理念。具体实施过程如下：
1.设计知识图谱，确定核心知识及核心知识之间的关系。可借助大模型设计。人工审核和修订。
2.设计Q矩阵，建立题目和知识点等属性的关系。可借助大模型设计。人工审核和修订。
3.部署KT系统。如：pyBKT, DKT-pytorch等开源工具。或者自建系统、或者其他支持KT的开放系统。
老师布置练习任务（已标注好知识关系和Q矩阵），系统伴随式采集相关数据，所需基础数据如下：
采集内容：学生ID题目ID答题结果（对/错，或得分）时间戳（用于时序建模）（可选）作答过程（如草稿、选择路径、停留时间）采集方式：能够记录和运行KT算法的学习系统、作业系统阶段3：计算结果并输出结果运行模型并计算结果，可供选择的模型如下：
输出结果：每个学生对每个知识点的掌握概率下一题预测正确率薄弱知识点列表可见，运行了足够长的时间周期后，学生打开作业系统或学习系统，每个题目都能预测学生的正确率。也可以根据最近发展区自动推送练习。阶段4：反馈与应用学生：推送个性化练习（如薄弱点强化题）教师：生成班级/个体学情报告，支持分层教学系统：持续更新模型参数（在线学习），适应学生进步
由此可见，KT是一个动态过程，不能像之前的认知诊断一样，由教师来干预并借助大模型分析，KT需要一个学习系统来作为支持生态，老师和学生是这个生态中的接收者和输出者，更是受益者。
大模型在这个过程中不再是松耦合状态，可以融入整个KT处理链中。
这样，我们后续可以使用认知诊断做阶段性检验和前驱知识测定，知识追踪用于自适应学习，以及学习能力的动态建模。
