知识追踪（Knowledge Tracking）是一种 通过对学生的学习行为序列进行建模，来评估学生对知识的掌握程度的技术。它是实现自适应教育的关键步骤，因为无论是为学生推送学习内容还是规划学习路径，都需要精准掌握学生对知识的掌握程度。
知识追踪问题可以形式化为：给定一个学生在特定学习任务上的历史学习交互序列 \（X_t=（x_1,x_2,\cdots,x_t）\），预测该学生在下一个交互 \（x_{t+1}\） 的表现。其中，\（x_t\） 通常表示为一个有序对 \（（q_t,a_t）\），即学生在时间 \（t\） 回答了问题 \（q_t\），得分情况用 \（a_t\） 表示。知识追踪试图预测学生在下一个时间步正确回答问题的概率，即 \（P（a_{t+1}=1|q_{t+1},X_t）\） 。
目前，知识追踪模型主要有三大流派：
IRT（Item Response Theory）模型：
来自心理测量学领域，用于评估学生的知识掌握程度。
贝叶斯知识追踪（Bayesian Knowledge Tracing, BKT）：
一种基于隐马尔科夫模型（Hidden Markov Model, HMM）的方法，通过学生的历史答题记录来预测其知识状态和未来的答题表现。
深度知识追踪（Deep Knowledge Tracing, DKT）：
将深度学习的方法（如循环神经网络RNN、Transformer等）应用于知识追踪任务，能够动态追踪学生的知识状态变化，解决冷启动问题，并适用于真实的学习情境。
知识追踪在人工智能辅助教育领域具有重要应用价值，能够根据学生的学习过程提供个性化的学习内容和练习题，从而提高学习效率和兴趣。