e-lärande handlar om hur man ska ha tillgång till lärandeinformation vart man än är, oberoende enhet så länge internetuppkoppling finns. Adaptivt test är ett test som kontrollerar användarens kunskaper för att kunna anpassa t.ex. läroinnehållet efter användarens kunskaper. Live-programmering är då användaren kodar i ett program som ger direkt feedback på vad koden gör. Problemet består utav att utforma en algoritm och en datastruktur som kan utnyttja den data som erhålls från en live-programmerings-miljö för att kunna genomföra ett adaptivt test. Undersökningen kommer att ske i en webbläsare med hjälp av live-programmering. Implementationen av arbetet sköts smidigt genom att programmera en hemsida där användaren får testa de olika algoritmerna. Användaren får skapa ett konto, logga in och göra de olika stegen i olika tester. Resultatet visade att det fanns en liten skillnad mellan algoritmerna. I framtida arbete går det främst att utveckla algoritmen och fixa buggar.

Knowledge tracing is concerned with tracking a student’s knowledge as she/he engages with exercises in an (online) learning platform. A commonly used state-of-theart knowledge tracing model is Deep Knowledge Tracing (DKT) which models the time dimension as a sequence of completed exercises per student by using a Long Short-Term Memory Neural Network (LSTM). However, a common problem in this sequence-based model is too much instability in the time dimension of the modelled knowledge of a student. In other words, the student’s knowledge on a skill changes too quickly and unreliably. We propose dynamic student embeddings as a stable method for encoding the time dimension of knowledge tracing systems. In this method the time dimension is encoded in time slices of a fixed size, while the model’s loss function is designed to smoothly align subsequent time slices. We compare the dynamic student embeddings to DKT on a large-scale real-world dataset, and we show that dynamic student embeddings provide a more stable knowledge tracing while retaining good performance. / Kunskapsspårning handlar om att modellera en students kunskaper då den arbetar med uppgifter i en (online) lärplattform. En vanlig state-of-the-art kunskapsspårningsmodell är Deep Knowledge Tracing (DKT) vilken modellerar tidsdimensionen som en sekvens av avslutade uppgifter per student med hjälp av ett neuronnät kallat Long Short-Term Memory Neural Network (LSTM). Ett vanligt problem i dessa sekvensbaserade modeller är emellertid en för stor instabilitet i tidsdimensionen för studentens modellerade kunskap. Med andra ord, studentens kunskaper förändras för snabbt och otillförlitligt. Vi föreslår därför Dynamiska Studentvektorer som en stabil metod för kodning av tidsdimensionen för kunskapsspårningssystem. I denna metod kodas tidsdimensionen i tidsskivor av fix storlek, medan modellens förlustfunktion är utformad för att smidigt justera efterföljande tidsskivor. I denna uppsats jämför vi de Dynamiska Studentvektorer med DKT i en storskalig verklighetsbaserad dataset, och visar att Dynamiska Studentvektorer tillhandahåller en stabilare kunskapsspårning samtidigt som prestandan bibehålls.