Zespół badawczy testował założenie, że nienadzorowane klastry danych z systemów tutorskich (ITS) mogą być traktowane jako typy uczniów przewidujące naukę. Analizie poddali dane z EdNet-KT3 dla 5 tysięcy aktywnych uczniów, grupując cechy strategii nauki takie jak użycie zasobów, powtórki, oglądanie filmów i rozwiązywanie zadań. Wyodrębnili 5 głównych klastrów o wyraźnych profilach - uczniów fokusujących się na czytaniu, te preferujące wideo, te pracujące na powtórkach oraz tych zaczynających od zadań problemowych.
Klastry strategii nauki okazały się dobrymi predyktorami zaangażowania ucznia w przyszłości, szczególnie jego wytrwałości w praktyce i kończeniu sesji (współczynnik eta-squared około 0.106). Jednak predykcyjna moc klastrów gwałtownie spadła, gdy chodzić o rzeczywistą dokładność odpowiedzi na testach bez pomocy (p-value około 0.093). Wyniki sugerują, że sposoby uczenia się opisują raczej obserwowalnie zachowanie niż ukrytą wiedzę.
Model knowledge-tracing SAKT testowany na siedmiu sekcjach egzaminu TOEIC zaledwie nieznacznie przewyższył prosty model baseline, który bierze pod uwagę tylko trudność każdej sekcji (wzrost AUC wynoszący 0.051). Kluczowy wniosek: sygnały dotyczące opanowania materiału są niemal niezależne od stylów behawioralnych uczniów. Oznacza to, że chociaż analiza klastrów ujawnia różne podejścia do nauki, nie stanowi ona wiarygodnego sposobu prognozowania faktycznego przyswajania wiedzy.