Modele śledzenia wiedzy mogą przewidywać kolejną odpowiedź ucznia z dużą dokładnością, ale to nie oznacza, że prawidłowo oszacowały parametry samych itemów - pytań czy zadań. Naukowcy przeanalizowali popularne architektury sieci neuronowych i ustalili, że wysoka dokładność predykcji nie gwarantuje wiernego odzyskania trudności zadania czy jego mocy dyskryminacyjnej.
Problematyka pojawia się z powodu tzw. sprzężenia reprezentacji - różne kombinacje zdolności ucznia i parametrów itemów mogą prowadzić do identycznych przewidywań odpowiedzi. Przesunięcia i przeskalowania w estymowanej zdolności mogą zostać wchłonięte przez parametry itemów bez zmian w przewidywanych probabilistykach. W testach na symulacjach niektóre parametry (trudność, średni próg) pozostawały stabilne, ale dyskryminacja i kontrasty opcji znanych wymagały szerszych reprezentacji. Kluczowy wkład stanowi propozycja separacji szerokości reprezentacji sekwencji (d_S) od szerokości klucza parametrów (d_M) - kombinacja SK(64,8) polepszyła spójność między porządkami bez pogorszenia dokładności.
Na rzeczywistych zbiorach danych TIMSS i EdNet rozszerzenie d_M konsekwentnie poprawiało zgodność z referencyjnym modelem IRT. Odkrycie ma znaczenie dla edtech i systemów adaptacyjnego nauczania, które polegają na precyzyjnym modelowaniu trudności zadań dla personalizacji ścieżek uczenia.