我们必须牢记，知识如何表示与获取，或者说应该或能够如何表示与获取，这一理论与教育问题，多多少少是有别于学习者的知识获取如何在完成学习任务过程中通过计算方法来建模—即可用于推断学习者模型的特定计算技术—这一问题的。众所周知，创建与利用学习者建模环境方面的研究，面对着首选理论与偏好的计算方法之间的混乱(及紧张)关系。这是因为此类环境既属于认知环境，也属于计算环境(Ohlsson and Mitrovic,2007)。认知因素与计算因素之间难分难解的关系，大体上能说明为何没有一个统一而包罗万象的学习者模型的整体定义，也说明了为何难以将其呈现为一组连贯的发现、原则与指导方针，以有利于希望学习并探讨这方面内容的研究新人。
学习者知识的表示
假定存在某种领域知识表示，那么建立学习者模型需要人们去选择合适的方法来表示学习者现有的以及不断变化中的知识。尽管表示学习者的知识可以有许多种不同的方法，但许多智能教学系统表示的是理想的学习者模型，代表的通常是某个专业领域的专家知识。确切来讲，学习者的知识可以表示为：①重叠模型，与理想的学习者模型重叠也就是说，作为专家知识的子集[见图29.1(a)]；②微分模型，学习者的知识可表示为两个类别，即已经教给学生的知识、尚未教过的知识[见图29.1(b)]；③摄动模型[见图29.1(c)]，该模型将标准的重叠模型与学习者误解表示结合起来。
摄动模型与错误库(BLs)主要用于 BUGGY系统中(Brown and Burton，1978;Burton and Brown,1982)，是三种表示模型中最成功的，目前仍被使用(形式更高级)在“认知导师”等学习者建模环境中(Koedinger et al.,1997)。
数字技术研究(世哲手册)
674