El rastreo del conocimiento (KT) se basa en modelar las secuencias de comportamiento de los estudiantes para obtener su estado de conocimiento y predecir su rendimiento futuro. La tarea de KT tiene como objetivo modelar el estado de conocimiento de los estudiantes en tiempo real de acuerdo con su comportamiento de aprendizaje histórico, con el fin de predecir su rendimiento de aprendizaje futuro. La educación en línea se ha vuelto más crítica en los últimos años debido al impacto de COVID-19, y KT también ha atraído mucha atención debido a su importancia en el campo educativo. Sin embargo, los modelos de KT anteriores generalmente presentan los siguientes tres problemas. En primer lugar, los comportamientos de aprendizaje y olvido de los estudiantes afectan su estado de conocimiento, y los modelos de KT anteriores aún no han explotado esto completamente. En segundo lugar, la entrada de los modelos de KT tradicionales está principalmente limitada a la secuencia de ejercicios y respuestas de los estudiantes. En el proceso de aprendizaje, el rendimiento de respuesta de los estudiantes puede reflejar su nivel de conocimiento. Finalmente, el contexto de la secuencia de aprendizaje de los estudiantes también afecta su juicio sobre el estado de conocimiento. En este artículo, combinamos teorías de psicología educativa para proponer un comportamiento de aprendizaje y olvido mejorado para el rastreo de conocimiento contextual (LFEKT). LFEKT enriquece las características de los ejercicios al introducir información de dificultad y considera la influencia del comportamiento de respuesta de los estudiantes en el estado de conocimiento. Con el fin de modelar el comportamiento de aprendizaje y olvido de los estudiantes, LFEKT integra múltiples factores influyentes para construir un módulo de adquisición de conocimiento y un módulo de retención de conocimiento. Además, LFEKT introduce una red de memoria a largo y corto plazo (LSTM) para capturar las relaciones contextuales de las secuencias aprendidas. A partir de los resultados experimentales, se puede ver que LFEKT tuvo un mejor rendimiento de predicción que los modelos existentes en cuatro conjuntos de datos públicos, lo que indica que LFEKT puede rastrear mejor el estado de conocimiento de los estudiantes y tiene un mejor rendimiento de predicción.