En el ámbito de la educación inteligente, el seguimiento del conocimiento es un tema de estudio crítico. Los modelos de seguimiento del conocimiento basados en aprendizaje profundo tienen un mejor rendimiento predictivo en comparación con los modelos tradicionales de seguimiento del conocimiento, pero los modelos son menos interpretables y a menudo ignoran las diferencias intrínsecas entre los estudiantes (por ejemplo, capacidad de aprendizaje, capacidad de adivinanza, etc.), lo que resulta en una falta de personalización de los resultados predictivos. Para reflejar aún más las diferencias personalizadas entre los estudiantes y mejorar la interpretabilidad del modelo al mismo tiempo, se propone un modelo de Seguimiento de Conocimiento Profundo que integra la Capacidad de Aprendizaje y la Teoría de la Respuesta al Ítem (DKT-LCIRT). El modelo calcula dinámicamente la capacidad de aprendizaje de los estudiantes en cada intervalo de tiempo y asigna a cada estudiante a grupos con capacidades de aprendizaje similares para aumentar el rendimiento predictivo del modelo. Además, el modelo introduce la teoría de la respuesta al ítem para mejorar la interpretabilidad del modelo. Se llevaron a cabo experimentos sustanciales en cuatro conjuntos de datos reales, y los resultados experimentales mostraron que el modelo DKT-LCIRT mejoró el AUC en un 3% y el ACC en un 2% en comparación con otros modelos. Los resultados confirmaron que el modelo DKT-LCIRT superó a otros modelos clásicos en términos de rendimiento predictivo, reflejando completamente la individualización de los estudiantes y agregando una interpretación más significativa al modelo.