用能力与熟练度建模解耦知识状态的知识追踪
知识追踪（KT）旨在通过建模学生历史交互中的动态知识状态来预测其未来表现。现有方法通常将原始交互序列视为统一行为过程，忽略了学习行为的阶段性。本文提出相位感知知识追踪（PAKT），将学生交互分解为能力和熟练度阶段，并设计多分支Transformer联合捕获阶段特定和整体知识状态。在六个基准数据集上，PAKT最大AUC提升1.33%，平均提升0.82%。
知识追踪（Knowledge Tracing, KT）是教育数据挖掘中的核心任务，旨在通过分析学生的历史交互数据，建模其动态变化的知识状态，从而预测未来的学习表现。传统KT方法通常将学生的答题序列视为一个整体行为过程，忽略了学习行为固有的阶段性特征。例如，学生在初次接触新概念时主要依靠已有能力进行试探，而在经过充分练习后，则转向以熟练度为导向的巩固阶段。这种阶段差异若被忽视，可能导致知识状态建模的偏差。
针对这一问题，来自多所机构的研究团队提出了一种名为Phase-Aware Knowledge Tracing（PAKT）的新型框架。该工作由Duantengchuan Li等五位作者完成，于2026年7月14日提交至arXiv（编号2607.13103），属于机器学习（cs.LG）和人工智能（cs.AI）领域。PAKT的核心创新在于，它通过一个定制的分解机制，将学生的交互序列明确划分为“能力阶段”和“熟练度阶段”。在能力阶段，学生更多依赖其先验知识水平；而在熟练度阶段，学生通过重复练习逐步提升对知识点的掌握程度。这种分解能更细致地反映学习过程的真实变化。
为有效利用分解后的序列，PAKT设计了一个多分支Transformer架构。该架构包含多个并行分支，分别处理能力阶段和熟练度阶段的序列数据，并通过一个类型感知的读出模块（type-aware readout）将两者融合，从而同时捕获阶段特定的知识状态以及跨阶段的整体知识状态。此外，PAKT还引入了因果分析，揭示了传统相位无关KT模型中因混淆学习行为导致的偏差，进一步验证了分解的必要性。
在六个公开基准数据集上的广泛实验表明，PAKT一致优于当前代表性的基线方法，最大AUC提升达1.33%，平均提升0.82%。这一结果证明，将知识状态解耦为能力与熟练度两个维度，能够更准确地追踪学生的学习进展，为个性化教育干预提供了更可靠的依据。该论文的相关代码与数据已公开，可供研究者复现与进一步探索。