用能力與熟練度建模解耦知識狀態的知識追蹤
知識追蹤（KT）旨在透過建模學生歷史互動中的動態知識狀態來預測其未來表現。現有方法通常將原始互動序列視為統一行為過程，忽略了學習行為的階段性。本文提出相位感知知識追蹤（PAKT），將學生互動分解為能力和熟練度階段，並設計多分支Transformer聯合捕獲階段特定和整體知識狀態。在六個基準資料集上，PAKT最大AUC提升1.33%，平均提升0.82%。
知識追蹤（Knowledge Tracing, KT）是教育資料探勘中的核心任務，旨在透過分析學生的歷史互動資料，建模其動態變化的知識狀態，從而預測未來的學習表現。傳統KT方法通常將學生的答題序列視為一個整體行為過程，忽略了學習行為固有的階段性特徵。例如，學生在初次接觸新概念時主要依靠已有能力進行試探，而在經過充分練習後，則轉向以熟練度為導向的鞏固階段。這種階段差異若被忽視，可能導致知識狀態建模的偏差。
針對這一問題，來自多所機構的研究團隊提出了一種名為Phase-Aware Knowledge Tracing（PAKT）的新型框架。該工作由Duantengchuan Li等五位作者完成，於2026年7月14日提交至arXiv（編號2607.13103），屬於機器學習（cs.LG）和人工智慧（cs.AI）領域。PAKT的核心創新在於，它透過一個定製的分解機制，將學生的互動序列明確劃分為“能力階段”和“熟練度階段”。在能力階段，學生更多依賴其先驗知識水平；而在熟練度階段，學生透過重複練習逐步提升對知識點的掌握程度。這種分解能更細緻地反映學習過程的真實變化。
為有效利用分解後的序列，PAKT設計了一個多分支Transformer架構。該架構包含多個並行分支，分別處理能力階段和熟練度階段的序列資料，並透過一個型別感知的讀出模組（type-aware readout）將兩者融合，從而同時捕獲階段特定的知識狀態以及跨階段的整體知識狀態。此外，PAKT還引入了因果分析，揭示了傳統相位無關KT模型中因混淆學習行為導致的偏差，進一步驗證了分解的必要性。
在六個公開基準資料集上的廣泛實驗表明，PAKT一致優於當前代表性的基線方法，最大AUC提升達1.33%，平均提升0.82%。這一結果證明，將知識狀態解耦為能力與熟練度兩個維度，能夠更準確地追蹤學生的學習進展，為個性化教育干預提供了更可靠的依據。該論文的相關程式碼與資料已公開，可供研究者復現與進一步探索。