作者：郭腾（暨南大学），夏煜彬（暨南大学），柯锦森（暨南大学），侯明良（好未来），郑嘉琪（暨南大学），刘子韬（暨南大学）

通讯作者：柯锦森

摘要：知识追踪（Knowledge Tracing，KT）旨在通过建模学生随时间推移的知识掌握情况，并基于其历史学习交互数据来预测学生的学业表现。然而，目前的KT模型通常将学生交互视为标准时间序列而非认知过程，从而过度简化了学生交互。这种宽松的假设无法捕捉认知演变的复杂性。因此，将学生学习建模为认知转变过程而非仅仅是带有时间戳的事件序列，仍然是KT研究中的一个根本挑战。为了解决这个问题，我们提出了一种名为ACE-KT（基于级联认知建模的知识追踪）的新型框架，该框架受到认知过程理论的启发，将研究重点从纯粹的序列建模转移到认知表征学习。具体而言，我们设计了一个级联认知框架，该框架模拟人类认知过程的三个连续阶段：节奏感知模块（通过卷积层实现，用于提取预注意模式）；上下文结构化模块（通过Transformer编码器实现，用于捕获上下文和关系依赖性）；以及认知整合模块（使用增强型选择性结构化状态空间模型实现，该模型配备堆叠线性变换和TELU激活函数，以支持时间抽象和认知整合）。在五个真实世界数据集上的大量实验表明，ACE-KT的性能始终优于22个最先进的KT基线模型，验证了其在捕捉学生认知过程潜在认知动态方面的有效性。源代码和技术附录可在补充材料中找到。