作者：白友恒（暨南大学）、黄智维（暨南大学）、郑嘉琪（暨南大学）、侯明良（暨南大学）、郭腾（暨南大学）、刘子韬（暨南大学）  

通讯作者：刘子韬  

摘要：知识追踪（KT）旨在根据学生历史交互数据预测其未来学习表现，是智能辅导系统的核心组件。KT 的理论基础是对认知发展过程建模，该过程包含两种机制：学生将新知识整合至已有知识结构（同化），并形成差异化的个体学习轨迹（分化）。现有深度知识追踪方法难以同时刻画这两种机制：它们对知识点间关系采用同质化表征，在编码交互行为时缺少显式的学生专属知识掌握状态。为此，本文提出 CGMKT，一种基于认知驱动图融合与群组级掌握状态的知识追踪方法，通过双图结构与显式群组掌握状态对上述两种认知机制建模。在同化机制层面，CGMKT 融合两类图结构：一是借助随机块模型（SBM）学习得到的知识组件（KC）依赖图，用以捕捉组内与组间的异质性结构；二是基于题目-知识组件关联关系构建的题目共现图。同时利用学习得到的群组转移矩阵，在关联知识群组间传递知识掌握增益。在分化机制层面，CGMKT 为每位学生维护群组级掌握状态，并利用该状态对每一次交互进行门控，使得同一道习题，针对拥有不同掌握历史的学生生成差异化编码。在三个公开数据集上的实验表明，CGMKT 性能持续优于 21 种基线方法。消融实验验证了各模块的有效性；针对学习得到的知识群组结构开展的案例分析表明，该掌握状态能够生成个性化且具备可解释性的预测结果。代码开源地址在https://pykt.org/。