面向知识追踪的自动化知识概念标注与问题表征学习

基于摘要分析。该研究面向教育领域的知识追踪（Knowledge Tracing，KT），旨在缓解题目知识概念（KCs）标注依赖专家，以及既有方法未充分利用题目与知识概念语义的问题。作者提出 KCQRL，通过 LLM 自动标注和对比学习生成语义表征，为既有 KT 模型提供可替换的嵌入，而非研究 EEG 或 BCI 解码。 方法包含两部分：首先使用 LLM 生成题目解答，再对每个解题步骤标注知识概念；随后对题目和解题步骤进行对比学习，使其表征与关联的知识概念对齐，并采用定制的假负例消除机制。所得嵌入用于替换既有 KT 模型中随机初始化的嵌入。摘要未提供对比损失的具体形式、假负例判定规则，以及 LLM 标注质量的验证方式。 作者报告，在两个大型真实数学学习数据集上，将 KCQRL 应用于 15 种 KT 算法均获得一致的性能提升。摘要未给出数据集名称、划分协议、评价指标、提升幅度或具体对照设置，因而尚不能判断收益大小与泛化范围；实验协议、消融及统计信息尚未验证。复现还需核对 LLM 与提示设置、知识概念体系、嵌入训练配置及接入各 KT 模型的具体方式。 该机制依赖题目、分步解答与知识概念之间的语义关联，不能直接等同于神经信号表征学习。材料尚未建立这些监督结构与 EEG 数据之间的具体对应关系，因此不据此提出 BCI 迁移实验；已有 EEG 相关工作尚未检索确认。