面向知识追踪的对抗自举式题目表示学习

基于摘要分析。本文研究智能教育中的知识追踪（KT），即依据学生对学习资源的作答估计并追踪其概念掌握程度，提出 Adversarial Bootstrapped Question Representation（ABQR），旨在改善题目表示并规避对比学习中正负样本选择的困难；研究对象并非 EEG 或 BCI。 ABQR 在融入技能信息的题目交互图上构建不同视图，通过自举式自监督学习使不同视图中的题目表示相互预测，无需选择负样本。其多目标、多轮特征对抗图增强方法旨在保留原图结构信息的同时生成更高质量的目标视图。作者将其定位为可接入基础 KT 模型的题目表示增强插件；摘要未给出具体损失形式、视图构建细节及训练流程。 作者报告，在所开展的 KT 实验中，ABQR 显著提升了基础模型性能、优于所比较的先进模型，并通过消融实验支持各模块的有效性。但摘要未列出数据集、划分协议、指标、具体数值及对照模型，实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，运行条件及实现与论文的一致性尚未核验。 平台推测（待验证）：若 EEG 任务能够构造具有明确语义的通道图或片段关系图，无负样本的跨视图预测可能有助于减少错误负样本的影响。可复用的是自举预测与特征对抗增强思路，需改造的是原有技能信息及题目交互图的定义；其对图结构质量、监督信息和数据规模的依赖仍需核对。低信噪比可能使对抗增强破坏有效信号，跨被试通道差异及小数据也可能导致表示不稳定。一个可检验的小实验是在固定 EEG 数据划分、编码器和下游任务下，对比无预训练、普通自举预训练及加入特征对抗增强的自举预训练，检查增益是否稳定。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。