基于多尺度状态表示的可解释知识追踪

基于摘要分析。本文研究教育场景中的 Knowledge Tracing（KT，知识追踪），旨在根据学生与在线教育材料的交互持续追踪知识掌握状态，缓解状态表示过粗或过细以及预测性能与可解释性难以兼顾的问题。作者提出 Multiscale-state-based Interpretable Knowledge Tracing（MIKT），结合领域级和概念级状态表示，并引入 IRT（Item Response Theory，项目反应理论）解释预测过程。 机制上，MIKT 使用粗粒度表示追踪学生的领域知识状态，使用细粒度表示监测概念知识状态。作者还扩展了 Rasch 表示方法，使其适用于一道题目关联多个概念的情形。摘要未提供状态更新公式、两种尺度的融合方式、损失函数或 IRT 与预测模块的具体连接方式，不能据此将其认定为特定的 State Space Model 架构。 作者报告，在四个常用公开数据集上与 20 个 KT 对照模型比较，MIKT 的表现优于对照，同时保持可解释性；作者还报告，扩展 Rasch 表示能够提升其他 KT 基线模型的性能。摘要未列出数据集名称、指标、提升幅度、数据划分和统计检验，实验协议、消融及统计信息尚未验证，可解释性的评估依据也需查阅全文。摘要提供了匿名代码地址，但实现内容与复现条件尚未核验。 本文主要贡献属于教育交互序列中的知识状态建模，而非 EEG 解码或 BCI 方法。其领域—概念结构及题目—概念关联不能直接等同于神经信号的多尺度结构；当前材料不足以建立具体的 EEG/BCI 迁移路径，因此不据此提出迁移效果或复现实验建议。已有 EEG 相关工作尚未检索确认。