ReTraceKT：相关性引导的多模型状态空间知识追踪

基于摘要分析。ReTraceKT 研究教育平台中的知识追踪：根据学习者的作答序列估计其动态知识状态，重点处理题目图像承载关键信息、长历史包含大量与下一题无关交互的问题。其核心贡献是先检索与当前题目语义相关的历史证据，再通过选择性状态空间模型追踪知识变化。 方法分为三个环节：首先离线使用 vision-language model 将题目图像转换为结构化描述，并与可训练的题目嵌入对齐；随后构建基于语义阈值的题目图，用该图检索由当前题目条件化的稀疏学习历史摘要；最后结合局部作答模式与长程状态转移进行追踪，摘要称序列计算复杂度为线性。图构建、检索及离线图像处理的整体成本尚未验证。 作者报告，在 NIPS34、MOOC-Radar 和 XES3G5M 上，相对于各自最强基线，AUC 分别提升 3.22%、1.82% 和 2.08%；比较对象包括循环模型、注意力模型及稀疏 KT 基线。这些数值按摘要保留为百分比，不能改写为百分点。作者报告消融支持语义描述生成与相关性检索具有互补作用；具体基线、数据划分、AUC 绝对值、重复实验及统计信息尚未验证。 平台推测（待验证）：可迁移的机制假设是“按当前任务检索相关历史，再进行状态追踪”，而非教育题目图像处理本身。若 EEG 任务具备明确的刺激或任务描述及历史试次结构，可考虑复用条件检索与状态空间追踪模块，但需改造 EEG 编码和跨试次相关性定义。低信噪比、跨被试差异、通道变化及小数据可能使检索依赖伪相关，并丢弃有用历史。一个可证伪的小实验是在固定 EEG 数据划分和编码器下，对比完整历史、随机等量历史与任务条件检索历史，检验检索是否优于单纯缩短序列；这不是原论文已验证的结论，已有相关 EEG 工作尚未检索确认。全文、实现及复现条件尚未验证。