基于多尺度状态表示的可解释知识追踪

该研究面向在线教育中的 Knowledge Tracing（KT，知识追踪），旨在缓解学生知识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，提出 Multiscale-state-based Interpretable Knowledge Tracing（MIKT）。基于摘要分析，未取得论文全文。 MIKT 在两个尺度追踪学生知识状态：粗粒度表示用于追踪领域知识状态，细粒度表示用于监测概念知识状态。模型引入 IRT（Item Response Theory，项目反应理论）解释预测过程，并扩展 Rasch 表示方法，以处理一道题关联多个概念的情形。摘要未说明两级状态的更新与交互方式、IRT 与预测模块的具体结合形式，以及扩展 Rasch 表示的数学定义，这些机制尚需正文核对。 作者报告，在四个常用公开数据集上与 20 个被作者称为先进的 KT 模型进行比较，MIKT 在保持可解释性的同时取得更优表现；作者还报告，扩展 Rasch 表示不仅有益于 MIKT，也显著改善了其他 KT 基线。摘要未提供数据集名称、划分方式、评价指标、具体数值或显著性检验细节，实验协议、消融及统计信息尚未验证。“可解释性”的评估依据也需进一步核对。 摘要提供了代码仓库，可作为后续复现入口，但代码可用性、运行条件及与论文实验的一致性尚未验证。研究对象是学生答题交互中的知识掌握状态，而非神经信号；不能仅凭多尺度状态表示或来源分类将其认定为 EEG/BCI 算法。摘要尚不足以建立具体的 BCI 迁移路径，已有 EEG 相关工作也尚未检索确认。