KeenKT：知识追踪中的知识掌握状态消歧

基于摘要分析。KeenKT 研究教育场景中的 Knowledge Tracing（KT，知识追踪）：根据学生历史学习交互动态估计知识概念的掌握程度，重点处理单点估计难以区分真实能力与偶发超常表现或粗心失误的问题。其核心贡献是用概率分布表征每次交互的知识状态，并结合分布距离注意力及两类训练损失建模状态演化、增强鲁棒性。 技术机制：模型使用 Normal-Inverse-Gaussian（NIG，正态逆高斯）分布表示知识状态，以捕捉学习行为波动；通过基于 NIG 距离的注意力机制建模状态的动态变化；同时引入基于扩散的去噪重建损失和分布式对比学习损失。分布参数如何生成、距离如何定义、损失如何组合，以及扩散机制是否参与推理，摘要均未说明，尚未验证。 结果与证据边界：作者报告，在六个公开数据集上的实验中，KeenKT 在预测准确性及行为波动敏感性方面优于其比较的 SOTA KT 模型，最大 AUC 提升为 5.85%，最大 ACC 提升为 6.89%。摘要未给出数据集名称、划分协议、具体基线及绝对指标，也未明确上述增幅是相对百分比还是百分点，因此不能据此进行跨协议比较。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可考虑迁移的是“以分布而非单点表示潜在状态，再依据分布距离聚合历史”的机制，而非教育任务结论。假设该机制有助于区分 EEG 中持续状态与短暂噪声，可在同一数据划分下比较单点状态和 NIG 状态表征的序列解码器，并测试受控噪声下的性能变化。迁移需要重构 EEG 输入编码、监督目标及时间尺度；低信噪比、跨被试差异、通道变化和小数据可能使分布参数难以可靠估计。原任务依赖历史学习交互，所需数据规模与具体监督方式尚未验证；已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。