CT-LFSSM：知识追踪中的多尺度连续时间状态空间学习与遗忘

基于摘要分析。该研究面向 Knowledge Tracing（KT，知识追踪），根据学生历史交互建模知识状态变化并预测未来表现。CT-LFSSM 的核心贡献是显式处理真实时间间隔，并将遗忘、响应证据引起的状态修正和练习带来的学习增益分离，而非合并为单一状态转移。 机制上，每个知识成分由快、中、慢三个时间尺度的潜在状态表示，通过个性化指数衰减在实际经过的时间上演化，且半衰期被约束为从快尺度到慢尺度递增。每次响应前，事件条件化的凸门控将三种状态聚合为当前掌握程度估计；观察响应后，模型以预测残差修正推断的交互前状态，并通过独立路径在多个时间尺度上巩固练习产生的学习增益。响应预测还将题目效应分解为知识成分级共享参数与正则化的题目特异残差，以支持同一知识成分下题目之间的统计共享。 作者报告，在四个真实世界数据集上，CT-LFSSM 均达到其所称的最先进表现，并对不同时间间隔和学生交互序列长度保持稳健。摘要未提供数据集名称、划分方式、指标、对照基线或具体分数，无法据此判断优势幅度；实验协议、消融及统计信息尚未验证。训练目标、状态修正的具体计算、实现与复现条件也需查阅全文。 平台推测（待验证）：可迁移的假设是，连续时间多尺度状态演化与事件证据更新的分离，可能适用于不规则采样或事件间隔变化的 EEG 特征序列。原方法依赖交互时间、响应监督及知识成分—题目结构；迁移时可考虑复用衰减和门控机制，但需重构 EEG 观测模型与监督目标，不能直接把知识掌握或练习学习增益解释为神经状态。低信噪比、跨被试差异、通道变化和小数据可能使时间尺度难以辨识。一个可证伪的小实验是在相同被试内划分下，对事件级 EEG 特征比较显式时间衰减与仅将时间间隔作为输入的模型，考察不同间隔下的预测表现；这不代表已证实的 BCI 效果，已有 EEG 相关工作尚未检索确认。