一个以问题为中心的多专家对比学习框架，用于提高深度序贯知识追踪模型的准确性和可解释性
内容提要
本文提出了多种基于深度学习的知识追踪模型，如QIKT和IKT，旨在提升教育系统中的个性化教学和可解释性。研究表明，考虑问题难度和学生遗忘行为能够显著提高模型性能，并通过层级相关传播方法增强可解释性。这些创新为知识追踪提供了新的思路和应用潜力。
延伸解读
从“学生中心”到“问题中心”的转变
文章梳理的多个模型显示，知识追踪的研究视角正从单纯建模学生状态，转向同时关注问题本身的属性。QIKT明确以问题为中心，并考虑不同问题贡献度的差异；qDKT则为每个问题单独建模成功概率。这种转变意味着，仅靠学生历史答题序列已不够，问题难度、概念难度等属性正成为提升预测性能的关键信息。
可解释性：从预测到归因
文章多次强调可解释性，IKT通过提取潜在特征并具备因果推理能力，AKT结合了解释性组件，而LRP方法则被用于从问题层面和概念层面计算相关评分。这些工作表明，知识追踪的可解释性不再停留在输出注意力权重，而是尝试回答“为什么做出这个预测”，从而更贴近教育场景中对教学干预依据的需求。
多任务与对比学习的引入
AT-DKT通过问题标记和个性化先前知识预测两个辅助任务改进深度知识追踪，在三个真实数据集上取得更高AUC。面向困难层面的对比学习则被用来增强模型对问题难度和概念难度的利用。这些方法共同说明，在主预测任务之外增加辅助监督信号，有助于模型捕捉更丰富的历史表现信息，但辅助任务的设计与权重仍需针对具体场景调整。
局限与待探索方向
文章在介绍困难量预测框架时指出，语言与困难之间的复杂关系仍需进一步研究。同时，多个模型虽在公共数据集上表现优异，但实际教育场景中的数据分布、问题贡献度差异可能更为复杂。因此，将这些模型落地时，需关注其在不同学科、不同题型上的泛化能力，以及可解释性结果是否真正符合教师的教学直觉。
Q&A
QIKT模型的主要特点是什么？
QIKT模型是一个以问题为中心的深度学习知识追踪模型，能够生成解释性的预测结果，并在多个数据集上表现优异。
如何提高知识追踪模型的可解释性？
通过使用层级相关传播方法（LRP），可以提高知识追踪模型的可解释性，验证从问题和概念层面计算相关评分的可行性。
IKT模型如何支持个性化教学？
IKT模型利用机器学习和数据挖掘技术，从学生响应数据中提取潜在特征，预测学生未来表现，从而支持个性化教学。
AT-DKT模型的创新之处是什么？
AT-DKT模型通过多任务学习改进了深度知识追踪，使用问题标记任务和个性化先前知识预测任务，更好地捕捉学生的历史表现。
引入上下文信息对深度学习模型有什么影响？
引入上下文信息和学生遗忘行为能够显著提升深度学习模型的性能，改善知识追踪的准确性。
如何估计问题的困难量？
提出了一种基于大型语言模型的困难量预测框架，旨在提高知识追踪模型性能并为未知数据提供准确的困难量估计。
