融合认知负荷与知识迁移的多领域知识追踪

arXiv cs.AI 论文
knowledge-tracing cognitive-load knowledge-transfer multi-domain llm education-ai academic-research

摘要

本文提出LT-MKT，一种用于多领域知识追踪的方法，该方法利用大型语言模型构建层次图，融合认知负荷和知识迁移，在现实数据集上实现了最先进的性能。

arXiv:2608.24005v1 公告类型：新 摘要：知识追踪（KT）旨在从学生的学习历史中评估其动态知识状态。虽然大多数现有的KT方法专注于单领域学习并取得了显著成功，但现实世界的学习场景往往涉及多个领域同时进行，引入了两个关键因素：1）认知负荷，源于在时间和知识维度上管理跨领域学习。2）知识迁移，其中一个领域的知识状态会影响相关领域内的状态以及跨领域的状态。本文专注于探索这些因素，以改善多领域学习场景中学生知识状态的评估，并提出了一种新颖的方法，融合认知负荷和知识迁移用于多领域知识追踪（LT-MKT）。具体来说，为了连接孤立的领域，LT-MKT首先整合问题和其相关概念的文本信息，利用大型语言模型（LLMs）的高级表示能力，构建一个多领域层次图。然后，在时间和知识维度上显式建模跨域特征，以捕捉认知负荷的影响。此外，设计了一个知识迁移模块，用于建模知识状态在领域内和跨领域的传播。通过联合建模这些因素，LT-MKT能够更准确地预测学生的未来表现。最后，在现实数据集上的大量实验表明，我们的方法实现了最先进的性能。
查看原文
查看缓存全文

缓存时间: 2026/08/26 09:19 

# 结合认知负荷与知识迁移的多领域知识追踪
来源: https://arxiv.org/html/2608.24005
\correspondingauthor

会议:第35届ACM国际信息与知识管理会议论文集；2026年11月7–11日；意大利罗马第35届ACM国际信息与知识管理会议论文集 (CIKM '26), 2026年11月7–11日, 意大利罗马ISBN:979\-8\-4007\-2539\-5/2026/11DOI:10\.1145/3799682\.3841120 (https://doi.org/10.1145/3799682.3841120)CCS:应用计算 电子学习CCS:社会与专业主题 学生评估Haotian Zhang所属机构:中国科学技术大学认知智能国家重点实验室,中国合肥电子邮箱:[sosweetzhang@mail\.ustc\.edu\.cn](mailto:[email protected])Shucun Wang所属机构:中国科学技术大学认知智能国家重点实验室,中国合肥电子邮箱:[shucunwang@mail\.ustc\.edu\.cn](mailto:[email protected]),Jinze Wu所属机构:iFLYTEK AI Research,中国合肥电子邮箱:[hxwjz@mail\.ustc\.edu\.cn](mailto:[email protected]),Liang Ding所属机构:iFLYTEK AI Research,中国合肥电子邮箱:[liangding3@iflytek\.com](mailto:[email protected]),Shuochen Liu所属机构:中国科学技术大学认知智能国家重点实验室,中国合肥电子邮箱:[shuochenliu@mail\.ustc\.edu\.cn](mailto:[email protected]),Zhenya Huang所属机构:中国科学技术大学认知智能国家重点实验室 & 合肥综合性国家科学中心人工智能研究院,中国合肥电子邮箱:[huangzhy@ustc\.edu\.cn](mailto:[email protected]),Jing Sha所属机构:iFLYTEK AI Research,中国合肥电子邮箱:[jingsha@iflytek\.com](mailto:[email protected]),Shijin Wang所属机构:认知智能国家重点实验室 & iFLYTEK AI Research,中国合肥电子邮箱:[sjwang3@iflytek\.com](mailto:[email protected])以及Qi Liu所属机构:中国科学技术大学认知智能国家重点实验室 & 合肥综合性国家科学中心人工智能研究院,中国合肥电子邮箱:[qiliuql@ustc\.edu\.cn](mailto:[email protected])

© cc

###### 摘要\.

知识追踪旨在根据学生的学习历史评估其动态知识状态。虽然大多数现有知识追踪方法专注于单领域学习并取得了显著成功，但现实世界的学习场景通常涉及多个领域同时进行，引入了两个关键因素：1）认知负荷，源于在时间和知识维度上跨领域的学习管理。2）知识迁移，即一个领域的知识状态会影响领域内和跨领域的相关状态。本文聚焦于探索这些因素以改进多领域学习场景中学生知识状态的评估，并提出一种结合认知负荷与知识迁移的多领域知识追踪新方法。具体而言，为连接孤立的领域，首先整合题目及其关联概念的文本信息构建多领域层次图，利用大语言模型的高级表征能力。然后，显式建模时间和知识维度的跨领域特征以捕捉认知负荷的影响。此外，设计知识迁移模块来建模领域内和跨领域的知识状态传播。通过联合建模这些因素，使模型能够更准确地预测学生的未来表现。最后，在真实数据集上的大量实验表明，该方法达到了最先进的性能。代码可在 https://github\.com/sosweetzhang/LT\-MKT 获取。

###### 关键词：

知识追踪，认知负荷，知识迁移

††cc\-许可:by## 1\.引言

参考标题图1。多领域知识追踪示意图。(a) 层次化题目概念图概述了概念之间、以及题目与概念之间的关系。一个领域中的题目（例如q3q3）可能关联到另一个领域的概念（例如c2c2），跨领域的概念也可能相互关联（例如c2c2和c3c3）。(b) 在多领域学习场景中，学生可能在数学、物理和化学等学科间交替学习，通过知识迁移增强学习效果，但同时也会增加认知负荷。在线学习已迅速扩展，为学生和教育者提供了无与伦比的灵活性，使学习能够随时随地进行(Abdelrahman et al., 2023 (https://arxiv.org/html/2608.24005#bib.bib49))。Coursera(VanLEHN, 2011 (https://arxiv.org/html/2608.24005#bib.bib39))和ASSISTments(Anderson et al., 2014 (https://arxiv.org/html/2608.24005#bib.bib40))等平台通过提供智能、自适应的教育服务(Song et al., 2022a (https://arxiv.org/html/2608.24005#bib.bib41))证明了其有效性。这些系统收集了大量关于学生交互的数据，包括习题反应，从而可以分析知识水平、学习偏好和其他关键属性。这一分析的核心组成部分是知识追踪，它旨在通过学生与系统的交互来建模和追踪其不断演变的知识状态(Abdelrahman et al., 2023 (https://arxiv.org/html/2608.24005#bib.bib49);Zhang et al., 2024 (https://arxiv.org/html/2608.24005#bib.bib14);Zhang et al., 2026 (https://arxiv.org/html/2608.24005#bib.bib15))。

在文献中，大量工作推进了知识追踪的研究(Shen et al., 2024 (https://arxiv.org/html/2608.24005#bib.bib48))。早期方法依赖于隐马尔可夫模型(Corbett and Anderson, 1994 (https://arxiv.org/html/2608.24005#bib.bib51);Käser et al., 2017 (https://arxiv.org/html/2608.24005#bib.bib58))以及融合多种因素的逻辑函数(Pavlik et al., 2009 (https://arxiv.org/html/2608.24005#bib.bib60);Cen et al., 2006 (https://arxiv.org/html/2608.24005#bib.bib59);Vie and Kashima, 2019 (https://arxiv.org/html/2608.24005#bib.bib61))来估计学生的知识状态。深度学习的引入标志着一次重大转变，深度知识追踪率先将神经网络应用于知识追踪(Piech et al., 2015 (https://arxiv.org/html/2608.24005#bib.bib52))。此后，出现了众多变体，包括记忆增强模型(Zhang et al., 2017 (https://arxiv.org/html/2608.24005#bib.bib53);Abdelrahman and Wang, 2019 (https://arxiv.org/html/2608.24005#bib.bib31))、基于图的方法(Nakagawa et al., 2019 (https://arxiv.org/html/2608.24005#bib.bib56);Ni et al., 2023 (https://arxiv.org/html/2608.24005#bib.bib32))以及注意力驱动模型(Ghosh et al., 2020 (https://arxiv.org/html/2608.24005#bib.bib50);Shin et al., 2021 (https://arxiv.org/html/2608.24005#bib.bib54))等。最近，随着大语言模型的快速发展，基于LLM的方法已被探索，利用其强大的表征和推理能力来增强知识状态建模、提高可解释性并支持知识感知的推理任务(Fu et al., 2024 (https://arxiv.org/html/2608.24005#bib.bib11);Han et al., 2025 (https://arxiv.org/html/2608.24005#bib.bib9))。

尽管取得了成功，但大多数现有方法主要关注单领域学习（例如数学）。然而，许多现实世界的学习场景，如GRE等标准化考试，要求学生同时涉及多个领域。如图1所示(https://arxiv.org/html/2608.24005#S1.F1)，多领域学习场景引入了超出单领域设置的额外复杂性，因为单个问题可能同时需要来自多个领域的知识。此类场景产生了两个显著影响学生知识状态的关键因素：1）认知负荷，源于跨时间和知识维度的学习。认知负荷理论(Plass et al., 2010 (https://arxiv.org/html/2608.24005#bib.bib13))认为，认知负荷源于学习材料的复杂性和交互性，在学习过程中隐式影响学生的知识获取及其知识状态的演变。在多领域学习场景中，认知负荷主要表现为两种形式：时间维度：学生在不同领域之间频繁切换。例如，学生可能在t3时刻学习物理，在t4时刻切换到数学，然后在t5时刻转向化学，导致额外的认知转换成本。知识维度：单个问题可能同时需要来自多个领域的知识。例如，解决t3时刻的问题q3可能同时需要物理领域的c3力分析和数学领域的c2三角函数，增加了知识处理的复杂性。2）知识迁移，即一个领域的知识状态会影响领域内和跨领域的相关知识状态。迁移学习理论(Cormier and Hagman, 2014 (https://arxiv.org/html/2608.24005#bib.bib36))强调知识概念是相互关联的，当理解一个概念影响相关概念的学习或理解时，就会发生知识迁移。在多领域学习场景中，知识迁移主要通过两种方式发生：领域内迁移：知识状态通过先决条件关系在相同领域的相关概念间传播，例如从加法到乘法。领域间迁移：知识状态通过语义或功能相关性在不同但相关的领域间转移，例如力分析与三角函数之间。因此，在多领域学习场景中准确建模知识状态需要显式考虑认知负荷和知识迁移，而这在传统的单领域知识追踪方法中通常被忽视。

本文聚焦于探索上述因素以改进多领域学习场景中学生知识状态的评估，并提出一种结合认知负荷与知识迁移的多领域知识追踪新方法。与在每个领域内独立建模知识状态的传统单领域知识追踪方法不同，从认知和知识传播的视角显式捕捉跨领域交互。具体而言，为连接孤立的领域并建立异构概念间的语义关系，首先整合题目及其关联概念的文本信息构建多领域层次图，利用大语言模型强大的表征能力。基于此图结构，进一步建模时间和知识维度的跨领域依赖关系，以刻画学生学习过程中的认知负荷。在时间维度，模型捕捉学生在连续交互中的领域切换行为；在知识维度，则建模同时需要多个领域概念的问题所引入的认知负担。此外，为建模相关概念对知识演变的影响，引入知识迁移模块以捕捉领域内和跨领域的知识状态传播。领域内迁移机制建模相同领域内概念间的先决条件关系，而领域间迁移机制则捕捉不同领域概念间的语义和功能相关性。通过联合建模认知负荷和知识迁移，该方法提供了对学生学习过程更全面的表征，从而能够更准确地预测未来表现。最后，在真实数据集上的大量实验验证了其有效性，与现有知识追踪方法相比，始终达到最先进的性能。

我们的主要贡献总结如下：
- • 我们强调了认知负荷和知识迁移在多领域学习场景中的关键作用，而这些在现有的单领域知识追踪方法中很大程度上被忽视了。
- • 我们提出了一种用于多领域知识追踪的新方法，该方法显式建模认知负荷和知识迁移。此外，该方法利用大语言模型构建多领域层次图，以捕获跨领域的语义关系。
- • 在四个真实数据集上的大量实验表明，该方法相较于11种基线方法达到了最先进的性能，验证了在多领域学习场景中建模认知负荷和知识迁移的有效性。

## 2\.相关工作

### 2\.1\.知识追踪

知识追踪是一项基础任务，旨在在线学习场景中动态监控和评估学生不断演变的知识状态(Shen et al., 2024 (https://arxiv.org/html/2608.24005#bib.bib48);Huang et al., 2019 (https://arxiv.org/html/2608.24005#bib.bib42);Liu et al., 2019b (https://arxiv.org/html/2608.24005#bib.bib44))。多年来，大量研究致力于解决知识追踪任务。早期方法主要依赖于统计模型，如隐马尔可夫模型(Corbett and Anderson, 1994 (https://arxiv.org/html/2608.24005#bib.bib51);Käser et al., 2017 (https://arxiv.org/html/2608.24005#bib.bib58))，或融合多种影响因素的基于逻辑回归的函数(Pavlik et al., 2009 (https://arxiv.org/html/2608.24005#bib.bib60);Cen et al., 2006 (https://arxiv.org/html/2608.24005#bib.bib59);Vie and Kashima, 2019 (https://arxiv.org/html/2608.24005#bib.bib61))，来估计学生的概念掌握水平。随着深度学习的兴起，深度知识追踪通过将神经网络引入知识追踪(Piech et al., 2015 (https://arxiv.org/html/2608.24005#bib.bib52))，标志着一个关键时刻，开启了更复杂、数据驱动建模技术的大门。在深度知识追踪之后，出现了众多深度知识追踪变体，每种都引入了新颖的机制以提高性能。这些包括记忆增强方法(Zhang et al., 2017 (https://arxiv.org/html/2608.24005#bib.bib53);Abdelrahman and Wang, 2019 (https://arxiv.org/html/2608.24005#bib.bib31))，显式建模学生的过去交互；基于图的方法(Nakagawa et al., 2019 (https://arxiv.org/html/2608.24005#bib.bib56);Tong et al., 2020 (https://arxiv.org/html/2608.24005#bib.bib57);Ni et al., 2023 (https://arxiv.org/html/2608.24005#bib.bib32);Zhang et al., 2022 (https://arxiv.org/html/2608.24005#bib.bib21);Wu et al., 2024 (https://arxiv.org/html/2608.24005#bib.bib17))，更好地捕捉概念间的关系结构；以及基于注意力的模型(Ghosh et al., 2020 (https://arxiv.org/html/2608.24005#bib.bib50);Pandey and Karypis, 2019 (https://arxiv.org/html/2608.24005#bib.bib62);Shin et al., 2021 (https://arxiv.org/html/2608.24005#bib.bib54))，侧重于突出学习过程中的关键交互。此外，其他知识追踪模型试图通过融入辅助信息或设计更专业的网络架构(Liu et al., 2019a (https://arxiv.org/html/2608.24005#bib.bib55);Wang et al., 2022 (https://arxiv.org/html/2608.24005#bib.bib1);S

相似文章