知识追踪（Knowledge Tracing, KT）的目标是通过建模学生在历史互动中的知识状态演变来预测他们未来的表现。现有的KT方法通常将原始互动序列视为一个统一的行为过程，忽视了学习行为的阶段性特征。我们的初步观察表明，学生在经过足够的练习后，更有可能正确回答之前失败的知识点，这表明学习从能力构建过渡到熟练度导向学习。基于此，我们提出了阶段感知知识追踪（Phase-Aware Knowledge Tracing, PAKT），这是一个将学生互动分解为能力和熟练度阶段的KT框架，采用定制的分解机制。为了有效利用分解后的序列，我们设计了一个多分支Transformer，配备了类型感知的读出模块，以共同捕捉阶段特定和整体知识状态。此外，我们提供了因果分析，以揭示在无阶段KT模型中因复杂学习行为纠缠而导致的混淆偏差。我们在六个公共基准上的广泛实验显示，我们的方法在代表性基准上始终表现优异，最大AUC增益为1.33%，平均增益为0.82%。
博主点评：本研究通过将知识追踪的学习过程划分为能力与熟练度两个阶段，提出了一种全新的视角，显著提升了预测准确率。这种方法不仅创新性强，还为教育领域的个性化学习提供了理论支持，具有重要的实际应用价值。