知识追踪（KT）旨在根据学生的学习历史动态评估其知识状态。传统方法大多聚焦单一学科，然而真实学习环境常常涉及多个学科，同时出现两大关键因素：认知负荷和知识迁移。认知负荷指学生在时间和知识维度上跨域学习时的心理负担；知识迁移则描述一个学科的知识状态如何影响同域或跨域的相关状态。
本文提出一种新方法——LT-MKT（Load and Transfer for Multi-domain Knowledge Tracing），专门针对多域学习场景进行建模。首先，利用大语言模型（LLM）对题目文本及其关联概念进行编码，构建多域层次图，以打通原本孤立的学科。随后，在时间维度和知识维度上显式建模跨域特征，以捕捉认知负荷的影响。进一步设计了知识迁移模块，实现知识状态在同域和跨域之间的传播。通过联合学习上述因素，LT-MKT 能更准确预测学生的后续表现。
在多个真实数据集上的实验表明，LT-MKT 在预测准确率上显著超越现有方法，达到了最新的性能水平。
博主点评：该工作巧妙结合 LLM 的语义表示与跨域图结构，首次在多域知识追踪中系统考虑认知负荷和知识迁移，实验验证了其有效性，值得在教育智能系统中进一步推广。