arXiv cs.CY· Yin Yi, Haiping Ma, Siyu Song, Ziwen Wang, Shangshang Yang·· 10 小时前AI 评分29
TIZSKT：以文本为索引的零样本跨域知识追踪
Text as an Index for Zero-Shot Cross-Domain Knowledge Tracing
AI 导读
TIZSKT 将文本作为索引而非可直接迁移的预测表示，把行为序列建模与域内历史证据构建分离，实现零样本跨域知识追踪。其 Mastery-Dynamics Encoder 不依赖题目 ID 或文本嵌入学习正确性动态，Domain-Local Question Addressing 用冻结文本编码器加无监督域内投影生成固定题目地址。
正文 · AI 翻译
摘要：知识追踪（KT）根据学生的历史记录预测其下一次作答。新平台往往有题目文本但没有用于训练的作答日志，这推动了零样本跨域知识追踪的研究。现有的迁移和冷启动方法利用题目语义，但跨平台的语义差异限制了可迁移性。我们提出 TIZSKT，它将行为序列建模与域内局部历史证据构建分离，并将文本用作索引，而非可直接迁移的预测表示。掌握动态编码器在不使用题目标识符或文本嵌入的情况下学习正确性动态。域内局部题目寻址使用冻结的文本编码器和无监督的逐域投影构建固定的题目地址。文本寻址核利用这些地址将当前学生此前的作答结果聚合为题目特定的历史正确性摘要。跨段延续保留对更早作答的访问，而不扩展行为编码器的输入序列。证据量读出保留被归一化丢弃的核总质量，并将其对数压缩值与行为状态和历史正确性摘要相结合来预测下一次作答。所有可训练参数均从源域学习；目标域推理使用公开的题目文本和当前学生已观察到的历史，无需目标域训练。在三个公开数据集上的留一域实验表明，TIZSKT 在所有目标域上于所评估的基线中取得了最高的平均 AUC 和准确率。消融实验证实了文本寻址和跨段延续的贡献。
| 评论： | 10 页，5 幅图 |
| 主题： | 计算与语言（cs.CL）；计算机与社会（cs.CY）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.41883 [cs.CL] |
| （或 arXiv:2610.41883v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41883 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shangshang Yang [查看邮箱]
[v1]
2026年10月30日星期五 15:29:08 UTC（662 KB）
来源：arXiv cs.CY · arxiv.org