解构知识追踪：PAKT模型如何区分学生的“能力”与“熟练度”
知识追踪（Knowledge Tracing, KT）是教育AI领域的核心任务，旨在通过建模学生历史交互行为来预测其未来表现。然而，现有方法大多将学生答题序列视为一个统一的、无阶段区别的行为过程，忽略了学习行为固有的阶段性特征。来自arXiv的一篇新论文提出了**PAKT（Phase-Aware Knowledge Tracing）**框架，通过解耦“能力构建”与“熟练度强化”两个阶段，显著提升了预测精度。
研究动机：从观察到建模
研究者通过初步数据分析发现：学生在反复练习之前答错的知识点后，更有可能正确作答。这一现象暗示学习过程存在明确的阶段转换——初期侧重于能力构建（ability-building），即对全新或困难知识的理解与消化；后期则转向熟练度强化（proficiency-oriented learning），即通过重复练习巩固已有能力。传统KT模型将所有交互混为一谈，可能引入混杂偏差，导致对知识状态的估计失真。
PAKT的核心设计
PAKT框架包含两个关键组件：
- 阶段分解机制：根据学生答题的上下文（如历史正确率、尝试次数等），将原始交互序列动态划分为“能力阶段”和“熟练度阶段”。前者对应新知识初次接触或错误后的理解过程，后者对应已掌握知识的反复巩固。
- 多分支Transformer + 类型感知读出模块：针对分解后的两个阶段序列，分别使用独立的Transformer分支进行建模，同时设计一个类型感知读出模块，将阶段特定的表示与全局表示融合，从而同时捕获阶段特异性与整体知识状态。
此外，论文还从因果推断角度分析了阶段无关模型中的混杂偏差（confounding bias），为PAKT的有效性提供了理论支撑。
实验表现
在六个公开基准数据集上，PAKT一致优于所有代表性基线模型，AUC最大提升1.33%，平均提升0.82%。这一提升幅度在知识追踪领域属于显著进步，尤其考虑到数据集规模和基线强度。
行业意义
PAKT的价值不仅在于性能提升，更在于其可解释性。通过显式建模学习阶段，教育者可以更清晰地了解学生当前处于“理解困难”还是“熟练度不足”状态，从而提供更精准的干预。例如，对于能力阶段的学生应侧重讲解与示范，而对熟练度阶段的学生则应提供更多练习题。这种细粒度诊断有望推动自适应学习系统从“行为预测”走向“认知诊断”。
局限与未来
论文未讨论不同学科或年龄段学生阶段特征的差异，且阶段分解机制依赖于预定义规则，未来可探索更灵活的数据驱动分解方法。不过，PAKT无疑为知识追踪研究开辟了一个新方向——从“统一建模”到“分阶段建模”，这可能是迈向真正理解学习过程的重要一步。