不同的思维方式带来多样的策略：一种基于自适应专家组合的、具备认知策略意识的知识追踪方法

《Expert Systems with Applications》：Different minds diverse strategies: A cognitive strategy-aware knowledge tracing based on adaptive mixture-of-experts

　　•认知策略涉及记忆、注意力和知识结构的协调。
•提出CSKT通过三个协调的认知机制来建模学习者的策略。
•引入一个记忆门控网络以自适应地协调认知机制。
•在四个数据集上的实验显示性能和可解释性都有所提高。

引言
智能辅导系统（ITS），如Coursera、MOOCs和Khan Academy，通过使学习者能够随时随地访问教育资源，彻底改变了传统的学习环境（Allen, Seaman, 2013; Li, Zhao, Guo, Ren, Li, Zhang, Li, 2024）。鉴于对个性化教育需求的增长（Walkington, 2013），ITS不仅整合了大量的数字资源，还提供了个性化的资源推荐和个性化的学习路径规划，以满足每个学习者的独特需求（Li, Li, Zhang, Zhou, Pan, 2025a; Maghsudi, Lan, Xu, van Der Schaar, 2021）。因此，迫切需要实时有效地监控和评估学习者知识状态的变化，以便提供个性化的教育服务（Anderson, Boyle, Corbett, & Lewis, 1990）。为了解决这一需求，知识追踪（KT）作为一种关键任务应运而生，它专注于根据学习者的历史互动来建模其认知过程的发展。通过推断学习者对特定概念的潜在掌握程度，KT使ITS能够生成准确的未来表现预测并提供适应性干预。KT可以被视为一种认知建模的形式，因为它旨在追踪学习者随时间的潜在线知识和表现。最近的进展强调了这些机制在塑造学习中的作用，促进了明确结合人类认知关键方面的模型的发展。以记忆为导向的模型关注知识保留和遗忘的动态（Luo, Zhang, Cui, Hu, Yu, 2025; Shen, Liu, Chen, Huang, Huang, Yin, Su, Wang, 2021）。例如，深度知识追踪（DKT）（Piech et al., 2015）使用循环神经网络来建模学习者行为的时间模式，隐式地编码了记忆衰减。动态键值记忆网络（DKVMN）（Zhang, Shi, King, & Yeung, 2017）通过引入一个外部记忆模块来扩展这一理念，该模块明确模拟了概念级知识的存储和更新。基于注意力的模型认识到学习者的注意力在任务和时间上是变化的，通常受到概念相关性和先前表现的影响（Huang, Li, Xia, Zhao, Ju, 2025b; Liu, Yang, Su, Wang, Li, 2025b）。注意力知识追踪（AKT）（Ghosh, Heffernan, & Lan, 2020）和自注意力知识追踪（SAKT）（Pandey & Karypis, 2019）结合了注意力机制，以动态调整知识表示，使模型能够反映学习者在连续互动中的注意力变化。结构感知模型强调学习者内部知识的演变组织（Hakkal, Ait Lahcen, 2025; Xu, Zhao, Zhang, Deng, Zhao, Han, Wang, Wei, 2025）。基于图的知识追踪（GKT）（Nakagawa, Iwasawa, & Matsuo, 2019）和基于结构的知识追踪（SKT）（Tong et al., 2020）将知识领域表示为图结构，利用图神经网络来捕获概念依赖关系并追踪随时间的变化。从认知建模的角度来看，这些进展提高了KT模型更准确地反映学习者认知过程的能力，改善了预测性能，并支持更有针对性的教育干预。

尽管取得了实质性进展，但大多数KT模型将整个学习序列编码为单一的潜在表示，以估计学习者的潜在知识状态。在这种设计中，模型将所有认知过程编码为单一的共享向量表示（即隐藏嵌入）。这种联合编码使得难以区分不同的过程或其各自的贡献。例如，记忆衰减和注意力转移可能混合在同一表示中，这降低了可解释性。它还忽略了在学习过程中调节机制（如注意力控制、信息巩固和概念理解的重组）的个体差异（Richardson, Abraham, Bond, 2012; Weinstein, Mayer, 1983）。这些差异反映了不同的认知策略，这些策略决定了学习者如何参与任务。考虑这些差异可以让KT模型更精确地表示认知状态，并实现更高的预测有效性。认知心理学和神经科学不是将这种策略视为单一功能，而是将其描述为多个潜在认知系统的协调结果（Luria, Santrock, 2011）。参与学习任务的学生通常会检索先前的知识来理解新信息，将注意力导向关键元素，同时排除干扰，并在完善理解过程中逐渐重组他们的知识结构。基于这种认知处理，研究人员确定了学习中的三个核心认知机制：记忆巩固、注意力调节和结构适应（Baddeley, 1992; Chi, Petersen, et al., 1990）。这些机制对应于逐渐深入的认知参与层次，从维持和选择信息到抽象和组织知识。具体来说，记忆巩固负责信息的编码和长期保留，注意力调节指导认知资源向相关信息的选择性分配，结构适应使学习者能够整合新输入并重组他们的内部知识表示。此外，这些机制作为集成认知系统的一部分并行运作，但它们被激活和协调的方式在学习者之间可能有很大差异。这种差异构成了我们所说的个性化认知策略的基础，即学习者在学习过程中如何优先处理和协调认知过程的特定配置（Zimmerman, 2002）。通过这些核心机制的特定配置来建模学习者的认知策略，可以更个性化地理解个人如何随着时间的推移获取和组织知识。

在知识追踪的背景下，这些认知机制通过学习者与练习的互动表现出来，每个回答都反映了由记忆、注意力和结构组成的统一认知架构所塑造的潜在认知状态。如图1所示，学习者对q1和q3都给出了错误答案，但这些错误源于由不同机制塑造的不同认知条件。在q1中，概念c1和c3是第一次遇到，导致记忆痕迹薄弱和内部结构表示不完善，从而导致失败。在q3中，虽然之前遇到过这些概念，但对c1的记忆随着时间的推移逐渐消失，且对其关注不足，最终导致了错误的回答。这些例子表明，学习结果是由记忆巩固、注意力调节和结构适应的动态相互作用塑造的，而不是任何一个单一因素单独作用的结果。因此，预测学习者未来的回答需要对他们的个别认知策略有一个全面的了解，这些策略共同决定了所有三个机制如何共同塑造不断发展的认知状态。

为了理解认知机制如何相互作用以塑造学习者的策略，我们提出了认知策略感知知识追踪（CSKT），它能够细粒度地建模它们的联合影响，并更有效地捕捉它们各自的作用。CSKT采用专家混合（MoE）架构来解耦记忆巩固、注意力调节和结构适应，使这些机制之间能够动态且可解释地协调，从而更准确地表示学习者的认知演变。具体来说，CSKT首先引入了记忆巩固专家，这是一个基于阶段的网络，它整合了巩固和遗忘机制，以模拟知识感知、理解和随时间的保留。通过同时考虑时间最近性和概念关系，注意力调节专家网络中的时空加权机制利用两种增强型的注意力机制来捕捉学习者在时间和概念维度上的认知注意力的动态。然后，结构适应专家利用自适应邻接矩阵不断更新全局和局部知识图中的概念关系，通过多阶图卷积调整边权重和拓扑结构。这使得模型能够模拟知识转移和结构演变，确保学习表示对概念重组保持响应。为了实现认知模块的自适应控制，CSKT最后采用了一个门控网络，根据学习者的当前知识状态和任务需求动态地为不同的认知过程分配权重。该机制通过模块化方式调节记忆、注意力和结构适应的影响，优化它们对知识获取的综合影响。此外，联合训练策略增强了模型协调这些认知模块的能力，提高了CSKT的准确性和泛化能力。具体来说，我们在四个公开可用的基准数据集上进行了实验，以解决以下五个研究问题：RQ1，CSKT是否比现有模型更准确地预测学习者的未来回答？RQ2，CSKT中的各个模块如何影响预测结果？RQ3，不同的记忆单元如何影响预测结果？RQ4，CSKT能否合理解释学生的认知过程？RQ5，三个专家模块是否学习到不同的认知表示？实验结果表明，CSKT不仅在预测准确性方面表现良好，而且在可解释性上也有一定程度。

我们的关键贡献如下：
•我们提出了一种认知策略感知的知识追踪方法，该方法模拟了学习者对多种认知机制的个性化依赖，超越了现有KT模型的统一认知假设。
•我们设计了一种认知对齐的MoE架构，分别模拟记忆巩固、注意力调节和结构适应。该设计反映了人类认知的功能组织，并能够细粒度地模拟学习过程。
•我们引入了一个记忆门控网络，根据每个学习者的历史记忆模式动态地为三个认知专家分配权重。这一机制支持在整个学习过程中认知策略的自适应协调。
•在四个真实世界数据集上进行了广泛的实验，以评估所提出的CSKT模型。结果表明，该模型在各种不同的数据集上都表现出强大的预测性能和可解释性。

本文的其余部分结构如下。第2节回顾了相关文献。第3节介绍了我们方法的基础概念。第4节详细介绍了所提出的CSKT模型的架构和设计。第5节展示了在四个公共数据集上的实验评估。第6节讨论了我们工作的优点和未来研究方向。最后，第7节总结了研究的结论。

相关工作
本节提供了三个领域相关研究的简要概述，包括知识追踪、认知建模和专家混合架构的应用。

初步
在本节中，我们给出了KT时空图的定义，介绍了KT任务和必要的定义，并说明了输入变量的嵌入方法。

提出的CSKT
CSKT的总体架构如图2所示，由四个受认知启发的模块组成。首先，如图2(a)所示，记忆巩固模块使用基于阶段的网络模拟知识的保留和遗忘。然后，如图2(b)所示，注意力调节模块捕捉学习者如何在不同概念之间分配注意力，并随时间动态调整他们的关注点。随后，如图2(c)所示，结构...

实验
本节概述了实验设计，包括数据集、训练配置和基线模型。这些实验旨在解决第1节中提出的研究问题。

讨论和未来工作
在本节中，我们讨论了这项研究的优势以及一些未来研究方向。在本文中，我们描述了以领域特定方法追踪学习者知识掌握程度的问题。在这里，我们借鉴了心理学和神经科学的原理，关于多个认知机制的潜在协同作用，对三个不同的认知过程进行建模和整合，以实现更个性化和动态的学习理解。

结论
本研究提出了认知策略感知知识追踪（CSKT），这是一种旨在捕捉个体认知策略如何塑造学习过程的模型。CSKT不是将学习视为一个均匀的知识获取序列，而是专注于识别和协调涉及记忆巩固、注意力调节和结构适应的个性化认知策略。为了追踪记忆过程对学习结果的影响，CSKT引入了一个基于阶段的...

CRediT作者贡献声明
Zhuoran Xu：概念化、方法论、验证、撰写——原始草稿。
Shengze Hu：方法论、验证、形式分析、撰写——审阅与编辑。
Tao Huang：概念化、监督、资金获取、撰写——原始草稿。
Xinjia Ou：形式分析、可视化。
Huali Yang：资金获取、可视化。
Junjie Hu：数据整理、验证。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。