摘要
知识追踪在智能辅导系统中起着关键作用，它能够动态评估学习者不断变化的知识状态。然而，追踪英语学习进度面临着独特的挑战。现有的知识追踪模型通常采用统一的、预定义的遗忘机制，无法体现语言记忆保留的高度个性化特征。此外，语言评估数据往往存在大量噪声，这导致模型过度适应表面表现，而无法真正把握学习者的实际语言能力。为了解决这些问题，我们提出了一种全新的框架，用于更准确地追踪英语语言能力。首先，我们引入了一种基于学习画像的自适应遗忘机制。与那些使用统一遗忘率的方法不同，我们的方法通过分析历史互动数据，构建出动态且具有严格因果关系的学习画像，从而生成个性化的认知参数（如个体化的遗忘率）。这些参数能够同步调节多层知识状态的衰减过程，帮助模型准确捕捉不同学习者的多样化记忆保留模式。其次，我们设计了一种掩码一致性正则化训练方法。通过對历史响应数据进行随机掩码处理，并强制模型保持预测一致性，可以防止模型利用局部噪声或走捷径进行学习，迫使模型挖掘出稳定且具普遍性的语言表征。在真实的教育数据集上进行的广泛实验表明，我们所提出的框架在预测精度和抗噪能力方面均显著优于现有的最佳方法，为个性化语言学习提供了可靠且易于理解的解决方案。
