RAG-KT：基于多视角融合检索生成的跨平台可解释知识追踪

知识追踪（KT）从历史交互中推断学生的知识状态，以预测其未来表现。传统的基于深度学习（DL）的KT模型通常绑定平台特定标识符与潜在表示，难以迁移与解释。基于大语言模型（LLM）的方法要么在纯提示下缺乏事实依据，要么在微调后过度依赖特定领域。此外，现有KT方法大多在同分布假设下开发与评估。而在真实部署中，教育数据往往来自存在显著分布偏移的异构平台，这常导致泛化能力下降。为此，我们提出RAG-KT，一种检索增强范式，将跨平台KT构建为以可靠上下文约束的LLM推理。它通过题目组（Question Group）抽象构建带跨源对齐的统一多源结构化上下文，并为每次预测检索互补、丰富且可靠的上下文，实现有依据的预测与可解释的诊断。在三个公开KT基准上的实验表明，该方法在准确率与鲁棒性上取得一致提升，包括在跨平台条件下的强劲表现。