TIZSKT以冻结文本表征作题目索引而非跨域预测输入

知识追踪 (KT) 根据学生的历史记录预测他们的下一题作答。新平台通常有问题文本，但没有用于训练的作答记录，从而激发了零样本跨域 KT。现有的迁移和冷启动方法使用问题语义，但跨平台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历史证据构建分开，并使用文本作为索引而不是直接可迁移的预测表示。 Mastery-Dynamics 编码器无需问题标识符或文本嵌入即可学习作答正确性的动态变化。域内题目寻址使用冻结文本编码器和无监督的每域投影构建固定问题地址。文本寻址核使用这些地址将当前学生之前的结果聚合成特定于问题的历史正确性摘要。跨段延续保留对更早的作答记录的访问，而无需扩展行为编码器的输入序列。证据量读出保留了归一化丢弃的核权重总量，并将其对数压缩值与行为状态和历史正确性摘要相结合，以预测下一次作答。所有可训练参数都是从源域学习的；目标域推理使用公共问题文本和当前学生观察到的历史记录，而无需目标域训练。对三个公共数据集的留一域实验表明，TIZSKT 在所有目标域的评估基线中实现了最高的平均 AUC 和准确性。消融证实了文本寻址和跨段延续的贡献。