知识追踪不再只给一个对错概率：DIKT把预测拆到技能层，三个基准上平均AUC高出2.04个百分点
核心概要
DIKT把学生下一题答对的概率拆成各所需技能的成功概率之积，并让每个技能有一个随时间演化、限制在0到1之间的认知状态。此前多数深度知识追踪模型只用隐向量做预测，难以指出是哪项技能拖住了结果。在ASSIST09、ASSIST17和Algebra2005三个基准上，DIKT的AUC均高于所列基线，平均绝对提升2.04个百分点。
深度剖析
知识追踪模型现在可以同时给出下一题答对的概率和逐技能的诊断信息，而不只是一个总体预测分数。 此前多数深度知识追踪方法把学生状态表示为隐向量，解释只能从模型内部被动导出，难以对应到具体技能，也无法评估假设性的状态改变会怎样影响预测。 在ASSIST09、ASSIST17和Algebra2005三个公开基准上，DIKT的AUC分别为0.8272、0.7925和0.8485，均高于表中列出的BKT、DKT、SAINT、QIKT、DSN-KT、KQN与SAKT，平均绝对AUC提升2.04个百分点。
每个技能对应一个随时间演化的认知状态，题目层面的答对概率由各技能成功概率相乘得到。 这一路径由贝叶斯多头注意力、条件变分循环推断、逻辑斯蒂增长解码器和乘法式技能预测层共同搭建，注意力投影矩阵被当作高斯随机变量处理。 认知状态经逻辑斯蒂增长与按技能遗忘率的指数衰减递推生成，被约束在0到1之间；在三个基准数据集的代表性轨迹上，状态保持在该区间内并平滑演化，不同技能呈现不同的演化形态。
学到的认知状态还能用于两类模型内探查：直接改写选定技能的认知值，或扰动有效学习时长后重算后续轨迹。 干预分析给出预测对单个技能认知值变化的局部敏感度，假设分析则看扰动沿时间传播后轨迹偏离多少。 在代表性案例中，技能31的局部干预效率约为0.33，而技能57接近0.00；假设分析里高认知、低认知和低到高过渡三种情形的轨迹距离依次不同，低认知情形最大。
启示与展望
展示范围限于ASSIST09、ASSIST17和Algebra2005三个公开知识追踪基准，以及在这些数据上训练出的模型内部的轨迹、归因和干预曲线；干预与假设分析被明确定位为探查模型行为的工具，而非因果识别程序。作者提出后续将纳入更丰富的教育与情境信息，改进轨迹和归因结果的可视化与实用性，并通过专家评估和真实教学应用进一步检验诊断价值。
认知状态是模型推断的概率表示，不是可直接观测的变量；乘法式融合被说明为结构化聚合机制，而非严格的因果方程；干预与假设分析的结果只反映所学模型下的敏感性，文中未给出这些诊断指标在真实教学中的效度证据。