TLSQKT：基于问题感知的双通道变换器用于学习序列的识字轨迹

知识追踪（KT）通过建模学生知识状态随时间的演变来支持个性化学习。然而，大多数 KT 模型都侧重于离散知识组件的掌握程度，限制了其对更广泛识字素养发展进行特征化的能力。我们将任务重新定义为识字轨迹（Literacy Tracing, LT），通过建模学习者交互序列中认知能力和识字素养的成长来实现这一范式，并提出基于变换器的模型 TLSQKT（Transformer for Learning Sequences with Question-Aware Knowledge Tracing）。TLSQKT 采用双通道设计，联合编码学生响应和项目语义，同时通过问题感知的交互和自注意力机制捕获学习者状态演变中的长程依赖。在三个真实世界数据集上的实验——一个公共基准数据集、一个私人知识组件数据集和一个私人识字数据集——显示，TLSQKT 在识字导向的指标上 consistently 优于强大的 KT 基线，并揭示了学习者识字发展轨迹的可解释性。迁移实验进一步表明，知识追踪信号可用于识字轨迹，为在专门的识字标签有限时的实际可行路径。这些发现将识字轨迹定位为智能教育系统的一个可扩展组成部分，为未来大规模教育模型中的识字评估奠定了基础。