学位论文简介

知识追踪通过挖掘历史交互评估认知水平，是自适应学习的核心。现有深度网络模型多基于“连续且均匀”的理想假设，对真实场景中序列层级化、大时间跨度及多维异构因素交织等复杂特性关注不足，制约了系统的有效性。针对上述挑战，本文以“在线学习场景中面向自适应学习的知识追踪研究”为主线，主要创新性贡献如下：

（1）提出基于增强学习过程建模的会话感知知识追踪方法。 针对在线学习的非连续会话特征，将学习过程解耦为双维度：在会话内部融合细粒度作答行为，精准刻画连续片段的短期知识状态；会话之间量化知识留存与衰减机制，以捕捉局部状态偏移。该方法打破了单一尺度局限，实现了对不同时间尺度下认知演化的可解释精准追踪。

（2）提出基于断点感知的协同学习路径增强方法。 针对大时间间隔导致序列断裂而引发的“断点效应”，本文设计双准则断点定位机制，并从相似学习序列中提取功能性伪学习路径以填充时间断层。结合动态采样与基于距离的语义注入策略控制噪声，本方法在不改变底层追踪架构的前提下，高质量弥合了序列的逻辑连续性，显著增强了模型应对碎片化交互的决策鲁棒性。

（3）提出基于双层混合专家网络的多因素可解释知识追踪方法。 针对多维异构因素整合困难及动态上下文感知不足的问题，构建双层联合优化架构：底层建模器通过领域专家组与全局自适应门控生成全面知识表征；顶层表现预测器用于输出实时动态预测。该方法不仅提升了预测性能，其门控权重更为个性化干预提供了细粒度可解释性，且顶层模块可“即插即用”赋能各类KT模型。

主要学术成果

[1] Chunli Huang, Wenjun Jiang, Kenli Li, Jie Wu, Ji Zhang. Enhancing Knowledge Tracing via Breakpoint-Aware Sequence Augmentation. IEEE Transactions on Knowledge and Data Engineering,vol. 38, no. 8, pp. 5062-5076,2026.(CCF A类期刊，第一作者)

[2] Chunli Huang, Wenjun Jiang, Kenli Li, Jie Wu, Ji Zhang. Enhancing learning process modeling for session-aware knowledge tracing. Knowledge-Based Systems, 309(2025)112740,2025. (SCI一区，第一作者)

[3] 黄春利，刘桂梅，姜文君，李肯立，张吉，任德盛. 基于行为演化的学习模式识别及效果预测方法. 计算机科学, 51(10): 67-78, 2024. 2024.(CCF B类中文，第一作者)

[4] Chunli Huang，Wenjun Jiang，Kenli Li，Xiuzhen Liu，Ji Zhang，Jie Wu. Multi-factor interpretable knowledge tracing with mixture-of-experts for modeling and prediction. (在投)