NaviEdu：用于检测知识转移并推动针对性干预的双路径知识追踪

人工智能驱动的教育系统旨在推断潜在知识状态并提供自适应反馈，实现大规模个性化学习。现有方法涵盖基于生成和基于交互的方法以及反馈聚焦系统，但它们在很大程度上被设计为松耦合的管道。因此，这些方法往往缺乏对演进知识状态的细粒度建模，无法检测突然的转移，从而难以将信号转化为有效的个性化干预措施。为克服这些问题，我们提出了 NaviEdu，一个双路径因果推理框架，其中神经模块捕获非线性动力学，图模块编码结构化推理。两条路径通过一致性对齐、拉普拉斯正则化和梯度敏感更新进行协调，以保持一致的知识表示。具有反馈的动态知识图进一步实现了诊断-干预-再诊断的个性化适应循环。在三个基准数据集上的实验表明，NaviEdu 始终达到最先进的 AUC 和准确率，与强基线相比提升高达 2.2%，同时保持有竞争力的 RMSE 和 r²。