吗？原文开头没有明确的标题，但看内容结构，第一部分是介绍背景和方法提出，后面的各个技术组件可能是小节，所以用
划分每个主要组件。首先，开头的段落是背景和方法提出，需要用
包裹。然后每个技术组件，比如The Mastery-Dynamics Encoder、Domain-Local Question Addressing等，每个都是一个小节，用
包裹，后面的描述用
。需要检查每个句子是否都保留了，不能增删改。比如第一句Knowledge tracing...是背景，然后New platforms...是动机，Existing transfer...是现有方法的问题，We propose TIZSKT...是提出的方法，这些都在同一个段落吗？原文里这些是连续的，所以第一个
包含这些内容。然后每个技术组件单独作为
，后面跟着
描述。比如The Mastery-Dynamics Encoder learns...这一句作为
，后面的句子作为
？不对，原文里每个技术组件的描述是一句，比如“The Mastery-Dynamics Encoder learns correctness dynamics without question identifiers or text embeddings.”这句话是该组件的说明，所以应该
是该组件名称，然后
里是说明。然后后面的Domain-Local Question Addressing等同理。然后实验部分，Leave-one-domain-out experiments...和Ablations confirm...这两句，是否需要分开？原文里是连续的，但属于实验结果，可能用
包裹，或者有没有小节？看原文结构，前面是方法的各个组件，后面是实验结果，所以实验结果部分可能用
，或者有没有
？原文里没有明确的实验小节标题，但根据规则，长文用
/
划分小节，所以前面的各个技术组件是小节，实验结果可能作为一个段落。需要确认每个技术组件都是一个
，然后后面的说明是
。然后检查是否有重要句子需要用？原文里没有特别需要强调的，但比如TIZSKT这个模型名称，或者关键方法术语，可能需要？但规则说重要句子可用，如果没有特别重要的，就不用。然后列表内容？原文里没有列表，所以不需要
- 。引用？也没有。代码？也没有。所以主要是
和
的使用。现在开始排版：首先第一个段落是开头的背景到方法提出，用
包裹。然后每个技术组件：The Mastery-Dynamics Encoder作为
，后面的句子作为
；Domain-Local Question Addressing作为
，后面的句子作为
；The Text-Addressing Kernel作为
，后面的句子作为
；Cross-Segment Continuation作为
，后面的句子作为
；Evidence-Volume Read-Out作为
，后面的句子作为
。然后后面的实验部分，All trainable parameters...和Leave-one-domain-out...和Ablations...这几句，属于方法的验证和结果，应该放在哪个部分？原文里All trainable parameters...是在Evidence-Volume Read-Out之后，说明模型的训练和推理方式，然后是实验结果。所以All trainable parameters...这句可能作为单独的
？或者和前面的组件放在一起？看原文顺序：提出TIZSKT之后，分别介绍各个组件，然后是All trainable parameters...，然后是实验结果。所以各个组件的小节之后，有一个段落讲训练和推理，然后是实验结果。所以结构应该是：
（背景到方法提出）
The Mastery-Dynamics Encoder
说明
Domain-Local Question Addressing
说明
The Text-Addressing Kernel
说明
Cross-Segment Continuation
说明
Evidence-Volume Read-Out
说明
All trainable parameters...without target-domain training.
Leave-one-domain-out...target domains. Ablations confirm...cross-segment continuation.
这样是否正确？需要确认每个技术组件都是，然后后面的说明是
。然后检查是否保留了所有信息，没有增删改。比如原文里的每一句话都要包含进去。现在开始写HTML片段：首先第一个段落：
Knowledge tracing (KT) predicts a student's next response from their history. New platforms often have question texts but no response logs for training, motivating zero-shot cross-domain KT. Existing transfer and cold-start methods use question semantics, but cross-platform semantic discrepancies limit transferability. We propose TIZSKT, which separates behavioral sequence modeling from domain-local historical evidence construction and uses text as an index rather than a directly transferable predictive representation.
然后每个组件：The Mastery-Dynamics Encoder
learns correctness dynamics without question identifiers or text embeddings.
？不对，原文里的句子是“The Mastery-Dynamics Encoder learns correctness dynamics without question identifiers or text embeddings.”所以应该The Mastery-Dynamics Encoder
learns correctness dynamics without question identifiers or text embeddings.
？不，应该保持句子完整，所以The Mastery-Dynamics Encoder
The Mastery-Dynamics Encoder learns correctness dynamics without question identifiers or text embeddings.
？不对，因为是组件名称，后面的
是说明，所以正确的应该是
The Mastery-Dynamics Encoder
learns correctness dynamics without question identifiers or text embeddings.
？但这样句子开头没有主语？不对，原文里的句子是完整的，所以应该把整个句子放在里，而
是组件名称。哦，原文里每个技术组件的描述是一句完整的句子，比如“The Mastery-Dynamics Encoder learns correctness dynamics without question identifiers or text embeddings.”这句话的主语是The Mastery-Dynamics Encoder，所以
可以是这个组件名称，然后
里是后面的谓语部分？或者直接把整个句子作为
，而
是该组件的标题。比如：
The Mastery-Dynamics Encoder
learns correctness dynamics without question identifiers or text embeddings.
这样是正确的，因为是小节标题，后面的
是内容。然后下一个组件：
Domain-Local Question Addressing
builds fixed question addresses using a frozen text encoder and an unsupervised per-domain projection.
同理。然后The Text-Addressing Kernel：The Text-Addressing Kernel
uses these addresses to aggregate the current student's previous outcomes into a question-specific historical correctness summary.
Cross-Segment Continuation：Cross-Segment Continuation
retains access to earlier responses without extending the behavioral encoder's input sequence.
Evidence-Volume Read-Out：Evidence-Volume Read-Out
preserves the total kernel mass discarded by normalization and combines its log-compressed value with the behavioral state and historical correctness summary to predict the next response.
然后接下来的段落：All trainable parameters are learned from source domains; target inference uses public question texts and the current student's observed history without target-domain training.
然后实验结果：Leave-one-domain-out experiments on three public datasets show that TIZSKT achieves the highest mean AUC and accuracy among evaluated baselines on all target domains. Ablations confirm the contributions of text addressing and cross-segment continuation.
这样是否正确？检查是否所有内容都包含了，没有遗漏。是的，原文的每一句都被包含了。然后是否符合规则：每个自然段落用包裹，长文用
划分小节。这里的各个技术组件都是小节，所以用
是对的。没有使用其他标签，因为没有列表、引用、代码。重要句子是否需要用？原文里没有特别需要强调的，所以不用。现在确认输出的HTML片段是否符合要求，没有文档级标签，只有片段本身。是的。所以最终的