El rastreo del conocimiento (KT) tiene como objetivo rastrear la comprensión o el logro de conocimientos de un aprendiz en función de su historial de aprendizaje. El aumento de los sistemas de aprendizaje en línea ha intensificado la necesidad de medir de forma automatizada los estados de conocimiento de los estudiantes. En particular, en el caso del aprendizaje en el campo de evaluación de la competencia en inglés, como el TOEIC, es necesario modelar los estados de conocimiento reflejando la dificultad de las preguntas. Sin embargo, enfoques anteriores de KT a menudo complejizan en exceso sus estructuras de modelo únicamente para adaptarse a la dificultad o la consideran solo con un propósito secundario como la ampliación de datos, obstaculizando la adaptabilidad de modelos potentes y de propósito general como los Transformers a otros componentes cognitivos. Para abordar esto, investigamos la integración de la dificultad de las preguntas dentro de KT con un modelo potente de propósito general para su aplicación en la evaluación de competencia en inglés. Realizamos estudios empíricos con tres enfoques para incrustar la dificultad de manera efectiva: (i) reconstruyendo características de entrada incorporando dificultad, (ii) prediciendo la dificultad con un objetivo de aprendizaje multi-tarea y (iii) mejorando las representaciones de salida del modelo a partir de (i) y (ii). Los experimentos validan que la inclusión directa de la dificultad en las características de entrada, junto con representaciones de salida enriquecidas, amplifica de manera constante el rendimiento de KT, subrayando la importancia de la consideración holística de la dificultad en el dominio de KT.