在“双减”政策和教育数字化转型的背景下,个性化教育资源推荐系统(Educational Recommender Systems,ERS)成为智慧教育的重要支撑技术。ERS通过建模学生的知识水平、学习兴趣与行为特征,能够实现因材施教并提升学习效率。对此,系统梳理了该领域的研究进展,围绕课程推荐、习题推荐和学习路径推荐三大典型任务展开。课程推荐从传统的协同过滤与矩阵分解逐步演进到基于图神经网络与强化学习的方法,显著提升了推荐的精准性与适应性。习题推荐则从静态标签匹配转向动态知识追踪与深度学习建模,能够更好地刻画学习者与习题之间的复杂关系。学习路径推荐需要兼顾知识依赖、能力演化与多目标约束,近年来融合了图模型、强化学习和进化算法,实现了个性化路径优化。此外,还对主流数据集与实验结果进行了对比分析,总结了不同方法的优势与不足。最后指出未来研究的方向应聚焦于动态知识演化感知,跨场景泛化能力,自适应学习策略设计,以及高可解释性与教育可用性,以推动教育推荐系统由静态、封闭的“黑箱”模型向动态、透明、以人为本的教育生态系统转变。

目前,学业表现预测作为个性化教育支持系统的核心环节,已成为教育数据挖掘领域的研究热点,在教学决策优化与学生发展指导中发挥重要作用。然而,传统预测方法难以有效应对教育场景中多源异构数据的复杂关联、时序演化及群体依赖等挑战,导致预测精度与泛化能力受限。图神经网络凭借强大的关系建模与表示学习能力,为应对上述问题提供了新范式。因此,许多学者致力于将图神经网络应用于学业表现预测的研究中。针对当前基于图神经网络的学生学业表现预测任务的研究工作进行系统性综述,首先从问题定义出发,解析学业表现预测的核心挑战;接着梳理了图神经网络的基础知识和常用模型;然后分类综述了静态特征建模、融合静态和动态特征建模以及新兴大模型技术赋能等学业表现预测方法的代表性模型及应用场景,在此基础上,系统性总结和分析了基于图神经网络的学业表现预测方法的评估相关数据集及指标;最后从模型的可扩展性、可解释性、多模态语义信息融合以及动态图预训练等维度展望未来研究方向。

知识追踪是实现自适应学习的关键,它的目的是为了评估学生的知识状态并预测他们的未来表现。目前,数据的稀疏性问题使得现有的知识追踪模型在问题嵌入学习和学生知识状态模拟两个方面受到了限制。因此,一些研究引入了对比学习来缓解这一问题。然而,现有的对比学习方法依赖随机扰动图结构(用于问题嵌入)或修改学习交互序列(用于知识状态建模)生成对比视图,引入了噪声与错误自监督信号,导致问题嵌入无法良好适配学习系统下游任务。因此,提出一种创新的双层对比学习框架(Dual-level Contrastive Learning Framework,DCLF)用于同时增强知识追踪中问题的嵌入学习和学生知识状态模拟两个方面。DCLF采用了一种更有效的对比范式,这种对比范式的主要思想是不改变数据的原本信息,通过对原始数据进行关系变换或利用不同神经网络在同一数据上的输出作为对比视图。具体来说,在嵌入学习中,所提出的方法通过对数据进行关系变化,获得对比视图。在学生知识状态模拟上,所提模型使用不同的神经网络对学习交互进行编码,获得不同编码器下的知识状态。这种方法能够提取多个对比视图下丰富的自监督信号,保留数据的内在语义信息,有效避免噪声的引入。在3个常用的知识追踪数据集上进行实验验证,实验结果表明DCLF在性能上优于现有知识追踪模型。

知识概念先序关系预测旨在通过挖掘知识概念间的语义和拓扑关系信息补全课程知识图谱,从而提升海量教学资源组织和个性化学习路径规划等下游任务的性能。现有的基于特征工程与深度学习的方法在实体语义信息和先序关系方向性建模方面仍存在局限性,知识概念先序关系预测性能仍有提升的空间。针对该问题,设计了一种基于方向感知孪生网络的知识概念先序关系预测方法DSN-PRL。DSN-PRL首先采用基于对比学习的预训练语言模型BERT学习知识概念的语义表示,然后应用图神经网络聚合多跳拓扑特征以增强层次化结构建模,最后设计方向感知孪生网络,用于学习先序关系的方向性差异以进行预测。在3个基准数据集上进行相关实验,DSN-PRL在多个关键评价指标上均优于现有基线方法,特别是相比表现最优的基线模型DGPL,其精确率分别提升了7.3个百分点,2.7个百分点和11.4个百分点,F1分别提升了1.6个百分点,1.3个百分点和4.3个百分点。

人工智能技术在教育领域的深度应用,已成为国家教育数字化转型的核心战略。在计算机实践教学领域,实践学习资料的精准推荐是提升学生学习效能与质量的重要途径。针对高校教育规模化与学生需求多元化之间的矛盾,提出一种基于轻量级教育大模型的个性化实践学习资料推荐模型LightPLRec(Lightweight Personalized Learning Recommender for Dynamic Practice Materials),旨在依据学生个体特征的动态变化智能推荐个性化的实践学习资料。基于低算力需求的轻量级大模型,通过指令微调和强化学习方法构建了面向个性化实践学习资料推荐的教育大模型SPIR(Student Profile & Interest-based Re-commender)。通过整合多源异构数据,深度融入课程知识体系、学科前沿动态、产业发展趋势、国家战略导向,构建了跨学科、多模态的实践学习资料库,并设计了图转主题文本方法gragh2topic。依托于SPIR大模型的强大赋能和多源资料库的坚实支撑,提出了基于智能工作流的资料推荐方法。设计主题分析方法从学生能力评估结果中提取学生的能力特征,应用图卷积网络算法GCN从学生学习行为数据中挖掘学生的兴趣特征,创建了“能力-推荐智能体”和“兴趣-推荐智能体”,构建了双智能体协同驱动的智能化流程体系,实现了从学生个性化画像智能生成到实践学习资料动态推荐的系列工作流任务;并且构建了个性化资料推荐数据集,在该数据集上验证了所提模型的性能显著优于基线模型。其中,以Qwen2.5-3.0B为基模型训练的LightPLRec模型,在能力推荐与兴趣推荐这两项任务中展现出卓越性能,准确率分别高达0.947和0.939,其表现均优于DeepSeek-V3在同一数据集上的测评结果。该研究为教育大模型的垂直场景应用提供了技术范式,同时通过创建个性化实践学习资料动态推荐模型,为践行“因材施教”理念和培育高素质计算机实践人才提供了创新路径。

随着教育范式从“人机协同”向“人智协同共育”演进,课堂教学的智能化评价也面临着新的要求和挑战,其中以学生行为为出发点的任务近些年来获得了广泛的关注。针对真实课堂环境中存在的学生行为多样、遮挡频繁及背景干扰严重等问题,提出一种局部跨阶段视觉图卷积模型,旨在提升复杂课堂环境下的学生行为识别精度。该模型以经典目标检测算法为基准框架,通过融合视觉图卷积神经网络的动态特征建模能力,构建了局部最大相对图卷积模块(PMG)与局部跨阶段融合(CPF)模块。其中,PMG模块通过嵌入最大相对图卷积来捕捉节点间特征差异最大的邻域信息,进而针对性地解决局部区域遮挡引起的信息丢失问题,并结合了深度可分离卷积降低图卷积算法的计算开销;CPF模块利用全连接层重构特征结构,并通过C2f模块的跨阶段连接机制,实现多层级的特征融合,从而增强模型对小尺度目标的识别能力。此外,模型通过近邻K值优化,提出针对不同数据集的优化策略。在公开数据集 SCB03-S上,CPViG-Net的mAP@50达到 70.9%,较基准模型提升2个百分点;在多个公开数据集上的实验表明,该模型在处理真实课堂情境下学生行为识别面临的诸多问题中表现出较好的性能和较高的鲁棒性。

随着智慧教育的不断发展,学校可以通过检测学生课堂的专注度对学生的学习情况与教师的教学质量进行评估,从而优化教学体系。以往的研究多侧重于单模态、单角色的特征提取,但教学课堂是一个多模态、多角色且角色之间相互影响的复杂场景,因此从多模态多角色角度去探讨学生课堂的专注度具有重大意义。然而,多模态之间如何有效建模时间相关性与语义交互性,以及多角色之间如何相互影响是实现学生课堂专注度评判的重大挑战。针对以上问题,构建了一个包含教师音频和学生视频的学生课堂专注度数据集,并提出了基于多模态多角色的长短时上下文学生课堂专注度评估模型(Long-Short Context Model,LSCM)。其中多模态是指学生的视频与教师的音频,多角色是指学生与学生、学生与教师。该模型主要包含长时上下文模块和短时上下文模块两个模块。长时上下文模块通过音频自注意机制和视觉自注意机制提取单一学生的长时行为特征,并利用视听交叉注意机制增强音频与视觉信息的关联性;短时上下文模块则聚焦于局部时间片段,以刻画课堂环境中多个学生专注度的动态变化。最后,模型输出视频中各个学生的专注度类别。实验表明,该方法通过有效挖掘多模态数据的互补性及角色间的关联性,使专注度检测准确率较现有方法显著提高,验证了多模态融合与角色交互建模的有效性。

知识追踪(Knowledge Tracing,KT)是根据学习者在一定学习周期内的历史答题记录,构建其知识状态,并预测其未来回答问题情况。传统知识追踪研究主要以学习者行为序列为研究对象,忽略了知识之间的拓扑结构关系。近年来,基于知识静态图的知识追踪方法取得了一定进展,但未充分考虑学习者、问题和知识点之间的动态图结构关系,忽略了学习者知识掌握过程中潜在的关联信息,导致模型泛化能力和可解释性较弱。针对以上问题,提出融合联通主义学习和多层时序图Transfor-mer的知识追踪模型(Graph Transformer Knowledge Tracing,GTKT)。首先,以联通主义学习理论为指导,构建学习者时序子图用于刻画学习者的历史练习序列,提出时间感知分层子图采样策略,利用邻居共现编码器挖掘节点之间的潜在关联;其次,以学习和遗忘效应理论为依据,提出了一种多频带时间编码器,用于捕捉学习者回答问题的时间特性,构建学习者-问题-知识点交互信息的多特征融合模块;再次,构建了多层时序图Transformer学习者知识追踪预测模块,实现学习者知识状态的动态建模与预测;最后,在6个公共数据集上的实验结果表明,GTKT在预测学习者准确率方面优于主流知识追踪模型。

在智能体育与教育信息化的背景下,精细化的人体动作识别已成为体育教学与训练评估中的关键技术。针对传统动作识别方法在复杂运动场景中存在的模态信息利用不足、时空结构表达受限等问题,提出了一种融合骨架数据与可穿戴传感器信息的多模态图卷积网络模型。首先,提出了一种基于“虚拟传感器”的融合方法,将可穿戴传感器信号映射至骨架关节构建的时空图结构中并融合,有效提升了对动作细节的建模能力与跨模态语义一致性。其次,构建了针对复杂运动模式的多层图卷积网络,通过对身体进行局部划分,增强了模型在复杂体育场景下的识别能力。此外,面向击剑这一技术动作复杂的竞技项目,自主采集并构建了一套涵盖不同典型技术动作与运动水平层次的多模态数据集,为精细化动作识别与水平评估提供了数据支持。在该数据集与多个标准数据集上进行的实验表明,所提方法在动作识别精度与技术水平判断上优于现有主流方法,为体育教育场景中的智能识别与评估提供了新的建模框架与技术支持,具有良好的应用前景。

在教育数字化背景下,精准追踪学生的知识掌握程度成为教育数字化中提升教学质量的关键方法之一。知识追踪旨在通过对学生的多种行为数据(如试题作答情况、在线学习时长等)进行分析,评估学生对知识点的掌握程度。已有的知识追踪方法尽管在学生个性化学习表现预测中取得了较好的效果,但仍存在两方面的挑战:1)无法解决教育场景中普遍存在的数据稀疏问题;2)忽视学生知识获取的复杂动态过程,不能有效刻画知识的动态变化与遗忘规律。为突破这些瓶颈,提出一种融合双重对比学习与遗忘机制的个性化知识追踪模型DCL-FKT。该模型利用问题掩码和替换解决数据稀疏问题,并在传统对比学习框架的基础上,创新性地引入特征对比学习模块消除冗余解,提升模型表征效率。同时,结合遗忘门机制,动态模拟人类遗忘曲线,精准捕捉学生知识随时间衰减的非线性变化,实现对学习过程的动态建模。在真实数据集上的对比实验结果表明,该模型在预测准确率等核心指标上均有显著提升,能更精准地反映学生的真实知识水平,为学生在线个性化学习提供可靠支持。