个性化学习资源推荐是技术与教育深度融合的高级表现形式,近年来受到学术界的广泛关注。现有综述在基础理论框架、推荐方法和评估指标等方面进行了有价值的论述。在此基础上,可以进一步丰富个性化学习资源推荐的分类体系及算法梳理,尤其是对传统推荐方法的全面回顾和对新兴大语言模型在个性化学习推荐中的应用研究。通过构建多维分类框架,从应用场景、算法类别和学习者特征建模3个维度对个性化学习资源推荐进行了系统分类,全面解析了传统推荐算法、基于知识的算法、机器学习算法、智能优化算法、深度学习算法及强化学习算法的技术原理及最新进展,系统分析了个性化学习资源推荐面临的技术挑战和学习者角度面临的困境,并据此提出了融合多种推荐方法、引入教育理论指导和提升数据质量等未来研究方向。该综述旨在为教育技术研究者与实践者提供系统化的理论框架与技术路线图,促进个性化学习生态系统的持续优化与创新发展。

随着智能教育的发展,学习轨迹成为研究热点,其研究旨在理解学习者发展路径,探索影响因素,为教育决策提供依据。近年来,学习轨迹研究在多方面取得显著成果,如轨迹构建方式的创新、分析方法的优化以及应用范围的逐步拓展。但不可忽视的是,该领域仍面临一系列严峻挑战,如理论体系尚未达成统一标准、分析方法之间的融合度不高以及实证分析相对匮乏等。与此同时,目前还缺少对学习轨迹全面、系统的综述研究。为此,基于当前学习轨迹研究的发展现状,从理论基础与技术实践两个方面出发,梳理了当前研究中面临的主要挑战,并以学习轨迹的构建流程、分析方法与典型应用场景为线索,系统总结了相关研究成果。在此基础上,从理论深化和技术创新、应用拓展两方面对未来学习轨迹研究的发展方向进行了分析与展望,提出未来可行的优化方向,有望推动学习轨迹分析在智能教育领域的深入融合与落地应用。

教师积极的教学情感能够显著提升教学效果,激发学生学习兴趣和参与度,营造良好的课堂氛围,促进学生对知识的理解和掌握;反之,不当的教学情感会影响学生的学习热情,降低教学效率,甚至导致学生厌学。在我国教育数字化转型背景下,利用海量的文本、语音、视频等课堂教学数据进行教师教学情感的智能检测与分析,对于提高教学质量、提升教师教学反思效果、完善教师数字画像具有重要的现实意义和实用价值。在传统情感分析的基础上,综述基于人工智能的教师教学情感智能分析技术,包括梳理国内外教师情感研究方法,从文本、语音、视觉及多模态等角度分析智能情感分析技术的研究现状,归纳总结多模态智能情感分析技术的关键技术,最后剖析教师教学情感智能分析技术面临的机遇、挑战及发展趋势。

教育是国家发展和民族振兴的基石,然而传统教育模式在教学手段、资源分配和评估体系等方面存在诸多局限性,如教学方式单一、教育资源不均衡以及评估方法片面等。随着人工智能技术的飞速发展,多模态技术作为一种融合多种数据形式(如图像、声音、文本)的新兴技术手段,为解决这些问题提供了新的可能性。多模态技术通过智能课堂、个性化学习系统等应用,能够全面感知和理解学习环境,从而打破传统教育模式的局限,提升学习体验、促进教育公平并实现个性化学习评估。对此,首先概述多模态技术的定义、内涵及其核心算法,探讨其在人工智能领域的发展脉络与重要地位;其次,从多个维度详细分析多模态技术在教育领域中的应用优势,并结合具体案例进行深入探讨;最后,讨论多模态技术在教育应用中面临的数据隐私、技术成本和伦理问题等挑战。通过对多模态技术在教育领域的应用和挑战的深入研究,旨在为教育创新提供理论依据和实践指导,推动教育向更加智能化、个性化和公平化的方向发展。

在我国数字化转型背景下,以人工智能、大数据、物联网、云计算为代表的智能技术为教育改革注入了新动能。教师课堂行为是教师专业素养与教学能力的重要外在表征之一。借助视频分析、语音处理和文本分析等智能技术,可以对教学行为的特征与规律进行自动化表征,从而为构建教师数字画像提供关键指标。对此,综述了教师课堂行为的智能分析与理解研究进展。首先从教师言语行为、非言语行为以及言语和非言语行为结合3个维度构建智能分析指标体系;然后从单模态和跨模态角度分别梳理总结教师课堂言语行为和非言语行为识别与理解中的智能技术、代表方法和应用实践;最后讨论当前研究在教师言语行为事件检测、言语行为和非言语行为的语义对齐和跨模态信息协同等方面的挑战,以及在教师言语行为事件建模、跨模态语义融合及多模态大模型应用等方面的未来趋势,这对于教师数字画像构建中的教育教学能力评价、职业发展规划等有着重要的研究意义和实用价值。

在新一代人工智能深度渗透高等教育的背景下,研究生教育正从“规模扩张”迈向“智能生态”。对此,基于全国教育科学规划课题“人工智能时代研究生教育模式与组织形态研究”的阶段成果,提出“学习-实验-孵化(Learning-Lab-Launch)+智慧校园+智慧治理+智慧伦理”三位一体的3L-S³智能化教育模型,探索AI 技术对课程体系、科研训练、组织结构与数字治理的重塑机制。采用“扎根理论+中南大学研究生院1 862 份大规模问卷+ 8国对比+典型案例深描”混合方法,并以3年追踪数据验证其有效性。结果表明:1)AI 驱动的能力画像将个性化学习收益提升 23.6%;2)数字孪生 Meta-Lab 将科研周期压缩 31.4%;3)扁平化、网络化的教育组织形态成为人才-技术-治理协同的关键载体;4)区块链-AI 协同治理使学术不端预警准确率达到 92%。鉴于此,提出建立“国家 AI 研究与教育中心”、试行“跨学科转换硕士”和组建“可信 AI 课程共同体”的3项政策路径,为我国研究生教育高质量跃迁与教育治理现代化提供可复制、可评估的新范式。

随着深度学习和语音合成技术的不断发展,语音克隆在智能语音助手、虚拟主播和无障碍通信等领域展现出广阔的应用前景。然而,现有语音克隆系统在音色相似度、交互便捷性和大规模数据处理能力等方面仍存在不足,难以满足用户对高质量、个性化语音合成的实际需求。为此,基于XTTS模型设计并实现了一个支持多语种语音克隆与批量文本转语音的Web平台,针对语言覆盖数量有限、低资源条件下音色迁移受限以及批量处理效率低的问题进行了改进。系统采用前后端分离架构,后端基于 Flask 搭建 API 接口,前端结合主流 Web 技术与 AJAX 实现异步交互,数据库采用 MySQL 管理用户与音频数据。平台集成语音克隆、文本转语音与批量处理等功能模块,具备良好的灵活性与扩展性。测试结果表明,该系统在语音自然度与音色相似度方面表现良好,具有较高的应用价值与推广潜力。

针对现有学习路径推荐方法在个性化适配性、动态适应性以及多目标优化方面的不足,提出一种基于超图神经网络与知识追踪的协同推荐模型。通过构建学习资源无向图编码资源关联关系,生成学习资源嵌入向量,并结合超图神经网络聚合学习者历史行为数据,捕获学习者-学习资源交互特征。设计多目标优化策略,利用非支配排序遗传算法(NSGA-II)生成帕累托前沿解集,同步优化学习路径推荐精准性、难度适配性、有效性与学习资源多样性,并结合权重分配与综合效用函数提升学习路径的质量。在MOOCCube与MOOPer数据集上对所提方法进行实验,其在MOOPer数据集上的HR@5与MRR@5分别达93.9%与90.7%,实现了学习路径的精准推荐。实验结果验证了所提模型在学习者历史交互建模与课程结构约束融合方面的有效性。

随着教育信息化的发展和个性化教育的深入推进,如何从海量的教育大数据中构建准确、动态的学习者画像,已经成为教育领域的重要研究课题。现有方法在构建学习者画像时存在特征表征不充分、时序动态变化考虑不足,以及标签依赖关系不一致等问题。针对上述关键问题,提出了一种时序动态标签构建及预测方法。该方法基于多源学习者特征扩展方法增强原始数据特征标签,结合教育学理论在不同观察周期下进行时序标签建模,利用NLP中的Teacher Forcing和Scheduled Sampling技术训练多路Transformer模型,深度挖掘不同时序下的学习者特征,最终基于这些特征实现学习者画像标签预测。在校园卡刷卡数据和在线课程记录数据两个公开数据集上评估了所提方法,证明了其在构建学习者时序动态标签和画像方面的有效性。

创新性自动评分(IAS)在教育领域具有重要的意义,传统评分方式存在主观性强、效率低和标准不一等问题,而大语言模型的快速发展为解决这些问题提供了新的可能。为此,构建了高质量数据集WAIS,并提出语义驱动的层次化主题提取算法,该算法通过语义分块、基础主题提取、优化分析和主题融合4个阶段,有效提高了模型对学生回答主题的提取效果,实现了自动主题提取,为自动评分提供了更准确的依据,同时为后续评分建立了一个可解释的认知框架。通过对比Zero-shot,Few-shot和Chain-of-Thought(CoT)3种提示策略,并使用多个预训练模型进行评估,结果表明:CoT方法显著优于其他方法,DeepSeek-R1模型的准确率为68%;而经过微调的小参数模型Qwen1.5-7B的准确率达到了83%,其在创新性评分任务中的表现甚至略优于大参数模型仅使用提示词的效果。研究表明,利用大语言模型进行创新性自动评分是可行的,并具有广阔的发展前景。

英语口语在英语学习中占据重要地位。针对现有的英语口语情感表达评价数据集稀缺及模态信息利用不足的问题,构建了一个名为英语口语多模态情感数据集(English Spoken Multimodal Emotion Dataset,ESMED)的新型数据集,并对其进行连续情感(唤醒度、愉悦度)标注和情感质量评分。此外,提出了一个面向英语口语情感评价的创新网络模型,该模型首先通过感知重采样和多模态融合模块对连续情感信息进行压缩与融合,用于预测唤醒度和愉悦度。随后通过可学习的瓶颈层与联合解码层对特征进行特定变换,并通过情感质量评价模块将唤醒度、愉悦度与变换后的特征联合解码,得到最终量化后的情感质量分值。实验结果表明,在ESMED数据集上的一致性相关系数(CCC)达到0.500 3,平均绝对误差(MAE)为0.635 4,证明了该方法的有效性和准确性。