报告主题：面向真实教育场景的深度知识追踪方法：从学情去噪到多场景泛化

报  告 人：侯明良

报告时间：2026年06月07日（周日）上午9:30-12:00

报告地址：计算机大楼A411

报告摘要：

学习者交互序列数据（Learner Interaction Data）广泛存在于智能教育系统、自适应学习平台等真实教育场景中。对学习者隐式认知状态的精准追踪与诊断，是个性化因材施教的核心基石。然而，在真实、复杂、开放的教育生态中，现有知识追踪表示方法面临严峻挑战：一是交互过程交织着猜测与失误等瞬时状态波动，导致表象数据高噪，认知诊断容易失真；二是传统方法受限于注意力机制的上下文窗口限制，难以有效表征跨学期、长周期的长程认知演化；三是在面对新试题、新学生以及跨学科场景时，面临严重的冷启动与跨域泛化瓶颈。深度知识追踪方法通过深度挖掘交互语义与时序依赖，能够有效滤除行为噪声、刻画长程记忆规律、建模多领域共性知识，对实现精准学情诊断与智能伴学干预有着十分重要的研究意义。报告围绕深度知识追踪的基本概念及分类展开，针对鲁棒性诊断、长程追踪和多场景泛化三个层面分别探讨相关研究工作。具体地，在学情数据去噪与认知解耦方面，通过建立认知波动增强模型与反事实推演机制，将偶发性行为噪音与稳定的内在认知特质进行物理剥离，实现了复杂、多噪交互情境下的高保真诊断；在长程演化追踪与冷启动破解方面，基于长度外推技术突破了注意力机制的序列长度瓶颈，实现了长周期、跨学段的认知演化追踪，并融合核偏置与锥形注意力设计，为新资源及稀疏交互下的冷启动预测给出了系统解决方案；在多领域与多尺度泛化方面，构建了提示驱动的多领域知识追踪大模型框架，将知识诊断转化为大自回归语言处理的新范式，并结合频率感知的异构专家混合机制，实现了跨尺度学习行为的特征聚合与自适应表征。报告研究成果可直接用于优化智能导师系统的反馈策略，精准推荐个性化学习路径，阻断无效机械刷题，为大规模因材施教的落地提供可靠的方法支撑。

报告人简介：

侯明良，男，暨南大学广东智慧教育研究院副教授。2023年博士毕业于大连理工大学，导师为国际图学习知名学者夏锋教授（IEEE Fellow）；后于暨南大学与好未来联合开展博士后研究，合作导师为智慧教育学者刘子韬教授。主要研究方向为人类学习行为分析与建模、大模型教育应用、时空图数据挖掘等。近年在人工智能与智慧教育交叉领域开展了系统性研究。截至目前，共发表学术论文33篇，其中以第一作者（含唯一一作）在智能领域顶级会议及期刊发表论文9篇，包括AAAI、IEEE TITS（中科院一区Top）、ACM TOIS（中科院一区，CCF-A类期刊）、Computer Science Review（中科院一区Top）等；以唯一通讯作者在WebConf（CCF-A类）、IJCAI（CCF-A类）、ECAI等发表论文3篇。2021年至今谷歌学术引用量1196次，h-index为19。其研发的知识追踪算法与基准数据集已被多项学术研究与实际教学系统参考采用。