计算机工程

作者：崔少国, 许松, 王名洋, 周粤

单位：重庆师范大学计算机与信息科学学院, 重庆 401331

关键词：智能教育,深度学习,教育数字化,知识追踪,图神经网络

基金：教育部人文社科规划基金(22YJA870005); 重庆市教委人文社科项目(23SKGH072); 重庆市社会科学规划项目(2022NDYB119); 重庆市自然科学基金面上项目(CSTB2022NSCQ-MSX1206); 重庆市技术预见与制度创新项目(CSTB2022TFII-OFX0042); 重庆市教委重点项目(KJZD-K202200510); 重庆师范大学研究生科研创新项目(YKC23022); 重庆师范大学研究生科研创新项目(YZH23006); 重庆师范大学人才基金(20XLB0

随着教育数字化的不断推进, 智能教育得到了快速发展。知识追踪作为智能教育领域的核心研究任务之一, 旨在根据学生的历史学习数据捕获其对知识概念的掌握情况, 从而提供个性化的学习路径和资源, 实现人工智能(AI)辅助教育的目标。传统的知识追踪方法主要依赖于贝叶斯模型和逻辑模型, 尽管具有良好的科学解释性, 但在处理海量的教育数据时性能受限。深度学习技术凭借出色的特征提取能力和优异的性能优势, 尤其适用于从海量数据中捕获学习者的知识状态, 因此本文对智能教育领域的深度学习知识追踪研究进行了全面综述。首先, 介绍了智能教育场景中知识追踪的相关概念、研究背景和发展现状。接着, 分析近年来基于深度学习的知识追踪方法, 将其分为基于循环神经网络(RNN)、自注意力网络、记忆增强神经网络和图神经网络(GNN)4类, 并从学习者和习题特征的角度对这4类经典和主流方法的基本思路和算法流程进行归类整理。然后, 介绍了当前可供研究者使用的公开教育数据集, 并比较了不同方法在这些数据集上的性能。最后, 对面向智能教育的深度学习知识追踪做出了总结并探讨了该领域未来可能的研究方向。

来源：2026年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第4期