在教育技术与人工智能领域，知识追踪（Knowledge Tracing）是实现个性化学习的核心技术之一。它通过分析学生的历史答题记录，追踪学生知识状态的变化并预测其未来答题表现。然而，当前主流的知识追踪模型存在两个关键缺陷：一是忽略了答题过程中的干扰因素（如粗心失误和猜测答案），二是静态认知表示无法准确反映学生动态变化的知识水平。这些问题导致模型在预测学生真实能力时存在较大偏差，难以满足个性化教育的实际需求。
针对上述挑战，徐立祥教授团队提出了一种基于认知表示优化的知识追踪模型（CRO-KT），通过动态规划算法和协同优化策略，实现了对学生认知状态的精准建模。该模型创新性地将学生的答题记录转化为动态认知表示，通过优化认知结构使其更符合学生的认知规律；同时，采用协同优化算法综合考虑所有相关习题的答题情况，提升了认知表示的准确性。团队经过长达16月的技术攻关（包括8个月的模型设计与实验验证和8个月的论文撰写与修改），研究成果《Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing》近日发表于国际权威期刊《IEEE Transactions on Cybernetics》。本工作代码已开源：https://github.com/bigdata-graph/CRO-KT。
图1：以从左至右的三个部分为例。(a)展示了学生解题的过程，(b)展示了学生表现预测过程，(c)展示了基于不同题目间关联性预测学生表现的过程。
IEEE Transactions on Cybernetics是控制论与人工智能领域最权威的国际学术期刊，中科院一区top期刊，在智能系统、机器学习和数据挖掘等领域享有盛誉，该期刊最新影响因子为10.5。
