在教育技术与人工智能领域，知识追踪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，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。研究成果《Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing》发表于国际权威期刊《IEEE Transactions on Cybernetics》。
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之一，在智能系统、机器学习和数据挖掘等领域享有盛誉。该期刊影响因子10.05，2025年最新分区为中科院1区TOP期刊。
