近日，我院徐立祥教授团队在知识追踪研究领域取得新进展，相关研究成果以“Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing”为题，发表于国际期刊《IEEE Transactions on Learning Technologies》。该研究提出了一种基于动态规划的自适应认知表征编排知识追踪模型（AOCR-KT），为提高学生知识状态建模与学习表现预测的准确性提供了新方法。
知识追踪是智能教育领域的重要研究方向，通过分析学生的历史答题记录，动态估计其知识掌握情况并预测后续学习表现，为学情分析与个性化教学提供支持。然而，现有部分方法侧重静态特征增强，对粗心失误、随机猜测等非认知因素的干扰考虑不足，也难以根据学习者的个体差异自适应调整认知表征，影响了对学生认知状态的准确刻画。
针对上述问题，团队设计了自适应认知优化模块，综合考虑答题状态与习题难度，引入结合区间表现与连续性规则的机制，通过自适应动态规划算法修正认知表征偏差，增强对学习过程连续性的刻画。同时，构建分区优化模块，依据学习者个体差异对答题序列进行分段优化与全局优化，并融合基于二部图建模得到的关系嵌入，进一步增强模型的认知表征能力。在三个大规模公开教育数据集上的实验结果表明，AOCR-KT模型的表现优于所比较的先进知识追踪模型，验证了所提方法的有效性。该研究为智能学情分析与自适应学习系统的模型设计提供了参考。
《IEEE Transactions on Learning Technologies》是智能教育与学习技术领域具有重要影响力的国际学术期刊，入选中科院2026新锐分区表1区TOP期刊，并位列JCR Q1分区，影响因子为7.4。该期刊主要聚焦智能学习系统、教育数据挖掘、个性化与自适应学习等前沿研究方向。
知识追踪模型框架示意图
