廣東智慧教育研究院師生論文被中科院一區TOP期刊TKDE錄用
暨南大學融媒體中心訊 近日，我院劉子韜教授以第一作者身份發表題為Deep Learning Based Knowledge Tracing: A Review, A Tool and Empirical Studies的論文被CCF A類期刊《IEEE Transactions on Knowledge and Data Engineering 》（2024年影響因子8.9）錄用。論文系統性地梳理了深度學習知識追蹤模型的發展路徑，提出統一框架GenKT，構建標準化評測平臺PyKT，并開展了大規模實證研究。
《IEEE Transactions on Knowledge and Data Engineering》（簡稱TKDE）是IEEE旗下人工智能與數據科學領域的頂級國際期刊，主要聚焦于知識工程、數據工程、大數據智能分析與AI算法方法等方向的前沿研究。該期刊由IEEE計算機學會主辦，長期致力于推動智能系統與數據技術的交叉融合，在全球學術界具有廣泛影響力。TKDE為中科院一區TOP期刊，CCF推薦A類期刊，在人工智能與數據挖掘方向具有極高的學術聲譽和引用率。
入選論文介紹
論文題目：Deep Learning Based Knowledge Tracing: A Review, A Tool and Empirical Studies
作者：劉子韜（暨南大學）、郭騰（暨南大學）、梁倩茹（暨南大學）、侯明良（好未來）、占博浚（暨南大學）、湯繼良（密歇根州立大學）、羅偉其（暨南大學）、翁?。吣洗髮W）
通訊作者：郭騰、梁倩茹
摘要：近年來，基于深度學習的知識追蹤（Deep Learning Based Knowledge Tracing, DLKT）方法在教育智能系統中得到了廣泛應用，但當前研究面臨兩大突出問題：一是模型設計方法高度同質化，創新性不足；二是評估流程缺乏統一標準，導致即便在相同數據集上，不同研究報告的模型效果也存在明顯差異，影響了模型比較的公平性與研究復現的可靠性。為解決上述問題，該論文首先提出了一個統一的DLKT分析框架GenKT，從多模態數據表征、學生知識記憶建模、輔助知識基底構建與學習結果目標設計四個維度對現有主流模型進行歸納整合，系統性梳理了DLKT的發展脈絡與演化趨勢。其次，作者開發并開源了一個標準化DLKT實驗平臺PyKT，平臺集成了對9個主流教育數據集的預處理流程和21個DLKT模型的實現，支持端到端的訓練、評估與可視化，并引入多種真實教育場景下的評測協議，以實現模型效果的可重復、可公平比較。在此基礎上，論文還圍繞PyKT進行了大規模實證研究，從多個維度分析并比較了不同DLKT模型在復雜交互數據下的性能表現、穩定性與適用性。研究結果揭示了當前模型在不同數據規模、序列長度和建模特征下的優劣差異，為未來DLKT模型的設計與優化提供了詳實的實驗參考。最后，論文還展望了知識追蹤未來的發展方向，指出應加強模型的可解釋性、多模態融合能力以及在實際教學場景中的落地性與適應性。
責編：常凱麗