近日，AIED 2024（25th International Conference on Artificial Intelligence in Education）公布论文录用通知，暨南大学广东智慧教育研究院师生的三篇论文（Main Track长文论文1篇，Industry, Innovation, and Practitioner Track论文1篇，Late-Breaking Results Track论文1篇）被顺利录用。本次会议Main Track长文和短文共接收76篇，整体接收率约23%。
AIED，全称为人工智能教育国际会议（Artificial Inteligence in Education），是教育技术领域国际顶级学术会议。AIED 2024会议的主题是“面向转型时代的教育人工智能（AI in Education for a World in Transition）”，探讨了人工智能如何在当前的技术变革浪潮中转型教育。随着教育从单纯的知识传递转变为培养批判性思维和社会同理心等能力，人工智能提供了超越传统教室的个性化和沉浸式学习体验。今年的主题强调需要用创新的方法来负责任地最大化人工智能在教育中的益处，强调人工智能素养和伦理框架，以指导在教育环境中正确地融合和应用人工智能。
AIED 2024旨在推进人工智能辅助学习系统的发展和应用，重点研究人工智能如何实现教育的民主化，并在各个领域的提升教育质量。会议将促进关于将人工智能技术与教学实践和教育政策对齐的讨论，以确保这些技术在全球转型过程中发挥积极作用，促使人工智能成为公平和有影响力的学习工具。
入选论文介绍
论文题目：Knowledge Tracing as Language Processing: A Large-scale Autoregressive Paradigm |
作者：占博浚（暨南大学）、李薛毅（暨南大学）、郭腾（暨南大学）、侯明良（北京世纪好未来教育科技有限公司&暨南大学）、梁倩茹（暨南大学）、高博宇（暨南大学）、罗伟其（暨南大学）、刘子韬（暨南大学） |
通讯作者：刘子韬 |
论文概述：知识追踪（Knowledge Tracing，KT）是以学生的历史学习互动为参考，模拟学生的认知状态，预测其未来学习成绩的过程。最近的学术研究引入了一系列基于深度学习的知识追踪（DLKT）方法，这些方法的成果已显示出相当大的潜力。考虑到大型模型在各个领域的出色表现，我们探索了将其架构迁移到知识追踪领域的可能性。我们认为，大型语言模型（LLM）的功效在很大程度上归功于自动回归变换解码器的使用，该解码器有助于学习综合表征和处理大量数据。因此，我们提出了基于 LLM 架构的 DLKT 模型 LLM-KT。该模型通过堆叠转换解码器，解决了学生的历史互动与后续表现之间的长期依赖关系。通过一系列定量和定性实验分析，我们回答了两个关键问题：(1) 在 KT 领域应用类似 LLM 的架构是否可行？(2) 模型的不断扩展能否提高 KT 的预测性能？ |
论文题目：Automatic Lesson Plan Generation via Large Language Models with Self-Critique Prompting |
作者：郑颖（暨南大学）、李薛毅（暨南大学）、黄雅莹（暨南大学）、梁倩茹（暨南大学）、郭腾（暨南大学）、侯明良（北京世纪好未来教育科技有限公司&暨南大学）、高博宇（暨南大学）、田密（北京世纪好未来教育科技有限公司）、刘子韬（暨南大学）、罗伟其（暨南大学） |
通讯作者：刘子韬 |
论文概述：为了解决传统教案无法充分满足不同教学环境和学生群体特定需求的常见问题，我们利用大型语言模型（LLMs）自动生成个性化教案。我们提出了一个三阶段过程，该过程包括使用检索增强生成（RAG）逐步生成教案的每个组成部分，由LLMs对生成的教案进行自我批评，并随之完善修改。我们使用这种方法为小学二至五年级生成了80多个主题的教案。我们邀请了三位资深的教研员来制定全面详细的教案评估标准，然后用这些标准来对LLM生成的教案与同一主题的现实中的真实教案进行测评。三位评估者评估了教案的质量、相关性和适用性。评估结果表明，我们的方法能够生成高质量的教案。这种创新方法可以显著简化教案的制作过程，并减轻教育工作者的负担。 |
论文题目：A Personalized Multi-region Perception Network for Learner Facial Expression Recognition in Online Learning Number |
作者：熊余（重庆邮电大学）, 周松（重庆邮电大学）, 王静（重庆邮电大学）, 郭腾（暨南大学），蔡林沁（重庆邮电大学） |
通讯作者：王静 |
论文概述：学习者的情绪与其学习状态密切相关。有效的情绪识别有助于教育者及时掌握学习者的情绪状态，从而更好地调整教学策略并提供个性化指导。面部表情作为内在活动的外在表现，是识别人类情绪的重要依据。因此，面部表情识别已成为检测学习者情绪状态的常用方法，尤其是在在线学习中。然而，个别学习者独特的面部特征导致相同表情的不同表现，这严重影响了面部表情识别的准确性。为此，我们提出了一种个性化多区域感知网络（PMPN），用于自适应学习面部表情中的个体差异。一方面，设计了一个多尺度全局感知模块（MGPM），以捕获不同尺度的特征表征，以适应个体独特的面部特征。另一方面，提出了一个自适应局部注意模块（ALAM），以捕获更个性化的局部特征。实验结果表明，所提出的PMPN通过考虑学习者的个体差异，能够准确识别在线学习中学习者的面部情绪，并取得了最显著的识别成果。该方法对于及时掌握在线学习者的学习状态、改善在线学习体验及实现个性化教育具有积极意义。 |
