论文题目：Local-Global Cascaded Ensemble Learning on Hybrid Experts for Knowledge Concept Tagging

作者：杨志伟（暨南大学）、杨家华（暨南大学）、王垅涛（暨南大学）、霍荣鑫（暨南大学）、林惠茹（暨南大学）、周玉轩（吉林大学）、罗伟其（暨南大学）

通讯作者：周玉轩、林惠茹

摘要：知识点标注（Knowledge Concept Tagging）旨在识别习题涉及的特定知识点。传统人工标注方法难以满足大规模高质量数据标注的需求，尽管自动化方法在一定程度上简化了标注过程，但在细粒度知识点标注中仍存在显著挑战。这一问题的根源在于，细粒度标注需要从大量候选知识点中精确选择目标知识点，而这些知识点之间往往存在高度相似性，进一步加剧了标注的复杂性和难度。因此，本研究提出了一种基于混合专家的局部-全局级联集成学习方法（LGCEL）。具体而言，该方法首先通过无监督领域自适应预训练获取领域知识表征，然后通过监督微调形成多样化的标注专家，最终结合包括轻量级大型语言模型（LLM）在内的混合模型进行投票集成。实验结果表明，所提出的方法在细粒度知识点标注中表现出显著优势，尤其在处理难以区分的知识点标注任务时具有更高的准确性和有效性。

论文题目：HCGKT: Hierarchical Contrastive Graph Knowledge Tracing with Multi-level Feature Learning

作者：黄智维（暨南大学）、刘子韬（暨南大学）

通讯作者：刘子韬

摘要：知识追踪旨在通过建模学习者的历史交互数据来预测他们的未来表现。尽管基于注意力机制的知识追踪模型最近取得了一定的突破，但在捕捉问题与知识概念之间的层次特征、处理噪声数据以及建模语义关系方面仍然存在挑战。本文提出了层次对比图知识追踪（HCGKT）模型，该模型结合了层次图过滤注意力机制、对比学习和图卷积网络来解决这些挑战。在三个常用的数据集上的实验表明，我们的模型在预测准确性和可解释性方面都具有优越的性能。