近日，我院刘子韬教授以第一作者身份发表题为Deep Learning Based Knowledge Tracing: A Review, A Tool and Empirical Studies的论文被CCF A类期刊《IEEE Transactions on Knowledge and Data Engineering 》（2024年影响因子8.9）录用。论文系统性地梳理了深度学习知识追踪模型的发展路径，提出统一框架GenKT，构建标准化评测平台PyKT，并开展了大规模实证研究。
《IEEE Transactions on Knowledge and Data Engineering》（简称 TKDE）是IEEE旗下人工智能与数据科学领域的顶级国际期刊，主要聚焦于知识工程、数据工程、大数据智能分析与AI算法方法等方向的前沿研究。该期刊由IEEE计算机学会主办，长期致力于推动智能系统与数据技术的交叉融合，在全球学术界具有广泛影响力。TKDE为中科院一区TOP期刊，CCF推荐A类期刊，在人工智能与数据挖掘方向具有极高的学术声誉和引用率。
入选论文介绍
论文题目：Deep Learning Based Knowledge Tracing: A Review, A Tool and Empirical Studies |
作者：刘子韬（暨南大学）、郭腾（暨南大学）、梁倩茹（暨南大学）、侯明良（好未来）、占博浚（暨南大学）、汤继良（密歇根州立大学）、罗伟其（暨南大学）、翁健（暨南大学） |
通讯作者：郭腾、梁倩茹 |
摘要：近年来，基于深度学习的知识追踪（Deep Learning Based Knowledge Tracing, DLKT）方法在教育智能系统中得到了广泛应用，但当前研究面临两大突出问题：一是模型设计方法高度同质化，创新性不足；二是评估流程缺乏统一标准，导致即便在相同数据集上，不同研究报告的模型效果也存在明显差异，影响了模型比较的公平性与研究复现的可靠性。为解决上述问题，该论文首先提出了一个统一的DLKT分析框架GenKT，从多模态数据表征、学生知识记忆建模、辅助知识基底构建与学习结果目标设计四个维度对现有主流模型进行归纳整合，系统性梳理了DLKT的发展脉络与演化趋势。其次，作者开发并开源了一个标准化DLKT实验平台PyKT，平台集成了对9个主流教育数据集的预处理流程和21个DLKT模型的实现，支持端到端的训练、评估与可视化，并引入多种真实教育场景下的评测协议，以实现模型效果的可重复、可公平比较。在此基础上，论文还围绕PyKT进行了大规模实证研究，从多个维度分析并比较了不同DLKT模型在复杂交互数据下的性能表现、稳定性与适用性。研究结果揭示了当前模型在不同数据规模、序列长度和建模特征下的优劣差异，为未来DLKT模型的设计与优化提供了详实的实验参考。最后，论文还展望了知识追踪未来的发展方向，指出应加强模型的可解释性、多模态融合能力以及在实际教学场景中的落地性与适应性。 |
