论文题目：Learning from Scoring Disagreements: Contrastive Error Mining for Efficient and Robust LLM-based Assessment

作者：陈磊（暨南大学博士研究生）、程腾腾（暨南大学博士研究生）、高博宇（暨南大学）、刘子韬（暨南大学）、罗伟其（暨南大学）

通讯作者：高博宇

摘要：自动化学生答案评分在面对复杂与模糊作答时仍面临诸多挑战，尤其是大模型在处理不确定样本时易产生评分偏差，且few-shot 推理方法稳定性不足，限制了其在真实教育场景中的应用。为此，本文提出对比式错误样本挖掘与微调框架（CEM-FT），通过分析全量微调模型与少样本模型之间的评分分歧，自动识别高价值困难的样本，并在此基础上训练轻量级 LoRA 微调，以低资源开销实现模型性能修正。实验在 SciEntsBank、Beetle 与 Mohler 三个数据集上展开，结果表明 CEM-FT 可显著提升评分准确率与一致性，QWK 指标较微调模型最高提升达 3.9%，相较 few-shot 基线亦有大幅优势。该方法为实现高效、可靠的学生答案自动评分提供了可行路径。

论文题目：A Compress-Expand Framework for Automatic Lesson Plan Generation

作者：黄淑妍（好未来）、郑颖（暨南大学硕士研究生）、曾小丽（暨南大学硕士研究生）、刘子韬（暨南大学）

通讯作者：刘子韬

摘要：制定结构良好的课程计划对于提高课堂效率至关重要，但它往往是一个耗时的过程。近年来，许多研究利用大型语言模型（LLMs）自动生成课程计划。然而，现有方法高度依赖在大规模通用语料上预训练的LLMs，这些模型往往缺乏关键的教育理论与教材特定信息，从而可能导致课程计划出现不一致性并与教材内容不匹配。为解决这些问题，我们提出了CE-LessonPlan，这是一种新颖的“压缩—扩展”框架，通过有效结合外部课程计划参考资料与教材信息来生成课程计划。该框架包括压缩器，用于将多条检索到的参考资料综合为一个有凝聚力的文档，以及扩展器，用于将教材特定信息与LLMs的参数知识相融合，从而生成更加丰富的课程计划。压缩器与扩展器的输出随后被无缝整合为一个全面的“黄金上下文”，进一步提升LLMs在课程计划生成中的效果。大量实验结果表明，CE-LessonPlan在课程计划生成方面优于现有方法。

论文题目：Activations as Features: Probing LLMs for Generalizable Essay Scoring Representations

作者：池金玮（暨南大学硕士研究生）、王岢（暨南大学）、陈宇（暨南大学硕士研究生）、林轩烨（华南理工大学本科生）、许强（暨南大学硕士研究生）

通讯作者：王岢

摘要：自动作文评分（AES）在跨命题场景中因评分标准的多样性而极具挑战性。现有研究虽聚焦于大语言模型（LLMs）的输出来提升评分准确性，但我们认为模型中间层的激活状态同样可能蕴含重要信息。为验证这一假设，本文评估了LLMs激活状态在跨命题作文评分任务中的区分能力。具体而言，我们通过激活状态拟合探测模型，深入分析了不同模型架构及输入内容对这种区分能力的影响。通过计算不同命题下各特征维度的作文方向向量，解析了大语言模型针对作文类型与特征维度时评估视角的动态变化。实验结果表明：激活状态在评价作文质量时具有显著区分能力，且LLMs能够针对不同特征和作文类型自适应调整评估视角，有效应对跨命题场景中评分标准的多样性问题。

论文题目：GraphRAG-Induced Dual Knowledge Structure Graphs for Personalized Learning Path Recommendation

作者：程兴和（暨南大学博士研究生）、张梓涵（暨南大学硕士研究生）、王家普（南京理工大学）、方良达（暨南大学）、贺超波（华南师范大学）、官全龙（暨南大学）、潘世瑞（格里菲斯大学）、罗伟其（暨南大学）

通讯作者：方良达、官全龙

摘要：学习路径推荐旨在为学习者提供结构化的学习资源序列（如知识概念或练习），以提高其学习效率。尽管该领域已有大量研究，但现有方法主要依赖于知识概念之间的先决关系，这带来了两个主要局限：1）这些方法假设知识概念之间存在明确的先决关系，而由于专家标注成本高昂，此类关系往往难以准确获取，从而限制了学习路径推荐方法的实际应用；2）基于先决关系构建的单一、顺序依赖型知识结构，使得学习过程中任一环节的困难都可能阻碍整体学习进程，进而影响后续的学习效果。为了解决上述问题，我们提出了一种新方法——基于GraphRAG的双知识结构图个性化学习路径推荐模型（KnowLP）。该方法通过融合知识概念之间的先决关系与相似性关系，提升了学习路径推荐的准确性与灵活性。具体而言，我们设计了知识概念结构图生成模块 EDU-GraphRAG，该模块能够根据不同教育数据集自适应地构建知识概念结构图，从而显著增强模型的泛化能力。此外，我们提出了一种基于判别学习的强化学习模块（DLRL），用于缓解学习路径阻塞问题，进一步提升学习路径推荐的有效性。最后，我们在三个基准数据集上进行了大量实验。实验结果表明，所提出的方法不仅在性能上达到了当前最先进水平，还能够生成更高效的学习路径。