近日，在暨南大学广东智慧教育研究院（以下简称“研究院”）的支持下，博士研究生程腾腾、白友恒、李薛毅、杨帆于2026年6月27日至7月3日受邀赴韩国首尔，参加第27届国际人工智能教育会议（The 27th International Conference on Artificial Intelligence in Education, AIED 2026），并在大会上进行了口头报告（Oral Presentation）。

会议介绍

AIED 是人工智能与教育交叉领域的顶级国际会议，长期引领智能教育研究的前沿发展。AIED 2026 共收到 1241 篇有效投稿，长文录用率约为 16.7%。本届 AIED 会议与教育数据挖掘会议(EDM 2026)、ACM 大规模学习会议(L@S 2026) 联合举办，共同构成 Festival of Learning 2026，汇聚了来自人工智能、教育科学、学习科学和人机交互等多个领域的研究者，围绕智能教育技术、学习分析、教育数据挖掘、人机协同学习以及未来教育创新等议题展开深入交流。

会议分享

程腾腾在大会上作了题为《MusicTutor: Facilitating Goal-Oriented Singing Practice via Multi-Agent Tutoring Framework》的口头报告。该研究提出了首个面向目标导向歌唱练习的多智能体辅导框架MusicTutor，以Orchestrator智能体为核心，引导学习者明确练习目标并在多个专门智能体之间进行控制路由，实现了更加准确、细粒度的多维度歌唱评估，为歌唱初学者提供了实用化的目标导向辅导方案。

白友恒在大会上作了题为《Beyond Next-Response Prediction: Evaluating Knowledge State Transition Consistency in Deep Learning Based Knowledge Tracing Models》的口头报告。该研究提出了一种模型无关的评测框架，用于评估知识追踪模型中知识状态转移的一致性，设计了硬转移一致率（HTCR）和软转移一致率（STCR）两项互补指标，在四个公开数据集上对十种代表性模型的评测揭示了仅依靠预测精度无法完整衡量模型质量的问题。

李薛毅在大会上作了题为《Benchmarking Scientific Formula Vocalization in Large Speech Language Models Toward Accessible Learning》的口头报告。该研究提出了FormulaEval，这是首个面向主流端到端语音模型的科学公式朗读能力评估基准，涵盖数学、物理和化学三个学科领域，在9个先进语音模型上开展了系统评测，揭示了现有模型在科学公式朗读任务上与真实教育场景需求之间的显著差距。

杨帆在大会上作了题为《The Cost of Thinking: Increased Jailbreak Risk in Large Language Models in Education》的口头报告。该研究系统验证了大语言模型思考模式会降低其安全性的假设，在多个主流基准数据集上对10个大语言模型进行了全面评估，并提出了包括提示干预类防御和内容检测类防御在内的完整防御体系，对保障大语言模型在教育场景中的安全部署具有重要意义。

四位同学的口头报告吸引了众多人工智能与教育领域优秀学者的关注，引发了热烈的讨论，报告内容获得了与会学者的高度评价与肯定。

心得体会

程腾腾在会后表示，此次参会不仅锻炼了英文汇报与学术交流能力，也对智能教育研究的多学科交叉特点有了更深体会。白友恒表示，本次会议近距离感受到人工智能教育领域的国际前沿动态，也在与不同研究方向学者的交流中拓宽了学术视野。李薛毅表示，本次会议汇聚了人工智能、学习科学和教育实践等多个领域的研究者，交流过程中收获了许多新的思考。杨帆表示，此次参会受益匪浅，不仅了解了国际学术界对人工智能教育应用的最新关注，也从同行交流中获得了新的启发。