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、吴燕强于2026年9月24日赴北京大学参加第十一届北京大学教育数智化博士生学术论坛，并围绕人工智能与教育交叉领域的前沿研究作学术汇报。其中，吴燕强的论文《Reducing Causal Attribution Ambiguity in Knowledge Tracing via Cognitive Decoupling and Adaptive Fusion》获评“第十一届北京大学教育数智化博士生学术论坛优秀论文”。

会议介绍

第十一届北京大学教育数智化博士生学术论坛由北京大学研究生院、北京大学教育学院主办，北京大学教育学院教育技术系、北京大学企业与教育研究中心承办，并得到北京大学研究生院“研究生教育创新计划”支持。论坛汇聚了来自北京大学、西安交通大学、北京师范大学、山东大学、华东师范大学等国内高水平高校的青年学者，围绕教育技术学科发展与跨学科前沿、生成式人工智能与教育智能体、智能时代教学法与智慧教学评价、学习分析与智能学习支持等议题展开交流。

会议分享

程腾腾做了题为《MusicTutor：基于多智能体辅导框架的目标导向歌唱练习》的学术报告。该研究聚焦歌唱初学者在练习过程中缺少持续、个性化指导的问题，设计了多智能体歌唱辅导系统 MusicTutor。系统能够根据学习者的练习目标和实际表现，协调不同智能体完成音域分析、个性化音阶练习以及逐句歌唱反馈等任务，从而为学习者提供更有针对性的练习建议。实验结果表明，MusicTutor能够对演唱表现作出更准确、细致的评价，为初学者的个性化歌唱练习提供支持。

白友恒以《基于大语言模型语义增强的可解释认知诊断》为题作汇报。研究从大语言模型的语义表征能力出发，探索利用语义信息增强认知诊断模型。该模型能够让学习者的知识状态与试题内容、知识点概念建立清晰关联，输出可解释性更强的诊断报告。该研究将大模型语义增强技术与教育测量、学习者建模相融合，为提升认知诊断模型的可解释性提供了新的视角。

吴燕强以《面向深度知识追踪的归因混淆问题研究》为题作汇报。研究聚焦可观测的作答表现与潜在认知状态之间的联系。围绕这一问题，研究从认知解耦与自适应融合入手，探索缓解不同潜在认知因素相互干扰的建模路径，从而提升知识追踪模型对学习状态变化的解释能力。实验结果表明，该方法在多个真实教育数据集上取得了较好的表现，为提升知识追踪模型对学生学习状态的刻画能力提供了新的思路。

三项汇报分别从智能学习支持、学习者认知建模和学习过程建模等角度展开，展示了研究院在人工智能赋能教育研究方面的最新探索。此次参会进一步加强了研究院与教育技术、人工智能教育等领域青年学者之间的学术交流。

论坛期间，吴燕强的论文《Reducing Causal Attribution Ambiguity in Knowledge Tracing via Cognitive Decoupling and Adaptive Fusion》获评“第十一届北京大学教育数智化博士生学术论坛优秀论文”。此次获奖是对论文研究成果的肯定，也展现了研究院青年科研人员在教育数智化领域的科研积累与创新探索。通过参与本次论坛，相关研究成果得到了进一步展示与交流，也为后续深化研究提供了良好契机。

心得体会

吴燕强表示，本次论坛涵盖学习分析、个性化学习支持、教学创新、教育治理等多个研究方向，不同主题的报告让自己对教育数智化研究有了更全面的认识。通过现场汇报以及与专家学者、青年学生的交流，自己进一步体会到，技术方法的创新需要与真实教育问题紧密结合，研究不仅要关注模型性能和方法改进，也要重视问题本身的教育意义。程腾腾表示，此次参会让自己对智能技术在教育场景中的应用有了更深入的认识。通过聆听不同方向的报告和参与现场交流，进一步感受到教育研究中的技术创新不能脱离具体学习过程和实际需求。这些交流也为后续完善研究思路、改进系统设计提供了有益启发。白友恒表示，本次论坛提供了一个了解教育数智化前沿研究和交流研究想法的良好机会。通过与不同研究方向的师生交流，认识到认知诊断要关注研究结果能否被理解、解释并真正服务于学习过程。此次交流也促使自己进一步思考如何将大语言模型等新技术与具体教育问题更好结合，提高研究的实际价值。此次参会也让自己对当前教育数智化研究所关注的问题和发展方向有了更加直观的了解，对后续研究工作的推进具有很好的启发作用。