近日，广州市大数据智能教育重点实验室 (Guangzhou Key Laboratory of Big Data and Intelligent Education)团队面向知识追踪研究成果的学术论文被国际人工智能教育大会2020(AIED，International Conference on Artificial Intelligence in Education)收录，该论文提出了新的可解释性知识追踪模型，并通过大量实验证明了该模型能够提升知识追踪的准确度，对AI技术在教育场景的应用落地有重要意义，也展示了团队AI技术的领先水平。

　　论文被 AIED 2020收录 彰显AI科研实力

　　AIED由国际人工智能教育协会(IAIED)组织，该协会成立于1993年，拥有来自全球40多个国家的1000多名会员，汇集了计算机科学、教育和心理学等领域的全球顶尖专家学者。作为教育应用领域的国际高阶会议，AIED因其为教育计算应用领域提供高质量研究的智能系统和认知科学方法而闻名，其收录的论文也代表了人工智能在教育领域应用的最新发展方向和水平。

　　广州市大数据智能教育重点实验室 (Guangzhou Key Laboratory of Big Data and Intelligent Education)团队撰写的论文《Learning from Interpretable Analysis: Attention-based Knowledge Tracing》被大会收录，彰显了团队在AI+教育领域领先的技术实力与研究水平。据悉，2020年AIED将于7月6日至10日举办，本次会议的主题是Augmented Intelligence to Empower Education(增强智能赋能教育)，届时团队将受邀在会上做报告，和来自全球的教育、计算机等领域的专家学者共同探索如何利用AI等前沿技术推动教育的创新升级。

　　知识追踪领域取得突破

　　经过几年的尝试和探索，人工智能与教育的融合正逐渐从概念性验证阶段进入场景落地的应用阶段。其中，深入教学环节，对教育行业影响最大的，当属AI自适应学习，用人工智能算法提供可规模化的、数据驱动的个性化教育，是AI自适应学习的根本目标。

　　知识追踪对于AI自适应教育有着十分重要的意义，通过对学生知识掌握的实时追踪，机器能够有效地挖掘该学生的知识掌握薄弱点。对老师来说，知识追踪能够帮助老师进一步增强对学生的了解，从而进行针对性的辅导，提升教学水平和效果;对学生来说，了解自己的薄弱点能够起到查漏补缺的作用，从而规避题海战术，提升学习效率和质量。

　　因此，知识追踪的精细化程度和准确度越高，自适应学习系统越能精准地进行个性化学习路径的规划，帮助老师和学生创造出更加高效、积极的学习成果。

　　传统的知识追踪方法对学生答题序列的处理大多只考虑题目所对应的知识点信息，忽视了题目的文本中包含的大量语义、难度等层次化信息。团队在论文中先利用FSA展开可解释性分析（图1），发现了原有方法对长序列数据处理的缺陷，进而针对性的提出了一个基于多头注意力机制的模型（图2）有效解决了长序列数据的处理问题。通过在公开数据集上进行的大量实验结果表明，本论文方法的准确度取得了state-of-the-art的国际领先水平。

                                                                                    图1

                                                                                         图2