由多模态数据融合与知识图谱驱动的智能教育决策系统

为每位学生提供更聪明的帮助

设想有这样一位辅导者：默默观察你的学习方式，听你表达的语言，甚至注意到你何时显得疲惫或专注——然后为你量身选择下一个学习步骤。本文提出了构建这种辅导者的蓝图：一个能同时读取多种学生数据、并利用结构化的学科地图来做出更清晰、公平且更有效教学决策的智能系统。

汇聚关于学习的多重线索

现代学习平台收集的信号种类令人意外：你答对了哪些题、在页面上停留多长时间、视频课程中的面部与语音线索、甚至在实验室环境下的心率或眼动。每一种信号都为学习者的知识与情感状态提供一枚小线索。问题在于这些线索彼此差异甚大——数值、图像、声音、点击——而大多数现有系统要么忽略其中部分信息，要么将它们孤立处理。结果是，它们错失了学生整体情况的全貌，也难以解释为何会提出特定推荐。

用知识地图来引导决策

本研究通过将这些丰富信号与知识图谱相结合来应对这一挑战——知识图谱是概念、先决条件及其在课程中相互联系的网络式地图。系统不再仅仅预测学生是否会答对下一题，而是推理出哪些概念缺失、哪些应当成为下一步、哪些绕行会让学习者迷惑。这种结构化地图如同指南针，使推荐与学科逻辑保持一致，而非仅追求短期分数增长。它也让教师更容易检视系统的决策，因为建议路径可以沿着具体技能与主题被追溯。

用于教学选择的两层“大脑”

该框架的核心是一个两部分的决策引擎。第一部分称为认知教学场网络（Cognizant Instructional Field Network），它将所有分散的学生数据转化为学习者当前状态的紧凑画像。它不仅关注近期发生的事情，还关注随时间的模式，既能平滑噪声信号，又对注意力骤降等突发变化保持敏感。以知识图谱为支架，它维持对哪些技能可能已掌握、哪些仍不稳固的细粒度估计，并提出一组遵循课程规则（如不跳过关键先修项）的可能下一步行动。

放在引擎之上的战略教练

在此之上运行的是教学推理控制器（Pedagogical Inference Controller），它像一位战略教练。它会问：若我们早先采取了不同的教学动作，学生现在会更好吗？通过追踪这种“懊悔”类指标，它逐渐远离过去未带来成效的选择。它还能记录系统对学习者的不确定性：当置信度较低时，它有意探索更广泛的活动；当置信度较高时，它则聚焦于看起来最有前途的选项。课程对齐机制不断将系统拉回到合理的学习路径上，确保实验探索不会偏离教育目标过远。

来自数据与小规模课堂试验的证据

作者在若干大型教育数据集上测试了他们的框架，包括在线练习系统的日志、国际考试记录、开放在线课程和阅读理解任务。在这些不同的设置中，该新方法比现有的强基准模型有略微更高的预测准确率。尽管数值增益有限，却具有一致性；在教育领域，即便是小幅改进也可能在为数千名学习者提供早期支持时产生重要影响。在一项涉及60名高中生的小规模真实课堂研究中，使用该智能系统的学生在两周内学得更多、掌握率更高、每次学习所需时间更少，并且报告的满意度也很高，相较于使用标准学习平台的对照组。

这对未来课堂可能意味着什么

对日常的学习者与教师而言，信息是：更智能、更透明的数字辅导正变得可及。通过将多条数据流与所教内容的明确地图结合，该框架超越了黑箱式预测，转向可解释且可调节的决策。研究表明，未来系统不仅能推荐下一个练习，还能在尊重学科结构、在不确定时以审慎的探索回应、并清楚展示每一步如何弥补学习者知识缺口的方式上给出建议。仍需更多真实课堂的研究，但该方法指向这样一个未来：教育技术不再只是记分机器，而更像一位周到的教学伙伴。

引用: Wang, Y. Intelligent educational decision-making system driven by multimodal data fusion and knowledge graphs. Sci Rep 16, 9610 (2026). https://doi.org/10.1038/s41598-025-33066-8

关键词: 个性化学习, 智能辅导, 知识图谱, 多模态教育数据, 自适应教学