智慧教育视域下的知识追踪：现状、框架及趋势*

王志锋 熊莎莎 左明章 闵秋莎 叶俊民

（1.华中师范大学 人工智能教育学部 教育信息技术学院；2.华中师范大学 计算机学院，湖北武汉 430079）

一、引言

进入21 世纪，人工智能、大数据、虚拟现实、区块链、物联网等高新信息技术引发了人类社会的颠覆性变革，也进一步推动着传统教育向智慧教育新范式转型和演进。《新一代人工智能发展规划》提出要发展“智慧教育”，以推动教学方法改革[1]。《教育信息化2.0 行动计划》和《中国教育现代化2035》也进一步指出，要探索新的智慧教育模式，促进以个性化学习为基础的智能化教学支持环境建设的开展，推动人工智能技术在教学方面的应用[2][3]。智慧教育的实践与落地，有赖于智能教育的核心支撑作用：一则智能教育通过技术赋能教育，从而支持智慧学习环境的构建（如智慧校园、智慧教室、智慧终端、智慧教育云、创客空间等）；二则智能教育通过技术赋能学习服务，从而支持智慧教学法的形成（如精准教学、智能学习推荐、自适应学习、个性化学习等）； 三则智能教育通过教育大数据与学习分析支持智慧学习评估的建立（如多元化评价、全程化评价、个性化评价等）[4]。

近五年来，知识追踪作为一项重要的智能技术，受到学术界和产业界的广泛关注，并逐渐发展成为实践智慧教育的一条重要路径。知识追踪的目标在于对学习者的知识水平与认知结构进行建模，根据学习者的历史学习轨迹，融合统计学习、深度学习等智能技术手段，深入分析、挖掘学习者的知识掌握水平与知识认知结构，来准确预测学习者未来的学习表现[5]。知识追踪从提出至今，已有近三十年的发展历程，同时伴随大量在线教育平台的涌现、海量学习数据的累计以及越来越多新兴人工智能技术的引入，使得知识追踪能够更好地表征学习者的复杂学习状态，为智慧教育实践提供技术支撑。

本文聚焦于智慧教育视域下的知识追踪，综合运用文献调研、大数据建模、深度学习、多模态分析等研究方法，关注并尝试回答以下具体问题：（1）智慧教育视域下知识追踪的概念如何界定？（2）面向智慧教育应用的知识追踪发展的现状如何？（3）目前知识追踪在智慧教育场景中所存在的问题及解决思路为何？ （4）如何构建面向智慧教育实践的知识追踪框架？ （5）知识追踪在智慧教育中的未来发展趋势及应用路径有哪些？

二、智慧教育视域下知识追踪概念界定及最新研究进展

（一）文献分析及概念界定

本文以“中国知网”和“Web of Science”索引库作为文献来源，以“知识追踪”“Knowledge Tracing”为搜索关键词，检索时间为1994年1月-2021年3月，研究方向为计算机科学、心理学、教育学等，开展相关文献检索。剔除无关文献后，再从参考文献中继续获取二级文献，最终得到有效文献169 篇。接着，从年限、领域、平台以及方法四个方面，对知识追踪相关文献的分布特点进行了分析，并从中探究知识追踪的发展现状，如图1 所示。

首先，知识追踪的研究拓展符合智慧教育的发展需求。2020年以来，受新冠疫情影响，线上教育达到空前规模，如何在开展大规模在线教育的同时，能有效提供个性化学习服务，成为了迫切且重要的需求，知识追踪则成为满足这一需求的重要范例。如图1 所示，知识追踪领域文献成果呈上升趋势，尤其是2019年和2020年呈现“爆发式”增长，说明知识追踪已逐渐成为一个研究热点。筛选的文献涉及123个K-12 教育场景、57 个教育场景、47 个其它教育场景，分为166 个线上教育环境、32 个线下教育环境，说明知识追踪的教育适用场景多样化。但目前知识追踪的应用对象，主要聚焦在K-12 阶段的学习者，应用环境主要集中于在线教育平台。

其次，知识追踪能融合新兴的智能技术来促进智慧教育的发展。如图1 所示，涉及85 篇基于深度学习的知识追踪文献、51 篇基于概率图的知识追踪文献，这两个方向占据整个文献量的3/4，说明这两个方向是较为广泛的知识追踪应用方法。从时间脉络上来看，自2015年起，基于深度学习的知识追踪成为了知识追踪研究的“主力”。究其原因在于近年来人工智能技术和深度学习的快速发展，带动了人工智能赋能教育，助推了知识追踪应用的快速发展。综上，自深度学习引入知识追踪以后，知识追踪便得到了飞跃式的发展，并且越来越多新兴的智能技术融入了知识追踪，这为进一步促进智慧教育的发展提供了新的思路和机遇。

最后，通过梳理知识追踪相关文献，本文给出了智慧教育视域下知识追踪的概念界定： 知识追踪即通过跟踪学习者的历史学习轨迹，对学习者与学习资源的学习交互过程进行建模，深入分析、挖掘、追踪学习者的动态知识掌握水平与认知结构，并准确预测学习者未来学习表现，通过人机协同优化教学过程，助力于学习者终身发展的智慧教育新模式。

（二）三个不同角度的研究进展

自上世纪90年代以来，一些研究者提出了多种类型的知识追踪方法，从早期的概率模型到当前的深层神经网络。例如，在贝叶斯知识追踪中使用隐马尔可夫模型（Hidden Markov Model，HMM）；在深度知识追踪中使用递归神经网络模型（Recursive Neural Network，RNN）。本文依据知识追踪模型中核心技术所属领域，并结合上述对知识追踪文献来源的分析，从基于概率图的知识追踪、基于深度学习的知识追踪、基于参数估计的知识追踪这三个类型对知识追踪的研究进展进行梳理。

1.基于概率图的知识追踪

概率图模型是一种学习任务的框架描述，其任务具体为用已知变量对未知变量的分布进行推断。贝叶斯知识追踪（Bayesian Knowledge Tracing，BKT）模型就是典型的基于概率图的知识追踪模型，其使用的核心方法隐马尔可夫模型就是一种基于模板的概率图模型。在深度学习还没有引入知识追踪任务之前，BKT 模型即为当时主流的知识追踪模型。它是一种构建学习者学习的时序模型，本质是一个含有隐变量的马尔可夫模型，以隐含层表示知识状态，以观察层表示性能数据。并且BKT 模型给出了“三个假设”：（1）学习者的知识状态只有掌握和未掌握；（2）学习者在学习过程中不会产生遗忘；（3）知识点之间是相互独立的。

然而，针对学习者所处的真实学习场景的“三个假设”过于理想化。针对假设1，认为学习者的知识状态表达只有掌握和未掌握两个状态，会导致对学习过程的分析粒度过粗，而形成建模误差；针对假设2，学习者在学习过程必然会存在遗忘行为，若假设学习者一旦学会就不会遗忘，则不符合现实情况；针对假设3，在学习过程中知识之间具有一定的关联，如学习者在了解加法的交换律这一概念后会对其理解乘法的交换律产生促进作用。因此，研究者们也提出了许多BKT 模型的变体来解决因 “三个假设”而产生的模型缺陷，其不仅能够更好地反映真实的学习场景，也在不同程度上提高了模型在预测学习者表现的精度，详见表1。

表1 针对不同假设存在的问题提出的改进方法

另外，引入个性化学习参数也是知识追踪研究中的一个热点方向。研究者们认为，基于概率图的知识追踪模型的预测精度取决于其参数，传统BKT 在预测过程中将四个参数固定不变。然而，在实际学习场景中，不同学习者的初始掌握概率、做题的失误、猜测概率都不一样。因此，个性化学习参数[6][7][8][9]能够更好地对学习者的整个学习过程进行表征，也能提高预测精度。

基于概率图的知识追踪是用图来表示变量概率依赖关系，使用学习者答对答错这个观察量和学习者潜在知识状态这个隐变量，表示概率图的两个节点，再设计出隐变量与变量、变量与变量之间的联系，最后假设这些变量服从特定的分布。其优势在于：（1）对数据集大小的要求不高；（2）模型简捷，可以很好地利用教育学原理，可解释性强。而其不足之处在于：（1）由于其固有的结构以及函数形式的限制，不能对学习者长期学习的时序依赖建模；（2）依赖教育专家对教学场景的理解，容易导致建模的局限性。目前，基于概率图的知识追踪因其解释性强、模型简捷，已被广泛应用于各类智能导学系统和在线学习平台。

2.基于深度学习的知识追踪

深度学习是近年来新兴的人工智能方法，在计算机视觉和自然语言处理等许多传统人工智能应用中，发挥着重要的助推作用。随着人工智能在教育领域的持续发展，深度学习也被逐渐应用于教育领域。2015年，斯坦福大学的皮耶希（C.Piech）等[19]首次将循环神经网络的变种——长短期记忆网络（Long Short-Term Memory，LSTM） 引入到知识追踪任务当中，提出第一个深度知识追踪模型（Deep Knowledge Tracing，DKT），来建模学习者的知识状态。由于循环神经网络（Recurrent Neural Network，RNN）相比隐弥哥夫模型具有更高维连续的潜在状态表示，且其在时序任务中更具优势。因此，DKT 相较于BKT 可以建模学习者长期学习时序依赖，而不是局限于当前学习者知识掌握情况只与上一时刻学习者知识掌握情况有关的假设。尤其是循环神经网络（RNN）的变种——长短期记忆网络，其独特的“三门” 结构可以记忆学习者与试题更长时间的交互，从而更好地模拟人类的记忆系统。而DKT 的出现，也极大地提高了学习者表现预测的精确度，吸引了越来越多的研究者投入其中并助力于知识追踪领域的发展。可见，近年来，基于深度学习的知识追踪模型，在学习者知识状态表征、学习者表现预测方面，性能远超以往传统的知识追踪模型，使得知识追踪得到了快速发展。至此，越来越多的深度学习方法被研究者应用于知识追踪任务当中，从而更好地对学习者的知识状态以及学习表现进行预测。目前，在知识追踪领域引用的深度学习方法，详见表2。

表2 在知识追踪领域引用的深度学习方法及代表模型

基于深度学习的知识追踪使用神经网络结构来建模学习者学习序列，从而预测学习者表现，并用隐藏层表示其潜在的知识空间。相比于基于概率图的知识追踪，其在学习者表现预测以及学习者知识状态挖掘方面，体现出了更高的精准性，也能更好地帮助学习者清晰自我认知结构并更具针对性地开展学习；相应地，教育者也能更好地进行教学干预和个性化教学。其优势在于：（1）在学习者知识状态表征以及学习者表现预测方面，都优于传统知识追踪；（2）打破了知识之间的独立性，DKT 在隐空间建模了学习者对多个知识点的综合状态；（3）不局限于一阶马尔可夫的性质，可以建模学习者长期学习的时序依赖，不需要人工标记知识点。但不可否认的是，基于深度学习的知识追踪也存在许多不足之处：（1）存在冷启动问题；（2）需要大量训练数据；（3）可解释性不强，解释性弱仍然是亟待后续研究者解决的问题。人类进行学习本身就是一个非常复杂的过程，想要更好地表征学习过程也是充满挑战。目前，基于深度学习的知识追踪，主要应用于学习者表现预测、认知诊断以及教学资源推荐等。

3.基于参数估计的知识追踪

基于参数估计的知识追踪进展，包括以下三个方面：（1）基于概率矩阵分解的知识追踪引入了概率矩阵分解技术，从概率建模角度动态跟踪和解释学习者知识状态的变化情况，将学习者和练习映射到具有明确含义的知识空间中，再利用矩阵分解模型将每个学习者的相关信息嵌入到同一个知识空间中，从而追踪其知识状态。其从概率建模角度提升了模型结果的可解释性，但其不足之处在于扩展性差且不适用于大数据集。（2）基于项目反应理论的知识追踪融合了项目反应理论的特性，并假设学习是一个渐变的过程，从而直接预测学习者的表现。其模型高度结构化，可解释性较强，但是仍需依赖专家标记知识点与练习之间的映射关系。（3）基于因式分解机的知识追踪将知识追踪看作是一个融入学习者学习过程的学习行为特征以及试题属性特征的分类问题，从而预测学习者表现。该方法适用于小数据集和稀疏数据集，且预测结果具备可解释性。

三、当前研究存在的问题及解决思路

面向智慧教育应用，知识追踪已经成为热门研究话题，相关的新研究接踵而至，但是由于学习环境多变、学习过程复杂、学习行为不易量化等因素，知识追踪仍然存在诸多亟需解决的问题，主要体现在以下四个层面。

（一）从数据层面看，存在跨学科且不平衡的问题

首先，目前知识追踪建模涉及的学科主要为K-12 教育的数学学科，主要原因是该学科知识清晰、逻辑严密、层次分明，在知识点标注、作答行为量化方面都有利于知识追踪建模。但是，若换成其它知识结构模糊、学习行为不易量化的学科（如语文、英语等），知识追踪的跨学科移植性就面临巨大的挑战；其次，线上教育模式收集学习日志较为便捷且收集的数据量庞大，线下教育模式可能会出现收集学习数据体量较少的现象。虽然知识追踪可应用于不同的教育模式，但不同的知识追踪模型能处理的数据体量单一。例如，基于概率图的知识追踪在数据体量小的数据集上表现较好；而基于深度学习的知识追踪在数据体量大的数据集上表现良好。可见，这种数据不平衡的问题极大地限制了知识追踪的适用性。

基于上述问题的解决思路： 针对知识追踪的跨学科移植性问题，可引入模糊逻辑对不同学科知识量化的不确定性进行建模，从而基于模糊逻辑架构开展知识追踪； 针对知识追踪的数据不平衡的敏感问题，可融合迁移学习等小样本智能学习技术，提升知识追踪处理小样本、不平衡的能力，从而增强知识追踪的适用性。

（二）从模型层面看，存在体系化及标准化的问题

首先，目前知识追踪未形成统一的、体系化的理论框架，现行方法大多遵循一些各自制定的前提假设，采用的建模手段也大相径庭，适用的教育场景也各不相同，知识追踪的理论体系构建成为了亟待解决的问题；其次，当前的知识追踪系统研发缺乏统一的参照标准。例如，数据接口标准为何？ 模型构建标准为何？决策输出接口标准为何？这些标准化问题极大限制了知识追踪在智慧教育中的应用。

基于上述问题的解决思路： 针对知识追踪的体系化理论缺乏问题，可综合运用教育学、心理学、计算机及脑科学等多学科知识，自上而下地从顶层设计统一的理论体系。针对知识追踪系统标准缺失的问题，可参照学习者建模标准、学习系统体系结构与服务接口等，利用软件工程方法，制定知识追踪体系结构与接口标准。

（三）从决策层面看，存在解释性弱且迁移能力差的问题

随着深度学习等人工智能技术的引入，知识追踪虽然在准确性上得到了极大地提升，但是同时也带有解释性弱、迁移能力差的问题。首先，深度知识追踪模型因其黑盒属性，无法给出决策过程及决策结果的解释信息；其次，目前的知识追踪模型大多基于数据驱动的范式，换一个应用场景就需要再训练一个对应的新模型，针对不同教育场景的迁移能力较差。

基于上述问题的解决思路： 针对知识追踪可解释性弱的问题，一方面，可考虑引入可解释机器学习方法，对知识追踪的决策进行解释；另一方面，可融合教育学、心理学等领域知识作为决策的解释支撑。另外，针对知识追踪迁移能力差的问题，还可引入自适应学习机制，通过领域自适应来构建迁移能力强的知识追踪方法。

（四）从应用层面看，存在实践路径不清晰及领域偏向性的问题

首先，目前知识追踪应用于智慧教育的实践路径尚不清晰，如何充分利用知识追踪的效能从而促进智慧教育范式的形成，是亟需解决的问题；其次，目前知识追踪建模时存在学科偏向性、学习环境偏向性、学习者偏向性等问题，如何在应用知识追踪时，弥合这些偏向性显得尤为关键。

基于上述问题的解决思路： 针对知识追踪实践路径不清晰的问题，可通过实证研究将知识追踪应用于真实的智慧环境中，探究知识追踪的有效作用路径。针对知识追踪的领域偏向性问题，可采用智能数据增强技术消除偏向性的影响，并结合多模态分析方法构建多元知识追踪模型，从而构建更具普适性的知识追踪模型。

四、智慧教育视域下的知识追踪框架

针对上述所提出的解决思路，综合运用大数据建模、深度学习、多模态分析等方法，本文提出了智慧教育视域下的知识追踪框架，如图2 所示。

具体而言，学习者在在线学习平台、混合课堂、虚拟现实教学等智慧环境中的学习，会不断产生学习日志数据，这些数据往往蕴含着丰富的待挖掘信息。为此，首先需要采集这些数据并做一系列包括数据清洗、数据填充、数值统一化、文本编码、图形编码等数据预处理操作。在这些数据中所记录的学习者学习过程的作答情况，可以反映学习者真实的学习过程并进而借此构建学习者画像。学习者画像囊括了一系列指标，每一个指标都能对应学习者的某一学习情况。接着，以基于概率图、深度学习、参数估计的知识追踪等智能技术为实践路径，智能分析学习者的知识水平，挖掘学习者的知识结构并预测学习者下一时刻的表现。进而，知识追踪的诊断分析结果，可应用于智能学习推荐、自动学习干预、知识地图构建、学习可视化、学习成就预测、学习者画像等教育领域，并从学习能力、认知结构等维度，对学习者学习模式进行智能评估，并给出结构化的可视化诊断报告。可见，无论是知识追踪的诊断分析结果，还是其产生模式和智能评估结果，都能为培养智慧人才服务，从而辅助智慧环境的构建。

该框架对学习者来说，能使自己更加清晰地掌握自身知识结构，认识到自己的知识盲区，从而查漏补缺，规划学习，提高学习效率，促进个性化学习的开展；对教师来说，能更好地了解学习者学习状态、知识水平，以调整教学策略，并根据学习者的薄弱环节因材施教，从而提升教学效率和教学质量。同时，教师可以给予学习者更具针对性的学习反馈，制定学习方案，指导学习者个性化需求等，从而提高教学效果；对于教育管理者来说，这有助于进行更有恰切性的教学干预，帮助教师优化教学，同时优化教育管理；对科研工作者来说，这能更好地修正知识追踪原理，完善知识追踪模型，助推相关研究的发展。

五、面向智慧教育的知识追踪实践应用

（一）智能学习推荐

智能学习推荐是给学习者推荐适合自己的教学资源，例如最佳学习项目序列、习题资源等。知识追踪能够通过学习者过去的学习交互序列追踪学习者的知识状态，从而预测下一次交互作答的准确概率。因此，教师可以借此观察学习者的预期学习状态，并推荐下一个能使学习者知识状态更好的学习问题，再利用启发式Exceptimax 算法，给出学习者的最佳学习项目序列[47]。艾方哲等人[48]通过将改进的基于深度强化学习的知识追踪模型建立学习者模拟器，强化学习要素中的环境模型，并通过学习者环境模型准确预测某一学习者对某一道题答对的概率，根据学习者针对某个一级知识概念进行专题训练，设计习题推荐策略。

（二）自动学习干预

知识追踪能够在学习过程中不断更新学习者的知识状态，使教师能够及时了解学习者的知识结构，进而采取补救措施，如针对学习薄弱点进行教学、为学习者推荐难度适中的练习等，从而提高教学效能，达到因材施教的目的，为学习者提供个性化的发展机会。有研究将改进的贝叶斯知识追踪模型应用于六年级小学数学课堂中[49]，利用知识追踪模型诊断学习者的知识掌握水平，并给出可视化诊断报告，使学习者明确自我在某一知识点上是否还要继续努力，从而督促学习者学习，同时，也能为这些学习者提供个性化的帮助。

（三）知识地图构建

知识地图构建即构建知识点之间的关系。知识点之间存在不同的关系，例如先验关系、依赖关系等，但如果用人工标记这些知识点之间的关系，会造成人力成本过高，且准确率无法保证。因此，在知识追踪过程中使用神经网络[50]或者设置知识点关系参数[51]等，来自动挖掘知识点之间的关系的应用应运而生。总体来看，挖掘知识点之间的关系，不仅能够更好地表征学习者的学习过程，也能够被再度利用来提升知识追踪预测学习者表现的能力。

（四）学习可视化

研究者通过文本数据的交互结构图形来形象地展示信息或者知识，可以帮助人们更加直观地理解相关教育数据。在知识追踪领域，有研究者通过可视化知识追踪诊断结果，从而直观地分析学习者的知识掌握情况、知识点之间的关系网络。例如，张明心等人[52]考虑知识之间的影响程度，提出新的BKT 模型，并将其应用于小学数学认知诊断中，并生成了个性化认知诊断报告，可明晰知识追踪诊断效果以及学习者能力水平。还有研究者以热力图的形式，展现某一学习者在试题上的交互结果，即学习者在做完每道试题后答对下一道试题的概率，可以更好地展现知识追踪在发展学习者知识掌握进程中的作用。

（五）学习成就预测

学习者成就预测通过学习者与试题的交互，建立学习者学习行为与学业表现间的关系模型，用以预测学习者最终的成绩。一方面，知识追踪的目的之一就是根据学习者在在线学习平台上的学习日志，清理挖掘出学习者对知识的掌握情况并预测学习者在下一时刻的成绩；另一方面，大部分知识追踪模型的性能，都是通过比较其在学习者成绩预测方面的性能表现来判断的。

（六）学习者画像

学习者画像能够通过对学习者建模来挖掘不同学习者的特点，如情绪、认知、学习偏好等，以识别不同类型的学习者，从而对其施加相应的措施，来满足学习者的个性化学习需求。知识追踪是学习者建模的一种方法，根据学习者与试题产生的学习日志，通过知识建模，诊断出学习者的知识掌握情况以及预测学习者在下一时刻的表现。除了建模知识，一些改进的知识追踪模型，还可以建模学习者的情感特征、学习者学习过程中的记忆与遗忘因素、学习者掌握知识点快慢、学习者做题时间等等，从而优化个性化学习。长谷（K.Nagatani）等人[53]通过建模与遗忘有关的多种类型的信息来考虑遗忘，从而提高了预测精度。

六、知识追踪的未来发展趋势

（一）多模态知识追踪

目前，绝大多数知识追踪模型都是以学习者的历史答题情况为基础，涉及的特征只有试题包含的知识点以及学习者的作答反应，然而学习者的学习过程却更为复杂，会产生许多其它特征。这些特征可分为“学习者特征”以及“试题属性特征”，其中“学习者特征” 指的是学习者在与试题进行交互时产生的行为特征以及情感特征，例如学习者的作答反应、作答时间、答题次数、查看提示、学习速率和消极/积极的情绪等；“试题属性特征” 指的是学习者作答的试题本身所具有的属性特征，例如，试题与知识点的映射关系特征、试题之间的依赖关系特征、试题中知识点之间的关系特征、试题难度等。这些特征会影响最终学习者的知识状态诊断以及学习成绩预测，因此，如何采集并选择适合的特征进行学习者知识建模？如何根据特征的不同特点进行数据预处理增加知识追踪模型的可移植性？ 如何使得多特征充分且深入地融合？ 这些都是未来的研究方向之一。

（二）个性化学习参数

不论是深度知识追踪还是以往的贝叶斯知识追踪，它们的参数要么是基于试题的，要么是全部学习者共用的。然而，学习率、学习能力、失误概率、猜测概率、遗忘等学习参数，都应该是因学习者而异的。基于学习者的学习参数，能更好地解释学习者之间的差异，并利用这些信息更准确地预测学习者的表现，实现进一步推动个性化教学和达到因材施教的目的。因此，加强个性化也是未来知识追踪领域的研究方向之一。

（三）面向跨学习模式

随着教育的改革与发展，各种学习模式如雨后春笋般争相而出，例如，合作学习、小组学习、SPOC等等，学习者学习模式的改变必然会对学习者产生影响。当然，对知识追踪领域来说，如何追踪参与不同学习模式的学习者的知识状态？ 如何利用不同学习模式对学习者的影响来追踪学习者个性化的知识状态？ 这些都将会成为知识追踪领域关注的重点。

（四）融合认知解释性

深度知识追踪在可解释机制方面，一直不够完善，主要原因在于认知领域方面的理论支撑不足。因此，介入教育学、认知心理学等方面的理论知识去完善知识追踪原理以及提升知识追踪模型，具有客观的研究前景。例如，如何完美融合认知诊断模型与知识追踪模型，使得认知诊断模型不具有时序性、知识追踪模型诊断结果可解释性不强等问题都能得到解决。又如，引入布鲁姆教育目标分类认知领域的理论去优化知识追踪模型，进而改善知识追踪模型诊断粒度较粗的问题。

（五）小样本适用模型

以往的知识追踪模型虽然适用于小样本小数据量的数据集，然而，预测效果却并不如深度知识追踪。而深度知识追踪需要大量的数据来做训练，也不适用于小样本、小数据量的数据集。因此，在保证预测效果的前提下，如何使得深度知识追踪模型也能适用于小样本小数据量的数据集，是今后值得探索的研究方向之一。

七、研究结论及建议

首先，智慧教育旨在实现人机协同优化教学过程、助力学习者的智能发展，知识追踪作为重要的智能教育方法和技术，逐渐成为实践智慧教育的重要路径。本文通过对国内外相关文献的梳理，采用大数据建模、深度学习、多模态分析等方法，基于智慧教育视域，界定知识追踪的概念，力图让知识追踪从真正意义上服务于智慧教育实践。

其次，本文从基于概率图的知识追踪、基于深度学习的知识追踪、基于参数估计的知识追踪这三个角度探究其最新研究进展及面临的挑战，并获得如下结论：（1）从数据层面看，知识追踪存在跨学科、不平衡的问题；（2）从模型层面看，知识追踪存在体系化、标准化的问题；（3）从决策层面看，知识追踪存在解释性弱、迁移能力差的问题；（4）从应用层面看，知识存在实践路径不清晰、领域偏向性的问题。基于此，本文提出以下建议：（1）引入模糊逻辑对不同学科知识量化的不确定性进行建模，从而基于模糊逻辑架构开展知识追踪，融合迁移学习等小样本智能学习技术，提升知识追踪处理小样本及不平衡的能力，从而增强知识追踪的适用性；（2）综合运用教育学、心理学、计算机等多学科知识，自上而下地从顶层设计统一的理论体系，参照学习者建模标准、学习系统体系结构与服务接口等，利用软件工程方法，制定知识追踪体系结构与接口标准；（3）引入可解释机器学习方法，对知识追踪的决策进行解释，融合教育学、心理学等领域知识作为决策的解释支撑，引入自适应学习机制，通过领域自适应来构建迁移能力强的知识追踪方法；（4）通过实证研究将知识追踪应用于真实的智慧环境中，探究知识追踪的有效应用路径，采用智能数据增强技术消除偏向性的影响，并结合多模态分析方法构建多元知识追踪模型，从而构建具有普适性的知识追踪模型。

再次，本文综合运用大数据建模、深度学习、多模态分析等方法，提出了智慧教育视域下的知识追踪框架，以期为后续研究提供思路与参考。并从智能学习推荐、自动学习干预、知识地图构建、学习可视化、学习成就预测、学习者画像等方面，探究知识追踪面向智慧教育的实践应用路径。

最后，本文从多模态知识追踪、个性化学习参数、面向跨学习模式、融合认知解释性、小样本适用模型五个层面，总结了知识追踪的未来发展趋势，以期进一步推动知识追踪在智慧教育领域的落地与实践。