从技术适应到教育自觉：人工智能时代知识秩序与育人逻辑重构——对话纽约州立大学杨浩教授 智能导读
陆凯莉;杨浩;廖树林;随着人工智能技术的迅猛发展，知识生产、学术表达、教学流程与人才培养的基本方式正在经历深刻变革。人工智能对教育的影响已不再局限于外部工具层面，而是进一步延伸至知识秩序、大学使命、教师专业性与学生主体性等深层议题。笔者对话美国纽约州立大学杨浩教授，围绕“从技术适应到教育自觉”这一主题，探讨人工智能时代知识秩序与育人逻辑的重构。访谈聚焦大学教育的不可替代价值、学生数字主体性的培育、教师专业性的重新定义、教育评价制度的转型以及公共大学的治理责任等核心议题。杨浩教授结合其在中美两国高等教育四十余年的研究与教学经验，从比较教育视角出发，揭示了大学教育在AI时代应从知识供给中心转向知识判断，意义建构和责任培养的深层逻辑，探讨了人机共生情境下学生主体性的权力边界与教师不可自动化的教育判断，并以纽约州立大学的政策实践为例，分析了公共高等教育系统在算力民主化与学术评价制度改革中的可能路径，为理解人工智能时代高等教育的变革方向提供理论参照与实践启发。
教育数字化转型下可信数据空间的构建逻辑与推进路径 智能导读
王涛;曾颖洁;李倩;周东波;教育数字化转型中，数据跨组织流通面临权责模糊、控制不足及价值回馈缺失等治理困境，既有研究多从单一维度切入，缺乏贯通多要素的系统解释。本研究基于数据空间、社会技术系统与价值共创三重理论视角，以教育可信数据空间为研究对象，采用理论分析方法，旨在回答其结构构成、运行动力与作用机理的核心问题。研究构建了“五维结构—双轮动力—三流循环”分析模型，揭示可信数据空间通过主体、资源、规则、技术与场景协同，由信任生成与价值共创共同驱动，实现数据流、信任流与价值流的耦合运行。该模型将分散的治理要素纳入统一的分析框架，深化了对教育数据可信流通与价值共创机制的理论认识，并为教育可信数据空间的建设与治理提供了分析依据。
基于离散扩散模型的研究生学位论文评审意见方面级情感四元组预测方法 智能导读
周琛节;卢笑;周炫余;曹意宏;研究生学位论文评审意见是研究生培养的重要反馈，利用方面级情感分析方法（Aspect-based Sentiment Analysis, ABSA）对研究生学位论文评审意见进行分析对研究生教育质量提升具有重要意义。方面级情感四元组预测（Aspect Sentiment Quad Prediction, ASQP）作为ABSA中最具挑战性的任务，旨在同时预测文本中的方面词、方面类别、观点词和情感极性。为利用ABSA方法对研究生学位论文评审意见进行结构化分析，本文构建了研究生学位论文评审意见ASQP数据集并设计了基于离散扩散模型的ASQP方法。传统生成式ASQP方法多基于自回归模型，模型生成时逐词依赖前文，不利于方面级情感四元组的预测。本文提出的离散扩散模型ASQP预测方法通过全局条件建模实现四元组预测，结合ASQP条件生成模板以利用预训练模型的语义知识，并引入蒙特卡洛采样、筛选与投票机制提升生成稳定性。实验结果显示，本文提出的方法在ASQP任务中在预测精确率方面表现出明显优势，同时在整体性能上与主流方法达到可比水平。
迈向可解释的知识追踪：从学习表现预测到学习过程理解 智能导读
段智议;袁宏宇;知识追踪长期以预测学习者后续表现为主要目标，但预测准确并不意味着模型能够真实反映学习状态及其变化过程。随着深度学习模型不断融合结构、过程和语义信息，知识追踪的建模能力持续增强，其内部状态也更加复杂，可解释性由附加功能逐渐转变为学习过程理解的基本要求。本文以知识追踪从学习表现预测走向学习过程理解为主线，梳理其发展过程中伴随产生的可解释性挑战，并围绕状态、证据、变化和表达构成的分析链条，考察状态诊断、证据归因、过程演化和语义转化等研究进展与技术局限。在此基础上，进一步分析现有知识追踪能力与可解释性带来的应用拓展，讨论其实际教育价值和边界。本文认为，未来可解释知识追踪的关键不在于增加解释形式，而在于建立可验证的知识状态、充分的学习证据和可靠的语义诊断，并在真实教学过程中检验其教育价值，从而推动知识追踪由预测工具进一步发展为理解学习过程的学习者建模方法。
大语言模型时代的知识追踪：教育智能化的新范式与路径展望 智能导读
张所娟;龙佳琪;郝文宁;崔思佳;知识追踪作为智能教育领域核心的动态认知状态评估方法，旨在精准评估学习者实时认知状态，为优化在线学习过程提供支撑。传统方法在预测精度上取得进展，但受限于ID直推的底层缺陷，存在语义建模能力不足、冷启动与泛化性瓶颈突出、可解释性薄弱、多模态融合能力匮乏等局限。近年来，大语言模型凭借强大的语义理解、逻辑推理及知识迁移能力，为知识追踪提供了全新范式。本文遵循PRISMA框架系统检索2022—2026年间大语言模型与知识追踪融合的研究。首先梳理知识追踪从传统方法向融合大语言模型的演变路径与优势，进而构建两层四大范式分类体系：技术融合层涵盖特征增强范式与端到端推理优化范式，应用拓展层涵盖个性化教学应用范式与教学智能体应用拓展范式；进一步剖析当前融合范式的局限并提出解决策略。研究表明，大语言模型与知识追踪的深度结合在应对数据稀疏、缓解冷启动等方面展现显著潜力，为教育智能化的新范式构建与路径选择提供了理论参照。
期刊信息
期刊名称:教育智能化前沿
Educational Intelligence
主管部门:中华人民共和国教育部
主办单位:华中师范大学
曾用刊名:教师教育论坛
创刊时间：1987
周期：双月刊
国内统一刊号:CN42-1954/G4
国际标准刊号:2097-8189
联系我们
投稿地址：
https://jyznhqy.cbpt.cnki.net/
邮箱：jyznhqy@ccnu.edu.cn
联系电话：027-67865606
编辑部地址：
湖北省武汉市洪山区雄楚大道华中师范大学（南湖校区）
欢迎关注《教育智能化前沿》微信公众号：
网站访问量
今日访问量: 431