近日，華南師范大學(xué)SCHOLAT數(shù)據(jù)智能開放實(shí)驗(yàn)室的研究成果“Context-Driven Learning Path Recommendation: From Static Records to Dynamic Contexts”，被AAAI2026 AI for Education（AI4EDU）錄用。本屆AI4EDU聚焦人工智能在教育領(lǐng)域的前沿，主題為“大型多模態(tài)模型在教育領(lǐng)域的前景與挑戰(zhàn)”。

該工作針對當(dāng)前在線教育中學(xué)習(xí)路徑推薦（Learning Path Recommendation, LPR）普遍存在的三大瓶頸——依賴靜態(tài)歷史記錄、忽視學(xué)習(xí)資源語義信息、缺乏動態(tài)反饋機(jī)制，創(chuàng)新性地提出了一種上下文驅(qū)動的動態(tài)學(xué)習(xí)路徑推薦框架。該框架深度融合大語言模型（LLM），通過系統(tǒng)化地獲取、組織、壓縮并持續(xù)更新多源信息（包括學(xué)生行為、知識狀態(tài)與資源語義），實(shí)現(xiàn)了更自適應(yīng)、多樣化且可解釋的個性化學(xué)習(xí)路徑生成。
在真實(shí)大規(guī)模教育數(shù)據(jù)集（涵蓋數(shù)學(xué)、物理及編程等領(lǐng)域）上的實(shí)驗(yàn)表明，該方法在學(xué)習(xí)效果提升和路徑多樣性等關(guān)鍵指標(biāo)上顯著優(yōu)于現(xiàn)有主流基線模型，同時保持良好的運(yùn)行效率。

隨著教育數(shù)字化轉(zhuǎn)型加速推進(jìn)，如何利用AI技術(shù)實(shí)現(xiàn)真正意義上的因材施教成為關(guān)鍵挑戰(zhàn)。本工作依托國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目“全過程教與學(xué)評價(jià)和多場景個性化學(xué)習(xí)服務(wù)”開展，聚焦于“人機(jī)協(xié)同學(xué)習(xí)”核心問題，探索人工智能在教育場景中的深度賦能。研究成果模型已在合作平臺進(jìn)行試點(diǎn)，助力構(gòu)建更加智能、高效的學(xué)習(xí)生態(tài)系統(tǒng)。
該論文第一作者為2023級碩士研究生林韻璇，指導(dǎo)教師為吳正洋副教授，林榮華副研究員與湯庸教授為共同作者。