学情状态追踪与能力推演是智能教育系统实现“因材施教”的核心技术，其主要作用是通过解析学生的交互行为，精准还原其对各类知识概念的真实掌握程度。近年来，随着大语言模型（LLM）与图表征学习的深度融合，该领域迎来了范式革新。

大模型与图表征学习的AI教育追踪

KECQCD^[1]：由Fan团队提出。背景研究指出，传统的学情推演过度依赖专家标注的Q矩阵，容易引入主观偏见与噪声，进而影响追踪精度。该研究提出了一种融合文本语义与动态Q矩阵校准的新框架。方法引入预训练语言模型（如RoBERTa）作为语义解码器提取知识概念的细粒度特征，并构建“试题-概念”异质图与基于特征相似度的稀疏概念图，利用图注意力网络（GAT）进行加权特征聚合来更新试题表征。该数据驱动过程实现了Q矩阵的连续值动态校准，有效挖掘了专家先验知识中可能遗漏的隐性结构，显著提升了认知诊断的精确性与可解释性。

LearnerCoMPASS^[2]：由Sheng团队提出。研究表明，现有大模型在逻辑严谨的STEM学科辅导中易产生“幻觉”，且传统追踪方法依赖离线梯度更新，存在无法实时刻画学生状态的“滞后”问题。该系统采用Graph-RAG机制构建动态混合知识图谱作为大模型推理的逻辑约束与事实锚点，并部署多智能体编解码架构进行零样本实时能力推演。该方法摆脱了离线训练的依赖，成功在动态教学对话中实现了瞬时状态追踪和防幻觉的路径规划。

Ability-Aware CD Agent^[3]：由Que团队提出。在教育人工智能领域，现有的学生行为模拟常使用单一高能力大模型（如ChatGPT），但这会导致模型“能力先验”泄露，无法真实还原不同水平学习者的交互表现。该系统利用深度追踪技术从历史交互数据中提取学生的多维能力画像以及候选大模型的技能水平，在共享技能空间中将学生与最契合的大模型智能体进行匹配。

LLM-CDM Evaluator^[4]：由Gu团队提出。背景研究指出，当前对大模型能力的评估大多依赖粗粒度的聚合准确率指标，难以揭示其底层的细粒度推理结构。研究团队突破性地将心理测量学中的多维状态推演技术反向应用于大语言模型的能力评测。针对大规模题库和高维潜在属性引发的计算灾难，方法利用大模型（Qwen）提取文本嵌入来构建结构化先验关联矩阵。该框架成功生成了评估对象在各技能维度的离散掌握画像，为大模型跨版本、跨家族的优劣势分析提供了高可解释性的追踪工具。

NCDLA^[5]：由Zhang团队提出。现有基于图神经网络的学情推理框架在抗噪设计中，往往会将其作为通用去噪任务处理，这极易破坏真实的教育特征信息。研究团队通过奇异值分解分析发现，即便在噪声环境中，表示学习的主子空间依然保持稳定。基于此，该研究提出了一种基于低秩对齐的噪声感知学情推理框架（NCDLA）。该方法通过在原始交互图和去噪重构图之间应用自监督对齐策略，在大幅提升模型抗噪鲁棒性的同时，完整保留了深层真实的能力状态。

目前，基于大语言模型与图表征学习的教育追踪技术在多模态特征融合、实时动态规划以及高保真智能体模拟上取得了显著突破。但该领域仍面临图结构计算开销较大、多场景下特征推理的时效性不足等挑战。未来，研究将向着低延迟动态追踪、更具心理学解释性的复杂概念网络重建等方向迈进，为智能教育系统的个性化服务提供理论依据与技术支撑。

参考文献：

1、 Fan, J., Zhang, Z., & Du, Y. (2026). From Text to Structure: Precise Cognitive Diagnosis via Semantic Enhancement and Dynamic Q-Matrix Calibration.Applied Sciences, 16(7), 3477. https://doi.org/10.3390/app16073477

2、Sheng, Z., Tie, G., Huang, Z., Wang, W., Zhou, P., & Liu, D. (2026). LearnerCoMPASS: Intelligent Tutoring System with Dynamic Cognitive Diagnosis and Multi-Model Path Planning. In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 9016–9042). San Diego, California, United States. Association for Computational Linguistics.https://doi.org/10.18653/v1/2026.acl-long.408

3、Que, H., Liu, Q., Gao, W., & Huang, Z. (2026). One LLM Does Not Simulate All Students: Ability-Aware Student Simulation via Cognitive Diagnosis Guided LLM Assignment. In Findings of the Association for Computational Linguistics: ACL 2026 (pp. 6067–6083). San Diego, California, United States. Association for Computational Linguistics.https://doi.org/10.18653/v1/2026.findings-acl.302

4、Liu, J., Xu, Z., & Gu, Y. (2026). Scalable Text-Embedding-Informed Cognitive Diagnosis of Large Language Models. arXiv preprint, arXiv:2603.14676.https://doi.org/10.48550/arXiv.2603.14676

5、Zhang, G., Zhang, Y., Yuan, G., Liu, S., Du, X., & Cheng, D. (2026). Noise-Aware Graph-Based Cognitive Diagnostic Framework Through Low-Rank Alignment. Proceedings of the AAAI Conference on Artificial Intelligence, 40(19), 16280–16288.https://doi.org/10.1609/aaai.v40i19.38665

2026年7月6日

上海师范大学分析测试与超算中心