图增强知识追踪用于可解释学习者建模的系统综述：20项研究

Journal of Information Systems and Informatics · 2026-10-24 · 综述

• 一句话结论：该综述提示，图结构与知识图谱增强的知识追踪在丰富学习者状态表征、支持技能掌握解释方面有积极证据，但主动整合的研究数量仍有限，构念效度与跨域泛化等问题尚不足以下结论。
• 研究设计与做法：采用基于PRISMA的系统文献综述，检索Scopus与IEEE Xplore，覆盖2015至2025年索引文献；从116条初始记录中筛出20项符合纳入标准的研究，其中核心研究8项（40.0%）、支持性研究12项（60.0%）。
• 主要结果：归纳出六类整合路径：GCN/GNN类、知识图谱/本体增强类、异质或多重图类、图上的注意力机制类、Q矩阵/概念图类以及图支持推荐类；核心研究中图增强对掌握度解释的支持较明显，但材料未报告合并效应量、置信区间或p值。
• 机制或解释：作者解释，传统序列式知识追踪对技能、概念与评估指标间关系刻画不足，降低可解释性；图结构可显式编码这些关系，从而增强学习者建模的解释力。
• 局限与边界：局限包括：主动图-知识追踪整合研究仍少；构念效度、跨域泛化、公平性与面向部署的评估均探讨不足；仅纳入两个数据库且限定2015年后文献，可能存在选择偏倚；利益冲突材料未报告。
• 可否落地：对科研，可作为图增强知识追踪的分类框架与研究缺口清单，属「证据支持」的综述性归纳；对教学部署的可解释性与公平性，目前仅「提示」方向，尚「不足以下结论」。

🔗 打开原文

Nurfaizah, R. Rizal Isnanto, Imam Tahyudin

本文摘自《每日前沿研究简报 · 2026-10-26》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。