《IEEE Access》：Enhancing Efficient Personalized Learning and Educational Management in Universities Using Graph Neural Networks in Intelligent Tutoring Systems
编辑推荐：
本研究针对传统教育模式难以适应学习者多样化需求的痛点，提出了一种结合知识动态模型（KDM）与自适应知识强化策略（AKRS）的图神经网络框架。通过将课程内容构建为有向无环图（DAG），实现学习路径个性化定制与动态调整。实证表明该框架显著提升学习者参与度15.3%，为高校智慧教育管理提供了数据驱动的解决方案。
在当今高等教育领域，学习者背景和认知特点的多样性给传统教学模式带来了巨大挑战。固定课程进度和统一教学内容难以满足个体差异化的学习需求，尤其无法有效跟踪学生知识状态的动态变化。这种现象导致教育资源配置效率低下，知识留存率不理想，成为制约教育质量提升的关键瓶颈。
为破解这一难题，研究者将目光投向人工智能前沿技术，提出基于图神经网络（Graph Neural Networks）的智能教学系统框架。该研究创新性地将课程知识体系建模为有向无环图（Directed Acyclic Graph, DAG），通过知识动态模型（Knowledge Dynamics Model, KDM）量化学习者的认知状态变化，结合自适应知识强化策略（Adaptive Knowledge Reinforcement Strategy, AKRS）实现教学内容的精准推送。这项发表于《IEEE Access》的研究，为构建响应式个性化教育系统提供了重要技术路径。
关键技术方法主要包括：1）基于课程依赖关系构建有向无环图（DAG）的知识图谱技术；2）融合学习行为数据的知识动态模型（KDM）算法；3）结合实时反馈的自适应知识强化策略（AKRS）机制。研究通过采集高校真实教学场景数据验证模型有效性。
【知识图谱构建与表示】
通过将课程知识点及其关联关系建模为有向无环图，明确揭示了概念间的先后序关系。该图谱准确刻画了从基础知识到高级概念的递进路径，为个性化学习路径规划奠定数据结构基础。
【知识状态动态建模】
KDM模型成功捕捉到学习者知识掌握的时变特征，包括学习进度差异和认知衰减规律。模型监测显示，不同学习者对相同知识点的掌握速度存在显著差异，且知识遗忘曲线呈现个性化特征。
【自适应强化机制验证】
AKRS策略根据实时测评结果动态调整复习频率和难度层级。实证数据表明，该机制使学习者在复杂概念掌握方面的持久性提升23.7%，且高难度知识点的迁移应用能力得到增强。
【综合效果评估】
经过完整教学周期测试，实验组在标准化学科测评中表现优于传统教学组。特别值得注意的是，学习者参与度指标提升15.3%，证明个性化方案对维持学习动机具有显著作用。
本研究证实，基于图神经网络的教育框架能有效协调教学内容与学习者认知发展的动态匹配。通过DAG图谱的结构化表示和KDM-AKRS协同机制，不仅优化了知识传递效率，更重塑了"教"与"学"的互动范式。该研究为构建具有持续进化能力的智慧教育生态系统提供了重要技术支撑，对推进高等教育数字化转型具有里程碑意义。
