本网讯 如何基于学生的学业行为数据对学生的心理认知状态进行建模，是教育心理学的重要研究方向，相关研究可以帮助教师和智能辅导系统更好地了解学生的学习情况，从而提供个性化的学习支持和引导。但已有的模型，如认知诊断模型只考虑学生的全局静态认知状态，而知识追踪模型则侧重于学生的局部动态认知状态，因此建模的准确性和鲁棒性均有不足。

论文在线发表情况

为此，我校青少年心理健康与危机智能干预安徽省哲学社会科学重点实验室骨干成员苏喻老师联合中国科学技术大学、合肥综合性国家科学中心人工智能研究院、合肥工业大学和科大讯飞的科研人员提出了一种GLNC（Global and Local Neural Cognitive）模型，更为准确和全面地建模学生心理认知状态。项目组首先根据所有学生与被试题目的交互信息来学习学生的全局认知水平；然后，提出了一种基于缩放点积注意机制的自注意编码器，以提取局部认知动态和学生最近互动之间的依赖关系；最后，基于学生最近回答题目与待预测题目之间相似性的融合门，以自适应地结合全局和局部特征。实验结果表明，所提出方法超过了现有的最先进方法。该研究成果对智能学习系统具有广泛的潜在意义，可以帮助提高学生的学习效率和体验。

模型的主体框架

相关成果以“Global and Local Neural Cognitive Modeling for Student Performance Prediction”为题发表在计算机科学大类分区一区期刊Expert Systems with Applications上。该刊为中国科学院大类一区TOP期刊，影响因子为8.665。betvicort伟德 为论文的第一单位，青少年心理健康与危机智能干预安徽省哲学社会科学重点实验室、计算机与人工智能学院苏喻老师为论文第一作者。

该研究工作得到国家自然科学基金、青少年心理健康与危机智能干预安徽省哲学社会科学重点实验室开放课题、认知智能国家重点实验室智能教育开放课题等项目资助。（青少年心理健康与危机智能干预安徽省哲学社会科学重点实验室、计算机与人工智能学院）