做“深度学习知识追踪与自适应学习”这个方向我有了大概想法但却不知道怎么把它落地。我想做的简单说就是让系统根据学生的做题记录判断掌握程度再推荐下一步学什么。可研究问题怎么定、方法怎么设计、数据从哪来一样都说不清文献翻过一些只记得个大概。方向本身是热门的教育部等五部门印发的《人工智能 教育 行动计划》里明确提到要根据学生能力、特质和爱好动态优化学习路径知识追踪正是这类应用的地基。但热门归热门第一步还是不知道怎么迈。这次我想换个方式把想法交给平台先理出一份研究草案把研究问题、技术路线、实验设计一次配齐再一键验证看看这个方向到底经不经得起推敲。研究草案梳理现状给出完整方案把课题“深度学习知识追踪与自适应学习”输入到UniResearch后平台梳理领域现状然后输出一份结构化研究草案。覆盖从研究背景、文献综述、现有局限到方法设计、实验设计与可行性分析。研究现状知识追踪已经走了三代——贝叶斯模型、循环网络、注意力与图网络每代解决了什么、卡在哪一张表说得明白。它点出的核心矛盾也很具体现有模型要么只建模遗忘、要么只建模概念依赖而且追踪输出和路径推荐是分开优化的预测精度很难转化成推荐质量。接着所提出的“FGAKT-AL”就是冲着这两个问题去的遗忘感知概念图编码器图注意力艾宾浩斯遗忘门控、状态-动作桥接层、PPO 路径推荐每个模块解决哪个挑战写得清清楚楚方案完整到可以直接照着验证这正是我需要的。实验验证验证方案可执行性方案再完整、写得再好不代表跑得通能执行。论文里说得漂亮、复现时对不上的结论我见过不少科学网报道过一项持续 7 年的分析3900 篇论文里半数无法复制。所以我没打算直接照单全收先验证一遍看它经不经得起推敲。草案输出的同时也给到了相关的数据集点击一键验证跳转到实验模块后点击立即执行平台自动执行实验。执行完成输出的报告结果与草案设计有一定差距简化配置下FGAKT-AL 最佳 AUC 0.665既没够到草案预期的 0.845也没超过 DKT 的 0.730。但这不是白跑一趟代码完整跑通训练过程稳定验证损失也是三个模型里最低的倒是 SAKT 最早触发了早停。这也说明了方案本身站得住问题不在设计上。性能没到预期卡在数据和调参上换成真实数据、真实概念图、把超参数调起来才有希望接近草案预期的 0.845。这个方向可以跟但不能照搬预期。要不要跟我不再凭感觉拍板而是有了实打实的依据。小结方向可以跟但条件要补齐这个结果比全过更让我安心它说明方案结构完整、代码能跑、训练稳定性能差距主要在数据和调参不在思路硬伤也把下一步该补什么摆清楚了——真实数据、真实概念图、超参数搜索一步都不含糊。论文里的方案值不值得跟工具把事实和差距摆齐了判断还是我自己来。《科学精神的本质是质疑》那篇文章里说AI 的使命不是给答案是帮研究者找到更好的问题——这次我找到的问题很具体不是这方案行不行而是在什么条件下它才行。前期最难的不是跑实验而是搞清楚该信什么这一趟下来我心里有底了。参考文章中国政府网 《人工智能教育行动计划》科学网《历时 7 年对 3900 篇论文进行分析发现 半数社会科学研究无法复制》UniResearch《科学精神的本质是质疑AI的使命不是给答案是帮研究者找到更好的问题》