廣東智慧教育研究院師生論文被CCF A類(lèi)會(huì)議 AAAI 2026錄用
暨南大學(xué)融媒體中心訊 近日，人工智能領(lǐng)域的頂級(jí)會(huì)議The 40th Annual AAAI Conference on Artificial Intelligence (AAAI 2026) 正式公布錄用論文名單，暨南大學(xué)廣東智慧教育研究院師生投稿的四篇論文被頂級(jí)國(guó)際學(xué)術(shù)會(huì)議AAAI 2026錄用。
AAAI是人工智能領(lǐng)域歷史悠久、學(xué)術(shù)影響力廣泛的頂級(jí)國(guó)際會(huì)議之一，聚焦智能體、知識(shí)表示、機(jī)器學(xué)習(xí)、自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)等方向的前沿研究，同時(shí)也是CCF推薦的A類(lèi)國(guó)際學(xué)術(shù)會(huì)議。今年共有23680篇論文投稿，最終4167篇論文接收，錄用率17.6%，會(huì)議將于2026年1月20日至1月27日在新加坡舉辦。
入選論文介紹
論文1
題目：Learning from Scoring Disagreements: Contrastive Error Mining for Efficient and Robust LLM-based Assessment
作者：陳磊（暨南大學(xué)博士研究生）、程騰騰（暨南大學(xué)博士研究生）、高博宇（暨南大學(xué)）、劉子韜（暨南大學(xué)）、羅偉其（暨南大學(xué)）
通訊作者：高博宇
摘要：自動(dòng)化學(xué)生答案評(píng)分在面對(duì)復(fù)雜與模糊作答時(shí)仍面臨諸多挑戰(zhàn)，尤其是大模型在處理不確定樣本時(shí)易產(chǎn)生評(píng)分偏差，且few-shot 推理方法穩(wěn)定性不足，限制了其在真實(shí)教育場(chǎng)景中的應(yīng)用。為此，本文提出對(duì)比式錯(cuò)誤樣本挖掘與微調(diào)框架（CEM-FT），通過(guò)分析全量微調(diào)模型與少樣本模型之間的評(píng)分分歧，自動(dòng)識(shí)別高價(jià)值困難的樣本，并在此基礎(chǔ)上訓(xùn)練輕量級(jí) LoRA 微調(diào)，以低資源開(kāi)銷(xiāo)實(shí)現(xiàn)模型性能修正。實(shí)驗(yàn)在 SciEntsBank、Beetle 與 Mohler 三個(gè)數(shù)據(jù)集上展開(kāi)，結(jié)果表明 CEM-FT 可顯著提升評(píng)分準(zhǔn)確率與一致性，QWK 指標(biāo)較微調(diào)模型最高提升達(dá) 3.9%，相較 few-shot 基線(xiàn)亦有大幅優(yōu)勢(shì)。該方法為實(shí)現(xiàn)高效、可靠的學(xué)生答案自動(dòng)評(píng)分提供了可行路徑。
論文2
題目：A Compress-Expand Framework for Automatic Lesson Plan Generation
作者：黃淑妍（好未來(lái)）、鄭穎（暨南大學(xué)碩士研究生）、曾小麗（暨南大學(xué)碩士研究生）、劉子韜（暨南大學(xué)）
通訊作者：劉子韜
摘要：制定結(jié)構(gòu)良好的課程計(jì)劃對(duì)于提高課堂效率至關(guān)重要，但它往往是一個(gè)耗時(shí)的過(guò)程。近年來(lái)，許多研究利用大型語(yǔ)言模型（LLMs）自動(dòng)生成課程計(jì)劃。然而，現(xiàn)有方法高度依賴(lài)在大規(guī)模通用語(yǔ)料上預(yù)訓(xùn)練的LLMs，這些模型往往缺乏關(guān)鍵的教育理論與教材特定信息，從而可能導(dǎo)致課程計(jì)劃出現(xiàn)不一致性并與教材內(nèi)容不匹配。為解決這些問(wèn)題，我們提出了CE-LessonPlan，這是一種新穎的“壓縮—擴(kuò)展”框架，通過(guò)有效結(jié)合外部課程計(jì)劃參考資料與教材信息來(lái)生成課程計(jì)劃。該框架包括壓縮器，用于將多條檢索到的參考資料綜合為一個(gè)有凝聚力的文檔，以及擴(kuò)展器，用于將教材特定信息與LLMs的參數(shù)知識(shí)相融合，從而生成更加豐富的課程計(jì)劃。壓縮器與擴(kuò)展器的輸出隨后被無(wú)縫整合為一個(gè)全面的“黃金上下文”，進(jìn)一步提升LLMs在課程計(jì)劃生成中的效果。大量實(shí)驗(yàn)結(jié)果表明，CE-LessonPlan在課程計(jì)劃生成方面優(yōu)于現(xiàn)有方法。
論文3
題目：Activations as Features: Probing LLMs for Generalizable Essay Scoring Representations
作者：池金瑋（暨南大學(xué)碩士研究生）、王岢（暨南大學(xué)）、陳宇（暨南大學(xué)碩士研究生）、林軒燁（華南理工大學(xué)本科生）、許強(qiáng)（暨南大學(xué)碩士研究生）
通訊作者：王岢
摘要：自動(dòng)作文評(píng)分（AES）在跨命題場(chǎng)景中因評(píng)分標(biāo)準(zhǔn)的多樣性而極具挑戰(zhàn)性?，F(xiàn)有研究雖聚焦于大語(yǔ)言模型（LLMs）的輸出來(lái)提升評(píng)分準(zhǔn)確性，但我們認(rèn)為模型中間層的激活狀態(tài)同樣可能蘊(yùn)含重要信息。為驗(yàn)證這一假設(shè)，本文評(píng)估了LLMs激活狀態(tài)在跨命題作文評(píng)分任務(wù)中的區(qū)分能力。具體而言，我們通過(guò)激活狀態(tài)擬合探測(cè)模型，深入分析了不同模型架構(gòu)及輸入內(nèi)容對(duì)這種區(qū)分能力的影響。通過(guò)計(jì)算不同命題下各特征維度的作文方向向量，解析了大語(yǔ)言模型針對(duì)作文類(lèi)型與特征維度時(shí)評(píng)估視角的動(dòng)態(tài)變化。實(shí)驗(yàn)結(jié)果表明：激活狀態(tài)在評(píng)價(jià)作文質(zhì)量時(shí)具有顯著區(qū)分能力，且LLMs能夠針對(duì)不同特征和作文類(lèi)型自適應(yīng)調(diào)整評(píng)估視角，有效應(yīng)對(duì)跨命題場(chǎng)景中評(píng)分標(biāo)準(zhǔn)的多樣性問(wèn)題。
論文4
題目：GraphRAG-Induced Dual Knowledge Structure Graphs for Personalized Learning Path Recommendation
作者：程興和（暨南大學(xué)博士研究生）、張梓涵（暨南大學(xué)碩士研究生）、王家普（南京理工大學(xué)）、方良達(dá)（暨南大學(xué)）、賀超波（華南師范大學(xué)）、官全龍（暨南大學(xué)）、潘世瑞（格里菲斯大學(xué)）、羅偉其（暨南大學(xué)）
通訊作者：方良達(dá)、官全龍
摘要：學(xué)習(xí)路徑推薦旨在為學(xué)習(xí)者提供結(jié)構(gòu)化的學(xué)習(xí)資源序列（如知識(shí)概念或練習(xí)），以提高其學(xué)習(xí)效率。盡管該領(lǐng)域已有大量研究，但現(xiàn)有方法主要依賴(lài)于知識(shí)概念之間的先決關(guān)系，這帶來(lái)了兩個(gè)主要局限：1）這些方法假設(shè)知識(shí)概念之間存在明確的先決關(guān)系，而由于專(zhuān)家標(biāo)注成本高昂，此類(lèi)關(guān)系往往難以準(zhǔn)確獲取，從而限制了學(xué)習(xí)路徑推薦方法的實(shí)際應(yīng)用；2）基于先決關(guān)系構(gòu)建的單一、順序依賴(lài)型知識(shí)結(jié)構(gòu)，使得學(xué)習(xí)過(guò)程中任一環(huán)節(jié)的困難都可能阻礙整體學(xué)習(xí)進(jìn)程，進(jìn)而影響后續(xù)的學(xué)習(xí)效果。為了解決上述問(wèn)題，我們提出了一種新方法——基于GraphRAG的雙知識(shí)結(jié)構(gòu)圖個(gè)性化學(xué)習(xí)路徑推薦模型（KnowLP）。該方法通過(guò)融合知識(shí)概念之間的先決關(guān)系與相似性關(guān)系，提升了學(xué)習(xí)路徑推薦的準(zhǔn)確性與靈活性。具體而言，我們?cè)O(shè)計(jì)了知識(shí)概念結(jié)構(gòu)圖生成模塊 EDU-GraphRAG，該模塊能夠根據(jù)不同教育數(shù)據(jù)集自適應(yīng)地構(gòu)建知識(shí)概念結(jié)構(gòu)圖，從而顯著增強(qiáng)模型的泛化能力。此外，我們提出了一種基于判別學(xué)習(xí)的強(qiáng)化學(xué)習(xí)模塊（DLRL），用于緩解學(xué)習(xí)路徑阻塞問(wèn)題，進(jìn)一步提升學(xué)習(xí)路徑推薦的有效性。最后，我們?cè)谌齻€(gè)基準(zhǔn)數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，所提出的方法不僅在性能上達(dá)到了當(dāng)前最先進(jìn)水平，還能夠生成更高效的學(xué)習(xí)路徑。
責(zé)編：周會(huì)謙