近日，全省智能教育重点实验室朱佳教授带领人工智能赋能教育(AiForEdu)团队围绕“生成式人工智能赋能学习”与“可解释智能推荐”等前沿方向，接连于教育技术领域顶级期刊《Computers & Education》以及CCF A类期刊《ACM Transactions on Information Systems（TOIS）》发表研究成果，展现了团队在教育与人工智能交叉研究上的阶段性进展与初步成效。

成果一：聚焦“生成式AI如何影响研究生二语学术写作的情感投入”

朱佳教授团队与墨尔本大学学者合作发表成果“More inspiration and attention: How Generative AI tools impact graduate students’affective engagement in L2 source-based academic writing”，发表于教育技术顶刊《Computers & Education》。研究采用随机对照实验（RCT），从问卷与屏幕回放刺激回忆、半结构访谈等多源数据评估学习者在不同写作阶段的情感投入变化。

研究发现：与传统AI工具（如翻译/纠错工具）相比，生成式AI在写作过程中对学习者情感体验的影响更为显著；尤其在“引导式提示词（suggested prompts）”支持下，学习者总体积极情绪显著提升，表现为更强的灵感、警觉、专注与决心，同时痛苦、烦躁与悲伤等消极情绪有所降低。但研究也指出，在后期修订阶段，当AI输出与个体表达需求或风格偏好不匹配时，部分学习者会出现复杂的情绪波动，这提示课堂应用中需要更强调“保持学习者掌控感”的支架化设计与个性化支持。

论文链接：

https://doi.org/10.1016/j.compedu.2025.105495

成果二：提出KnowPath框架，面向MOOC课程推荐实现“可解释+高质量”

朱佳教授团队与香港科技大学、意大利墨西拿大学等单位的学者合作发表论文 “KnowPath: An LLM-Supported Knowledge Graph Construction and Path Finding Framework to Explainable MOOC Recommendations”，发表于CCF A类期刊《ACM Transactions on Information Systems（TOIS）》。论文面向MOOC海量课程带来的“信息过载”和“推荐可解释性不足”等问题，提出KnowPath推荐框架：利用开源大语言模型构建能够刻画学习者、课程、教师与资源等多实体关系的知识图谱，并结合强化学习在图谱中寻找可解释路径，以生成更透明的推荐依据。

为进一步提升推荐质量与可控性，研究设计了多目标奖励模型（如helpfulness、correctness，并将verbosity作为需要抑制的目标之一），并引入Mixture-of-Experts（MoE）门控机制实现不同情境下奖励目标的自适应加权；同时提出惩罚项思路以“消除冗长偏置（verbosity bias）”，避免仅因回答更长就获得更高奖励，从而更聚焦于质量与相关性。实验在XueTang与COCO等公开数据集上验证了KnowPath在准确性与可解释性方面的综合优势。

论文链接：

https://dl.acm.org/doi/10.1145/3779436

后续展望

面向教育数智化转型的真实需求，朱佳教授团队将继续围绕生成式AI学习支持、师机协同等关键技术开展系统研究，推动教育技术与人工智能的深度融合，持续产出在智能教育领域具有学术影响力与应用价值的成果。