近日，长水教育集团题为《Exercise recommendation algorithm based on improved collaborative filtering》、《Exercise Recommendation Method Based on Machine Learning》的两篇学术论文被教育技术领域顶级国际会议The 21st IEEE International Conference on Advanced Learning Technologies（简称“ICALT 2021”）录用，该会议是由IEEE计算机协会和IEEE学习技术委员会联合组织的关于高科技学习技术的年度国际会议，是全球公认的教育技术领域学术质量最高的会议之一。

“ICALT 2021”组委会发给李志壮老师的回函

两篇论文的第一作者均为长水教育集团人工智能与学生发展研究工作室主任李志壮老师，通讯作者为长水衡实中宜良校区执行校长胡海洋。论文其他作者包括宜良校区常务副校长夏志鹏老师、呈贡校区教研与课改中心主任王子思翰老师、宜良校区黄晓克老师、施景艳老师、李海龙老师、曾山老师、李学章老师、仇北旭老师，均为长水教育集团人工智能与学生发展研究工作室成员。

李志壮老师介绍习题推荐算法的设计思路

拥有北京大学计算机专业硕士学位的李志壮老师是长水教育集团“鲤鱼计划”引进人才，在宜良校区担任高中数学教师。这两篇论文的研究主要源于他在一线课堂教学中对学生学情的观察与思考。

“我在教学过程中发现，有些成绩一般的学生进行某些章节的测案习题答题时，能表现出与学习成绩较好的同学相近的水平，但在其他章节答题中并没有出现这种情况。基于此我进行猜想：对于每个知识点，每类学生都有适合自己的一批习题，学习这样的习题能给这类学生带来比一般习题更大的提升，因此让他们具备了超出平时水平的解题能力”。

李志壮老师在有了这个想法之后，得到了集团督导办、教科院、人力资源部等部门的大力支持，借助“鲤鱼计划”的培养框架，成立了长水教育集团人工智能与学生发展研究工作室，并招募了一批有研究能力、扎实基础、教学经验丰富的老师加入，如工作室中的夏志鹏老师是集团宜良校区的常务副校长，他是2018年云南省民办教育优秀工作者，拥有极为丰富的教学管理与德育管理经验，工作期间更是获奖无数，并曾发表多篇高水平论文；王子思翰老师毕业于中国科学院大学，具有优秀的科研能力，曾发表多篇高水平论文。此外，工作室还邀请北京大学朱郑州教授担任名誉主任，与朱郑州教授创办的北京大学教育大数据研究会展开合作，并由北京大学教育大数据研究会为工作室提供一定的数据和技术支持。

在宜良校区执行校长胡海洋的直接引领与参与下，工作室的成员们制定了研究方向、研究思路、技术路线，通过认真严谨的调研探讨出了多种学生分类策略、适合各类学生的习题挖掘方法、某类学生对指定习题的学习效果检验方法，并通过分工协作，对多种习题推荐算法进行了具体的设计研发和效果验证，证实了最初设计的两种习题推荐算法具有较强的有效性和合理性，最终这两篇论文被“ICALT 2021”会议录用。

教育科研小组学术研讨会

“在整个研究过程中，集团总督学张建平老师、教科院院长李晓丽老师、督导办主任罗少辉老师都对我们的研究方向与思路提出过宝贵意见，这是长水教育集团集体智慧的结晶”，李志壮老师表示，长水教育集团人工智能与学生发展研究工作室还将继续对上述两篇论文提出的习题推荐算法进行完善，提高其适用范围和易用性，并进一步设计出该算法在中学教学中的推广使用方案，从而提升更多学生的学习效率。

近年来，长水教育集团依托“上接天线、下接地气”的教科研智库体系，紧跟人工智能、大数据、区块链等技术发展趋势，成立了教育大数据研究院和“5G+AI实验室”，并创办了云南省首个“5G+AI智慧教育”项目，逐步实施“智慧校园”建设、教联网建设、信息化技术应用，从而提高学生综合素质、个性化发展，培养学科核心素养，最终提升整体教育教学质量。

长水衡实中“5G+AI”实验课课堂

目前，长水教育集团已在部分校区建设了标准化考场和云计算机机房、AI人工智能实验室；长水衡实中各校区持续推进三师课堂（三师：线上名师、线下辅导教师和德育导师）建设，推动教师主动适应信息化、人工智能等新技术变革，促进教师信息化素养与专业化成长；探索开展混合式教学，以数字家长学校、资源和学习平台、办公平台及智慧校园管理平台，多维度多层次满足学生、家长、教师的学习与成长需求，为构建长水教育现代化治理体系及高质量教育信息化支撑体系持续赋能。

未来，长水教科研智库体系将进一步瞄准国家重大战略和区域发展需要，充分发挥教育科研在办学过程中的支撑、驱动和引领作用，持续完善学科建设，提升研究水平，切实提高教育决策科学化水平，为促进高中段学校多样化建设，学生全面而有个性地成长，发展更加公平更高质量的教育作出新的贡献。

相关链接：

学术论文《Exercise recommendation algorithm based on improved collaborative filtering》提出了一种基于改进的认知诊断方法和长短时记忆网络(LSTM)的习题推荐算法，旨在更快地提高学生对指定知识点的掌握程度。针对目标学生和指定知识点，该算法可以在包含指定知识点的所有习题中，筛选出能尽快提高目标学生对该知识点掌握水平的习题，然后推荐给目标学生。实验结果验证了该算法的有效性。该算法具有较高的合理性和可解释性，解决了传统基于协同过滤的练习题推荐方法缺乏解释性和合理性的两大弊端。学术论文《Exercise Recommendation Method Based on Machine Learning》提出了一种基于机器学习的习题推荐算法。该算法可以根据学生所属的类别，为学生推荐对提升该学生的能力帮助更大的习题。该算法首先使用线性回归和EM算法，为学生对每个知识点的掌握程度进行精确建模。对于每个知识点，根据学生对该知识点的掌握程度、学生对所有知识点的平均掌握程度，使用聚类算法，将学生分为多个类别。对于每个知识点，根据学生历史答题记录，分别找出对每类学生帮助最大的习题。对于需要推荐包含指定知识点的习题的学生，首先使用k-近邻算法对该学生进行分类，然后为该学生推荐适合于该类的习题。经试验检验，本方法可以提帮助学生在做同样数量的习题的情况下获得更大的知识点掌握程度提升效果。