罗盘 / 认知状态感知驱动自适应学习
暗星档案 · 未点亮的星认知状态感知驱动自适应学习
本条为初评草案（AI 辅助编目）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
认知状态感知驱动自适应学习T5 量级 · 新星
让学习系统实时读懂"你困惑了"再调整
暗星编号DS-0661
轴R · 风险与文明安全
领域cognition-education
状态初评草案 · 待双评与红蓝复核
这是什么 · 为什么难
当前自适应学习系统多依赖答题正确率等滞后信号调整难度,而真正的个性化需要实时感知学习者的困惑、走神、认知负荷等状态并即时干预。2025-2026 年已有研究用眼动追踪、EEG、面部表情等多模态信号检测课堂/自学场景中的困惑与投入度(如 ConfusionBench、EduGage 数据集),智能辅导系统开始尝试实时追踪情绪认知状态以提升学习效果。攻破意味着学习系统能像优秀的一对一老师一样,在学生卡壳的瞬间就调整讲法或难度,而非等一次测验结束后才知道学生没学会。
卡在哪 · 机制级卡点
多模态生理信号(眼动/EEG/表情)在真实教学场景中噪声大、个体差异大,现有模型多在受控实验室数据上训练、跨场景跨人群泛化能力弱;实时干预的"何时调整、怎么调整"缺乏因果验证的教学策略配对,传感器普及成本也限制规模化落地。
谁在攻
学术界多个团队在推进(ConfusionBench、EduGage 等 2025-2026 公开数据集与基准);智能辅导系统(ITS)研究团队发表于 Journal of Big Data 等期刊的实时认知情绪追踪系统
怎么参与
教育技术/机器学习背景可参与开源困惑检测数据集(如 ConfusionBench)的模型开发