近日，好未來集團中臺內容雲教育測量和演算法團隊發表的兩篇有關教育測量技術理論與實踐的論文獲選參加美國國家教育測量委員會（National Council on Measurement in Education，以下簡稱NCME）年會。此次NCME年會將於2021年6月於美國馬里蘭州巴爾的摩市舉辦，屆時，好未來內容雲教育測量中心負責人孫研和資料演算法高階工程師朱帥將受邀出席大會，並作出報告。

自2020年以來，好未來連續兩屆入選教育測量領域的國際頂級會議。這不僅體現出好未來在教育測量演算法研發的前沿性，也反映出國際學術權威機構對好未來在該領域進行學術研究和探索實踐的認可。

2021年大會的主題為"Bridging Research and Practice"，強調教育測量技術從研究到實踐的轉化。本次好未來中臺內容雲入選的兩篇論文，均基於好未來自研測評技術在教學場景中的具體運用。

好未來獲選的兩篇論文題目分別是：Building knowledge components network from student performance: a collaborative filtering approach（《透過學生作答表現構建知識點關係網：一種基於協同過濾的方式》），以及Implementing CD-CAT in High-Dimensional Testing Situations（《認知診斷自適應測驗在高維測試場景中的應用》）。

好未來第一篇論文研究如何基於學生在真實課堂作答的大資料自動化挖掘海量知識點間的定量關係。

作者受電商及短影片平臺推薦引擎的啟發，利用基於隱式反饋協同過濾演算法對知識點進行向量化，並計算知識點間的客觀相似度，從而量化知識點關係。相較於傳統的基於專家經驗的定性知識點關係判斷，基於協同過濾的知識點關係網可以更加客觀、有效地量化知識點間的關係，透過知識點間的量化關係，使好未來實現在內容建設上將知識點溯源、智慧題目推薦及縮減測評題量等應用落地。在實踐中，基於協同過濾的知識點關係網在好未來線下一對一個性化教學場景中扮演了推薦引擎的重要角色。

好未來第二篇論文提出一種在需要診斷大量知識點的場景下實施認知診斷自適應測驗的技術方案。

作者採用了Accordion Procedure（手風琴過程），基於既有知識樹對高維知識空間簡化，透過增加學生背景變數資訊，提高自適應測試效率，縮短測試的時長，並提出高維知識點診斷場景下的選題策略。模擬資料結果顯示，在獲得對學生畫像同等精度估計的前提下，增加學生背景資訊可以將測驗長度縮短為原來的一半以上。在實際應用中，學生在參加測試前大機率會具有一系列先驗的學習記錄、背景資訊，這些資訊不僅可以提供學生畫像的機率分佈情況，並且有助於加快後續的自適應診斷速度。

好未來秉持著"愛和科技讓教育更美好"的使命，好未來內容雲教育測量與演算法團隊始終堅信技術將會加快教育變革的步伐。教育變革的未來是以大資料為紐帶，將優質的內容資源對適合的學生進行智慧分發，透過人機協同真正實現因材施教。這其中對於學生畫像的準確判斷和解析是非常關鍵的一步。相較於傳統測評對學生能力的籠統概括而言，基於認知測評結合學生學習行為資料產出的學生畫像維度更為多樣，蘊含的資訊量更大，可解釋性更強。

目前好未來內容雲團隊的認知測評與評價技術已經在多個業務前臺有所落地，結合知識圖譜能夠為學生提供個性化的教學服務。

好未來內容雲幼兒英語能力測評，從12個細分專業領域評估3-6歲學員英語知識技能和語言學習潛力的發展情況。測評將有針對性地提供語言學習和能力發展培養建議，幫助教師全方位提升學員英語語言能力。

好未來內容雲學習畫像服務，透過大規模學生答題資料、試題知識點資訊和教育測量學技術，科學剖析學生知識點掌握情況等學習狀態，精準定位學習薄弱點。基於內容雲知識地圖體系和內容理解能力，最終為每位學生推薦針對性的學習內容，讓學生擁有專屬"學習-評價-推薦-反饋-學習"的高效學習路徑。

依託好未來豐富的教學場景和資料資源，好未來內容雲教育測量與演算法團隊將持續攜手全球教育與科技精英，將技術更好地賦能教育教學實踐，推動個性化教學的發展，探索大規模因材施教的更多可能。