面向自我调节学习的教育推荐系统算法系统综述

International Journal of Human-Computer Interaction · 2026-10-13 · 综述

• 一句话结论：该综述提示，面向自我调节学习（SRL）的推荐算法正从传统过滤方法向机器学习、深度学习及新兴大语言模型（LLM）方法演进，但冷启动、可解释性有限与LLM幻觉三类挑战并存，尚不足以下结论认为现有算法已能可靠支撑SRL。
• 研究设计与做法：研究设计为算法视角与教学视角结合的系统综述：检索6个数据库，按预设纳入与排除标准筛选，最终纳入2020至2025年间发表的25项符合条件的研究，并对算法演进脉络进行梳理。
• 主要结果：纳入25项研究；综述归纳出三项主要挑战，即冷启动、可解释性有限与LLM幻觉，同时指出在学习者—系统交互与元认知支架方面存在研究空白。具体效应量、置信区间与p值材料未报告。
• 机制或解释：作者解释认为，传统内容推荐与协同过滤易受冷启动困扰，机器学习与深度学习方法带来可解释性顾虑，而基于LLM的推荐需评估解释忠实性与幻觉问题，因此需在受控数据稀疏条件下比较算法。
• 局限与边界：局限与边界：作为综述，其结论受纳入文献数量（25项）与发表时间窗（2020—2025）限制；材料未报告纳入研究的地区分布、人群特征、单中心与否及利益冲突情况。
• 可否落地：可否落地：证据档位为B，属「证据支持」层面的方向性建议——未来研究宜在受控数据稀疏下比较算法、评估解释忠实性与来源筛选、保留学习者自主性、覆盖SRL三阶段并纵向评估技能维持与迁移；对临床或教学直接应用尚「不足以下结论」。

🔗 打开原文

Zhuoying Li, Sikai Wang

本文摘自《每日前沿研究简报 · 2026-10-15》「信息科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。