图 深度符号回归算法框架

　　认知技能习得技术是教育与认知科学研究中的重要领域之一，破解技能习得的规律不仅有助于研究者深入理解人类认知过程，同时可以帮助人类更科学、更高效地学习知识和技能。技能习得涉及多个复杂的认知心理环节，而传统受控实验范式因专家先验或控制变量的差异所揭示的规律往往存在争议且缺乏在真实场景的普适性。

　　在国家自然科学基金项目（批准号：62293550）等资助下，华中师范大学杨宗凯教授、刘三女牙教授团队提出了一种新的学习规律挖掘方法，能够从自然发生的大规模学习行为数据中揭示认知技能习得的规律，为教育科学研究提供了一种高效的、更具潜力的研究工具。该研究采用科学智能（AI for Science）新范式，针对学习状态内隐、算子搜索组合爆炸等问题，设计了一种基于深度符号回归的规律方程自动挖掘算法。首先，利用自回归方式训练深度学习模型，实现学习状态计算与特征重要性评估。其次，提出一种符号化蒸馏方法将神经网络模型解析为代数方程式，实现学习规律的显式表达。模拟实验结果表明，该方法能够在一定噪声范围内准确识别核心变量并重建预设的技能习得规律方程，验证了所提方法的有效性。在大规模真实认知技能训练数据的应用中，通过该方法发现的技能习得规律拟合优度较当前主流模型平均提升50%以上。同时，通过该方法从数据中发现了两类新的认知技能习得规律——对数率与反幂率，并验证了不同技能习得规律之间的差异性、互惠效应等先前研究发现。该项成果以“在自然发生的数据上自动发现技能习得的符号化规律（Automated discovery of symbolic laws governing skill acquisition from naturally occurring data）”为题发表在《自然·计算科学（Nature Computational Science）》上。

　　华中师范大学杨宗凯教授、刘三女牙教授团队立足“人工智能+教育”国家战略需求和学术前沿，长期从事教育可计算理论、方法与应用创新研究，近年来在《教育研究》《自然·计算科学(Nature Computational Science)》《计算机与教育（Computers & Education）》《IEEE知识与数据工程汇刊（IEEE Transactions on Knowledge and Data Engineering）》等教育科学、信息科学高水平期刊发表论文逾百篇，促进了教育科学智能（AI for Educational Science）新范式与计算教育学方向的发展，服务中国特色教育科学知识体系建构与教育强国建设。