近日，我校特聘教授、广东医科大学健康医疗大数据工程中心主任金博教授以广东医科大学名义撰写了一篇题为“Explicit and Implicit Examinee - Question Relation Exploiting for Efficient Computerized Adaptive Testing”的研究论文，被第39届人工智能会议（AAAI 2025）录用。

AAAI（AAAI Conference on Artificial Intelligence）是人工智能领域涵盖内容最广泛的国际顶级学术会议之一，同时也是中国计算机学会（CCF）推荐的A类国际学术会议，素有“人工智能顶会”之称。自1979年创办以来，AAAI以其严格的论文筛选机制和高水准的学术贡献，成为人工智能领域学术研究和技术发展的风向标。作为人工智能技术与应用的前沿阵地，AAAI会议的内容覆盖了深度学习、自然语言处理、计算机视觉、生物信息学等多个交叉学科领域，是学界和工业界广泛关注的行业标杆。

计算机自适应测试（CAT）是计算机辅助教育中的一个关键任务，旨在自适应地选择合适的题目来诊断考生的能力水平。现有的 CAT 方法通过探索试题 - 考生关系（E - Q 关系）来提高选择性能。这些方法要么只利用显式的 E - Q 关系，例如，基于策略的方法根据预定义的标准来决定题目选择。然而，当需要对题目库进行更改时，这些方法往往在搜索合适题目时会产生显著的计算成本。相反，一些研究仅关注隐式的 E - Q 关系。例如，基于学习的方法训练代理从大规模数据集中高效地选择题目。然而，它们可能难以处理新引入的题目。此外，大多数这些现有题目选择器都是基于贪心策略，这可能会忽视潜在的更好选择。

为了弥合上述两种类型的方法，文章提出了一种名为基于关系挖掘的自适应测试（REAT）的框架，通过挖掘和利用显式和隐式的试题 - 考生关系。具体来说，首先定义考生能力 - 题目选择关系来选择更合适的题目。然后，为了挖掘隐式 E - Q 关系，设计了一个题目选择器，它通过从两个方面探索考生能力并生成最佳题目选择来挖掘隐式 E - Q 关系，包括生成一致性和知识匹配。前者旨在最大化隐式 E - Q 关系学习过程的可能性，而后者用于拟合真实世界的数据。为了充分利用显式 E - Q 关系，使用显式 E - Q 关系生成一个高质量的候选集，这简化了选择过程，减少了选择延迟。文章通过在真实世界数据集上的综合实验展示了框架的有效性和效率。（文/段平涛 图/生物医学工程学院 审核/林林 复核/周圆 审发/裴金涛）