第三届智能教育技术与应用国际会议ITEA 2026的邀请函我前前后后看了好几遍。不是内容有多绕而是“智能教育”这个词这些年被用得太多多到大家已经不太容易分辨它到底是真趋势还是又一场概念扎堆。可如果你把会议议题、往届方向和近两年自己做的教育类应用项目串起来看就会意识到这个会其实攥着一个关键信号智能教育正在从“讲概念”变成“拼场景、拼落地、拼数据闭环”。无论你是做AI算法、做产品设计还是在学校里负责信息化建设这个会都跟你有点关系。这篇内容我就以参会者的视角把标题里的信息拆开揉碎讲讲这个会到底在讨论什么、哪些技术值得盯、怎么去参会才不白跑。1. 这个会议为什么值得关注从标题里读出行业信号1.1 智能教育从“概念热”转向“应用深水区”回看前几届的议题变化能明显感觉到智能教育的路径在收窄早几年大家爱聊“智能教育是什么”“未来会不会取代老师”现在还聊这些的已经很少了更多人在讨论的是“在某门课里怎么用AI提升学习效果”“某个模型上线之后准确率变化怎么样”“数据从哪里来、授权怎么处理”。ITEA 2026把“技术与应用”并列放进会议名称本身就说明了主办方想把两拨人拉到一起一拨是搞技术研发的一拨是真正在一线用技术的。教育场景有一个特点它比很多行业都难标准化。一堂课四十五分钟不同老师讲法不同不同学生反馈不同不同学校的作息和考核机制也不同。这种高度非标的属性导致很多在其他行业跑得通的AI方案一进教室就水土不服。所以这个会议关注的不是单纯的“模型先进”而是“技术如何与教学流程咬合”。如果你正在做教育类项目最该关注的不是又出现了什么新算法名称而是哪些方案能解释清楚“数据从哪来、模型判断依据是什么、教师怎么介入、效果怎么衡量”。1.2 会议议题覆盖了哪些核心板块从会议名称“智能教育技术与应用”来拆主要板块大致会落在这样几个方向学习分析与教育数据挖掘研究学生行为日志、作业和测验结果提取学习状态并预测风险。自适应学习与知识图谱构建知识点之间的逻辑关系实现个性化学习路径推荐。教育大模型与生成式AI把大模型应用在备课、出题、答疑、作文批改等真实环节。多模态交互与沉浸式环境涉及语音、图像、手势、VR/AR在模拟教学中的应用。智能测评与教育评价从终结性评价走向过程性评价用数据还原能力画像。数据安全、伦理与教师数字素养技术落地的边界以及教师是否具备驾驭工具的能力。这几个板块放在一起看不是简单的技术堆叠。学习分析和知识图谱解决的是“理解学生”大模型和生成式AI解决的是“生成内容”多模态和VR解决的是“还原情境”评价和数据安全解决的是“如何用好、如何不出事”。这样的结构基本就是一个完整教育智能系统的研究版图。有人做单点技术有人做整体架构会议把这些议题放在同一个场域里碰撞价值恰恰在这。1.3 哪些人适合去现场哪些人线上看就行我的判断是下面这几类人适合优先去现场教育类产品的算法工程师和产品经理。你去现场不是听别人讲概念而是看真实案例里数据是怎么流失的、模型是怎么被弃用的这些在论文里经常被修饰掉。高校教师、中小学教研员和一线教师代表。你们是场景的拥有者参加这种会议最大的收获不是技术本身而是建立判断力知道供应商说“人工智能精准教学”时背后到底用了什么数据、什么模型。学校和教育机构的数字化转型负责人。你关心的是选型、成本、合规和教师培训这些内容在展区和专题论坛里最集中。教育技术方向的研究生和青年学者。找方向、找导师、找数据集、找合作单位现场交流比在邮件里发十遍自我介绍都有效。如果你仅仅是想了解趋势、看几个报告标题那完全可以等会议结束后看资料。但如果你带着实际项目去哪怕只是去问几个问题现场和线上是完全两种体验。接下来要把核心的技术模块逐一说清楚方便你到了会场知道该往哪个方向钻。2. 会议背后绕不开的五类核心技术2.1 学习分析与教育数据挖掘把行为数据变成决策依据学习分析这几年在会议里出现的频率一直很高原因是它离“可落地”最近。教室里每天都在产生数据学生几点登录平台、视频看到哪里暂停、一道题停留多久、草稿纸上划了几笔、提交作业前修改了几次。这些痕迹单独看没有意义但聚合起来可以描述一个学生的学习状态。比如一个学生每次遇到某类题型都会反复删除重写最后正确率还不低那说明他可能不是不会而是对概念理解不稳定。做这类项目的基本流程我建议从五步入手数据采集、清洗对齐、特征构造、模型训练、干预反馈。第一步容易忽视的是时间对齐视频观看日志用的是平台时间答题记录用的是本地时间系统时区不一致后面所有分析都白做。特征构造阶段除了正确率、用时、完成率这些常规指标还可以关注“求助行为”“回看行为”“错因序列”。有些课题组会引入认知诊断模型把学生的作答结果映射到知识点的掌握概率上这种做法在数学、物理这类结构化学科里效果尤其明显。模型选择上不用一上来就堆深度学习。很多预测任务用逻辑回归、随机森林就够用而且可解释性更好。教师需要知道“为什么预警这个学生”而不是只知道“系统说风险高”。如果非要给参数层面的建议处理在线学习行为数据时建议按“会话”而不是按“天”聚合特征因为学生经常是晚上集中刷题按天统计会把一次完整的练习过程切成好几段。我在自己的项目里还发现“连续两次测验的错题重叠率”是比“最近一次正确率”更敏感的预警指标。这些细节在论文报告里往往被一笔带过但在会场问答环节反而经常被追问值得带着问题去听。2.2 自适应学习与知识图谱个性化推荐的底层逻辑自适应学习不是新概念但真正做到好用很难。核心组件是知识图谱和推荐策略。知识图谱要把“勾股定理”“三角函数”这类知识点之间的关系显式表示出来哪些是前置概念、哪些是平行关联、哪些概念没学会会阻塞后面的内容。节点是知识点边是教学法上的先后依赖每道题、每个视频、每页课件都要挂载到对应节点上这需要学科老师和算法工程师一起参与建图纯靠爬虫和自然语言处理自动生成的知识图谱经常会在关键依赖上出错。推荐策略方面教育场景不能照搬电商逻辑。电商追求转化率多推一个商品最多是打扰教育推荐推错题目浪费的是学生的注意力和信心。常用的方法包括基于项目反应理论IRT估计学生能力值、基于贝叶斯知识追踪建模知识掌握概率、用协同过滤发现相似学习路径或者用上下文老虎机在探索和利用之间做平衡。如果你的项目刚起步建议先做“规则IRT”的简单版本根据当前知识点的掌握概率推荐最近发展区内的题目即大概百分之六七十把握能做对的难度。这个区间不是拍脑袋定的而是有学习理论支撑的比单纯按照“正确率低于多少就推更简单”的规则要稳得多。会场上如果听到“个性化学习路径”相关的报告我建议你提三个问题知识点粒度是章、节还是具体考点图谱是谁维护的多久更新一次推荐结果是否有解释学生和老师能不能看到“为什么推荐这道题”这三个问题能帮你快速判断一个项目是名副其实还是有水分。2.3 教育大模型与生成式AI从辅助工具到教学伙伴2026年前后大模型已经深度进入教育领域但关键是“怎么用”。直接拿通用大模型回答学生问题会出现一本正经胡说八道的情况这在严肃学习场景里是致命的。教育领域现在的主流做法有三层基座模型之上做领域微调、用检索增强生成RAG引入教材和题库、加一层面向教学约束的对话策略比如“遇到不会的题要先引导思考不要直接给答案”。RAG这条路线在落地时性价比最高原因是教材、课标、题库都是现成语料不需要重新训练基座模型。把教材切成段落做向量化学生提问时先从库里召回相关段落再让模型基于召回结果生成答案。这一套最大的好处是答案有出处能定位到教材的哪一章哪一节。副作用是召回质量决定了回答质量切片切得太碎会丢上下文切得太大会塞爆上下文窗口。我的经验是按“知识点教材来源”双字段组织切片同时控制每段不超过几百字检索效果最稳。教育大模型的另一个好用处是生成教学资源教案初稿、变式练习题、作文评语、课堂小结。但你一定要注意生成结果是“种子”而不是“成品”。我在实际测试中发现让大模型直接写一份完整教学设计结构看着没问题细看却常常缺少对学情的针对性让模型先列教学目标再根据目标生成活动最后人工调整活动顺序效果就完全不同。本质上是把生成任务拆成“目标—活动—资源”三段。这类实操经验在会议报告里不常讲展区工作人员也不太会主动透露反而是论坛讨论环节更容易听到干货。2.4 多模态交互与沉浸式环境把抽象概念变成可体验的情境多模态技术在智能教育里解决的是“场景缺失”。化学实验有危险不敢做口语对话没有外教陪练建筑结构很难用二维图片讲清楚这些场景都需要用技术再造一个可交互的环境。VR实验室、AI口语对话训练、手势识别的虚拟仿真、眼动追踪的阅读诊断都属于这个范畴。做这类项目的成本很高不只是设备贵而是内容制作成本高。一个简单的虚拟化学反应实验要建模反应容器、粒子运动、现象变化还要考虑操作错误时的表现工作量非常大。所以聪明的做法是挑“高风险、高成本、难再现”的场景做而不是把所有实验都用VR复刻一遍。比如中学物理里的电学实验、电气维修类的安全操作训练、医学护理中的急救流程这些场景一旦做对了价值是普通课件无法替代的。参数层面可能会涉及渲染帧率不能低于多少、交互响应延迟控制在什么范围、模型支持多少人同时在线。但我认为多模态在教育场景的核心指标不是“逼真”而是“有效”。一份VR实验报告如果学生只记住了操作顺序却没理解背后的物理规律那这个项目就只剩技术外壳。所以你在会场上听这类汇报重点去听“学习效果评估方法”而不是被演示画面的酷炫程度带跑。2.5 数据安全与伦理合规最容易忽略却最硬的约束教育数据有很强的敏感性尤其涉及未成年人。一个学生的答题记录、行为特征、心理量表结果经过分析后可能比他自己更了解自己。技术在增强学习体验的同时也放大了隐私和伦理风险。所以会议议题里出现“数据安全”不是公关噱头而是真实上线时必须面对的合规门槛。从实操角度看我建议所有教育项目都尽早做这几件事数据收集时最小化只采集当前功能必需的数据对身份标识做脱敏尽量用匿名ID关联行为数据模型训练和评估时明确划分训练集和验证集避免把学生个人信息带入特征用户协议里写清楚数据用途和保留期限支持学生和家长申请删除。算法层面还要注意公平性问题同一个模型在不同学校、不同生源群体上可能出现偏差不能简单用“整体准确率”掩盖分群体的表现差异。会议如果有专门讲伦理和治理的分论坛我建议做产品的同行一定要去听这部分内容不是论文里的装饰品而是未来项目能否活下去的基本盘。3. 从议题到落地的场景拆解3.1 智慧课堂从录播和打卡走向人机协同智慧课堂是智能教育落地最频繁的入口。早期的智慧课堂多数停留在“电子白板录播在线作业”的层面老师说“今天用平板上课”本质上只是把纸质题换成了电子题。真正往前一步的变化在于课堂行为数据的采集与实时响应通过摄像头识别学生举手、低头、讨论的状态通过答题器实时收集全班正确率结合历史数据预判哪个知识点需要放慢速度。但这里有个容易翻车的细节课堂行为分析很容易侵犯师生边界。摄像头采集学生表情和动作如果只用于统计“专注度”还可以一旦把画面数据用于学生画像、排序、通报就会引发极大的抵触情绪。我在跟一位中学教师交流时对方说得特别直接“我发现系统提示某个学生走神但我看到的是他在发呆思考不是在开小差。”这说明行为信号是二义的数据不能替教师做判断只能提醒教师“这里有异常你可以看一眼”。智慧课堂的产品设计应当把决策权留给教师技术做的是降低信息差而不是增加控制感。3.2 智能测评与学习预警过程性评价真正实用的地方传统考试给的是期末分数过程性评价则希望用连续数据描述能力变化。智能测评可以覆盖课堂问答、单元测、作业、项目制学习成果等多个层面最后汇总成能力雷达图或知识掌握热力图。这种评价方式对一线教师尤其有价值它能告诉你班级里哪些学生存在“隐性困难”看着成绩中等但某个知识点长期薄弱影响后续章节学习。预警系统再往前一步就是学习风险预测。用历史数据训练模型预测学生完成某门课程或某个阶段学业的风险等级。这里有两个容易踩的坑第一是标签定义问题什么是“风险学生”要用明确、可复现的规则定义比如“连续两次单元测试低于阈值”或者“作业提交逾期次数超过规定”不能用模糊的主观判断当标签第二是预警必须带干预闭环只预报不干预会消耗师生信任。一个合格的预警系统至少要同时给出“风险因子分析”“建议动作清单”“干预后的效果追踪”三个部分缺一个都会沦为吓唬人的指示灯。3.3 教师减负与内容生成把教师从重复劳动中解放出来教师的时间被大量非教学事务占用这是行业内公开的秘密。出题、排版、批改客观题、整理错题、写评语、做课件每一件都在消耗精力。教育大模型在这一块能做的事情最多也最容易见效输入教学目标生成分层练习题扫描学生手写作答自动批改并生成归因分析根据试卷结果自动生成全班共性错题讲解PPT的底稿。但教师工具的要害在于“信任”。老师不会用不透明的系统来做最后决定。所以产品设计上要尽量做到“AI生成、教师确认、结果可追溯”。比如作文批改AI给的是评分理由和修改建议教师可以一键采纳也可以逐条修改系统最后保留人工审核记录。一旦绕过这个确认环节出了问题时教师会背锅工具也会被弃用。会议上如果遇到做教师工具的项目我建议问问他们的交互设计里有没有“人机共同决策”的机制。3.4 终身学习与职业教育技能图谱驱动的精准训练教育不只发生在学校。企业培训、职业转岗、成年人碎片化学习都是智能教育的重要应用场。职业教育的特点是目标明确学完能不能胜任岗位看的是技能项不是考试分。技能图谱可以把岗位能力拆成技能单元再关联到课程、练习、考核标准做成一个“岗位—技能—课程”的可视化网络。员工缺哪项技能系统就推荐对应的学习内容学完再测直到达标。这个场景对算法能力的要求反而相对清楚数据量足够、目标相对明确、评估标准也比较硬。但真正的难点是图谱维护行业技能迭代速度很快去年适用的技术栈今年可能就变了。所以做这类项目一定要在建图谱的初始阶段就定义好更新机制否则半年后图谱就过期了。会场里如果看到相关报告可以关注他们如何处理技能标签的新增、替换和废弃流程。4. 参会实操建议怎么准备才不白跑一趟4.1 会前准备带着问题清单别带着一张名片就出门参会最大的浪费不是门票而是你到了现场不知道该听什么、该问什么。我自己的习惯是会前至少留出两个晚上做三件事第一通读会议议程把每个分论坛的题目和摘要过一遍划出跟当前项目直接相关的场次注意不要只划本方向的场次相邻领域的报告可能给你提供迁移思路第二查一下往届论文或者主办方公开的论文集提前了解这个会议的学术水平线也方便在报告结束后问出有质量的问题第三写一份“问题清单”每场报告至少提前写一个问题这个动作会逼着你在听讲时进入找答案的状态。问题清单可以分两类一类是技术细节比如“你们的数据集规模多大标签是人工标注还是自动生成的”“模型在跨校、跨年级迁移时准确率下降多少”另一类是落地情况比如“这个系统在学校里跑了多久教师的使用意愿怎么培养”“有没有失败案例当时卡在哪一步”这些问题在茶歇时问作者获得的信息比论文正文多得多。另外强烈建议准备一份“一页纸项目说明”内容包括你的团队在做什么、用到的核心方法、当前数据或样品规模、最想寻找的合作方向。这不是让你去推销而是让交流更高效。学术界有一类很普遍的低效场景两个人聊了十几分钟各自介绍了五分钟背景最后发现根本不是同一个方向。一页纸会大大减少这种时间浪费。4.2 现场听会与记录听结构、记追问、留上下文会议现场信息密度很高三天的会下来如果你只是拿手机拍拍PPT回去基本不会再看。我现在的记录方法是结构化手账每场报告记录四个块研究问题、方法和数据、关键结果、发言结束后被问得最多的问题。前三个块跟着报告的叙事走第四个块在问答环节补写。问答环节特别重要很多人不敢提问但你哪怕只是认真听别人问了什么都能收获大量关于论文局限性的信息这些在摘要通常被隐藏。听报告时还要注意区分“学术叙事”和“真实情况”。一篇报告为了逻辑闭环会把探索过程中的弯路剪掉。你听到的结果应该是可信的但推动结果的方式没有展示出来。如果某个方法“效果好到离谱”那大概率是评估方式有边界、数据量有限、或者对比基线太弱。与其在现场直接质疑不如在会后私下交流时问一句“你们早期试过哪些方案为什么最终选了现在这个”这个问题往往能撬出最有价值的经验。录音之前一定要征求报告人同意这在学术会议里是基本礼仪。我见过有人偷偷录音拍照被提醒场面尴尬。拍照幻灯片也尽量先问一句很多老师介意自己的未发表成果被提前扩散。尊重边界反而能让对方更愿意跟你深入交流。4.3 论文汇报与海报交流把十来分钟讲成一个完整故事如果你有自己的论文被录用恭喜但汇报本身是个体力活。主会场报告通常只有十来分钟要在这么短时间里把“问题、方法、实验、结论”讲完且让台下不熟悉你小方向的人听懂难度比做研究还高。我的经验是准备三个版本一分钟电梯版用于会场碰见的同行只需要说清你要解决什么问题、做成了什么三分钟标准版用于海报交流和茶歇补充方法概要和关键结果正式汇报版按会议给的时长做严格控制在时限内。正式汇报版的结构我比较推荐“问题切入”而不是“背景铺陈”。不要花两分钟讲“教育信息化高速发展”这种正确的废话直接开门见山现有方案解决不了某个具体场景中的什么问题我提出了一套什么思路效果好在哪里。你只有十分钟第一句话就应该让听众觉得“这个问题我也有”。每页PPT只保留最关键的信息图优于表表优于文字堆叠。报告结束时主动告诉听众你的数据能不能开放、怎么找到你的完整代码或论文这句话能明显提升后续交流成功率。4.4 会后沉淀把会议素材转化成行动项会议结束后的48小时是信息保值的黄金窗口拖得越久遗忘越多。我一般回去先做三件事第一把会议笔记按“值得深挖的技术”“可合作的团队”“需要避开的坑”“行业趋势信号”四个标签重新归档这个动作看起来简单但能倒逼你回到具体情境而不是只留下“某某老师讲得很好”这类无效评价。第二整理交换到的人脉信息。学术圈交流后最自然的连接方式是当天通过某个学术平台或行业社区发出简短的感谢消息顺带提一句你们聊到的共同话题最好能带上具体记忆点比如“在讨论环节你问的那个问题我回去查了一下相关文献也有类似现象”。避免发那种“很高兴认识你希望以后多交流”的空话加了等于没加。第三写一份“会议结论”文档只写三条确认了什么、否定了什么、下一步做什么。确认的是当前技术路线的可行性依据否定的是你之前以为可行但听完发现不靠谱的方案下一步是三到五条可执行的行动项比如“联系某课题组要数据集”“重新跑一遍基线模型”“给产品设计加一个教师确认环节”。参会不是为了证明自己去了是为了让项目往前走一步。这个习惯是我参加过几届同类会议之后才真正养成的早期我也只会存照片和PPT后来发现那些素材大部分都没再打开过。5. 展区、Demo演示与工作坊的独特价值5.1 企业展区不看特效看数据来源和评测口径会议除了学术报告通常还有一块企业展区这里能看到产业界把技术做成产品的样子。建议给展区留出半天时间但是要带着“审计”的眼光去而不是带着逛街的心态。几乎所有教育科技展台都会放一个看起来很智能的Demo输入题目自动生成讲解、识别学生表情判断专注度、一键生成全班学情报告。你真正要问的不是“你这个功能怎么做到的”而是三件事。第一数据从哪来。如果系统声称能生成个性化讲解那它的知识库来自哪个版本的教材、题库是否覆盖本地考纲、数据标注是谁做的、标注一致性如何。说句实话有些产品背后的数据就是网上抓的质量和时效性都不可控用在一线城市新教材上会漏洞百出。第二评测是怎么做的。任何演示都可以挑有利案例你要问“如果学生问一个规则外的怪问题系统怎么处理”“有没有测过错误输入的边界”。第三合规材料是否齐备。涉及学生数据处理的产品有没有明确隐私政策、数据存储位置、安全等级保护备案。这些问题不好回答的展台说明产品成熟度还不够谨慎选型。5.2 工作坊和动手环节别急着动手先弄清学习目标很多会议会安排半天工作坊教参会者搭建某个智能教育原型、使用某个工具平台、跑通一个学习分析流程。这类环节参与门槛不高但收益差别很大。我的建议是进入工作坊前先读一遍它的议程说明搞清楚结束时要产出的成品是什么。有的工作坊目标是让你完成一个可运行的Demo有的目标是让你理解算法原理有的目标其实是让你试用某家商业产品。如果是技术类的最好自带一台配置好常用运行环境的电脑会场临时装环境非常浪费时间。动手过程中如果卡住了先看是不是环境版本问题再怀疑自己代码问题最后再质疑文档。我跟几个同行交流时发现一半以上的卡点都出在依赖版本和系统路径上跟算法本身没关系。工作坊结束时通常有展示环节哪怕你只做了一个很小的改动也建议上去讲两句这种场合是快速建立同行联系的好机会。5.3 我在几次会议中踩过的坑和调整思路第一次参会时我犯过一个典型错误每场报告都拍PPT手机里存了几百张图片回去一张都没翻。问题已经说完现在我的原则是一个报告最多拍三张图且每张必须配上现场手写的一句话说明因为光看PPT截图像看谜语过两周连自己都猜不出那是哪一页。另一个坑是只问“你们做的这个有什么用”这个问题太宽泛对方只能给你一段宣传腔。后来我改成问“你在这个项目里具体负责哪一部分遇到的最大困难是什么”问题越小越具体得到的回答越真诚。还有一个常被忽略的点不要只看论文报告很多有数据价值的工作藏在海报环节海报时间作者会一直站在旁边往往能聊得更深。我后来的两段合作机会都来自海报前的闲聊和一个开放数据集。6. 对未来走向的判断与个人经验6.1 从“技术堆叠”到“场景闭环”好产品靠循环迭代智能教育最成功的产品往往不是某个单点技术特别惊艳而是形成了一个闭环数据采集、分析建模、教学干预、效果验证然后又回到新数据的产生。判断一个会议报告或一个创业团队靠不靠谱就看它有没有把这个循环讲全。大多数失败项目卡的都不是模型准确率而是循环断了一环数据采集因为隐私和教师抵制中断干预动作因为跟教学流程脱节而无人使用效果验证因为评估指标模糊而形同虚设。所以听报告时多留意他们有没有描述“干预之后学生行为发生什么变化”“教师下一步怎么调整”少关注“准确率涨了几个点”。准确率是手段学习效果才是目的。一个系统算法准确率不高但教师很愿意用且学生成绩有正向变化的案例价值远大于算法分数高但没人用的方案。6.2 我眼中未来三年落地的三条主线结合会议议题和当前行业进度我判断未来几年最可能跑出来的三条主线是个性化学习助手、教师智能工作台、教育机构数据治理平台。个性化学习助手走的是“带着学生练”的路线核心是大模型加知识图谱强调解释性和边界感教师工作台解决的是备讲批辅考的重复劳动核心是工作流编排和人工审核机制数据治理平台解决的是多系统数据打通和合规使用核心是标准化接口和权限体系。这三条线不是并列关系而是递进关系。先把单个场景做透再打通数据层最后形成组织能力。许多机构一上来就想做“AI教育大脑”数据都没打通模型也没场景可落地这个方向着急不得。会议的作用恰恰是帮你看到每条线上已经走了多远、哪个环节还是空白。6.3 最后分享一点个人体会我自己这几年做教育类项目最大的感受是做技术的人容易低估教育场景的复杂性做教育的人容易低估技术落地的工程成本。参加这类会议最大的价值不是拿几份PPT而是让这两类人站到同一个空间里互相刺激。我始终建议带着自己项目的真实问题去哪怕问题很粗糙只要是真实的就一定会找到有共鸣的人。智能教育的进展从来不是靠一号文件推进的而是靠一个具体班级里一次有效的干预、一名教师愿意点下“采纳”按钮的信任慢慢堆出来的。ITEA 2026让我期待的地方也正在于此。
