对智慧教育领域的前沿方向进行跟踪是建设教育强国的关键。本文通过图文并茂的方式介绍了AIED 2025的研究热点，帮助读者了解和跟踪智慧教育的前沿研究方向。
本推文的作者是黄星宇，审校为邱雪和许东舟。
一、会议介绍
AIED（International Conference on Artificial Intelligence in Education）是国际人工智能与教育领域最重要、最具影响力的顶级学术会议之一，由国际人工智能与教育学会（IAIED Society）主办。会议聚焦AI在学习科学、智能导师系统、教育数据挖掘、多模态学习分析、个性化教学、自适应学习环境等方向的前沿研究，是人工智能与教育交叉领域发表高质量原创工作的核心平台。AIED与EDM、LAK并列为教育智能方向的权威国际会议，每年吸引来自计算机科学、教育心理学、认知科学等多学科研究者参加并展示最新工作。
会议官网：https://aied2025.itd.cnr.it/
二、录用分析
第26届教育人工智能国际会议（International Conference on Artificial Intelligence in Education, AIED）于2025年7月22日至26日在意大利西西里岛帕勒莫举行。今年的投稿数量达到了800余篇，符合正式审稿要求的投稿为711篇，最终会议接收130篇长文和129篇短文，合计259篇论文，长文接收率仅在18%左右。会议汇聚了全球54个国家的749位专家学者，众人聚焦人工智能与教育的深度融合这一核心议题，开展了深入的学术交流与研讨。2017-2025年，AIED（长文）的录用情况如图1所示。
图1 2017-2025年AIED（长文）录用情况
1. 投稿量分析
从整体趋势来看，AIED的投稿量在2017--2025年间呈现稳步增长态势。2017年的投稿量仅为121篇，而到2025年增长至711篇，近乎六倍提升，体现出人工智能教育（AIED）领域研究活跃度的持续提升。尤其是2021年之后，投稿量基本维持在200--300篇之间，2023与2024年明显增长，至2025年更是达到近年最高值。这说明AIED作为跨学科国际会议，其影响力不断扩大，吸引了更多来自学习科学、教育技术及人工智能领域的研究者参与投稿。
2. 接收量分析
与投稿量相比，接收量变化相对平缓。从2017年的36篇到2025年的130篇，虽然整体有所增长，但增幅明显小于投稿量的增长幅度。2018--2022年之间接收量基本稳定在40篇左右，呈现出较强的一致性，反映出会议对论文质量的严格要求；2023年略升至53篇，2024年保持在49篇。直到2025年，由于投稿量大幅增加，接收量才上升到130篇。这说明AIED在保持学术标准稳定的同时，会在投稿大幅增长的年份略有扩容，以维持会议整体质量与容量的平衡。
3. 录用率分析
从录用率趋势来看，AIED在2017--2025年间整体呈下降趋势：2017年录用率约为29.8%，到2025年降至约18.3%。尤其在2017--2022年间下降显著，从接近30%逐步降到16--19%区间，反映了竞争日趋激烈。尽管2025年投稿量大幅增加，但录用率仍维持在18.3%，说明会议在扩展规模的同时仍然坚持高标准录用政策。
总体来看，录用率的下降主要源于投稿量远高于接收量的增长速度，突显了AIED的学术门槛不断提高，也反映出人工智能教育研究社区规模迅速扩大、竞争愈发激烈。
三、热点分析
由录用论文列表中的高频主题词生成的词云图如图2所示。
图2 由AIED 2025论文列表高频词生成的词云
在全面统计AIED 2025全部论文标题并生成词云后，可以清晰看到今年人工智能教育领域的研究热点与整体趋势。如图2所示，本届会议的关键词呈现出高度聚类特征，其中"learning"、"AI"、"language"、"model"、"student"等词在所有标题中频繁出现，构成了AIED研究的核心语义结构。这一结果不仅反映了学习科学在AIED领域的长期主导地位，也展现了大语言模型、多模态学习分析、自动化内容生成、学习者建模以及教育公平与伦理等方向的快速发展。
1. 学习研究的核心地位
"learning"出现73次，是AIED 2025中出现频率最高的核心词汇，体现出"学习"本身始终是人工智能教育研究的中心议题。从learning analytics、self-regulated learning到collaborative learning，各类"学习过程建模"相关研究持续扩张。大量论文围绕如何理解学习者行为、如何提升学习效果展开，也反映了AIED一直强调利用AI深入理解学习机制，从而实现更精准的学习支持与个性化教学。
2. 大语言模型与生成式 AI
"language"（41次）、"models"（35次）、"LLM"（21次）、"generative"（20次）等词汇高度集中，表明大语言模型（LLMs）在教育领域的渗透达到前所未有的深度。论文广泛关注LLM在反馈生成、自动评分、学习资源生成、多智能体对话、学习伙伴系统中的应用。从GPT系模型到开放式LLM的教学场景改造，研究者不仅评估其能力，更关注公平性、稳定性与教学可用性。这说明2025年是LLM从教育辅助工具迈向教育核心技术的一年。
3. 数据驱动教育与学习分析
关键词"data"（12次）、"analysis"（12次）、"knowledge"（17次）显示出学习分析（Learning Analytics）与EDM在AIED中的持续重要地位。许多研究聚焦知识追踪、过程性评估、学习行为预测、学习路径建模等任务，强调通过数据理解学习过程的关键变化点。AIED 2025中，多项工作结合多模态数据、课堂交互日志与学生作品，对学习状态进行更全面的建模，反映出数据驱动教育决策的重要性仍在不断强化。
4. 多模态学习与真实场景数据
"multi"（13次）、"visual"、"interaction"、"video"等词集中出现，代表多模态学习分析（MMLA）的快速扩展。许多研究从文本走向更真实的学习场景，如课堂视频、语音记录、学生行为序列、对话数据等，这些多模态数据使AI能够更细致地理解学习者情绪、注意力、参与度与协作行为。多模态研究的增长说明AIED正从"文本型AI"走向"场景型AI"。
5. 自动化内容生成与反馈机制
随着生成式AI的兴起，关键词如"feedback"（17 次）、"automated"（13 次）呈现高频，体现内容生成系统的普及。研究涵盖：自动化反馈生成、自动评分（automated assessment）、自动生成题目、解释与学习资源和AI辅助教学设计与作业批改等领域。相比过去，2025年的研究更加关注生成内容的可靠性、教学有效性和在真实课堂中的可用性，说明生成式技术正逐步融入教育工作者的教学流程。
6. 教育公平、偏差与伦理
词云中"bias"、"fairness"、"ethics"、"transparent"等词汇频繁出现，说明教育公平性与AI伦理问题已经成为本年度AIED的关键研究方向。研究涵盖自动评分的偏差、课堂识别模型对不同人群的差异性表现、LLM在不同文化和语言背景下的公平性问题，以及透明度与可解释性框架的构建。AI从技术工具走向教育系统核心后，"公平与伦理"成为不可忽视的核心主题。
7. 强化学习与智能体
关键词"agent"、"policy"、"reinforcement"等的出现显示智能体技术在教育研究中仍占关键位置。许多研究关注教学策略推荐、智能对话代理、课堂诊断AI、多智能体协作系统等方向。智能体技术为学习环境提供更具互动性和自适应性的支持，推动AI从"评估工具"向"教---学"互动升级。
8. 教学设计、教师支持与学习资源生成
"teacher"、"design"（14次）和 "support"（11次）等词汇的高频表明AI已从"学生学习支持"延伸到"教师教学支持"。AI被用于辅助教学设计、规划课程结构、提供教学策略建议、分析学生作业以及生成教学材料。AI对教师的支持成为AIED 2025的突出方向之一，说明"AI for Teachers"正在与"AI for Students"并行发展。
从词云图的分析可以看出，AIED 2025呈现出"学习科学+大语言模型+多模态分析+教师支持+公平与伦理"五大主趋势，标志着教育AI正从工具化时代迈向系统化与生态化阶段。
四、获奖论文
表1总结了AIED 2025的最佳论文和最佳LBR论文两个奖项的获奖论文的信息。
表1 AIED 2025获奖论文
| 奖项 | 论文 | 作者 |
|---|---|---|
| Best Paper （最佳论文） | Askademia: A Real-Time AI System for Automatic Responses to Student Questions 论文链接： https://link.springer.com/chapter/10.1007/978-3-031-98459-4_8 | Meenakshi Mittal, Gaurav Tyagi, Azalea Bailey, Gireeja Ranade & Narges Norouzi |
| Best LBR Paper （最佳LBR论文） | Tell Me Who Your Students Are: GPT Can Generate Valid Multiple-Choice Questions When Students' (Mis)Understanding Is Hinted 论文链接： https://link.springer.com/chapter/10.1007/978-3-031-99264-3_16 | Machi Shimmei, Masaki Uto, Yuichiroh Matsubayashi, Kentaro Inui, Aditi Mallavarapu & Noboru Matsuda |
上述的热门研究方向是根据AIED 2025的会议论文进行归纳和分析得到的，希望本篇内容能够为读者跟踪教育人工智能的研究热点提供一些有价值的参考。