选课推荐只看成绩和兴趣？为什么认知技能可能是下一个关键变量
两个GPA差不多的学生，一个擅长逻辑推理、一个偏记忆型，适合的课其实完全不同——但现有选课推荐系统大多只看成绩、兴趣或历史选课记录，很少深入到「你具备怎样的认知能力」这一层。把认知技能和专家知识放进课程推荐，究竟能解决什么问题、目前走到了哪一步、又卡在哪里？
为什么选课推荐总觉得「差点意思」？
每年选课季，学生面对长长一串课程列表，总免不了纠结：这门课我能不能跟上？选了对我的目标有没有用？而学校能提供的指导往往有限，要么是学长学姐的经验之谈，要么是基于成绩或兴趣的简单推荐。
现有的AI选课推荐系统，思路其实和电商平台「猜你喜欢」差不多：要么看你过去选过什么课、成绩如何，要么看你填的兴趣标签，再不然就是把和你相似的同学选过的课推给你 [5]。这些方法当然有用，但总像隔着一层——它们知道你「选过什么」，却不一定知道你「擅长什么」；知道你「喜欢什么」，却不一定知道你「能学好什么」。
比如两个计算机专业的学生，GPA都是3.5，一个编程实践强但理论基础弱，另一个刚好相反。按传统的成绩推荐，他们可能会收到差不多的课表，但实际上适合他们的课程难度和方向可能天差地别。又比如同样考高分的学生，一个靠死记硬背，一个靠分析应用，到了需要高阶思维的进阶课，表现可能截然不同。
对教育研究者和高校教师来说，这个痛点很明确：选课推荐不该只停留在「兴趣匹配」或「历史行为拟合」，还应该回答「能力是否匹配」这个更根本的问题 [5]。而最新的能力感知推荐框架，正是想补上这一环。
从「猜你喜欢」到「看能力推荐」：新框架长什么样？
2026年提出的一个能力感知机器学习框架（Competency-Aware Machine Learning Framework），把「学生有什么能力」和「课程需要什么能力」放到了推荐的核心位置 [1]。打个比方，如果传统推荐是「根据你以前买过的书推新书」，这个新框架更像「先测测你的阅读水平、知识结构和思维特点，再结合出版社和专家对每本书难度、类型的标注，给你挑最适合读的」。
当然，实际情况比这个比喻更复杂。我们拆开来看这个框架的几个关键部件。
第一个部件是学生能力画像（student competency profile）。它不再只用一个GPA代表学生水平，而是拆成两部分：一部分是学科能力向量，按具体学科细分，比如计算机专业里编程、数据库、算法分别是什么水平，避免总分掩盖强弱项；另一部分是认知技能向量（cognitive skill vector），覆盖记忆、理解、应用、分析、评价、创造等维度，区分学生是「记得牢」还是「会用」 [1]。这两部分归一化之后拼在一起，就成了每个学生独一无二的能力坐标。
第二个部件是课程技能知识模型（Course Skill Knowledge Model）。由领域专家给每门课打分：这门课对逻辑推理要求多高？对分析能力看重多少？对记忆的依赖有多大？最后形成每门课的「能力要求清单」，还会给不同技能加上教育重要性权重 [1]。简单说，就是专家先把每门课的「门槛」和「侧重」标清楚。
第三个部件是对齐与评分。有了学生的能力向量和课程的要求向量，就可以用加权的方式计算两者的匹配度。最终的推荐分数由三部分合成：学科能力对不对齐、认知能力对不对齐、专家知识的贡献，每部分的权重可以调整 [1]。
最后一个很重要的部件是可解释性（explainability）。系统不只是扔给你一个推荐列表，还能告诉你为什么推荐这门课——比如「因为你的编程能力达标，且这门课重点培养的分析能力正是你的强项」，或者提醒你「这门课需要较强的计算思维，你目前这一项还有差距，可以先修预备课」 [1]。
和传统推荐比，本质区别在于：传统方法是「从行为推偏好」，而这个框架是「从能力找匹配」。它关心的不是「你以前选过类似的吗」，而是「你真的适合这门课吗」。
证据够不够？框架很漂亮，但还缺真实数据
读到这里你可能会问：听起来不错，但实际效果怎么样？很遗憾，目前这篇论文还停留在框架设计阶段，核心效果尚未被真实数据验证。
论文里确实设计了完整的评估方案：分类指标用准确率、精确率、召回率、F1值，推荐排序指标用Precision@K、Recall@K、NDCG@K、MRR，还设置了Top1、Top3、Top5三种推荐深度，并且安排了基线对比、消融研究（分别拿掉能力、认知、专家知识组件看效果变化）和案例分析 [1]。实验设计可以说相当齐全。
但关键问题是：论文没有给出任何实际的量化结果 [1]。没有说用了多少学生、多少门课的数据，也没有说这个框架和基线模型比到底提升了多少，所有关于「性能更优」的说法，都还只是框架层面的预期。
这一点必须诚实地说清楚。对于高校的政策观察者和教师来说，判断一个教育技术能不能落地，「有没有真实数据支撑」比「框架设计得巧不巧」重要得多。按目前的进展，这个框架更像一份详细的建筑蓝图——结构画得很清楚，但楼还没盖起来，住进去舒不舒服还不知道。
除此之外，框架本身还有几个明显的边界：它目前是面向计算机科学领域设计的，其他学科能不能直接套用还不好说；它只讨论了一次性的离线推荐，没有涉及学习过程中学生能力变化后怎么动态更新推荐；专家定义的课程技能要求带有主观性，不同专家可能标得不一样；认知评估准不准，也会直接影响学生画像的可靠性 [1]。
甚至连推荐分数里几个权重参数怎么确定，论文也没说清楚——是人工调的，还是模型自动学的？这些都是后续需要补的功课 [1]。
这条路之前有人走过吗？课程推荐的三次演进
当然，「能力感知」不是凭空冒出来的，它是课程推荐技术一步步演进的结果。粗略算下来，已经走过了三代。
第一代是兴趣/成绩驱动的推荐。大概在2022年前后，主流思路是「根据学生的领域兴趣推荐选修课」。比如用LSTM-GRU（长短期记忆网络-门控循环单元，一种擅长处理序列数据的深度学习模型）加语义分析，把核心课程和专家定义的领域对应起来，再根据学生在某个领域的积累推荐选修课 [6]。这一代的核心是「你对什么领域感兴趣、擅长什么领域，就给你推什么领域的课」，但还停留在领域层面，没有拆到具体的认知技能。
第二代是混合过滤的优化。到了2023年，大家发现单一推荐方法都有局限，于是开始把多种方法混在一起。比如有研究把基于用户的协同过滤、基于物品的协同过滤和基于内容的过滤三种方法结合，再用遗传算法（一种模拟自然选择来优化参数的算法）调权重，在12个系、5662名学生、1490门课的数据上测试，学生对推荐结果的满意度达到83.60% [7]。这一代的进步是推荐更准了，但本质上还是「从历史行为找规律」，没有跳出「猜你喜欢」的逻辑。
第三代就是技能导向+可解释性。从2024年开始，研究者开始意识到：学生选课时最大的困惑不是「没课可选」，而是「不知道为什么选这门课」。于是有研究用BERT和BI-LSTM-CRF（两种常用于文本提取的深度学习模型）从课程描述里抽取技能点，再结合就业市场的技能需求做推荐，并且给学生解释「这门课能帮你获得什么技能、对未来职业有什么用」。用户研究发现，这种带技能解释的推荐，尤其是那些有点出乎意料的「惊喜推荐」，反而更能提升学生的兴趣和决策信心 [8]。
而2026年的这个能力感知框架，其实是沿着第三代的路又往前走了一步：不只要说清「这门课教什么技能」，还要说清「你现在有什么技能、匹不匹配」 [1]。从「技能连接职业」到「技能匹配能力」，推荐的颗粒度越来越细，也越来越贴近学习的本质。
不止选课：自适应学习为什么都在往「能力」走？
有意思的是，不只是选课推荐，整个自适应学习（adaptive learning，即根据学生个体差异动态调整学习内容和节奏的教育技术）领域，都在往「能力建模」这个方向靠。
比如给教师用的差异化练习生成工具，已经不满足于只按成绩分层，而是开始同时考虑学生的认知水平和动机状态。2026年的一项研究提出了基于大语言模型的多智能体系统，用学习者智能体模拟不同知识水平和内在动机的学生，教师智能体按教学原则调整内容，评估智能体做质量把关，生成的数学练习既能匹配能力，又能照顾学习动力 [2]。
再比如AI辅导（AI tutoring）的研究也发现，真正影响学习效果的不是交互界面有多像人（语音还是文本其实没差别），而是辅导有没有清晰的教学结构、能不能和学生的能力匹配。一项针对在线MBA课程的随机实地实验显示，使用结构化AI辅导的学生，成绩比自由使用消费级AI的对照组高出6.63分，尤其是书面推理能力，达到「关系性质量」的答案比例从8%涨到了49%，而对照组只从8%涨到27% [3]。
你看，无论是练习生成、AI辅导还是选课推荐，大家不约而同地走到了同一条路上：从「看表现」到「看能力」，从「拟合行为」到「理解认知」。因为教育的核心目标毕竟不是让学生「选到喜欢的课」，而是让学生「获得真实的成长」——而成长的基本单位，就是一项一项的能力。
不过这条路也有很多开放的问题摆在面前。比如，计算机领域的能力模型好建，那文科、艺术这些学科呢？认知技能的权重怎么跨学科推广 [1]？再比如，能力匹配的推荐短期看可能更准，但长期来看，真的能提升学生的学业成功率和留存率吗？现在还没有长期追踪的数据 [1]。还有「冷启动」的老问题：新学生进来还没做过认知评估，怎么给他推荐？新课程刚开还没有专家标注，怎么处理？一个合理的猜测是，这些问题的解决，才是能力感知推荐真正走进课堂的关键。
如果你只记住一件事
选课推荐正在从「猜你喜欢」的行为拟合，走向「能力匹配」的认知建模——这不仅是技术的迭代，更是对「个性化教育」理解的深化，但目前最新的能力感知框架还缺少真实数据验证，离落地仍有距离。
参考文献
- A Competency-Aware Machine Learning Framework for Personalized Course Recommendation Using Cognitive Skills and Expert Knowledge（International Journal of Computer Applications Technology and Research、2026、全文精读）
- Teacher-centered LLM-based multi-agent systems–towards differentiated educational worksheets（Innovation The European Journal of Social Science Research、2026、仅摘要）
- When AI Tutors Speak: Evidence from a Randomized Field Experiment（SSRN、2026、仅摘要）
- AI Tools for Students（Advances in computational intelligence and robotics book series、2026、仅摘要）
- Intelligent course registration（2026、仅摘要）
- Application of Semantic Analysis and LSTM-GRU in Developing a Personalized Course Recommendation System（Applied Sciences、2022、仅摘要）
- AI, Please Help Me Choose a Course: Building a Personalized Hybrid Course Recommendation System to Assist Students in Choosing Courses Adaptively（DOAJ (DOAJ: Directory of Open Access Journals)、2023、仅摘要）
- Explainable Course Recommendation: Connecting College Education to Knowledge and Careers Through Skills（D-Scholarship@Pitt (University of Pittsburgh)、2024、仅摘要）