为提高我院首届智能教育博士班同学的科研兴趣和学术水平，在学院的支持和指导下，将博士生论坛作为博士生培养的重要环节。该论坛由博士生班委精心筹划，邀请相关研究领域的老师和本班同学在本学期系列学术交流活动。
2020年11月25日，博士生论坛第一期由刘桐同学主讲“自适应学习平台建设初探”和杜润萌同学主讲“人工智能下的隐私计算”。
刘桐分享了自适应数学学习平台建设的初探，她围绕自适应数学学习平台的相关工作与任务展开，从教育情境与已有研究、商业产品与具体案例、平台目标与具体规划以及未来研究设想四个部分向大家进行了介绍。刘桐先是汇报了教育情境中的自适应学习是什么，以及从它拆分出的“因材施教”、数据驱动、学习诊断、自适应导学、大规模实现等教育问题，之后从领域模型、导学模型、学生模型、交互界面四个部分介绍了当前自适应学习系统的主要架构方式，并对现有的如ALEKS、ASSISTment、Mathspace等系统做了基本情况介绍。随后，在商业产品与具体案例部分，介绍了行业中已有的商业产品，并主要介绍了由卡耐基梅隆大学学习实验室开发的MATHia数学自适应学习系统。然后，对目前学校自适应学习平台的预期目标以及建设规划做了介绍，对各个子系统的具体技术实现规划做了介绍。最后，从研究的角度，介绍了目前自适应学习系统中潜在的研究问题，例如知识追踪与hint factory等，从技术层面与教育关切两个角度对未来研究提出思考。
杜润萌分享了联邦学习的隐私关键技术研究与应用。她在交流中强调数据里蕴含着价值。她指出在人工智能时代，机器学习尤其深度学习模型的获得需要大量的训练数据作为前提,这些数据可能是由单个或多个数据提供者收集的。由于数据的隐私性，谷歌引入了联邦学习(FL)系统。联邦学习的定义是各方数据都保留在本地，不泄露隐私也不违反法规；多个参与者联合数据建立虚拟的共有模型，并且共同获益的体系。因此着重研究了纵向联邦学习，并且提供私有化的方式部署，在合作方之间实现数据安全对齐融合、数据安全计算，安全学习建模，运行加密模型运算。
智能教育研究院博士生论坛第一期