近年来，鉴于教育场景固有的敏感性（Sensitivity）——例如涉及未成年人及弱势群体、高度个性化的学习数据以及高利害性（High-stakes）的教育产出——可信性（Trustworthiness）在智能教育领域引起了广泛关注。然而，现有研究呈现出明显的局限性：部分研究仅聚焦于特定任务的可信化方法，缺乏全局视角（Holistic view）；而现有的综述性讨论往往过于宏观且碎片化，缺乏清晰且系统化的分类体系。 为应对上述挑战，本文对可信智能教育进行了系统性且结构化的综述。具体而言，我们首先将智能教育划分为五大代表性任务：学习者能力评估、学习资源推荐、学习分析、教育内容理解以及教学辅助。在此任务图谱的基础上，我们进一步从安全性与隐私、鲁棒性、公平性、可解释性以及可持续性五个可信维度对现有文献进行了评述，并对相应的研究方法与解决方案进行了归纳与分类。最后，本文总结了当前面临的关键挑战，并探讨了未来的研究方向。本综述旨在构建一个连贯的参考框架，以促进学术界对智能教育可信性问题的深入理解。

1 引言

随着深度学习与数据驱动技术的飞速发展，智能教育（Intelligent Education） [Chen et al., 2020] 已成为现代教育技术中的核心范式。与主要依赖静态课程体系和统一教学方法的传统教育模式不同，智能教育强调适应性（Adaptability）与个性化（Personalization）。其核心目标是动态建模学生的知识水平、行为表现及学习需求，并据此提供定制化的学习资源与教学支持。此外，该范式已广泛应用于各类在线学习平台和数字教育基础设施，深刻重塑了教与学的组织形式。 随着智能教育系统越来越多地介入高影响力的教育决策（High-impact educational decisions），其可信性（Trustworthiness）已成为不可回避的议题 [Smuha, 2019]。这是由教育场景固有的敏感性决定的：受教育者通常为未成年人，学习数据记录了细粒度的个体行为，且系统输出会切实影响学习者的教育轨迹。因此，不可信的系统行为——包括隐私泄露、预测波动（Unstable predictions）、决策偏见以及推荐算法的不透明——不仅会导致技术失效，还可能引发教学风险及社会性风险。 近年来，越来越多的研究开始探索智能教育中的信任相关问题，涵盖了隐私保护认知诊断 [Yang et al., 2025a]、鲁棒学习建模 [Yao et al., 2024] 以及可解释教育评估 [Cheng et al., 2024] 等课题。尽管这些工作从不同维度推进了可信技术的发展，但其研究仍分散在孤立的任务中。同时，现有的综述研究 [Smuha, 2020; Anagnostopoulou et al., 2024; Li, 2025] 虽然试图探讨可信 AI 与教育的交叉领域，但往往停留在宏观层面或呈现出碎片化特征，且在任务分类标准上缺乏一致性。 为此，本文旨在通过对可信智能教育进行系统且结构化的综述（如图 1 所示）来弥补上述不足。具体而言，我们首先通过界定五个代表性任务类别来勾勒智能教育的清晰版图：学习者能力评估、学习资源推荐、学习分析、教育内容理解以及教学辅助。基于此任务图谱，我们从安全性与隐私、鲁棒性、公平性、可解释性以及可持续性五个核心可信维度进行了全面回顾。通过这种双层组织架构，我们揭示了在不同智能教育任务中，可信性诉求是如何产生、被解决以及相互作用的。此外，我们总结了当前的关键开放挑战，并探讨了具有前景的未来研究方向，旨在为推进可信智能教育提供连贯的概念框架与实践路线图。 综上所述，本综述的主要贡献如下： * 我们通过将核心功能组织为五大关键任务类型，提供了智能教育的结构化视角。 * 我们从五个互补维度（安全性与隐私、鲁棒性、公平性、可解释性和可持续性）对智能教育的可信性进行了统一评述，并对各维度下的研究方法进行了归纳与分类。 * 我们深入讨论并总结了当前可信智能教育研究中的局限性与挑战。 * 我们梳理并展望了可信智能教育的未来发展方向，包括挑战驱动的研究路径及前沿研究领域，以期提供洞察与指引。