【摘要】认知追踪是一种数据驱动的学习者建模技术,被广泛应用于智能导学、智能课堂编排等系统。尤其是2015年深度神经网络被引入认知追踪任务以来,认知追踪成为智能教育领域的研究热点。针对当前研究普遍存在的"重模型、轻数据"以及数据处理不一致等问题,本研究基于近六年国内外35篇有关认知追踪的论文,全面梳理和分析其中被高频使用的数据集,提出以学生、知识、问题三个对象及六类交互关系为核心的认知追踪概念框架,为深层次理解数据内涵和统一数据操作提供指导。本研究还运用该框架对数据集特征进行分类,围绕数据重复、数据顺序、支架题目、技能缺失以及多技能题目等关键问题进行数据一致性分析,特别是针对多技能题目,提出了基于多热编码的表示方法。本研究最后从五方面讨论了认知追踪及未来智能教育的发展趋势:从个体自主学习到多模式混合学习、从单一学习行为到多模态数据融合、从深度学习算法黑箱到可解释分析、从数据驱动到数据与知识联合驱动,以及从技术意识垄断回归教育价值本位,为拓展认知追踪研究边界、促进智能教育创新突破提供参考与指引。