随着在线自适应学习的快速发展,教学方式逐步走向线上线下融合的模式,大量教学资源实现了平台共享,通过此类方式在线教育学习平台产生了大量的准实时的在线学习记录,从而为知识状态诊断、自适应学习计划制定、动态学习策略生成、学习进度追溯提供了实现基础。知识追踪（Knowledge Tracing,KT）已经发展成为在线教育系统的重要组成部分,作为在线教育系统的一个关键组成部分,知识追踪通过追踪每个学习者的学习活动来评估知识状态。目前,由于知识结构的异构性、层次性和交互记录的稀疏性,深度知识追踪模型无法完全提取问题和技能的特征;其次,深度知识追踪模型处理不同数据的能力也受到过度参数化的限制;再次,从学习者认知记忆特征看,学习活动的首尾效应特征缺乏有效的建模;此外,智能辅导系统（ITS）下的深度知识追踪方法的项目参数仍然缺乏给学生有效的反馈。本文提出基于异构层次分化的学习者短期注意知识追踪和基于因果推断的知识追踪模型可解释方法。分层异构知识结构和短期记忆增强将用于模拟不同交互序列对学习者的影响。具体来说,通过构建基于异质图的图信息增强组件来提取知识结构特征。通过引入True Skill系统实现动态问题难度、学习者能力参数的生成。此外,窗口化注意力通过强调学习者与历史相关的实践实现了对学习者近期学习能力的关注。以可信人工智能为指引,针对知识追踪模型难以产生有效用户导向解释的问题,借助于因果推理对学习活动与学习产出进行因果推理,基于对图神经网络的节点、图结构、模型结构的解释实现面向用户的可解释输出。本文主要研究工作如下:（1）针对在线学习环境产生的学习数据稀疏性异构性问题,提出了基于海量数据的交互图中实现了异构学习者的高阶问题概念嵌入表示;针对问题和技能特征提取受参数化限制的问题,提出了基于异质图聚合的基础特征提取算法BFE和基于异质图粗化的层次化特征提取算法HFE;针对学习活动的首尾突出的特征效应,提出强调首尾位次的窗口化注意力强化算法;比较基于回归和基于深度的知识追踪实验表明,本文所提出的方法在三个真实世界的基准数据集上明显优于最先进的方法,证明了模型的优越性。（2）针对项目参数仍然缺乏给学生有效的反馈的问题,提出了基于True Skill系统的动态实时可解释学习者能力、知识难度的生成算法;针对KT缺乏向学习者提供可解释的、学生教师可理解的反馈问题,提出了基于因果推理和异质图神经网络分解扰动解释的生成算法;以大型数据集Ednet为基准证明了所提出方法的有效性。综上所述,针对深度知识追踪模型在处理异构性和稀疏性数据方面存在的挑战和智能辅导系统提供缺乏可解释反馈的问题,本文提出了多种创新算法和解决方案,并在大型数据集上验证了其有效性。这些新方法不仅能够提高模型性能,还可以更好地满足学生和教师的个性化需求,进一步推动智能辅导系统的发展。