在教育AI实验室这一轮实验中，我们把目标从「批改对错」往前推了一步：让模型不只判断答案是否正确，还要定位错误发生在哪一步、对应哪个知识点。
做法上，我们不直接让大模型给结论，而是把一道题的解题过程拆成若干步骤节点，先由模型把学生作答与标准步骤对齐，再对偏差步骤做归因分类（概念混淆、计算失误、审题遗漏、方法缺失四类），最后映射到教研组维护的知识点图谱上，形成可追溯的错因链路。为控制幻觉，每条归因须附上原始作答片段作为证据，教师可在后台一键修正，修正数据回流进入下一轮微调。
阶段性进展：
- 在初中数学两个单元的1,860份作业样本上，步骤级归因与教师标注的一致率约78%；其中「概念混淆」类最高（84%），「审题遗漏」类偏低（65%），混淆主要集中在题干信息「未使用」与「用错」之间；
- 单份作业平均处理时间约4秒，已可在不额外增加教师负担的前提下输出班级级错因分布。
下一步计划：将归因结果接入分层作业生成，验证「同一错因连续两周下降」能否作为有效的教学干预信号，同时补充语文、物理两科的知识点图谱对齐规范。
评论