在教育AI实验室的阶段性探索中，我们把重点从「判对错」转向「判为什么错」。一道题做错可能源于概念不清、计算失误、审题偏差或前置知识点缺失，四类原因的干预方式完全不同；只给出正确答案，学生往往重复同类错误。
我们的做法是：以「题目—知识点—能力点」三元标注为基础，用模型解析学生的作答步骤（含中间过程与草稿），定位首次偏离的节点，再回溯到对应前置知识点，并按错因匹配变式题，而非原题重做。
进展与数据：
- 在初中数学两个章节的试点中，错因归因与教师人工标注的一致率约78%；分歧样本中「计算失误」与「概念不清」的混淆占比超过六成。
- 变式题采用同知识点、同难度、异情境的约束生成，试点班级同类题二次正确率由54%提升至71%。
下一步计划：补齐几何证明类题目的步骤切分，并引入教师轻量修正入口，让归因结果可被人工快速纠正，避免错误标签在后续推荐中累积。
评论