在职业教育实训课里，学员的错题常被归因为「粗心」或「没记住」，但教师的经验判断难以规模化。教育AI实验室本期围绕学情诊断做了一次小范围实验：把课程知识点拆成带前置依赖的图谱，再用答题记录、实训步骤日志与操作耗时联合建模，输出「最可能的薄弱知识点—证据—建议练习」三元组。
做法上克制为三点：一是知识点图谱先由教研组标注主干，再由模型从讲义与题库中抽取补充依赖边，人工只复核低置信度边；二是掌握度估计采用滑动式分层更新，避免单次考试波动造成误判；三是每条诊断结论必须附证据行，教师可一键溯源到具体题目或操作视频片段。
要点一（进展）：在某门 76 课时实训课上，系统对 312 名学员完成 5 轮诊断。与教研组事后人工标注相比，top-3 薄弱知识点命中率约 78%；判断偏差中约六成来自跨章节先修知识未被识别，说明依赖边抽取仍是主要瓶颈。
要点二（下一步）：把操作视频的动作分段结果接入诊断链路，并在下学期做一组对照实验，观察按诊断结果推送的练习是否真正缩短达标周期，而非只提升做题正确率。
评论