在培训场景里，AI 批改往往止步于“对/错”，教师拿到的仍是一张成绩单，而不是一份可执行的诊断。本实验把作业批改向后延伸一步：让模型回答“学生为什么错”，并把结论挂回知识点图谱。
做法上分三层。第一层是题目结构化：为每道题标注所属知识点、能力维度（识记/应用/推理）与解题步骤，形成可检索的标签体系。第二层是作答序列建模：不看单题，而是看同一学生在相邻知识点上的连续表现，用于区分“概念没懂”与“算错一步”。第三层是错因归类，目前收敛为四类——概念性错误、方法性错误、计算性错误、审题失误，并各自关联一条可选的补救建议。
阶段性进展：
- 在某职业技能培训机构的三门课程中试点，覆盖 300 余名学员、约 1.2 万道作答记录，错因归类与教研组人工复核的一致率约 78%，其中“概念性错误”和“计算性错误”的区分最稳定，“审题失误”仍偏弱。
- 已产出按知识点聚合的班级薄弱点清单，教师备课时可直接定位到具体节点，而非章节粒度。
下一步计划有两点：一是引入教师纠偏入口，把人工修正回灌成训练样本，优先提升审题类归因；二是把错因与练习推荐打通，做成“诊断—干预—复测”的短闭环，并观察两周内同一知识点的复测通过率变化。
评论