AI错因归因定制：步骤级判分与薄弱点画像

在《教育AI实验室》的近期实验中，我们把模型从「判对错」推进到「说清为什么错」。做法是先把主观题拆成可验证的步骤链，要求模型逐步输出中间结果与依据，再用教师标注的小样本校准错因标签；标签体系收敛为概念混淆、运算失误、条件漏读、步骤跳跃四类，避免开放式归因带来的噪声。

阶段性进展：

• 在某校八年级数学作业 1200 份样本上，步骤级定位与教师标注一致率约 82%，首要错因命中率约 76%；
• 教师单份复核时间平均下降约 40%，归因结果可直接生成错题标签并接入练习推荐。

下一步计划：将错因标签与错题本打通，按错因难度梯度生成分层练习，并开展六周对照验证，观察学生薄弱点的收敛速度，而不只看单次正确率。