在教育AI实验室的近一轮实验中，我们把重点放在「学情画像」这条链路上：从学生历史作答记录出发，估计每个知识点的掌握概率，再把估计结果映射为下一步练习推荐，而不是只给出一个笼统的分数。
方法上采用两段式结构。第一段用知识点标签与作答序列做掌握度估计，输入包含题目难度、作答耗时、是否修改、历史正确率等特征；第二段在掌握度之上做推荐排序，兼顾三件事：补齐薄弱点的收益、与当前教学进度的对齐度、以及避免连续同类题带来的疲劳。为避免「越推越窄」，推荐池中保留约两成探索题，用于校验掌握度估计是否偏移。
阶段性进展：在内部对照数据上，按知识点维度计算的掌握度估计与教师人工判断的一致率较基线提升约 11 个百分点；推荐后一周内的同类题复测正确率平均提升约 8 个百分点。我们仍把结果定位为辅助信号，教师可一键调整推荐权重。
下一步计划：补充跨章节知识点的前置依赖建模，并验证在新学期数据上的稳定性；同时整理一版面向教师的画像解释模板，让「为什么推荐这道题」可以被直接读懂，而不是只看到模型输出。
评论