← 返回实验室

AI学情诊断定制:知识点掌握与错因归类

在教育培训场景中,学情诊断长期依赖教师经验与阶段性测验,反馈周期常以周计,且难以回答“错在哪里、为什么错”。本阶段实验围绕两个问题展开:知识点掌握度估计与错因归类。

做法上,先按知识图谱把题目与知识点、前置关系对齐,再把学生的作答序列(对错、耗时、修改痕迹、跳题)作为输入,输出两层结果:一是每个知识点的掌握概率与置信区间,二是错因标签,如概念混淆、计算失误、审题遗漏、前置知识缺失。为避免“只会打分不会解释”,模型同时给出可回溯的证据片段,供教师复核。

阶段性进展:在合作机构两个班级的试点中,诊断结果与教师人工标注的错因一致率约七成,其中“计算失误”与“审题遗漏”区分度最弱;把耗时与修改次数纳入特征后,两类混淆下降较明显。掌握度估计的日均更新使教师备课时的定位时间有所缩短。

下一步计划:扩充跨年级样本以检验知识图谱迁移能力,并尝试把诊断结果直接映射为可布置的少量针对性练习,验证“诊断—干预—复测”闭环是否真正提升订正效率。

评论

更多研究动态

查看全部实验室 →