在教育培训场景中，把一门课拆成知识点并不难，难的是拆完之后能回答两个问题：学生到底卡在哪一步，下一步该学什么。本周教育AI实验室围绕「知识点拆解＋掌握度诊断」做了一组小规模实验，聚焦职业培训中的数据分析入门课。
做法上，我们先用大模型对课程讲义、习题与实操任务做结构化抽取，生成知识点节点与先修关系边，再由教研人员修正，形成一张约 180 个节点的课程图谱。学生的答题记录、代码提交与停留时长被映射到节点上，用一个轻量贝叶斯模型估计掌握度，并输出「可学清单」——即先修已达标、当前可推进的节点。
阶段性进展：在 4 个班级、约 260 名学员的回放数据上，系统给出的薄弱节点与教师人工判断的重合率约 71%；按可学清单推荐练习的学员，单元测验平均分比对照组高 6.3 分，但差异尚不稳定。
要点：
- 知识点拆解的瓶颈不在生成，而在先修关系的校验，教研介入仍不可省。
- 下一步将引入错因标签，把「不会」细分为概念缺失、步骤遗漏与工具不熟，再验证推荐策略是否仍然有效。
评论