教育场景里，「这道题错了」和「这个知识点没掌握」之间往往隔着好几层。本期教育AI实验室把重点放在学情诊断的两件事上：掌握度估计与错因归因。
我们以学科知识点图谱为骨架，用先修关系约束学生的作答序列建模，让一次答对不再被直接当成掌握，也让一次失误不至于整体拉低评价。归因侧把错因拆成概念混淆、计算失误、题意理解三类，由模型给出候选标签与置信度，教师只需确认或修正。
- 阶段进展：在某中学数学学科的小范围试点中，模型给出的错因候选与教师复核结果的一致率约为 82%；其中「计算失误」被误判为「概念混淆」的情况最多，集中出现在含多步运算的题目上。
- 下一步计划：把错因标签接入推题策略，在同层次班级开展对照实验，观察两周内薄弱知识点的掌握度变化，以及是否真正减轻了教师的批改与讲评负担。
我们不认为诊断能替代教师判断。它更像一张随时更新的班级学情底图——把「哪里不会」说得具体一点，让后续的教与练有据可依。
评论