在教育AI实验室，我们把「错因归类」设为一项实验性课题：不做整卷评分，只回答一个问题——学生这道题究竟错在哪一步、错在什么类型。输入是学生作答的拍照或OCR文本，模型先按解题步骤切分，再逐步标注错误类型（概念混淆、计算失误、条件漏读、策略选择不当），最后映射到知识点图谱，输出班级级错因分布。
阶段性进展：在约3200份初中数学与物理作答上，步骤切分准确率约92%，错因标签与教研组人工标注的一致率约78%。分歧主要集中在「计算失误」与「概念混淆」的边界样本，例如公式用错但算得对、或思路正确而符号写反。
要点：
- 目前采用「模型标注 + 教师复核」双轨流程，教师改判结果直接回流为训练样本，按月更新一次标签体系；
- 下一步将错因分布与讲评课备课卡打通，在3所学校试点，观察讲评课的针对性是否实际提升，而非只看模型指标。
评论