知识追踪驱动的中学数学学情诊断实验进展

教育AI实验室近期围绕知识追踪（Knowledge Tracing）技术在中学数学学情诊断中的落地开展实验。团队基于合作校三个年级约1.2万名学生的脱敏作业与测验数据，构建了融合知识点标注与作答时序的深度知识追踪模型，并与传统测评结果进行对照验证。阶段性进展：1. 在知识点掌握度预测任务上，模型AUC达到0.83，较逻辑回归基线提升约9个百分点；对连续未掌握知识点的预警召回率为76%，可辅助教师提前识别学习风险。2. 基于诊断结果的个性化练习推荐在两个班级试点中，实验组四周内同类错误率下降约12%，但样本量有限，结论尚待扩大验证。下一步计划：一是引入错因标注数据，将掌握度判断细化为概念性错误、计算失误等类别；二是探索基于题目文本语义的知识点自动标注，降低冷启动场景下的人工标注成本。团队将持续以真实课堂数据检验模型有效性，坚持务实推进，不做脱离教学实际的过度宣传。