自适应练习推荐系统：知识点掌握度动态建模

在教育培训方向，实验室近期围绕自适应练习推荐开展了一轮实验性探索，目标是让系统依据学员的实时答题表现，动态调整后续练习的难度与知识点覆盖。技术路线上，我们采用深度知识追踪模型（DKT）对学员在各知识点的掌握概率进行时序建模，结合题目难度标注与遗忘曲线，生成个性化练习序列。为验证效果，团队在一门初中数学课程上开展了为期六周的对照实验。阶段性进展：1、在约1200名学员的匿名数据上，推荐组知识点后测正确率较随机练习组提升约11%，平均练习时长下降约18%；2、针对新学员数据稀疏问题，引入基于知识点先验关联的初始化策略，冷启动阶段推荐偏差降低约三成。下一步计划：将方法扩展至多学科题库，探索大语言模型辅助的错因归因与讲解生成，并评估其与知识追踪模型的融合方式，阶段性结论将在后续动态中同步。