错题归因AI诊断：知识图谱驱动的学情分析实验

教育AI实验室近期围绕错题归因诊断开展阶段性实验，尝试将大语言模型与学科知识图谱结合，对中学生数学错题进行自动归因。传统学情分析多依赖正确率统计，难以定位具体知识薄弱点；本实验让模型先解析学生解题过程文本，再映射至知识图谱节点，输出知识点定位、错误类型判定与补救建议的三段式诊断结果。实验要点如下：1、在某初三年级两个班级共412份错题样本上，模型归因结论与教师人工标注的一致率约82%，其中计算类错误识别效果最好，概念混淆类仍存在约15%误判；2、引入知识图谱约束后，模型推荐无关知识点的幻觉比例由11%降至3%，诊断结果可解释性明显提升。下一步计划：扩充语文、物理两科知识图谱，探索错题文本与作答时序数据的融合建模，并在合作学校开展为期八周的小规模教学闭环验证，评估诊断建议对补练效率的实际影响。团队将坚持以小样本、可解释为优先原则，避免过度承诺模型能力边界。