在教育AI实验室的第三阶段实验中，我们把重心从「批改提速」转向「学情诊断的可解释性」。以初中数学一学期的作业数据为样本，系统先完成知识点标注与错因归类（概念不清、计算失误、审题偏差、迁移失败四类），再据此生成分层练习。
要点：
- 进展：在2所学校、约1200名学生、约8万条作答记录上，错因自动归类与教师人工标注的一致率约76%；分歧主要集中在「计算失误」与「审题偏差」之间，占分歧样本的六成，说明这两类的边界需要更细的特征。
- 下一步：将错因标签接入练习推荐，控制难度梯度，以「同一错因在两周内是否下降」作为主要观测指标，而不是只看正确率。
我们的基本判断是：教育场景中AI的价值不在于替代教师判断，而在于承担重复性归因工作，把教师的注意力还给真正需要人的环节。
评论