在教育AI实验室的试点中，我们把错题归因拆成三个可验证环节：知识点定位、错因分类、讲解生成。知识点定位用题目与教材目录、课标点的向量对齐，落到最小知识单元；错因分类先覆盖概念混淆、计算失误、审题偏差、步骤缺失四类；讲解生成约束在对应知识点的例题与话术模板内，避免超纲和幻觉。
进展：与一家职业教育机构的会计基础科目试点中，覆盖约1200道客观题和40个知识单元，归因结果与教研组标注的一致率约78%，概念混淆类达到85%；生成讲解的可用率约七成，主要问题集中在多步计算题的步骤还原。
下一步计划把主观题与多轮追问纳入，并引入作答时长、修改轨迹等行为信号，检验归因稳定性；同时建立人工复核抽样机制，每周抽检5%的归因结果，用于更新错因分类边界。
评论