AI 学情与推题
考试结束不是终点。AI 能帮你看清学生到底哪里没学会, 并给每个人推不同的练习。
错题归因
学生做错一道题,原因可能完全不同:
| 错误类型 | 说明 | 该怎么补救 |
|---|---|---|
concept | 概念没理解 | 回去讲概念 |
calculation | 计算出错 | 练计算,不是重讲概念 |
misread | 审题失误 | 练读题,不是练知识点 |
incomplete | 答得不完整 | 练表达的完整度 |
skill | 技巧不熟练 | 专项训练 |
careless | 粗心 | 一般不用专门补 |
归因对了,补救才有效。 把「审题失误」当成「概念不懂」去补课,是浪费时间。
怎么用
- 进入学情分析,选学生或班级
- 点「AI 归因」
- 看输出的薄弱知识点、错误类型分布与优先级
输入是错题清单(题目、我的作答、正确答案、错过的次数), 输出:
| 字段 | 说明 |
|---|---|
weak_points[] | 薄弱知识点,按严重程度排 |
error_distribution | 错误类型分布(上表六类各占多少) |
priority[] | 建议优先补什么 |
advice | 总体建议 |
班级视角
对全班做归因,你能看到错误类型的分布:
概念未理解 42% ← 主要问题,说明课上这块没讲透
审题失误 28% ← 需要专项训练读题
计算错误 18%
粗心 12%这个分布比「平均分 72」有用得多——它直接告诉你下一节课该讲什么。
个性化推题
归因之后,给学生推该练的题。
推荐原则
提示词里定死了两条原则:
1. 循序渐进
不要一上来就推难题。先推同知识点的基础题建立信心, 再逐步加难度。
2. 遗忘曲线
错过的知识点要间隔重复—— 今天错的题,过几天再练一次,比连续练十次有效。
参数
| 参数 | 说明 |
|---|---|
| 学情画像 | 来自归因结果 |
| 薄弱知识点 | 重点推这些 |
| 候选题池 | 从哪些题里挑 |
| 推荐数量 | 1 ~ 10 |
输出每条推荐带:
| 字段 | 说明 |
|---|---|
question_id | 题目 ID |
reason | 为什么推这道题 |
priority | 优先级 |
target_point | 针对哪个知识点 |
reason 字段很关键
推荐结果要能解释。 学生看到「因为你上次在『TCP 三次握手』上错了 2 次, 这道同知识点的题帮你巩固」, 比看到一堆随机题目更愿意练。
一次别推太多
上限 10 道是硬限制。实践中一次推 3~5 道效果最好—— 推太多学生反而不做。
学情画像
归因结果会写入长期记忆,逐渐形成每个学生的学情画像:
学生:张三
薄弱知识点:TCP 三次握手(错 3 次)、子网划分(错 2 次)
已掌握:OSI 七层模型、IP 地址分类
错误倾向:审题失误偏多(35%)画像会持续更新,下次归因和推题都会用到。 所以用得越久,推荐越准。
查看某个学生的画像:GET /api/ai/recommend/profile/{user_id}
画像存在哪
存在 Redis(连不上时降级为内存)。 长期画像没有过期时间,短期记忆 30 分钟过期。
注意:如果 Agent 重启且没配 Redis,长期画像会丢。 生产环境建议配 Redis。
学生的视角
学生自己也能用 AI:
| 我想…… | 怎么说 |
|---|---|
| 看我哪里没学会 | 「我哪些知识点比较薄弱」 |
| 复习错题 | 「把我的错题给我练一遍」 |
| 查考试成绩 | 「我这次考得怎么样」 |
| 问考试安排 | 「我最近有什么考试」 |
学生看不到管理功能
学生的 AI 助手里压根看不到「给全班打分」「发布考试」这类能力, 不是靠 AI 自觉,而是这些工具不在给模型的清单里。
此外,即使学生试图让 AI 做越权操作, 网关会因为权限码不足返回 403。
考生的权限边界
| 能力 | 教师 / 管理员 | 考生 |
|---|---|---|
| 出题 | ✅ | ❌ |
| 全班成绩分析 | ✅ | ❌ |
| 试卷审查 | ✅ | ❌ |
| 监考分析 | ✅ | ❌ |
| 看自己的错题 | ✅ | ✅ |
| 查自己的成绩 | ✅ | ✅ |
| 问考试安排 | ✅ | ✅ |
| 用 AI 自由问答 | ✅ | ✅ |
学生问「帮我出题」时,系统会转给通用流程按权限重新判断, 而不是报一个生硬的错误。
典型场景
场景一:期中考后补弱
1. 对全班做 AI 归因 → 发现 42% 是概念问题,集中在「子网划分」
2. 下一节课重讲子网划分
3. 给掌握不好的学生推 5 道专项题
4. 两周后再归因 → 看是否改善场景二:考前自适应复习
1. 学生进入错题本
2. 系统基于画像推 5 道题(间隔重复 + 循序渐进)
3. 做错的题再次进入错题本,更新画像
4. 循环场景三:发现异常
某学生错误类型里 misread(审题失误)占 60%
→ 不是知识问题,是读题习惯问题
→ 针对性训练,而不是补课常见坑
| 现象 | 原因 | 怎么办 |
|---|---|---|
| 归因太笼统 | 错题样本太少 | 至少 5~10 道错题再归因 |
| 推荐的题太难 | 候选题池里都是难题 | 扩大候选题池,让 AI 有得选 |
| 推荐重复 | 画像没更新 | 做完推的题后要重新归因 |
| 画像丢了 | 没配 Redis 且 Agent 重启 | 生产环境配 Redis |
| 学生看不到推题 | 权限或入口未开 | 检查角色配置 |