跳转至

智能 tutoring 系统

项目背景与目标

个性化辅导是提升学习效果的关键，但传统一对一辅导成本高昂，难以规模化。班级授课制难以照顾个体差异，"学困生跟不上、学优生吃不饱"现象普遍。智能 tutoring 系统（Intelligent Tutoring System, ITS）通过 AI Agent 模拟人类教师，实现学情诊断、内容推荐、互动教学、即时反馈的个性化学习闭环，让每个学生都能获得专属辅导。

本项目目标是构建一个智能 tutoring Agent，覆盖 K12 主要学科，核心能力包括学情画像构建、知识图谱诊断、个性化内容推荐、苏格拉底式互动教学、学习路径动态调整。

需求分析

核心能力： 1. 学情诊断：通过测试与互动行为刻画学生知识掌握状态 2. 知识图谱：构建学科知识图谱，定位薄弱知识点与前置依赖 3. 内容推荐：根据学情推荐合适难度的题目与讲解 4. 互动教学：苏格拉底式提问引导思考，而非直接给答案 5. 即时反馈：答题过程实时提示错误与思路纠正 6. 学情报告：定期生成学习报告供学生与家长查看

用户角色：学生（学习主体）、教师（查看班级学情）、家长（监督进度）。

技术选型说明

模块 技术方案 选型理由
Agent 框架 LangGraph 教学流程状态机
知识图谱 Neo4j 学科知识点关系建模
学情模型 贝叶斯知识追踪 BKT 经典学情建模
LLM Qwen-Max 互动教学与讲解生成
题库 结构化题库 + 向量检索 题目按知识点标注
推荐算法 协同过滤 + 规则 个性化题目推荐
后端 FastAPI + WebSocket 实时互动
数据库 PostgreSQL + Redis 学情数据 + 会话状态

架构设计

flowchart TD
    S[学生] --> CHAT[互动界面 WebSocket]
    CHAT --> AGENT[Tutoring Agent]
    AGENT --> DIAG[学情诊断]
    DIAG --> KG[(知识图谱)]
    DIAG --> BKT[知识追踪模型]
    AGENT --> REC[内容推荐]
    REC --> QB[(题库)]
    AGENT --> TEACH[互动教学]
    TEACH --> LLM[LLM 推理]
    AGENT --> FB[反馈生成]
    BKT --> PROFILE[学情画像]
    PROFILE --> REP[学情报告]
    AGENT --> PATH[学习路径]
    PATH --> KG

关键模块实现思路

模块1：知识图谱与学情建模

构建学科知识图谱：节点为知识点（如"一元二次方程"），边为前置依赖（"因式分解"→"一元二次方程"）、包含关系。每个知识点关联若干题目，标注难度。

学情建模采用贝叶斯知识追踪（BKT）：维护每个知识点的掌握概率，每次答题后用贝叶斯更新。四参数 BKT 考虑猜测（瞎蒙答对）与失误（会但答错），更贴近实际。

def update_mastery(prior, correct, p_slip=0.1, p_guess=0.2):
    if correct:
        post = prior * (1 - p_slip) / (prior * (1 - p_slip) + (1 - prior) * p_guess)
    else:
        post = prior * p_slip / (prior * p_slip + (1 - prior) * (1 - p_guess))
    return post  # 后验掌握概率

模块2：苏格拉底式互动教学

教学策略遵循"不直接给答案，引导思考"原则。LLM 在学生卡住时分层提示：先提示思路方向，再给部分线索，最后才讲解完整步骤。提示词工程约束 LLM 行为：

TEACH_PROMPT = """你是苏格拉底式辅导老师。
规则：
1. 不直接给出答案
2. 用提问引导学生思考
3. 学生卡住时给思路提示，分 3 级递进
4. 鼓励学生表达思路
当前知识点：{topic}
学生掌握度：{mastery}
学生回答：{answer}"""

互动过程记录学生思路轨迹，用于诊断错误根因而非仅判对错。

模块3：内容推荐

推荐策略平衡"巩固"与"拓展"：掌握度 < 0.6 推荐基础题巩固；0.6-0.8 推荐中等题强化；> 0.8 推荐挑战题拓展。同时考虑前置依赖：当前知识点掌握不足时，回溯推荐前置知识点题目。

题目难度匹配用 Item Response Theory（IRT）模型，根据学生能力 θ 与题目难度 b 匹配，保证答对率在 60-80%（最近发展区）。

模块4：学习路径规划

基于知识图谱拓扑与学情画像生成个性化学习路径：薄弱知识点优先补，前置依赖先解决，相关知识点串联学习。路径动态调整：掌握一个知识点后解锁后继，未掌握则插入巩固练习。

def plan_path(student, target_topic):
    weak = [k for k in prereqs(target_topic) if student.mastery[k] < 0.6]
    path = topological_sort(weak)  # 按依赖排序
    path.append(target_topic)
    return path

核心流程详解

首次学习流程： 1. 学生选择学科与目标 → 入学测试（10-15 题） 2. 初始化学情画像 → 生成学习路径 3. 进入知识点学习：讲解 → 练习 → 反馈 4. 答题过程 BKT 实时更新掌握度 5. 掌握度达标 → 解锁下一知识点 6. 定期生成学情报告

互动教学流程： 1. 推荐题目 → 学生作答 2. 答对：正向反馈 + 同类强化 1 题 3. 答错：不直接给答案，启动苏格拉底引导 4. 引导后仍不会：分层提示 → 最终讲解 5. 错题归因：概念错/计算错/审题错，针对性补练

部署与优化建议

  • 学科覆盖：先从数学等结构化强的学科切入，再扩展文综理综
  • 题库建设：与教材出版社合作，题目标注知识点与难度
  • 多模态：支持公式渲染（KaTeX）、几何作图、化学方程式
  • 防作弊：互动过程分析答题模式，识别抄答案行为
  • 教师协同：教师查看班级学情热力图，聚焦共性难点
  • 家长沟通：周报推送学习时长、掌握度、薄弱点

常见问题与解决方案

问题 原因 解决方案
LLM 讲解出错 学科知识不足 题库附标准解析 + LLM 仅做引导
学生依赖提示 引导过频 提示冷却 + 先尝试再求助
学情画像漂移 BKT 参数固化 定期校准参数 + 冷启动测试
文科难诊断 答案非对错 引入开放式评分 + 多维诊断

扩展方向

  • 语音互动：低龄学生口语对话教学
  • 编程教学：代码执行沙箱 + 实时反馈
  • 实验仿真：物理化学虚拟实验
  • 情感识别：摄像头分析学习情绪，调整节奏