第1646篇：教育科技中的AI个性化学习——自适应题目生成与学习路径规划
2026/4/30大约 12 分钟
第1646篇：教育科技中的AI个性化学习——自适应题目生成与学习路径规划
上个月跟一个做在线教育的朋友吃饭，他说了一句让我印象很深的话："我们平台有500万学员，但我们给每个人的学习体验几乎一模一样，就像工厂流水线。"
这个痛点我之前没想那么深，但仔细一想，确实是个大问题。学习这件事，天然应该因人而异：学得快的不该被拖慢，薄弱的地方要多练，强项快速带过。但传统在线教育平台，就是把一套课程材料推给所有人，最多按难度分个初中高三级，离真正的"个性化"差很远。
这也是为什么家教行业始终没死——一对一的人工辅导效果就是比视频课好，核心原因就是个性化。
大模型让"规模化个性化"第一次有了可能。今天讲讲这套系统怎么做。
核心问题：个性化的基础是什么
要做个性化学习，首先要回答：你凭什么给学员推荐这道题而不是那道题？
这需要两样东西：
- 学员模型：这个学员现在的知识掌握状态是什么
- 题目模型：这道题考察哪个知识点，难度如何，知识依赖是什么
传统做法是用知识追踪（Knowledge Tracing）模型，典型代表是DKT（Deep Knowledge Tracing），把学员的答题序列转化为知识掌握概率向量。这套方法有效，但有局限：只能处理已有的题目，无法生成新题目，知识点必须预先定义好。
大模型可以补上这个缺口：根据学员状态，动态生成适合当前水平的题目。
系统架构
让我从底层开始讲，逐层往上。
知识图谱：个性化的基础设施
在做具体功能之前，要先建一个知识图谱，把课程里的所有知识点及其关系定义清楚。
比如数学课：
- "二元一次方程"依赖"一元一次方程"
- "二元一次方程"依赖"代入消元法"
- "函数"依赖"坐标系"
- "二次函数"依赖"函数"
这个依赖关系很重要：如果一个学员在"二元一次方程"上频繁出错，要先排查他的"一元一次方程"是不是也有问题。
@Entity
public class KnowledgeNode {
private Long id;
private String code; // 唯一标识，如 MATH_QUADRATIC_EQ
private String name; // 名称，如 二次方程
private String subject; // 学科
private String gradeLevel; // 年级
private String description; // 知识点描述
private DifficultyLevel difficulty;
// 前置知识依赖（学这个之前要先会的）
@ManyToMany
@JoinTable(name = "knowledge_prerequisites")
private List<KnowledgeNode> prerequisites;
// 后续知识（学会这个后可以学的）
@ManyToMany(mappedBy = "prerequisites")
private List<KnowledgeNode> subsequents;
}知识图谱建好后，学员的知识状态就可以表示成一个字典：
// 学员知识掌握状态
// key: 知识点code，value: 掌握概率（0-1）
Map<String, Double> studentKnowledgeState = Map.of(
"MATH_LINEAR_EQ_1VAR", 0.92, // 一元一次方程，基本掌握
"MATH_LINEAR_EQ_2VAR", 0.45, // 二元一次方程，有些问题
"MATH_COORDINATE_SYSTEM", 0.78, // 坐标系，基本掌握
"MATH_FUNCTION_BASIC", 0.30 // 函数基础，较弱
);知识追踪：答题后自动更新知识状态
每次学员答题，要更新他的知识状态。这里用了BKT（Bayesian Knowledge Tracing，贝叶斯知识追踪）的简化版：
@Service
public class KnowledgeTracingService {
// BKT参数（可以从历史数据中学习，这里用默认值）
private static final double P_INIT = 0.2; // 初始掌握概率
private static final double P_LEARN = 0.1; // 每次答题学习概率
private static final double P_FORGET = 0.05; // 遗忘概率
private static final double P_GUESS = 0.2; // 猜对概率
private static final double P_SLIP = 0.1; // 会了但答错的概率
/**
* 根据答题结果更新知识掌握状态
*/
public void updateKnowledgeState(
Long studentId,
String questionId,
boolean isCorrect) {
Question question = questionRepo.findById(questionId);
StudentKnowledgeState state = getOrInitState(studentId);
// 一道题可能考察多个知识点，逐一更新
for (String knowledgeCode : question.getKnowledgeCodes()) {
double currentP = state.getKnowledgeProbability(knowledgeCode, P_INIT);
double newP = updateBKT(currentP, isCorrect);
state.setKnowledgeProbability(knowledgeCode, newP);
}
studentKnowledgeRepo.save(state);
}
/**
* BKT更新公式
*/
private double updateBKT(double currentP, boolean isCorrect) {
double pCorrectGivenKnown = 1 - P_SLIP;
double pCorrectGivenUnknown = P_GUESS;
// 后验概率
double numerator, denominator;
if (isCorrect) {
numerator = pCorrectGivenKnown * currentP;
denominator = pCorrectGivenKnown * currentP + pCorrectGivenUnknown * (1 - currentP);
} else {
numerator = P_SLIP * currentP;
denominator = P_SLIP * currentP + (1 - P_GUESS) * (1 - currentP);
}
double posteriorP = numerator / denominator;
// 考虑学习和遗忘
return posteriorP * (1 - P_FORGET) + (1 - posteriorP) * P_LEARN;
}
}AI题目生成：这是核心亮点
有了知识状态，就能判断"下一步应该练哪个知识点"。但如果题库里的题已经做完了怎么办？或者需要针对某个特定薄弱环节生成变体题？
这就是大模型发挥作用的地方：
@Service
public class QuestionGenerationService {
@Autowired
private ChatClient chatClient;
/**
* 根据学员状态生成定制题目
*/
public GeneratedQuestion generate(
StudentProfile student,
String targetKnowledgeCode,
DifficultyLevel targetDifficulty,
QuestionType questionType) {
KnowledgeNode knowledge = knowledgeRepo.findByCode(targetKnowledgeCode);
// 获取学员近期的错题模式（帮助生成有针对性的题目）
List<ErrorPattern> recentErrors = errorAnalysisService.getRecentErrors(
student.getId(), targetKnowledgeCode, 10
);
String errorPatternStr = recentErrors.isEmpty() ? "无" :
recentErrors.stream()
.map(e -> "错误类型：" + e.getErrorType() + "，示例：" + e.getExample())
.collect(Collectors.joining("\n"));
String prompt = buildGenerationPrompt(
knowledge, targetDifficulty, questionType,
student, errorPatternStr
);
String response = chatClient.prompt()
.user(prompt)
.call()
.content();
GeneratedQuestion question = parseGeneratedQuestion(response);
// 生成的题目要经过验证
validateQuestion(question, knowledge);
return question;
}
private String buildGenerationPrompt(
KnowledgeNode knowledge,
DifficultyLevel difficulty,
QuestionType questionType,
StudentProfile student,
String errorPattern) {
return """
你是一位经验丰富的%s学科教师，请生成一道练习题。
【题目要求】
知识点：%s
知识点描述：%s
难度：%s（1-5级，当前要求%d级）
题型：%s
年级：%s
【学员情况】
知识掌握程度：%.0f%%
近期常见错误：
%s
【生成要求】
1. 题目要有实际情境（不要纯符号题，要有具体场景）
2. 题目要针对该学员的薄弱环节，但不要超出知识范围
3. 题目表述清晰，没有歧义
4. 如果是计算题，要有完整的解题步骤
5. 要有干扰项的分析（如果是选择题）
请以JSON格式返回：
{
"questionText": "题目文字",
"questionType": "SINGLE_CHOICE/FILL_BLANK/SHORT_ANSWER",
"options": ["A.xxx", "B.xxx", "C.xxx", "D.xxx"],（选择题才有）
"answer": "正确答案",
"solution": "解题步骤（分步说明）",
"knowledgeCodes": ["考察的知识点code数组"],
"estimatedDifficulty": 1-5,
"commonMistakes": ["常见错误1", "常见错误2"],
"hintLevel1": "第一层提示（不透露答案）",
"hintLevel2": "第二层提示（再提示一步）"
}
""".formatted(
knowledge.getSubject(),
knowledge.getName(),
knowledge.getDescription(),
difficulty.getLabel(),
difficulty.getLevel(),
questionType.getLabel(),
student.getGradeLevel(),
student.getKnowledgeProbability(knowledge.getCode()) * 100,
errorPattern
);
}
/**
* 验证生成的题目质量
* 防止生成无效题目（如答案不在选项中、解题步骤有误等）
*/
private void validateQuestion(GeneratedQuestion question, KnowledgeNode knowledge) {
// 1. 选择题答案必须在选项中
if (question.getQuestionType() == QuestionType.SINGLE_CHOICE) {
if (!question.getOptions().contains(question.getAnswer())) {
throw new QuestionValidationException("答案不在选项中");
}
}
// 2. 检查题目长度是否合理
if (question.getQuestionText().length() < 10) {
throw new QuestionValidationException("题目过短，可能生成失败");
}
// 3. 解题步骤不能为空
if (question.getSolution() == null || question.getSolution().length() < 20) {
throw new QuestionValidationException("解题步骤不完整");
}
// 4. 数学题可以用简单的符号解析验证答案格式
if (knowledge.getSubject().equals("数学") &&
question.getQuestionType() == QuestionType.FILL_BLANK) {
validateMathAnswer(question.getAnswer());
}
}
}这里我加了题目验证，是因为大模型生成的数学题偶尔会出错——尤其是涉及计算的题目，模型有时候算错，然后给出一个错误答案。验证机制能过滤掉大部分明显问题，但没法保证100%正确，所以我们还加了一个人工审核队列，生成的题目先进队列，有专职老师抽查，质量达标后才放进题库。
学习路径规划：让学习有章法
随机练题效率不高。好的学习路径应该考虑：
- 优先补薄弱知识点
- 保证知识点学习的依赖顺序（先会A才能学B）
- 控制练习难度的渐进节奏
- 结合学习目标（比如两周后要考试）
这个规划逻辑用大模型来做，比写规则更灵活：
@Service
public class LearningPathPlannerService {
@Autowired
private ChatClient chatClient;
public LearningPlan generatePlan(
StudentProfile student,
LearningGoal goal,
int availableDaysCount) {
// 获取当前知识状态
Map<String, Double> knowledgeState = student.getKnowledgeState();
// 找出薄弱知识点（掌握概率<0.6）
List<String> weakPoints = knowledgeState.entrySet().stream()
.filter(e -> e.getValue() < 0.6)
.sorted(Map.Entry.comparingByValue()) // 最弱的排前面
.map(Map.Entry::getKey)
.collect(Collectors.toList());
// 找出目标相关但还没掌握的知识点
List<String> goalRelatedWeakPoints = filterByGoalRelevance(
weakPoints, goal
);
// 构建知识依赖链
String dependencyChainStr = buildDependencyChain(goalRelatedWeakPoints);
String prompt = """
你是一位学习规划专家，请为学员制定个性化学习计划。
【学员基本情况】
学科：%s
年级：%s
可用学习时间：%d天
每天可学习时间：%d分钟
【学习目标】
%s
【当前薄弱知识点（按掌握度升序）】
%s
【知识点依赖关系】
%s
【已掌握知识点】
%s
请制定一个%d天的学习计划，要求：
1. 遵循知识点的依赖顺序，先学前置知识
2. 重点放在薄弱知识点上
3. 每天的学习量要合理，不要太重也不要太轻
4. 计划要有里程碑（每3-5天一个阶段性目标）
5. 留有复习时间（不要100%%都是新内容）
以JSON格式返回：
{
"overview": "计划概述",
"dailyPlans": [
{
"day": 1,
"theme": "今天主题",
"knowledgePoints": ["知识点code"],
"exercises": {"count": 10, "difficulty": 2},
"reviewPoints": ["复习的知识点code"]
}
],
"milestones": [
{"day": 5, "goal": "阶段性目标描述", "checkPoint": "如何验收"}
],
"tips": "学习建议（针对该学员的特点）"
}
""".formatted(
student.getSubject(),
student.getGradeLevel(),
availableDaysCount,
student.getDailyStudyMinutes(),
goal.getDescription(),
formatWeakPoints(goalRelatedWeakPoints, knowledgeState),
dependencyChainStr,
formatMasteredPoints(knowledgeState),
availableDaysCount
);
String response = chatClient.prompt()
.user(prompt)
.call()
.content();
return parseLearningPlan(response);
}
}错题分析：发现隐藏的问题模式
单道题的对错不够说明问题，要分析错题背后的模式。这块大模型比规则更适合，因为错误原因是多样的：有些是概念混淆，有些是计算粗心，有些是理解方向完全错了。
@Service
public class ErrorPatternAnalysisService {
@Autowired
private ChatClient chatClient;
public ErrorAnalysisReport analyzeRecentErrors(
Long studentId,
String subject,
int recentDays) {
List<AnswerRecord> wrongAnswers = answerRepo.findWrongAnswers(
studentId, subject,
LocalDate.now().minusDays(recentDays)
);
if (wrongAnswers.isEmpty()) {
return ErrorAnalysisReport.empty();
}
// 构建错题详情
String errorsStr = wrongAnswers.stream()
.map(r -> String.format(
"题目：%s\n知识点：%s\n学员答案：%s\n正确答案：%s\n",
r.getQuestion().getQuestionText(),
r.getQuestion().getKnowledgeNames(),
r.getStudentAnswer(),
r.getCorrectAnswer()
))
.collect(Collectors.joining("---\n"));
String prompt = """
请分析以下学员的错题记录，找出错误规律和根本原因：
学科：%s，近%d天错题
错题记录：
%s
请分析：
1. 错误类型分类（概念错误/计算错误/理解偏差/粗心失误/其他）
2. 最突出的3个问题点
3. 每个问题点的根本原因分析
4. 针对性的改进建议
5. 最需要重点复习的知识点（Top3）
以JSON格式返回，要有具体的题目引用（用题目开头几个字标识），不要空泛分析。
""".formatted(subject, recentDays, errorsStr);
String response = chatClient.prompt()
.user(prompt)
.call()
.content();
return parseErrorAnalysis(response);
}
}这个功能在学员端和家长端都有展示。家长最喜欢看这个——比干巴巴的分数更能说明问题在哪。
学习报告生成
每周给学员生成一份学习报告，这个功能看起来简单，其实有很多讲究：
@Service
public class WeeklyReportService {
@Autowired
private ChatClient chatClient;
public WeeklyReport generateWeeklyReport(Long studentId) {
StudentWeeklyStats stats = buildWeeklyStats(studentId);
String prompt = """
请为学员生成一份有温度、有价值的周学习报告。
【学习数据】
本周学习天数：%d/7天
本周练习题数：%d题
正确率：%.1f%%（上周：%.1f%%）
【进步知识点】
%s
【还需加强的知识点】
%s
【本周最常犯的错误】
%s
【学习时长分布】
%s
要求：
1. 语气温暖鼓励，不要冷冰冰的数据堆砌
2. 具体指出有进步的地方（要有细节，不是"你进步了"这种废话）
3. 下周的具体学习建议（2-3条，要可执行）
4. 对家长的沟通要点（如果适用）
5. 整体控制在300字以内
注意：这是给初中生看的，语言不要太学术。
""".formatted(
stats.getStudyDays(),
stats.getTotalQuestions(),
stats.getAccuracyRate() * 100,
stats.getLastWeekAccuracy() * 100,
formatProgressPoints(stats.getImprovedKnowledge()),
formatWeakPoints(stats.getWeakKnowledge()),
stats.getTopErrors(),
formatStudyTimeDistribution(stats.getDailyStudyMinutes())
);
String reportContent = chatClient.prompt()
.user(prompt)
.call()
.content();
return WeeklyReport.builder()
.studentId(studentId)
.weekStartDate(stats.getWeekStart())
.reportContent(reportContent)
.stats(stats)
.generatedAt(Instant.now())
.build();
}
}这个报告家长反馈特别好，说"终于看得懂孩子的学习情况了"。以前发给家长的都是折线图和表格，看不出什么问题。
一些实践经验
1. 题目生成要有人工审核关卡
生成的题目不能直接给学员做，必须经过老师审核。我们设置的是：AI生成 → 入审核队列 → 老师审核（平均5分钟一道题）→ 入可用题库。初期题库不够的时候，AI生成是很好的补充，但质量把关不能省。
2. 知识追踪模型要定期校准
BKT的参数（学习率、遗忘率等）是固定的，但不同学科、不同学员群体这些参数是有差异的。每季度用历史数据重新拟合这些参数，预测精度会提升很多。
3. 不要把所有东西都交给大模型
学习路径规划里，依赖顺序（A必须在B之前学）必须作为硬约束，不能交给大模型自己判断。大模型有时候会生成看起来合理但实际上违反知识依赖的计划。用代码强制执行约束，大模型只负责在约束内优化。
4. 反馈闭环很重要
大模型生成的题目，通过学员答题数据（难度是否准确、区分度如何）可以持续优化Prompt。我们每周分析生成题目的质量指标，调整生成Prompt，效果持续提升。
这个项目让我真的相信，AI在教育领域是能创造实质价值的。不是"AI取代老师"那种宏大叙事，而是"让每个学员都能得到之前只有精英学校才能提供的个性化关注"。