方案概览
学情诊断的核心是本地大模型加结构化作答数据加知识图谱。相比调用公有 API,本地部署可避免学生数据出境,适合学校与教育机构。下面是一个最小可用工作流。
Step 1:本地部署教学大模型
ollama pull qwen2.5:14b
ollama serveStep 2:构建错题与作答数据集
将作业批阅结果按题目、知识点、对错、错因结构化,作为诊断输入:
import pandas as pd
df = pd.read_csv('homework.csv')
grp = df.groupby(['student_id','knowledge_point'])['correct'].mean().unstack(fill_value=0)
print(grp.head())
weak = grp[grp < 0.6].stack().index.tolist()
print('weak:', weak[:10])Step 3:用大模型生成分层作业
把薄弱点与知识图谱注入提示词,生成基础、进阶、拔高三层练习:
from openai import OpenAI
client = OpenAI(base_url='http://localhost:11434/v1', api_key='ollama')
def gen_adaptive_job(points):
prompt = '你是资深学科教师。学生薄弱知识点:' + str(points) + '。请生成分层作业:基础题 3 道、进阶题 2 道、拔高题 1 道,每题附答案解析。'
r = client.chat.completions.create(model='qwen2.5:14b', messages=[{'role':'user','content':prompt}])
return r.choices[0].message.content
print(gen_adaptive_job(weak[:3]))Step 4:学情报告与评测
① 每周汇总班级错题图谱,生成班级、年级、学校三级学情报告;
② 用 20-50 份真实批改做人工评分,对比 AI 与教师分层结果;
③ 涉及学生个人数据的,全部留在校内服务器,不调用外部 API;
④ 输出须标注 AI 辅助生成、教师终审,保留人工把关。
说明:模型能力与学科适配以实际部署版本为准;涉及未成年人数据须遵守相关隐私规定。
参考来源
本文参考的公开实践:舟山市人工智能赋能教育教学改革五年行动计划与精准教学实践 - 舟山市人民政府;从漫灌到滴灌:南雅梅溪湖中学探索 AI 赋能自主学习新范式 - 中国日报网;AIGC 赋能初中数学自适应学习的实践探索 - 中国教育新闻网。