想象一下，你叫“阿远”，第一次去一座高山旅行。传统旅行团发一张固定行程表：上午到观景台，中午到瀑布，下午到山顶。你走快了要等，走慢了被催，体力差的人半路就崩溃。现在来了一位智能向导“阿灵”，它先问你三件事：你现在在哪个平台？你体力如何？今天想不想看日出？然后给你画出一条专属山路——如果你喘了，就带你走缓坡；如果你体力好，就带你绕近路。这条路还会随着你的表现实时改变，这就是“自适应路径”。 在 AI+教育里，自适应路径就是这样一条“私人山路”：系统先诊断学生的知识状态，再借助知识图谱和推荐算法，从海量学习内容里挑出一条最合适的学习序列。它不像传统课堂那样“一张课表所有人用”，而是真正做到“一人一图、边走边调”。理解它，你就理解了智能学习平台如何做到因材施教。

岗位关联

对 AI 从业者而言，掌握自适应路径能帮助你设计教育产品的核心算法闭环，把“推荐内容”升级为“规划成长”，是从算法工程师走向教育 AI 产品专家的关键一步。

目录
  1. 可视化演示
  2. 1. 基本概念
  3. 2. 教育场景
  4. 3. 知识图谱
  5. 4. 学习者建模
  6. 5. 路径推荐算法
  7. 6. 性能指标
  8. 7. 优化策略
  9. 8. 落地案例
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

以步进式流程展示个性化学习中的自适应路径，从测评、概念、练习到评估与进阶推荐，直观呈现根据学习者掌握度动态调整的学习路径。

本节配有交互动效（进入视口后自动加载，约 3KB）。

动态适应 阶段 自适应 5步 学习路径

1. 基本概念

小远第一次见到向导阿灵时，阿灵没有直接发《一日登山表》，而是拿出一个电子地图问：“你现在已经走到了哪个观景台？刚才爬坡累不累？今晚想在山顶看星星还是看日出？”这些问题对应着自适应路径的三个核心要素：起点、偏好和目标。接下来，阿灵画出路线，但这条路线并不是固定的——如果中途发现小远体力透支，它会立刻绕道补水点。

这套思路落在教育里，就是自适应路径：系统把“学习内容”拆成一节节“知识点平台”，从学生当前会的地方出发，朝着课程目标前进。每一步都根据最新答题数据决定：下一步是再练同类题、跳到更难的概念，还是先回头看某个前置知识。它不是简单地把视频推给你，而是给你排出一个“先学什么、再学什么、学完做什么”的完整行动方案。

从数学上看，路径规划是在所有可行的知识点序列中，找到一条收益最高的序列：

就像阿灵不会只给一张固定地图，自适应路径的核心是“目标明确、按需取路”。路径的价值不在于看起来多曲折，而在于每一步都让学习者离山顶更近。

P∗=arg⁡max⁡P∈P∑vi∈P(αΔmi+βri)\displaystyle P^{*} = \arg\max_{P \in \mathcal{P}} \sum_{v_i \in P} \left( \alpha \Delta m_i + \beta r_i \right)
这个公式的意思是：在无数条候选学习路线里，挑一条“知识点进步量”和“与目标相关度”总加权分最高的路线。
  1. 候选路线集合\(\mathcal{P}\) 是所有满足前置关系的学习路径集合，相当于山路中不会“从半山腰直接跳到没有路的地方”的全部可行走法。
    P\mathcal{P}
  2. 路径里的节点\(v_i \in P\) 表示路径上的第 \(i\) 个知识点或学习对象，如图中“概念讲解、例题、练习题、测验”。
    vi∈Pv_i \in P
  3. 加权收益\(\alpha \Delta m_i\) 是学完这个节点后掌握度的提升，\(\beta r_i\) 是它与最终学习目标的相关度，两个分数相加，代表这一步“走得值不值”。
    αΔmi+βri\alpha \Delta m_i + \beta r_i
  4. 取最大值\(\arg\max\) 表示从所有候选路线中选出总分最高的那一条，也就是向导最终画出的那条绿色山路。
    arg⁡max⁡P∈P\arg\max_{P \in \mathcal{P}}

2. 教育场景

传统旅行团的问题在于：导游只有一条路线，走快了的人嫌风景太少，走慢了的人嫌台阶太多。课堂也是如此。老师按中等学生的进度讲课，基础弱的学生跟不上，基础好的学生又觉得无聊。这种“统一路线”不是老师不负责，而是缺少实时感知每个学生状态的工具。

AI+教育打开了一个新场景：用数据代替“大概感觉”。学生每做一道题，系统就在后台更新他的能力值；每看一个视频，系统就记录停留时长和回放次数。基于这些信号，AI 给每个学生生成一条单独的路，这就是规模化因材施教。过去一位老师只能照顾四五十个学生，现在一个算法可以同时为上万名学生动态规划路线。

从优化视角看，自适应路径希望把“题目难度”和“学生能力”的差距压到最小：

教育场景中的自适应，不是要把学生困在“舒适区”，而是让每一步都踩在“跳一跳够得着”的石头上。阿灵选的台阶既不会让人望而生畏，也不会让人无聊到想睡觉。

min⁡∑t=1T∣bt−θt∣,s.t. bt∈D\displaystyle \min \sum_{t=1}^{T} |b_t - \theta_t|,\quad \text{s.t. } b_t \in D
它的意思是：在给定题库里，选出一组题目，让每道题的难度尽量贴近学生当前的能力，避免过难或过易。
  1. 题目难度\(b_t\) 表示第 \(t\) 道题目的难度值，难度越高越难做对。
    btb_t
  2. 学生能力\(\theta_t\) 表示学习者在第 \(t\) 个时刻的能力估计值，它随答题结果不断变化。
    θt\theta_t
  3. 绝对差值\(|b_t - \theta_t|\) 衡量“难度与能力的失配程度”，差值越小，说明题目越接近学生的最近发展区。
    ∣bt−θt∣|b_t - \theta_t|
  4. 可行性约束\(\text{s.t. } b_t \in D\) 表示所有题目必须来自真实题库，就像向导只能在真实存在的山路和补给点之间选择。
    s.t. bt∈D\text{s.t. } b_t \in D

3. 知识图谱

阿灵凭什么敢给小远带路？因为它手里有一张比纸质地图更丰富的“山势图”：哪里是缓坡、哪里是悬崖、哪里必须先过吊桥才能到下一个景点。这张图不是简单画几座山头，而是把“山路之间的依赖关系”也标了出来。AI+教育里的这张图，就叫知识图谱。

知识图谱的节点是一个个知识点，例如“一元一次方程”“函数图像”“应用题建模”。节点之间的边表示关系，最常见的是“前置关系”：学不懂“移项”，就很难学“解方程”。除了关系类型，边上还可以有权重，表示“学完 A 之后，有多大概率应该去学 B”。这个权重可以从专家标注中统计，也可以从大量学生的学习日志中估计。

一种常见估计方式是统计条件概率：

知识图谱是自适应路径的底座。没有地图的向导只会乱带路，没有知识图谱的学习系统只会“看什么火就推什么”，无法保证知识体系的连贯性。

Wij=P(vj∣vi)=cnt(vi→vj)∑kcnt(vi→vk)\displaystyle W_{ij} = P(v_j \mid v_i) = \frac{\text{cnt}(v_i \to v_j)}{\sum_{k} \text{cnt}(v_i \to v_k)}
如果把所有“学完概念 A 后接着学概念 B”的学生行为都记录下来，那么在 A 的所有后继选择里，B 被选中的比例就是边权。
  1. 后继次数\(\text{cnt}(v_i \to v_j)\) 表示在历史学习日志中，学生在学完 \(v_i\) 后直接学习 \(v_j\) 的次数。
    cnt(vi→vj)\text{cnt}(v_i \to v_j)
  2. 总后继次数\(\sum_{k} \text{cnt}(v_i \to v_k)\) 表示 \(v_i\) 所有后继边被选择的次数总和，相当于从 \(v_i\) 出发的全部足迹。
    ∑kcnt(vi→vk)\sum_{k} \text{cnt}(v_i \to v_k)
  3. 条件概率两者相除，得到“从 \(v_i\) 出发走向 \(v_j\)”的似然概率。概率高，说明这条前置关系在真实学习中更常见。
    P(vj∣vi)P(v_j \mid v_i)

4. 学习者建模

阿灵给小远指路之前，先做了一次“登山体能测验”：走一段平路看心率，爬一小段坡看呼吸。这些数据帮助它估计小远此刻的体力值。AI+教育里的测验没有心率带，用的是“作答反应”——通过学生对题目的对错，反推出他背后的能力。

经典工具是项目反应理论（IRT）。它把一道题看成一把“能力标尺”，并用一条 S 形曲线描述“某个能力值的学生答对这道题的概率”。题目越难，曲线越靠右；题目区分度越高，曲线越陡峭。

学习者模型不是一次性的。学生每做一道题，阿灵都会悄悄更新“体力值”。在实际系统中，还有更复杂的知识追踪模型，用学习序列预测“他是否真正掌握了某个知识点”，从而让下一条路径始终保持新鲜。

P(correct)=11+e−ai(θj−bi)\displaystyle P(\text{correct}) = \frac{1}{1 + e^{-a_i(\theta_j - b_i)}}
当学生能力 \(\theta_j\) 正好等于题目难度 \(b_i\) 时，答对概率是 50%；能力越高，概率越接近 1。
  1. 能力与难度之差\(\theta_j - b_i\) 表示学生能力与题目难度的差距。大于 0 说明能力高于难度，小于 0 说明低于难度。
    θj−bi\theta_j - b_i
  2. 区分度\(a_i\) 控制曲线陡峭程度，区分度越高，能力差一点就能体现在正确率上。
    ai(θj−bi)a_i(\theta_j - b_i)
  3. 指数映射\(e^{-x}\) 把差值变成非负数并取倒数，最终把任意实数压缩到 0 到 1 之间，得到概率。
    11+e−x\frac{1}{1 + e^{-x}}

5. 路径推荐算法

地图有了，学生状态也有了，接下来阿灵要做一个关键决定：下一步往哪走？是选一条短但陡的近路，还是选一条长但缓的坡道？这就像站在岔路口看路牌，而“路牌”背后是路径推荐算法。

最简单的算法是规则式：如果掌握度低于 0.7，就返回基础题；如果高于 0.9，就跳过低阶内容。这种规则可解释性强，但不够细腻。更常见的做法是把多个因素综合成一个分数，然后从满足前置关系的邻居节点里挑分数最高的那个：

更前沿的系统会用强化学习：把“学生当前知识状态”当作环境，把“推荐哪个知识点”当作动作，把“后测成绩提升”当作奖励。阿灵不再只看眼前一步，而是为了山顶的最终目标，规划出一条长期最优路线。

vnext=arg⁡max⁡vj∈N(vi)[w1Δmj−w2tj+w3fj]\displaystyle v_{\text{next}} = \arg\max_{v_j \in N(v_i)} \left[ w_1 \Delta m_j - w_2 t_j + w_3 f_j \right]
它表示：在下一步所有可学节点中，选一个“进步收益最大、耗时较短、兴趣匹配度较高”的知识点。
  1. 候选邻居\(N(v_i)\) 是当前知识点 \(v_i\) 的后继节点集合，并且这些节点必须满足前置关系，相当于向导只能选当前站点的真实相邻山路。
    N(vi)N(v_i)
  2. 进步收益\(\Delta m_j\) 表示学习节点 \(v_j\) 预计带来的掌握度提升，来自历史相似学生的平均表现。
    Δmj\Delta m_j
  3. 时间成本\(t_j\) 是预计学习时长，前面的负号表示耗时越长，路线吸引力越低。
    −w2tj- w_2 t_j
  4. 兴趣因子\(f_j\) 是内容风格、学生兴趣与目标的匹配度，用来避免算法只追求效率却忽略学习动机。
    w3fjw_3 f_j

6. 性能指标

阿灵带的路好不好，不能只看它是不是走得快，还要看小远有没有真的变强。如果走了一条最短路，但小远回到平路还是不会下坡，那这条路线就是失败的。因此，自适应路径必须用一套指标来评估。

最核心的指标是学习增益。它不只是看“后测分数减前测分数”，而是看“在原本不会的空间里，真正改善了多大比例”。公式如下：

除了学习增益，还要看路径效率：路径效率 = 学习增益 ÷ 学习总时长。如果两条路线增益相同，用时短的更好。另外，坚持率和满意度也很重要——再科学的路线，如果学生中途放弃，就没有意义。阿灵的目标不只是把小远送到山顶，还要让小远愿意跟着它走完全程。

AG=Mpost−Mpre1−Mpre\displaystyle \text{AG} = \frac{M_{\text{post}} - M_{\text{pre}}}{1 - M_{\text{pre}}}
如果前测掌握度 0.4，后测掌握度 0.8，那么学习增益是 (0.8-0.4)/(1-0.4)≈0.67，说明学生填补了剩余可提升空间的 67%。
  1. 前测掌握度\(M_{\text{pre}}\) 是学习开始前的知识掌握度，取值范围在 0 到 1 之间。
    MpreM_{\text{pre}}
  2. 后测掌握度\(M_{\text{post}}\) 是学习结束后的知识掌握度，数值越高说明效果越好。
    MpostM_{\text{post}}
  3. 实际进步\(M_{\text{post}} - M_{\text{pre}}\) 是后测相对前测的提高量，它描述“走了多少坡”。
    Mpost−MpreM_{\text{post}} - M_{\text{pre}}
  4. 可提升空间\(1 - M_{\text{pre}}\) 是理论上还能进步的最大幅度。用实际进步除以最大可进步空间，得到更公平的“增益率”。
    Mpost−Mpre1−Mpre\frac{M_{\text{post}} - M_{\text{pre}}}{1 - M_{\text{pre}}}

7. 优化策略

阿灵一开始对小远不够了解，只能先给一个保守路线。这就是“冷启动”。随着小远做对三套题、在某个视频停留很久，阿灵的判断越来越准。优化策略的核心，就是把冷启动、学习成效、时长、兴趣等多个目标放进同一个天平里。

现实中的路径优化很少只看单一指标。系统通常需要最小化一个综合损失函数：

优化不是只发生一次。真实系统会开启在线学习：每产生一批新的答题记录，就用小批量更新模型参数，同时通过 A/B 实验验证新策略是否真的比旧策略带来更高学习增益。阿灵正是在一次次带路中，把地图越背越熟。

L=λ1(1−AG)+λ2T+λ3Ccold\displaystyle L = \lambda_1(1 - \text{AG}) + \lambda_2 T + \lambda_3 C_{\text{cold}}
这个公式把“学得不够多、耗时过长、冷启动不确定性大”三件事都变成惩罚项，通过调节权重，让系统在多个目标之间取得平衡。
  1. 未提升量\(1 - \text{AG}\) 是学习增益的反面，数值越大说明学习效果越差，系统会尽量降低它。
    1−AG1 - \text{AG}
  2. 学习时长\(T\) 是完成路径所需的总时间，时间越长，代价越高。
    TT
  3. 冷启动代价\(C_{\text{cold}}\) 表示因为缺少学生历史数据而带来的不确定性惩罚，数据越少，这个值越大。
    CcoldC_{\text{cold}}
  4. 权重系数\(\lambda_1, \lambda_2, \lambda_3\) 分别控制三个目标的相对重要性，比如产品希望先保证效果，就提高 \(\lambda_1\)。
    λ1,λ2,λ3\lambda_1, \lambda_2, \lambda_3

8. 落地案例

阿灵不再只是一个人的向导，它把经验复制到成千上万个“小远”身上。在智能题库里，每道题都带难度和能力标签；在自适应学习平台上，AI 根据学生当天状态动态布置作业；在企业培训中，系统为新员工规划“从入职到上手”的最短学习链路。这就是自适应路径的落地图景。

一个典型实现思路是：把“学生状态”和“知识点难度”做匹配，同时结合热门程度和前置约束，给每个候选资源打分：

从智能题库到企业大学，自适应路径的真正落地，不是把算法部署上线就结束了，而是需要结合数据回流、教师反馈和学习效果评估，形成闭环。就像阿灵每一次带路后都会写一份带路笔记，下一次带队才能更聪明。

rank(vj)=sim(θi,kj)+0.2×pop(vj)+β⋅prereqj\displaystyle \text{rank}(v_j) = \text{sim}(\theta_i, k_j) + 0.2 \times \text{pop}(v_j) + \beta \cdot \text{prereq}_j
它的意思是：一个知识点是否能被推荐，主要看它和学生能力的相似度，适当参考热度，并且必须满足前置关系约束。
  1. 能力匹配度\(\text{sim}(\theta_i, k_j)\) 表示学生能力向量与知识点难度向量的相似度，匹配度越高，越适合这条路径。
    sim(θi,kj)\text{sim}(\theta_i, k_j)
  2. 热门程度\(\text{pop}(v_j)\) 是知识点或课程资源的热度，用来照顾大多数学生的共性需求。
    pop(vj)\text{pop}(v_j)
  3. 前置约束\(\text{prereq}_j\) 是一个开关量，如果前置知识没学过则取 0，否则取 1，用来保证路径不违反知识依赖。
    β⋅prereqj\beta \cdot \text{prereq}_j

AI 应用场景

智能题库动态出题

阶段：学习者建模 → 路径推荐

解决的问题：传统题库给所有学生随机抽题，难题让基础弱的学生连续失败，简单题又让优等生浪费时间。AI 先用 IRT 估计学生能力，再按能力选择难度匹配的题目，并把答错题对应的前置知识插入下一轮练习中。

具体案例：某在线教辅 APP 接入自适应出题后，学生每次练习的题目顺序不再固定。若某人在“分式运算”连续答错两次，系统自动插入两条“整数运算”回顾视频，再回到分式题。一个月后，该年级的练习完成率和单元测验平均分同步提升。

自适应学习平台规划课程

阶段：知识图谱 → 路径推荐 → 性能指标

解决的问题：传统在线课程按章节顺序解锁，学生已经懂的内容仍要再看一遍。AI 用知识图谱判断前置关系，再根据学生知识状态跳过已掌握节点，动态生成最短达标路径。

具体案例：某自适应学习平台为每位学生生成包含“学前诊断→个性化视频→变式练习→后测”的完整路径。平台记录显示，使用自适应路径的学生比使用固定课程的学生，在学习时间相同的情况下，学习增益平均提高约 25%。

企业新员工培训

阶段：冷启动 → 多目标优化 → 效果评估

解决的问题：传统企业培训“新人学同一套课程”，研发岗和市场岗混在一起，低效且耗时。AI 根据岗位能力模型和新人入职测评结果，为不同岗位生成差异化学习路径，并综合“上手时间、考核通过率、学习体验”三项目标做优化。

具体案例：一家软件公司用自适应路径给新入职工程师做培训：后端工程师路径偏重数据库与接口设计，前端工程师路径偏重组件化与交互。上线后，新人达到独立交付标准的时间从 30 天缩短到 21 天。

Python 演示

python46 行
# 简单的自适应路径选择演示graph = {    "start": {        "equation": {"min_mastery": 0.4, "gain": 0.25, "time": 8},        "number_sense": {"min_mastery": 0.2, "gain": 0.15, "time": 5}    },    "equation": {        "word_problem": {"min_mastery": 0.6, "gain": 0.35, "time": 12}    },    "number_sense": {        "word_problem": {"min_mastery": 0.5, "gain": 0.25, "time": 10}    },    "word_problem": {        "end": {"min_mastery": 0.0, "gain": 0.0, "time": 0}    }}  def choose_next(now, mastery):    best_node = None    best_score = -1.0    for node, info in graph[now].items():        if mastery < info["min_mastery"]:            continue        score = info["gain"] * 0.7 + info["time"] * 0.3        if score > best_score:            best_score = score            best_node = node    return best_node  def build_path(mastery):    path = []    current = "start"    seen = set()    while current != "end" and current not in seen:        seen.add(current)        path.append(current)        current = choose_next(current, mastery) or "end"    path.append("end")    return path  if __name__ == "__main__":    for m in [0.3, 0.55, 0.85]:        print("mastery=", m, "path=", build_path(m))
目的：模拟一个微型自适应学习系统，给定不同掌握度，自动选择“巩固基础”或“直接进阶”的学习路径。
  1. for node, info in graph[now].items()遍历当前知识点所有可跳转的后继节点。
  2. if mastery < info["min_mastery"]: continue掌握度不足时不许硬闯难题，相当于“体力不够不走陡坡”。
  3. score = info["gain"] * 0.7 + info["time"] * 0.3把进步收益与时间成本加权成综合得分。
  4. current = choose_next(current, mastery) or "end"没有候选节点时，默认到达终点。
  5. seen = set()防止图结构存在环时陷入死循环。

常见误区

误区我觉得自适应路径和视频推荐没有本质区别，只要把用户最可能点击的学习内容排到前面就行了，点击率越高说明路径越好。

正解自适应路径不仅要考虑“内容是否相关”，还要考虑知识点前置关系、学生当前掌握度、学习目标与遗忘曲线。它输出的是有顺序的“学习序列”，而不是一个内容清单。点击率高不代表学会了，就像向导不能只看游客喜欢哪条路，还要保证这条路能通往山顶。

为何常见：日常生活中短视频推荐最普及，大家习惯把“推荐”等同于“点击率优化”，忽略了教育的序贯性和目标性。

误区学生做完 20 道题，系统已经知道他的水平，后面按照画像推荐就行，不用频繁更新。

正解学习者的知识状态是动态变化的，今天学会一元一次方程，明天可能又忘了移项规则。自适应系统必须用知识追踪模型持续更新参数，并在每次答题后重新规划路径。否则画像会慢慢变成一张过期的地图。

为何常见：传统考试“考一次定一学期”的思维惯性，让人误以为建模也是低频动作。

误区只要收集海量学习日志，深度学习模型就能自动找到最佳路径，根本不需要专家画知识图谱。

正解教育数据往往高度稀疏，比如某个冷门知识点可能只有几十条学习记录。没有知识图谱和教学规则的约束，模型很容易学到偶然相关性。真实系统通常把“数据驱动”和“教育专家规则”结合起来，才能稳定运行。

为何常见：大模型和推荐系统的成功，让很多人产生了“数据万能”的错觉，忽略了教育场景中的因果性和前置条件。

误区离线数据集上路径推荐的准确率提升了 5%，所以上线后学生的学习效果也一定会提升 5%。

正解离线指标只代表算法在历史日志上的拟合能力，无法体现学生在真实学习中的动机变化和遗忘过程。上线前还要做小流量 A/B 实验，观察学习增益、坚持率等指标，才能真正判断路径是否有效。

为何常见：离线评估成本低、速度快，容易让人把它当成最终裁决，而忽略了线上环境的复杂反馈。

面试题

Q1. 自适应学习路径的核心目的是（）。

单选题 · easy

  • A.提高视频播放量
  • B.规划最优学习序列← 正确答案
  • C.减少出题工作量
  • D.统一课堂进度

答案：B。自适应路径的重点是按学情规划一条“先学什么、再学什么”的合理序列。播放量是内容推荐指标，出题工作量和统一进度都不是核心目标。就像向导的核心任务是找对路，而不是让人多走几步。

Q2. 知识图谱中边表示“前置关系”意为（）。

单选题 · mid

  • A.两个概念同时学习
  • B.学完 A 才能学 B← 正确答案
  • C.B 是 A 的应用题
  • D.A 和 B 完全无关

答案：B。前置关系强调依赖顺序：必须先掌握 A，再学 B 才有效。如果两个概念要同步学，那是并行关系；B 是 A 的应用题属于内容形式，不是前置关系。

Q3. 构建学习者模型时可使用的数据包括（）。

多选题 · mid

  • A.答题对错记录← 正确答案
  • B.学习停留时长← 正确答案
  • C.认知诊断结果← 正确答案
  • D.教师调课记录

答案：ABC。答题对错、停留时长、认知诊断都能反映知识状态。教师调课记录与学习者能力建模没有直接关系，就像向导不会根据后勤排班来判断游客体力。

Q4. IRT 中参数 b 代表题目的（）。

单选题 · easy

  • A.区分度高低
  • B.难度大小← 正确答案
  • C.猜测概率值
  • D.学生能力值

答案：B。在 IRT 公式中，b 是题目难度参数，a 是区分度参数，θ 是学生能力参数。难度越高，答对概率曲线越靠右。

Q5. 可用于生成自适应路径的算法有（）。

多选题 · mid

  • A.决策树分类← 正确答案
  • B.强化学习规划← 正确答案
  • C.冒泡排序
  • D.规则与评分← 正确答案

答案：ABD。决策树可以根据学生状态做分支判断，强化学习能优化长期收益，规则与评分方法简单可解释。冒泡排序是排序算法，不能直接生成学习路径。

Q6. 前测 0.4、后测 0.8，学习增益为（）。

单选题 · mid

  • A.0.667← 正确答案
  • B.0.400
  • C.0.800
  • D.1.200

答案：A。代入公式 (0.8-0.4)/(1-0.4)=0.4/0.6≈0.667。它表示学生填补了可提升空间的约 66.7%，而不是简单看前后测差。

Q7. 下列哪种情况最容易造成学习者冷启动？（）。

单选题 · hard

  • A.新生没有历史学习数据← 正确答案
  • B.新教师刚刚入职报到
  • C.服务器正在扩容升级
  • D.题库标签出现重复

答案：A。冷启动强调“模型对新用户没有历史行为可依赖”。新教师入职、服务器扩容和标签重复都不是学习者建模中的冷启动问题，就像向导第一次见到陌生人时，很难立刻知道他体能如何。

Q8. 自适应路径中“跳转路线”通常取决于（）。

单选题 · mid

  • A.当前掌握度状态← 正确答案
  • B.学生注册手机号
  • C.教师的教龄年限
  • D.服务器的当前负载

答案：A。跳转路线需要根据学生最新的掌握度决定：掌握得好就跳过低阶内容，掌握不好就退回前置知识。手机号、教龄和服务器负载与学习路径无关。

Q9. Q-learning 更新时通常用到（）。

多选题 · hard

  • A.即时奖励← 正确答案
  • B.折扣因子← 正确答案
  • C.下一状态最优值← 正确答案
  • D.词频统计

答案：ABC。Q-learning 更新公式包含即时奖励 r、折扣因子 γ 和下一状态的最大 Q 值，用来估计长期回报。词频统计是文本处理中的概念，不参与强化学习更新。

Q10. 评估自适应路径是否有效的核心证据是（）。

单选题 · hard

  • A.学前学后增益显著← 正确答案
  • B.页面停留时间最长
  • C.题目点击次数最多
  • D.视频播放速度最快

答案：A。学习增益直接衡量学生能力提升，是教育效果最核心的证据。停留时间、点击次数和播放速度都只是过程信号，不能证明学生真正学会了知识。