跳到主要内容
数据系统

学生能力参数化画像系统

把「学到什么程度」从对错二值变成可计算的浮点向量:每个参数带置信度,每次答题都在更新一张会自己说自己不知道什么的画像。

PythonFastAPISQLiteC++ / pybind11数据建模私有仓库
版本
v0.17.0(原型可用)
规模
23 表 · 约 80 个 API · 18 个迁移
参数
L1–L5 共 27 个叶节点
仓库
私有

01一句话

不教学,只测量。不治疗,只成像——用一句话形容,它想做的是学习能力的 MRI。

传统选择题只留下一个「对/错」。但这个信息量太小:蒙对和真的会,在数据里长得一模一样;同一个「选 C」,可能是确信正确,也可能是确信错误,还可能是两个选项之间反复横跳。

02核心交互:置信度堆叠条

学生面对的不是四个单选按钮,而是一条被分成四段的横条(A/B/C/D),她拖动中间的分割线,决定每段占多少。

  • C 段 95% 以上 → 确信错误,这是最危险的一种。
  • A 与 C 各约 40% → 在两个都含 x=2 的选项间挣扎,离正确答案只差一步。
  • 四段接近均等 → 完全没掌握,而不是「猜了一个」。

这一条交互把「答题」从一次离散选择变成了一次连续分布,后面的所有量化都建立在这个分布上。

03五条设计原则

  • 所有测量值都是 float(0.0–1.0),没有「掌握 / 未掌握」的二分。
  • 每个参数带 confidence——系统知道自己不知道什么。
  • 画像按 OOP 类继承树组织,颗粒度是浮动参数,可以随时 roll-up / drill-down。
  • 参数更新靠可插拔更新器:default / bayesian / IRT / weighted / 指数衰减 / 分层 / ML 共 7 种,ML 只是其中一种,不是信仰。
  • 所有维度从答题行为推断,不发问卷量表。

04实现

  • 后端 FastAPI + SQLite(生产目标 MariaDB + Redis),前端原生 HTML/JS 无构建。
  • C++ 扩展(pybind11)实现梯度提升、随机森林、线性回归、SVR 四种算法,避开 Python 侧的推理开销。
  • 57 节点权限树、4 级角色(superadmin / admin / teacher / student),18 个幂等版本迁移,schema_version 自动追踪。
  • 测试会话是状态机:WebSocket 实时答题 + 计时,答题数据写入后由 runner 统一调度更新器。
  • 题库支持多对多标签与合集,批量导入过 TAL-SCQ5K。

05边界

因为涉及真实学生数据,仓库是私有的,细节不外放(本文只写到架构层)。当前是原型:分析引擎与决策模块的部分功能由 runner 承接,LLM 网关还只是桩,自适应出题尚未实现——按 test_id 固定加载题目。

下一步的重心是时间维度:Transformer 衰减 + 个体微调,以及把「置信度随复习间隔怎么变」这件事测出来。

主站