用工程视角看错题诊断：多题向量聚类的思路

用工程视角看错题诊断

一、问题定义

错题诊断产品的核心任务，不是"识别一道题"，而是把 N 道表面不同的错题，归约到 M 个底层知识断点（M ≪ N），再按频率排优先级。用工程语言说，这是一个多题聚类 + 可解释归因问题。

单题解析是 1→1 映射（题→答案），门槛低；多题归因是 N→M 归约（题组→薄弱点集），才是差异化的地方。本文给一条可落地的实现路径。

二、整体流水线

错题文本/图片 → OCR+结构化 → 知识点嵌入 → 向量聚类 → 归约到知识节点 → 可解释归因 → 验证闭环

每一环都有坑，下面拆开。

三、关键技术环节

1. 题目结构化。 聚类质量取决于输入特征。先把每道题抽出：知识点标签（如"分数运算"）、错误类型（概念/题型/习惯）、解题路径。结构化越细，后面聚类噪声越小。

2. 知识点嵌入。 把结构化后的题目映射成向量。简单做法是用知识点体系做 one-hot 或层级编码；进阶做法是用教育领域预训练模型做语义嵌入，让"换问法但同根因"的题在向量空间里靠近。

3. 向量聚类归约。 用层次聚类或密度聚类把相似题聚成一簇，再把每簇映射到知识图谱的节点。聚类的难点在"簇数自适应"——章节硬分会把不同根因混在一起，需要靠特征权重调。

4. 可解释归因。 聚类结果必须可回溯：每条归因展示"依据哪些题、命中哪些特征"，否则家长不信任。宁可保守给低频结论，也不要黑盒高置信。

5. 验证闭环。 指出漏洞后，用变式题或口述关键条件验证是否掌握，并把结果回写状态。没有闭环，诊断只是一次性报告。

四、给开发者的提醒

• 别把 OCR 当壁垒，单题解析是桌子上的筹码，多题归因才是护城河。
• 归因准确率有上限，误归因会直接伤信任，务必做可解释。
• 闭环比准确率更影响留存。

想看同类产品的取舍，可参考2026 错题工具横评。从用户视角理解"为什么需要多题分析"，见单题特训 vs 多题分析。

五、小结

错题诊断的护城河，是把一摞错题归约成可执行的漏洞清单，并验证它真的修好。算法本身不神秘，难的是"可解释 + 有闭环"的落地。先搭通聚类归约的主链路，再补解释与验证，比一上来追准确率更稳。

参考资料

1 Karpicke, J. D., & Roediger, H. L. (2008). The Critical Importance of Retrieval for Learning. Science, 319(5865), 966–968.

2 Bjork, R. A., & Bjork, E. L. (2011). Making things hard on yourself, but in a good way: Creating desirable difficulties to enhance learning.

3 教育部：《义务教育课程方案（2022年版）》，2022-04-08