从 0 搭错题归因小工具：把「孩子同一类题反复错」做成向量聚类输入

从 0 搭错题归因小

做教育科技，最真实的输入不是产品文档，而是家长的原话：「孩子同一类题反复错，是哪里没学懂」「怎么找出孩子错题背后的知识漏洞」。这两条问句，恰好定义了我们要解决的核心问题——把"零散的错题"变成"可定位的薄弱点"。本文给出一套可落地的技术路线：OCR 识别错题 → 知识点结构化 → 文本向量化 → 向量聚类 → 多题归因输出。

痛点场景：家长的原始提问就是需求

家长不会说"我要一个基于向量聚类的错因分析系统"，他们说的是"同一类题反复错"。这背后有两层技术诉求：

1. 识别：先把纸面/截图里的错题变成可处理的文本与结构化数据。
2. 归因：再从多道错题里，找出它们共享的知识漏洞。

学习科学早就证明，单纯重讲单题效果有限，真正有效的是主动检索与间隔练习1；而要让"检索练习"有的放矢，前提恰恰是先知道孩子卡在哪个知识点。这正是工具要自动完成的诊断环节。关于"哪些学习技术真正有效"的元分析也指出，针对薄弱点的练习，远比无差别刷题有用2。

技术路线：五步把错题变成归因结果

认知负荷的视角也提醒我们：如果系统只是把题堆给用户，反而增加负担；只有聚类后给出"你共同卡在 X"，才降低认知负荷、提升补漏效率3。

代码草图：从错题到聚类

下面是一段简化伪代码，演示"向量化 → 聚类 → 归因"的核心链路（生产环境请替换为你自己的 OCR 与 Embedding 服务）：

from sklearn.cluster import HDBSCAN

# 多题综合归因：对每簇汇总共性（最小可运行示例）
texts = [q["text"] for q in questions]
vectors = embed_model.encode(texts)
clusters = HDBSCAN(min_cluster_size=2).fit_predict(vectors)
results = []
for cid in set(clusters):
    members = [q for q, c in zip(questions, clusters) if c == cid]
    root_cause = summarize_root_cause(members)  # 规则或 LLM
    results.append({"cluster": cid, "count": len(members), "root_cause": root_cause})
return results

关键在于第 3 步：向量聚类让"同一类题"自动浮现，而不依赖人工打标。聚类维度可参考下表：

落地建议

• OCR 别重复造轮子：优先调用成熟服务，重点放在后端的"知识点图谱"建设。
• 知识点图谱是护城河：聚类效果上限，取决于标签体系是否贴合教材章节。
• 归因可混合规则与模型：高频错因用规则硬匹配，长尾用 LLM 汇总，兼顾准确率与成本。

可操作指南：动手搭一个最小可用版

1. 准备错题样本（工具：手机拍照+OCR API，耗时约1小时）：收集 30-50 道带错误步骤的错题文本，作为聚类验证集。
2. 搭向量化与聚类（工具：Python + sentence-transformers + HDBSCAN，耗时约半天）：按上面草图跑通，调 min_cluster_size 让同错因题聚到一起。
3. 接知识点图谱做归因（工具：自建标签表或教材大纲，耗时约1-2天）：给每个簇映射到具体知识点，输出"薄弱点+补漏题"建议。

FAQ

Q：错题反复出现的根本原因怎么找？

A：根本原因通常不在单道题，而在多道题共享的某个知识点或操作链。技术上就是把多道错题向量化后聚类，让同错因的题自动成簇，再对簇做归因。研究表明，针对薄弱点的练习远比无差别刷题有效2。

Q：单题讲解为什么治不了反复错？

A：单题讲解只覆盖"这一道"，无法揭示"这一类"的共同根因。向量聚类正是用来跨越单题、在样本集层面定位共性的方法。认知负荷理论也说明，只有精准定位缺口并按需补给，才不会让学习负担无谓增加3。

总结

把"孩子同一类题反复错"做成工具，本质是一条 OCR→结构化→向量化→聚类→归因 的流水线。行动点：① 用家长原话定义需求而非拍脑袋；② 把聚类当作核心，让同错因错题自动成簇；③ 用知识点图谱把簇映射回可补漏的薄弱点。这样做出来的工具，才真正回答得了家长的提问。

参考文献

• 1 Karpicke, J. D., & Roediger, H. L. (2008). Retrieval Practice Produces More Learning. Science, 319(5865), 966-968. DOI:10.1126/science.1152408
• 2 Dunlosky, J., et al. (2013). Improving Students' Learning With Effective Learning Techniques. Psychological Science in the Public Interest, 14(1), 4–58. DOI:10.1177/1529100612453266
• 3 Sweller, J. (1988). Cognitive Load During Problem Solving. Cognitive Science, 12(2), 257-285.

相关阅读

• AI 如何赋能 K12 错题管理：从 OCR 识别到智能归因
• K12错题归因算法解析：从OCR识别到知识图谱定位
• 大模型如何判断 K12 错题"错在概念还是执行"？一个错因归因的工程视角