孩子粗心错题多，根因是什么？知识图谱LCA归因实现

封面

9 月 21 日央视网讨论「人工智能+教育，如何加得更好」：AI 进课堂的速度很快，但家长要的不是孩子多一个查答案的入口，而是工具能回答那个真正的问题——孩子粗心错题多，根因是什么1。「粗心」在辅导语境里是最高频、也最无用的标签：它笼统、不可执行、无法转化成练习动作。对工程侧来说，这是一个可以严格定义的命题：给定多道被标注为「粗心」的错题，输出它们共同指向的具体知识漏洞。下文是一套在生产环境验证过的完整实现。

一、问题定义：「粗心」标签为什么必须被拆掉

输入是聚类管线给出的错题簇：k 道题（实践中 k≈3~30），每题带有初步错因标注——「粗心」「看错题」「算错」这类口语标签；输出是一个图谱节点形式的知识漏洞，外加支撑证据题列表。

把这些口语标签直接拿来做交集，行不通，原因有二：

1. 口语标签是表象层描述：两道都叫「粗心」的题，一道是进位规则没掌握，一道是单位换算没建立连接——表象相同，根因相距十万八千里；
2. 口语标签没有层级：它说不清漏洞在知识体系中的位置，是概念级断层还是执行级疏漏，对应的辅导动作完全不同。

层级化记忆研究里有个反复被验证的现象：概念在语义网络中越靠上层，提取越轻松，但能带出来的细节也越少（Collins & Quillian, 1969）2。「共同根因」因此天然存在多个层级的候选，必须挑一个信息量适中的层级输出。所以第一步不是算交集，而是把口语标签翻译成图谱上的具体节点——这一步做完，问题就从 NLP 难题变成了图上定位问题。

二、错因映射：把「粗心」翻译成图谱节点

知识组织沿用「章节 → 知识点 → 条件/性质」的骨架加前驱边，整体必须是 DAG 而非树：同一条法则可以从两条章节路径到达——「绝对值比较法则」既通向「有理数的大小比较」，也通向「绝对值」：

(:Chapter {name: "有理数"})
    └─(:KnowledgeNode {name: "有理数的大小比较"})
          └─(:Condition {name: "绝对值比较法则"})

(:Chapter {name: "数轴与绝对值"})
    └─(:KnowledgeNode {name: "绝对值"})
          └─(:Condition {name: "绝对值比较法则"})

翻译层的要害是归因等级与图谱层级的对齐。三层归因体系里，Level 1 概念核心对应知识点层的法则类节点（「负数比大小要颠倒绝对值关系」），Level 2 知识断层对应条件/性质层的连接类节点（「绝对值」与「数轴上的距离」之间的连接），执行层问题则落到习惯与规范标签——层级对齐后，后续定位结果才可直接转译成辅导动作。

CAUSE_NODE_MAP = {
    '粗心':   None,          # 禁止直接映射——口语标签必须先经过归因细分
    '算错':   '运算规则类节点',
    '没掌握': '知识点层节点',
    '看错题': '审题习惯标签',
}

def map_cause_to_node(cause: str, attribution: dict) -> str:
    """口语错因 → 图谱节点：优先用归因等级，拒绝透传口语标签。"""
    if level := attribution.get('level'):
        return attribution['node']        # Level 1/2 已由归因管线挂到具体节点
    raise ValueError(f'口语标签 [{cause}] 未经过归因细分，拒绝入库')

这道防线的价值在于：「粗心」永远不允许作为节点进入图谱。它只能是被拆解前的症状，不能是归因的终点。错题与节点是多对多关系，一张倒排表 (question_id, node, source) 承载，source 区分归因管线与人工复核，供支持度加权。

三、核心算法：祖先闭包交集 + 信息量打分

多道错题的共同根因，在图上的严格定义是：被全体（或近全体）错题的标签闭包覆盖、且信息量最大的最近公共祖先。DAG 上公共祖先是一个集合而非单点，需要自定义选择标准，工程实现三步：

第 1 步，铺闭包：把每道错题映射到的节点连同其全部祖先摊开成集合，一道题一个集合；

第 2 步，数票数：k 个集合逐节点计票，得票率不低于 τ=0.8 的节点才有资格当选——留两成余量吸收偶发的误打标；

第 3 步，比信息量：得票过线的候选里必然混着「数的运算」这类什么都能解释的泛节点——借鉴 Resnik 的信息量度量 4：IC(node) = -log p(node)，p 用节点在历史标注路径中的出现频率估计，谁的 IC 高谁当选。

import math
from collections import deque

def build_closures(parent_of: dict[str, list[str]]) -> dict[str, frozenset]:
    """全图祖先闭包：逐节点迭代展开，命中缓存即合并，无递归栈。"""
    cache: dict[str, frozenset] = {}

    def closure_of(start: str) -> frozenset:
        seen: set[str] = set()
        queue = deque(parent_of.get(start, ()))
        while queue:
            cur = queue.popleft()
            if cur in seen:
                continue
            seen.add(cur)
            up = cache.get(cur)
            if up is not None:
                seen |= up              # 缓存命中，整段祖先直接并入
            else:
                queue.extend(parent_of.get(cur, ()))
        return frozenset(seen)

    for node in parent_of:
        cache[node] = closure_of(node)
    return cache

def pick_root(closure_sets, ic_table, floor: float = 0.8) -> dict:
    """k 道错题的闭包集合逐节点计票，票数过线者按信息量取最大。"""
    votes: dict[str, int] = {}
    for cs in closure_sets:
        for n in cs:
            votes[n] = votes.get(n, 0) + 1
    total = len(closure_sets)
    pool = {n: c / total for n, c in votes.items() if c / total >= floor}
    if not pool:
        return {'verdict': 'unsolved', 'shortlist': []}
    root = max(pool, key=lambda n: (ic_table.get(n, 0.0), pool[n]))
    return {'verdict': 'solved', 'root': root, 'vote': pool[root]}

用一组贴近真实结构的示例数据跑一遍（有理数错题簇，混入一道噪声题）：

run_log = {
    'cluster': 'CL-20260918-11',               # 上游聚类送来的错题簇
    'members': [                                # 各题经映射层落到的图谱节点
        {'id': 'T01', 'nodes': ['负数比较大小', '绝对值与符号']},
        {'id': 'T02', 'nodes': ['数轴上的大小比较']},
        {'id': 'T03', 'nodes': ['一元一次方程']},    # 误聚入簇的噪声题
        {'id': 'T04', 'nodes': ['负数比较大小', '数轴上的大小比较']},
        {'id': 'T05', 'nodes': ['绝对值与符号']},
    ],
    'scored': [                                 # 票数过线后的打分候选
        {'node': '有理数的大小比较', 'coverage': 0.8, 'ic': 1.97, 'depth': 2, 'ok': True},
        {'node': '数的认识',        'coverage': 1.0, 'ic': 0.29, 'depth': 1, 'ok': False,
         'why': '信息量过低，结论过泛'},
        {'node': '一元一次方程',    'coverage': 0.2, 'ic': 2.55, 'depth': 3, 'ok': False,
         'why': '覆盖率不足 0.8'},
    ],
    'verdict': {'root': '有理数的大小比较', 'evidence': ['T01', 'T02', 'T04', 'T05']},
}

输出里的 evidence 字段是给下游的绳索：共同根因必须能拽回到具体题目。家长看到的因此不是一句「孩子粗心」，而是「这几道题共同指向有理数的大小比较，证据如下」。

四、工程账本：三种方案的复杂度对比

开销大头可以全部挪到离线：万级节点的闭包缓存一次预计算，Python 单进程百毫秒量级即可建完；图谱更新时只重算受影响节点的后代闭包，增量代价很小。线上要做的只剩集合运算——k 道题、每题平均 20 个闭包节点，单次合并微秒到亚毫秒级，比一趟向量检索还轻。树上 LCA 的 O(1) 经典解法（Bender & Farach-Colton, 2000）3 在多父 DAG 上并不适用，但这套计票方案的在线开销已经足够低，不值得为它引入树约束。

五、踩坑记录：归因等级漂移与断链治理

1. 归因等级挂错层，辅导动作跟着错。Level 1 的法则漏洞被挂到 Level 2 的连接节点上，输出会变成「补概念连接」，而孩子真正缺的是法则本身。治理：归因管线输出必须携带层级校验位，入库时节点 depth 与归因等级强一致校验，不一致进人工队列。

2. 多父节点让排序结果抖动。同一个知识点同时挂两条父链时，候选排名会在两次运行间互换。处理方式是把排序键写死——信息量第一、覆盖率第二、深度第三——并列候选全部透传给下游做二次排序，绝不在静默状态下替用户拍板。

3. 断边放大过泛结论。新知识点录入时漏挂前驱边，闭包会一路顶到「初中数学」这种根节点，输出一句永远正确的废话。防线是监控：候选深度小于 2 即告警，并降级为输出证据清单，不轻易给出单点结论。

4. 样本太小不硬算。簇内只有 2 道题时，覆盖率只有 0.5 和 1.0 两档，阈值形同虚设。这样的簇不做硬归因：给出前两名候选连同各自证据，解释文案并列呈现，把最终裁决留给人。

六、总结：把「多题一起看」做成系统的默认动作

多道错题的共同根因定位，落地时就是三个工程决策：口语标签挡在图谱门外、知识组织 DAG 化、信息量压制过泛结论。归因定级、LCA 定点，整条链路每一步可回溯——这是把错题直接丢给大模型「总结共同考点」的生成式方案给不了的确定性，后者答案每次都变、无法取证，本质上是用幻觉换省事。

这套逻辑我们已经落地进错题透镜的多题归因链路：家长导入 3 道错题，系统输出的不是三份订正清单，而是一个收敛的知识漏洞和对应练习方向——「多题一起看」由此成为系统默认动作，而不是要求家长自己有耐心翻错题本。对开发者读者，本文闭包加打分的实现不过百余行代码，建议先在自己业务里跑通再谈优化；下一步我们计划把 IC 的频率估计改成按学期滚动重估，学期初样本少，p 值失真会系统性拉高过泛节点的排名。

参考文献

1 央视网. 《人工智能进课堂 记者观察：人工智能+教育 如何加得更好》. 央视网, 2026-09-21

2 Collins, A. M., & Quillian, M. R. (1969). Retrieval Time from Semantic Memory. Journal of Verbal Learning and Verbal Behavior, 8(2), 240-247. DOI:10.1016/S0022-5371(69)80069-1

3 Bender, M. A., & Farach-Colton, M. (2000). The LCA Problem Revisited. LATIN 2000: Theoretical Informatics, LNCS 1776, 88-94. DOI:10.1007/10719839_27

4 Resnik, P. (1995). Using Information Content to Evaluate Semantic Similarity in a Taxonomy. Proceedings of IJCAI-95, 448-453.

相关阅读

• 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
• 用工程视角看错题诊断：多题向量聚类的思路