hehaiguang1123
a6f05ab2d5
- Phase 0: AGENTS.md cleanup (dedup quotes, renumber sections, merge qmd) - Phase 1: typed relations (manage-relations.py, graph-search.py, check-staleness.py, detect-conflicts.py) - Phase 2: frontmatter validator, weekly lint, knowledge promotion, git hooks - Fix .gitignore to track tools/ and .githooks/ - Fix git remote URL (remove plaintext token) - New wiki pages: 504 pages, 34 raw sources
5.7 KiB
5.7 KiB
tags, created, description, author, para
| tags | created | description | author | para | |||||
|---|---|---|---|---|---|---|---|---|---|
|
2026-04-04 | 2026年第3周（4月8-14日）教育AI研究计划 |
|
2026年第3周（4月8-14日）教育AI研究计划
计划周期：2026年4月8日 - 4月14日 计划人：狗剩 计划时间：2026-04-04（提前制定）
一、背景总结
第1-2周成果
| 周次 | 完成情况 | 质量 | 成本 |
|---|---|---|---|
| 第1周 | 3家美国机构（MIT/斯坦福/CMU） | A级（92.9分） | ￥4.5 |
| 第2周 | 4家国内院校（清华/北大/复旦/上交） | A级（90分） | ￥6.0 |
| 合计 | 7家机构档案 | A级（91.5分） | ￥10.5 |
本周新增
| 类型 | 完成情况 |
|---|---|
| 第2周周报 | ✅ 已完成 |
| 企业机构档案 | ✅ 5个新档案（好未来/猿辅导/作业帮/Microsoft/OpenAI） |
| 累计企业档案 | 6个（+Google Brain） |
二、第3周研究目标
核心主题
教育AI技术专题深化 + 产业动态追踪
具体目标
| 序号 | 目标 | 衡量标准 |
|---|---|---|
| 1 | 完成3个核心技术方向深度分析 | 技术原理+应用案例+对比分析 |
| 2 | 建立产业动态追踪机制 | 每周至少2条重要动态 |
| 3 | 完成中美教育AI综合对比报告 | 覆盖7所高校+6家企业 |
| 4 | 真实性核查持续运行 | 每日3:00自动化 |
三、每日任务安排
周一（4月8日）：技术专题启动
任务：
- 生成第3周启动日报
- 确定3个核心技术深度分析方向
- 启动LLM教育应用深度研究
推荐信息源：
- ArXiv（cs.AI, cs.CL）
- 中国知网（AI教育应用）
- Nature Education
周二（4月9日）：LLM教育应用研究
任务：
- 大语言模型在教育中的应用深度分析
- 梳理GPT-4、Claude、国产大模型教育应用案例
- 更新知识卡片：大模型教育应用
核心技术问题：
- LLM如何改变教学互动模式？
- LLM在教育中的局限性？
- 中国大模型（文心/通义/智谱）教育应用？
周三（4月10日）：自适应学习系统深度研究
任务：
- 自适应学习系统技术原理分析
- 梳理国际自适应学习平台（如Knewton、DreamBox）
- 对比中国自适应学习产品
核心技术问题：
- 自适应学习如何实现个性化？
- 学习者模型的技术架构？
- 知识追踪算法（KT vs BKT）？
周四（4月11日）：智能辅导系统（ITS）深度研究
任务：
- CMU ITS技术原理深度分析
- 对比商业ITS产品（如Carnegie Learning）
- 探讨中国ITS发展路径
核心技术问题：
- ITS的认知模型如何构建？
- 最佳对话策略是什么？
- 中国能否追赶CMU的40年积累？
周五（4月12日）：产业动态追踪 + 周报
任务：
- 收集本周教育AI产业重要动态
- 生成第3周周报
- 汇总成本与质量数据
重点追踪：
- 好未来/猿辅导/作业帮最新动态
- 国际大厂教育AI新发布
- 国家教育AI政策更新
周六（4月13日）：综合对比报告撰写
任务：
- 中美教育AI综合对比报告
- 机构对比矩阵更新
- 关键发现总结
周日（4月14日）：知识库同步
任务：
- 知识卡片一致性检查
- 机构档案信息更新
- 生成知识库健康报告
四、技术专题深度分析框架
1. LLM教育应用
分析维度：
- 技术原理：大模型能力+教育场景适配
- 应用案例：清华/北大/猿辅导等应用实践
- 对比分析：国际vs中国，通用vs专用
- 局限性：幻觉问题、隐私问题、评估问题
2. 自适应学习系统
分析维度：
- 技术原理：知识空间理论+认知诊断
- 算法架构：Bayesian Knowledge Tracing
- 产品对比：Knewton vs 作业帮 vs 好未来
- 效果评估：实证研究证据
3. 智能辅导系统
分析维度：
- 技术原理：ACT-R理论+认知 tutors
- 核心组件：学生模型+领域模型+教学模型
- 产品案例：CMU LearnLab、Carnegie Learning
- 中国路径：追赶策略+差异化发展
五、风险评估与应对
| 风险 | 影响 | 应对措施 |
|---|---|---|
| 信息源质量不稳定 | 研究质量 | 优先使用官方来源+学术期刊 |
| 技术深度不够 | 研究价值 | 结合案例+对比分析 |
| 成本超支 | 预算控制 | 每日成本监控 |
| 时间不足 | 产出完整性 | 优先级排序，P0优先 |
六、成本预算
| 项目 | 预算 | 说明 |
|---|---|---|
| LLM调用 | ￥3.0 | 每日约￥0.5 |
| 搜索成本 | ￥0.5 | 学术+行业搜索 |
| 文档生成 | ￥1.5 | 周报+对比报告 |
| 合计 | ￥5.0 | ≤周预算￥35 |
七、产出物清单
| 序号 | 产出物 | 截止时间 | 优先级 |
|---|---|---|---|
| 1 | 第3周启动日报 | 4月8日 | P0 |
| 2 | LLM教育应用知识卡片 | 4月9日 | P0 |
| 3 | 自适应学习系统深度分析 | 4月10日 | P1 |
| 4 | ITS深度分析 | 4月11日 | P1 |
| 5 | 第3周周报 | 4月12日 | P0 |
| 6 | 中美教育AI综合对比报告 | 4月13日 | P1 |
| 7 | 知识库同步报告 | 4月14日 | P2 |
八、成功指标
| 指标 | 目标 | 衡量方式 |
|---|---|---|
| 研究完成率 | ≥90% | 7个产出物完成6个以上 |
| 质量等级 | A级（≥80分） | 真实性核查通过 |
| 成本控制 | ≤￥5 | 单周成本 |
| 知识积累 | 新增3个深度分析 | 技术卡片/报告 |
计划状态：已制定 维护人：狗剩 下次更新：第4周（4月15日起）