EDUCATION#AdaptiveLearning#Assessment

Adaptive-Learning-Diagnosis-System

把作業、測驗與課堂互動轉成掌握度地圖，讓教師知道下一分鐘該補哪一個概念。

一張錯題背後的時間差

學生在週二晚上的練習中連續錯了三題分數運算，教師卻可能到週五批改時才看到問題。自適應學習診斷系統要縮短的不是單純的批改時間，而是「錯誤發生」到「有效回饋」之間的延遲。

Feedback 8 minMastery 0.72Review 3 daysHints 2 levels

能力圖譜如何長出來

知識點把課程拆成可觀察節點，如約分、通分、單位換算。
證據每次答題、提示請求與耗時都作為掌握度證據。
間隔根據遺忘曲線安排再次練習，而不是無差別刷題。
介入教師收到班級共性問題與個別學生建議。
Classroom adaptive learning
Fig 1. 課堂互動資料可轉換為概念掌握度地圖Source: Unsplash
MASTERY0.72特定知識點的估計掌握度
LATENCY8 min從提交到回饋的目標延遲
SPACING3 days下一次複習建議間隔
PERSONAL64%練習題個別化比例

診斷不是排名

好的教育資料系統不應把學生簡化成分數序列。它更接近一張動態地圖：哪個概念已穩定，哪個概念看似會做但耗時過長，哪個錯誤來自粗心，哪個錯誤暴露了前置知識缺口。這些差異決定了系統推薦講解、例題還是短練習。

掌握度更新函式

mastery_update.pyPYTHON
class MasteryTracker:
    def update(self, mastery, correct, seconds, hint_used):
        # Evidence is stronger when the answer is correct, quick, and unaided.
        speed = max(0.0, min(1.0, (90 - seconds) / 90))
        evidence = (0.55 if correct else -0.35) + speed * 0.2
        if hint_used:
            evidence -= 0.18
        updated = mastery * 0.82 + evidence * 0.18
        return round(max(0, min(1, updated)), 2)

tracker = MasteryTracker()
print(tracker.update(0.68, True, 42, False))

教師仍然是回饋的設計者

系統可以建議下一題，但不能理解所有課堂情緒與家庭背景。自適應學習真正有價值的地方，是把重複性的診斷交給模型，把解釋、鼓勵與教學取捨留給教師。

免責聲明：本文為教育技術設計示例，指標與程式僅供概念展示，不應作為學生評價的唯一依據。