备课素材分散重复
教案、课件、习题散落在不同渠道，每次备课都要重新查找和整理，重复劳动多。
EDUCATION
备课 · 批改 · 学情
- SCOPE
- 课程内容准备
- SCOPE
- 作业批改反馈
- SCOPE
- 学习进度跟踪
现状诊断
行业痛点
批改耗时反馈滞后
作业批改依赖逐份人工阅读，班级规模一大就难以及时给出反馈，学生错过纠正窗口。
学情数据零散
课堂表现、作业成绩、测验结果分散在不同表格和系统，难以拼出学生的完整个体画像。
因材施教缺乏支撑
想按学生差异调整教学重点，但没有可操作的数据依据，最终还是按统一进度推进。
从一项真实任务开始
实施路径
不从替代教师判断开始。沿用猎豹移动自身 AI Native 转型与线下实战工坊的推进方式，由教学负责人确定边界，FDE 与一线教师共同拆解，先选一门课程、一类作业或一个学情跟踪任务完成验证；内容来源、教师复核和学生数据边界在启动前确认。
-
01
知识图谱驱动的课程内容自动编排
知识点向量化与图谱化关联，检索增强生成（RAG）驱动课程素材的自动检索与结构化重组。
-
02
多模态作业理解与语义批改模型
手写识别与语义理解模型融合，对开放式答案做语义级别的自动评分与反馈生成。
-
03
学习者认知状态的贝叶斯知识追踪
基于贝叶斯知识追踪（BKT）建模学生对知识点的掌握概率，动态更新个体认知状态向量。
-
04
个性化学习路径的强化学习推荐引擎
强化学习驱动的路径规划引擎，基于认知状态实时调整推荐序列，实现教学资源的自适应分发。
用真实教学结果说话
验收标准
不预设准确率或节省比例。启动前共同确认反馈时长、教师复核量、学情可见度和数据使用边界，只有真实教学结果达到双方约定，才进入下一阶段。
反馈更及时
作业批改从"隔天返回"变为"当堂反馈"，学生能更快看到自己的问题所在。
备课更聚焦
重复性素材整理被承接后，教师精力集中在教学设计和真正需要个性化关注的学生身上。
学情看得清
零散数据整合为可追踪的个体画像，因材施教有了可操作的依据。
先诊断，再验证，再复制