分析学生答案中的共同误区

作者: AI 小课9 分钟准备已测试:ChatGPT复核日期: 2026-08-28

直接回答

把可观察答案模式归为可验证误区假设，不给学习者贴标签。 请提供: 题目与预期推理、匿名学生答案、教学与数据背景。 预期成果: 包含错误模式、替代解释、教学响应和复核的证据表。

补充你的背景

你填写的内容只保留在当前浏览器中，AILesson 提示语不会将其发送给模型或服务器。

题目与预期推理匿名学生答案教学与数据背景

生成的提示语

未填写的字段会保留为占位符，你仍然可以复制后自行编辑

请依据所提供题目和推理分析匿名学生答案。

题目、目标、正确推理、量规、方法和答案：
[task]

匿名答案、过程、选择、信心和空白：
[answers]

已教学内容、语言/访问支持、完整性、隐私和下次教学机会：
[context]

保留每个答案 ID。先编码可观察特征，再推断误区。区分概念模型、步骤、算术、词汇、表示、题意理解、抄写和证据不完整。一个错误答案可能有多个解释；正确答案也可能建立在错误推理上。不得推断智力、努力、残障、动机、人口特征或稳定学习者类型。空白单独处理，不推断空白原因。

建立证据表，包含模式 ID、准确回答证据、数量与分母、受影响目标组成、误区假设、可信替代解释、带理由的信心、确认性诊断问题和教学响应。保留重叠模式，不强迫一个学生只属于一组。按普遍程度、前置影响、持续性和教学杠杆排序，不编造分数。只在证据支持时提出全班、小组和个人响应，以及平行复核与成功标准。最后做 ID 对账、反例/异常、隐私检查，并说明数据不能确定什么。

在 AI 练习场试试

默认保护隐私提示语在浏览器本地组装。除非所在组织明确允许，否则不要把机密信息提交给任何 AI 服务。

从输入到成果

实际案例

看看具体背景如何通过这条配方转化为可使用的成果

实际输入

题目与预期推理: 题目：对 2、3、4、100 计算中位数，并选择均值或中位数表示典型值，解释原因。目标：排序；偶数 n 取中间两个均值；依据目的/极端值选择；不得说正确均值在数学上错误。答案：中位数 3.5；若 100 经核验，中位数通常更有代表性，但有局限。计算 2 分，推理 2 分。
匿名学生答案: A01：中位数 4；‘中间的数。’A02：3.5；选中位数，因为 100 拉动均值。A03：27.25；‘均值永远是平均，所以用它。’A04：3.5；‘有离群值中位数永远胜。’A05：空白。A06：排序 2、3、4、100 后写 (4+100)/2=52。A07：3.5；选均值，因为‘中位数忽略数据。’A08：中位数 3.5；称先核查 100 是否录入错误，再根据目的选择。A09：4；因 100 大而选中位数。A10：3.5，无选择/解释。
教学与数据背景: 十份答案来自同一课，是完整班级样本。排序和偶数规则示范过一次。英文题，有双语词表。ID 匿名。明天有 15 分钟再教学；不得推断人口或便利信息。

示例输出

覆盖：A01-A10 全部保留；A05 是空白，不编码为误区。

P1 偶数中间步骤：A01/A09 只选一个中间值；A06 排序后选上面两个——观察到 3/10。假设：没有完整识别两个中央位置，中等信心；替代解释包括抄写或题意混淆。诊断：“从两端各划去一个值后，剩哪两个，下一步做什么？”响应：实体卡配对，再做两个平行偶数集。成功：独立选对中央两个并取均值。

P2 无条件选择规则：A03 称永远用均值；A04 称永远用中位数；A07 把使用全部数值视为充分理由——3/10，重叠概念模式。A02 正确但未提核验/限制；A08 是展示完整条件推理的反例。诊断：比较一个真实高值和一个录入错误，询问选择如何改变。再教目的、数据质量、代表性和限制；成功要求不使用“永远”的条件化论证。

P3 解释不完整：A10 计算正确但未选择；这是证据缺失，不是已证明误解。给 A10 推理句式，不重教计算。A03 的 27.25 是正确均值，但回答了错误指标；归为题意/指标选择，不是算术失败。A05 需要中性替代响应机会。

15 分钟计划：5 分钟全班偶数数字卡，因为 P1 是前置；6 分钟条件选择对比情景；4 分钟个人平行出口题。不按稳定标签分组。复核成功：中位数计算+基于目的选择+证据+一项限制。数据不能说明 A05 空白原因、词表是否有影响或稳定能力。