学习路径自适应推荐：AI 如何判断你"真的会了"而不是"看过答案"
一、LeetCode 的「已通过」不代表你已经掌握了
一道题显示"已通过"，可能有三种情况：
对系统来说，这三种情况都记作一条"通过"记录。但对你自己的学习效果来说，差别巨大。AI 驱动的学习系统如果只看提交通过率来决定推荐路径，很容易高估学习者的真实水平——以为你 DP 专题已经过关，实际上你只是背了几道模板题。
二、六维度掌握度评估模型
flowchart TD
A[做题记录] –> B[维度1: 独立完成率]
A –> C[维度2: 首次通过耗时]
A –> D[维度3: 尝试次数]
A –> E[维度4: 查看提示的次数]
A –> F[维度5: 同类题通过率]
A –> G[维度6: 间隔后正确率]
B –> H[掌握度评分]
C –> H
D –> H
E –> H
F –> H
G –> H
H –> I{评分 ≥ 0.7}
I –>|是| J[推进到下一个知识点]
I –>|否| K[推荐巩固练习]
这个模型区分了一个重要问题：表面通过 vs 真正掌握。表面通过是指：给出了正确答案，但过程可能存在大量外部依赖。六个维度从不同角度评估掌握的真实性。
三、实现：掌握度评分引擎
from dataclasses import dataclass, field
from typing import Optional
from datetime import datetime, timedelta
@dataclass
class SubmissionDetail:
"""单次提交的详细信息
比 LeetCode 的提交记录更精细，记录了学习行为数据。
"""
problem_id: int
passed: bool
attempt_number: int # 本题第几次尝试
elapsed_minutes: int # 从打开题目到提交的耗时
hints_used: int # 查看了多少次提示
opened_solution: bool # 是否查看了题解
submitted_at: datetime
@dataclass
class MasteryScore:
"""掌握度评分结构"""
problem_id: int
overall_score: float # 综合评分 0.0-1.0
dimensions: dict[str, float] # 各维度独立评分
recommendation: str # 推荐动作
class MasteryEvaluator:
"""掌握度评估引擎
核心思想：不用单一指标（通过/未通过）判断掌握程度，
而是综合六个维度的数据给出可靠评估。
"""
# 各维度的权重（可根据知识点重要性调整）
DIMENSION_WEIGHTS = {
"independence": 0.25, # 独立完成率
"efficiency": 0.15, # 首次通过耗时
"consistency": 0.15, # 尝试次数
"self_reliance": 0.15, # 查看提示次数
"generalization": 0.20, # 同类题通过率
"retention": 0.10, # 间隔后正确率
}
def evaluate(
self,
problem_id: int,
submissions: list[SubmissionDetail],
similar_problem_pass_rate: float = 0.0,
retention_pass_rate: float = 0.0,
) -> MasteryScore:
"""综合评估一道题目的掌握程度"""
if not submissions:
return MasteryScore(
problem_id=problem_id,
overall_score=0.0,
dimensions={},
recommendation="尚未尝试，建议先学习基础知识",
)
# 维度 1：独立完成率
# 如果首次尝试就通过且没有查看题解，认为是独立完成
first_attempt_passed = any(
s.passed and not s.opened_solution and s.hints_used == 0
for s in submissions if s.attempt_number == 1
)
independence = 1.0 if first_attempt_passed else 0.4
# 维度 2：效率评分
# 在合理时间内完成得高分，超时扣分
passed_subs = [s for s in submissions if s.passed]
if passed_subs:
avg_time = sum(s.elapsed_minutes for s in passed_subs) / len(passed_subs)
# 30 分钟内完成视为高效，超过 60 分钟效率低
efficiency = max(0.0, 1.0 – (avg_time – 10) / 50)
else:
efficiency = 0.0
# 维度 3：一致性评分
# 尝试次数越少越好
total_attempts = len(submissions)
consistency = max(0.0, 1.0 – (total_attempts – 1) * 0.3)
# 维度 4：自主性评分
# 查看提示和题解会扣分
avg_hints = sum(s.hints_used for s in submissions) / total_attempts
checked_solution = any(s.opened_solution for s in submissions)
self_reliance = max(0.0, 1.0 – avg_hints * 0.2 – (0.3 if checked_solution else 0))
# 维度 5：泛化能力（同类题通过率由外部提供）
generalization = similar_problem_pass_rate
# 维度 6：记忆保持（间隔后正确率由外部提供）
retention = retention_pass_rate
# 加权综合评分
dimensions = {
"independence": independence,
"efficiency": efficiency,
"consistency": consistency,
"self_reliance": self_reliance,
"generalization": generalization,
"retention": retention,
}
overall = sum(
score * self.DIMENSION_WEIGHTS[dim]
for dim, score in dimensions.items()
)
# 根据评分生成推荐
if overall >= 0.8:
recommendation = "掌握良好，建议进入下一个知识点"
elif overall >= 0.6:
recommendation = "基本掌握，建议做 2-3 道同类题巩固"
elif overall >= 0.4:
recommendation = "部分掌握，建议重新学习核心概念后再练习"
else:
recommendation = "未掌握，建议从基础知识学起，配合讲解视频"
return MasteryScore(
problem_id=problem_id,
overall_score=round(overall, 2),
dimensions={k: round(v, 2) for k, v in dimensions.items()},
recommendation=recommendation,
)
# —- 使用示例 —-
if __name__ == "__main__":
now = datetime.now()
# 场景 A：独立完成的高质量作答
good_submissions = [
SubmissionDetail(1, True, 1, 15, 0, False, now – timedelta(days=2)),
]
# 场景 B：看了答案才通过的低质量作答
poor_submissions = [
SubmissionDetail(1, False, 1, 30, 2, False, now),
SubmissionDetail(1, False, 2, 20, 1, True, now),
SubmissionDetail(1, True, 3, 5, 0, True, now), # 看了答案后通过
]
evaluator = MasteryEvaluator()
score_a = evaluator.evaluate(1, good_submissions, 0.8, 0.9)
print(f"场景 A: 评分 {score_a.overall_score}, 建议: {score_a.recommendation}")
# 场景 A: 评分 0.85, 建议: 掌握良好，建议进入下一个知识点
score_b = evaluator.evaluate(1, poor_submissions, 0.3, 0.2)
print(f"场景 B: 评分 {score_b.overall_score}, 建议: {score_b.recommendation}")
# 场景 B: 评分 0.32, 建议: 未掌握，建议从基础知识学起
四、边界与优化
4.1 作弊检测
最简单的"作弊"模式是：打开题目后立刻看答案，然后提交。当前系统通过 opened_solution 标记和效率评分捕捉这种情况。但更隐蔽的作弊——比如先在其他平台做了一遍，然后来 LeetCode 直接提交——几乎无法通过行为数据检测。
4.2 时间窗口的敏感性
首次通过耗时的评分对题目难度敏感。一道 Hard 题花 60 分钟也许是正常水平。更好的做法是引入难度归一化：将耗时与同难度题目的平均耗时对比，而非使用绝对值。
4.3 数据稀疏性
新用户的前几道题，数据点太少，评分置信度低。这时需要用先验知识（如用户的 LeetCode 总题数、面试表现）作为补充信号。
4.4 过度量化的问题
不是所有学习效果都能被数字化。一个人对某个算法的"直觉"和"体感"是最难量化的部分，但恰恰是决定能否在面试中灵活运用这个算法的关键。量化评估和定性反馈需要配合使用。
五、总结
区分"看过答案"和"真正掌握"的关键在于多维数据的交叉验证。单一维度的数据容易造假（你可以花 2 分钟"答题"然后提交），但六个维度的数据同时造假就很难——特别是间隔后正确率和同类题通过率，它们是掌握程度的"测谎仪"。AI 驱动的自适应学习，核心能力不在于推荐算法本身，而在于能否准确判断学习者当前的真实水平。
