李海大学等五所高校联手:AI能否像老师一样看懂学生的错误思路？

AI能读懂孩子的数学草稿吗？这项研究给出了耐人寻味的答案

2026年3月，一份由李海大学、松鼠AI学习、中科院自动化所等五所知名院校联合完成的研究，被发布在arXiv预印本平台上（编号：arXiv:2603.24961v1）。这项研究做了一件挺有意思的事：它第一次系统地探究了那些“多才多艺”的多模态大语言模型，到底能不能像人类老师一样，读懂学生手写数学作业里的错误。想刨根问底的读者，不妨用上面的编号去搜搜看原文。

想象这么一个画面：孩子的数学作业本上，写满了数字，涂涂改改，算式东倒西歪。家长看了可能一头雾水，但经验丰富的老师却能一眼看穿——错在哪里？为什么错？孩子的思路卡在哪个环节了？现在，研究人员正试图让人工智能也获得这种“透视”能力。

一、破译手写密码：AI面临的第一道难题

孩子的手写草稿，对AI来说无异于一部天书。数字“7”带个小勾，除号写得像加号，涂改的墨团掩盖了关键步骤……这些对人类老师而言，经过训练和经验的积累尚可解读，但对AI模型来说，却是第一道难以逾越的鸿沟。

研究发现，现有的AI在处理手写数学符号时，表现得像个“近视眼”。举个例子，学生在计算4÷35时，可能因为不熟悉小数除法，在过程中错误地移动了小数点，最终得出一个相距甚远的答案8.75。人类老师能顺着草稿的笔迹，还原出学生的思维路径，判断出这是小数计算技能薄弱所致。然而，AI往往连那些潦草变形的数字和符号都识别不准，更别提追踪背后跳跃的逻辑了。

更复杂的是格式问题。数学草稿从来不是印刷体，上面有随意画的圈、箭头、旁注。这好比在一张凌乱的地图上找路线，人类老师能凭经验分辨哪些是正式步骤，哪些是草稿涂鸦；而AI则很容易被这些“噪声”干扰，完全误解学生的意图。

数据很能说明问题：即便是表现最好的AI模型，视觉识别错误率也高达36%。这意味着超过三分之一的情况，AI连学生写了什么都没看清，后续的分析自然无从谈起。

二、从表象到本质：错误分类的精妙艺术

即使AI勉强“看清”了内容，更大的挑战才刚刚开始：理解错误的本质。这有点像中医辨证，同样是“答案错误”，背后的“病因”却各不相同。

研究团队将数学错误精细地分成了七大类。比如，“程序性错误”是步骤执行出了岔子；“计算错误”是具体运算时“手滑了”；而“逻辑推理错误”最为棘手，好比下棋时战略思路从根上就偏了，步步皆错却看似合理。

不同年龄段的学生，错误模式也大不相同。小学生的错误主要集中在题目理解和基础计算上，这两类加起来能占到70%，像刚学做菜的新手，不是看错菜谱就是放错调料。中学生则更多地在复杂计算和概念理解上栽跟头。

有趣的是，AI对不同类型错误的诊断能力也参差不齐。对于有明确外在特征的“抄写错误”，AI识别尚可；但面对需要深度理解的“逻辑推理错误”，AI就显得力不从心。

三、思维追踪：AI能否读懂学生的心思

识别符号是技术活，理解思维则是认知层面的高难度动作。这就像侦探破案，不能只看现场，还得推演出完整的作案动机和过程。

来看个实际案例。题目问：“小明4分钟做了35道题，平均每道题用多少分钟？”正确答案应是4÷35≈0.11分钟。但有学生答了8.75。人类老师扫一眼草稿就能发现，学生把除数和被除数弄反了，这暴露了他对“平均时间”概念的误解。

AI在处理这类问题时，常犯两种毛病：一是“过度推理”，自己脑补出学生根本没犯的错误；二是“表面诊断”，只能指出答案不对，却说不到错误的根子上。

另一个反直觉的发现是：AI在处理小学低年级简单题目时的表现，有时反而不如处理中学复杂题目。原因可能在于，小学生的书写更随性，解题思路也更跳跃，缺乏规范的步骤展示，这让习惯结构化工序的AI更难以捉摸。

四、数据背后的故事：1720份真实作业的启示

这项研究最可贵的一点，是它基于真实的、原汁原味的学生作业。团队从海量样本中，最终筛选出1720份涵盖一到九年级的数学草稿，覆盖了数字、方程、几何、应用、统计五大领域。

数据标注采用了“人机协作”的严谨模式：先让AI初判，再由五位资深的数学老师最终审核修正，确保标签的可靠性。这个过程，有点像医院的专家会诊。

数据分析揭示了一些鲜明的趋势：小学阶段，理解和计算错误是重灾区；到了中学，随着知识变难，概念理解错误的比例显著上升。此外，人类专家之间对于错误判断的一致性超过了90%，这为评估AI设定了一个明确的高标准。

五、AI大比拼：16个模型的表现如何

研究团队拉来了16位“AI教师”同台竞技，阵容豪华，从开源翘楚到商业明星，包括Qwen2.5-VL、GPT-4o、Gemini 2.0 Flash等。

比拼结果可谓喜忧参半。在“错误原因解释”这项核心任务上，表现最优的模型（o4-mini）准确率在70%左右。但请注意，人类老师的标杆在87%以上。这意味着，最顶尖的AI仍落后人类近20个百分点。

而在更精细的“错误分类”任务上，差距被进一步拉大：最好的AI准确率仅40%出头，人类老师则轻松超过78%。这好比一个医生，或许能看出你生病了，但具体是什么病，却经常误诊。

六、失败案例解剖：AI到底错在哪里

为了找到病根，研究团队深度剖析了100个典型失败案例。

首要问题依然是“看不清”（视觉识别失败，占36%）。学生写的“-3÷(-6)=1/2”，在AI眼里可能变成了别的符号组合，第一步就错了。

其次是“看不懂格式”（占15%）。草稿上的箭头、圈画、涂改，这些人类老师能自动过滤的辅助信息，却经常让AI晕头转向。

此外，“幻觉”（占16%）和“错位解读”（占17%）也很常见。AI有时会无中生有，编造学生没犯的错误；或者虽然看到了所有步骤，却无法将它们按正确的逻辑顺序串联起来，还原不出真实的思考轨迹。

七、不同数学领域的挑战差异

AI的能力也存在“偏科”现象。它在几何与测量、统计与概率这类步骤相对规范、答案相对唯一的领域表现较好。然而，一旦遇到方程与函数这类需要多步、复杂逻辑推理的题目，AI就颇为吃力了。

应用数学题目则呈现两极分化：对于有固定套路的“行程问题”，AI尚能应对；一旦题目涉及现实建模和开放假设，AI就容易“死机”。这恰好暴露了当前AI在处理真实世界复杂性和灵活性上的短板。

八、年级差异揭示的认知模式

另一个有趣的发现是AI表现的“年级效应”。在解释错误原因时，AI的表现随年级升高而轻微下降，可能是被高年级题目的内在复杂性难住了。

但在给错误分类时，趋势却完全相反：AI对高年级作业的分类准确率明显更高。原因在于，中学生的解题过程更规范、步骤更清晰、书写更工整——这相当于给AI提供了一份更标准的“普通话”文本，当然比解读小学生的思维“方言”要容易。

九、商业化模型与开源模型的较量

在这场比拼中，商业化模型（如o4-mini）整体上显著领先于开源模型，这背后是数据质量、算力投入和工程优化的综合优势。尤其是在需要深度推理的任务上，那些专门强化了推理能力的模型（无论是商业还是开源的）表现都更突出，这说明理解学生错误，光靠“看”还不够，核心在于“想”。

当然，开源模型也有亮点。比如在某些特定领域（如统计概率），个别开源模型的表现甚至不输商业模型，显示了其在垂直领域训练的独到之处。

十、实际应用的前景与挑战

尽管目前AI还不能媲美人类老师，但其应用前景已然清晰。首先，它可以成为老师的“超级助教”，高效完成作业的初筛，让老师能聚焦于最需要人工干预的复杂案例。

其次，在推动个性化学习上潜力巨大。AI若能精准诊断每个学生的独特思维误区，就能生成量身定制的学习报告和练习，实现“对症下药”。

当然，挑战依然严峻。技术上，手写识别与深度推理能力有待突破；教育理念上，则需警惕过度依赖技术而削弱师生间宝贵的人文互动与情感连接。如何让AI真正成为“助攻”而非“主角”，是未来教育智能化必须深思的课题。

说到底，这项研究揭示了一个核心事实：理解人类写在纸上的、充满跳跃和涂改的思维过程，其复杂程度远超我们的想象。从潦草字迹到逻辑误区，这中间需要跨越的不仅是技术鸿沟，更是认知鸿沟。

不过，这项研究的价值恰恰在于此。它搭建了一个坚实的评估基准，提供了高质量的真实数据集，为后续的探索铺平了道路。或许在不远的将来，每个孩子真的能拥有一位永不疲倦、即时反馈的AI学习伙伴，那无疑将为教育的个性化与公平性，打开一扇全新的大门。

Q&A

Q1：ScratchMath数据集包含了哪些内容？

A：它包含了1720份来自中国中小学的真实数学手写草稿，覆盖一到九年级，涉及数字与表达式、方程与函数等五大数学领域。每一份都包含了原始手写过程和经过专家标注的错误分类信息。

Q2：当前最先进的AI在理解学生数学错误方面表现如何？

A：即使是顶级模型，在解释错误原因上的准确率也仅在70%左右，远低于人类老师的近90%水准；在错误分类任务上，差距更大，AI约40%的准确率与人类近80%的水平相比，仍有很长一段路要走。

Q3：AI在分析学生数学错误时主要面临哪些困难？

A：主要困难有三：一是视觉识别关，难以准确辨认潦草、不规范的手写符号；二是格式理解关，容易被涂改、圈画等非标准布局干扰；三是逻辑推理关，难以深入追踪并理解学生多步骤解题过程中的根本性思维误区。