[LG]《Learning to Make MISTAKEs: Modeling Incorrect Student Thinking And Key Errors》A Ross, J Andreas [MIT CSAIL] (2025)
提出了一种创新方法mistake（Modeling Incorrect Student Thinking And Key Errors），专注于建模学生的错误思维和关键错误，推动教育AI向更精准个性化方向发展。
核心理念：
mistake方法通过“循环一致性”原理，自动生成带有潜在误解的高质量合成错误推理数据，进而训练两个模型：
1. 学生模拟模型：基于特定误解，模拟学生的错误推理与答案。
2. 误解推断模型：从学生错误答案推断其内在误解。
技术细节：
- mistake-Generate：无监督生成错误数据，包括采样错误答案、推断误解、模拟学生思考、循环一致性校验四步。
- mistake-Update：迭代训练上述两个模型，利用新生成数据不断优化，形成闭环提升。
实验验证：
在EEDI矿藏数学误解数据集（约1857道K-12数学题）上，mistake方法在三项关键任务均表现出显著提升：
1. 学生模拟准确度提升约9%，更精准再现学生错解。
2. 误解推断性能提升约15%，更有效识别学生思维漏洞。
3. 诱导选项（干扰项）生成精度提升64.6%，生成的错误选项更贴近专家设计。
此外，mistake生成的循环一致性筛选机制可直接应用于GPT-4等大模型，显著提升其诱导选项质量，体现出极强的通用性与实用价值。
意义与展望：
传统语言模型多聚焦于正确推理，mistake开辟了模拟错误推理的新路径，适用于教育中实时反馈、教师培训、测评设计等场景。未来可与对话式导师结合，实现针对学生误解的个性化教学，也可推广至心理学、经济学等领域模拟认知偏差。
完整论文链接：arxiv.org/abs/2510.11502
教育AI 学生误解建模 语言模型 个性化教学 AI辅导
