孩子学不会的难题,AI 老师也答不上来?这个开源"学习地图"给出了答案

原创2026-10-21 13:49:35720 阅读
文章标签:数据集教育

孩子学不会的难题,AI 老师也答不上来?这个开源"学习地图"给出了答案

最近跟一位做教育产品的朋友聊天,他说了句大实话:现在的 AI 老师啥都好,就是一问"我家孩子五年级,该从哪儿补起数学"就露馅——要么一股脑全推给你,要么照着年级顺序硬教,完全不管孩子到底卡在哪一环。

其实不只是教育产品,任何想给用户"按需推课"的软件,都栽在同一道题上:教一个人新东西之前,怎么知道他还缺什么基础?

这个看似简单的问题,最近在开源圈悄悄火了。一个叫 os-taxonomy(也有人叫它 Marble Skill Taxonomy)的项目,把全世界 4 到 11 岁孩子要学的知识,拆成了一整张可以"算"的学习地图。今天咱就把它当"底料",聊聊怎么用它搭一个会"缺什么补什么"的知识点推荐小实验。

一、它到底是啥?先记住一句话

一句话说透:它把"学什么、先学什么、为什么先学"全部变成了机器能读懂的数据。

好比一个老教师,带了一辈子小学生,临走前把自己脑子里的教学经验全部"导出"成了一张大表:1600 多个最小粒度的知识点(比如"会拼读字母音"、"能认钟表整点"、"明白什么是句子"),以及它们之间 3200 多条"先学谁、才能学谁"的关系线。

这条关系线,才是它的灵魂。

二、为啥"简单贴标签"不够用?这是关键

你可能觉得:给知识点标个"一年级""二年级"不就行了吗?这正是很多推荐系统做不好的原因。

年级是日历,依赖关系才是因果。 一个孩子 8 岁,不代表他 7 岁该学的都学会了——跳级学的、转学漏掉的、当时走神没弄懂的,太多了。

而 os-taxonomy 里每条关系都写得明明白白,还分两种"强度":

  • 硬依赖:不学会这个,下一个根本学不动(比如不会认数字,就没法学加减法);
  • 软依赖:有这个底子学得更顺,没有也能硬啃(比如学天气和气候,懂点地理词汇更好,但不懂也能学)。

更贴心的是,每条关系还配了一句话理由。比如想学"地球大气层",它告诉你必须先懂"岩石层和地球历史"、先懂"天气和气候的区别"、先知道"水在地球上都在哪儿"……这种"拆给你看"的细致程度,真人老师都未必写得出来。

我顺着这张图点了一下"地球大气层",好家伙,一路往上追,整整牵出 100 多个前置知识点,从"什么是海洋"到"条形统计图怎么读",全给你理得清清楚楚。这就是"缺什么补什么"的底气:不是给你推一堆题,而是先帮你把坑填上。

三、这个实验怎么搭?三块"底料"各有用处

做推荐实验不用多懂编程,数据全是现成的,拿来就能用:

第一块底料:知识点本体。 每个知识点都带大白话描述、大概适合几岁到几岁、属于哪个学科哪个板块,甚至还有"学没学会怎么判断"的检验标准。想给 AI 当"教材底料",这就是现成的。

第二块底料:依赖关系图。 就是你上面看到的那些"先学谁"的连线。推荐逻辑的核心就一句话:先查他缺哪些前置,缺什么补什么,补齐了再往深里推。 这比"按年级往下发课"高级太多了。

第三块底料:课标对齐。 项目把知识点逐条锚定到了 7 套国家课程标准(美国的科学课标、数学课标、英国国家课程等),一共 3000 多条标准、2000 多条对应关系。用它来校验推荐结果靠不靠谱——你推的知识点,是不是课标里真要求学的,一对照就知道,AI 再也不会张口就编了。

四、效果有多直观?一张图看懂

项目自带一张会旋转的 3D 知识图谱,每一个点是一个知识点,颜色代表学科,上下位置代表年龄,每一条连线就是"学它之前必须先学这个"。

os-taxonomy 知识图谱可视化

第一次看这张图的人基本都会"哇"一声:整个小学的知识不是一摞书,而是一张互相勾连的网。你点任何一个点,就能顺着线把它的"知识祖先"全找出来。

另外还有 176 个"领域簇"——把同年龄、同学科、同板块的知识点揉成一段大白话。很多家长看完直呼:终于有人用我能听懂的话,告诉我孩子这个阶段到底在学什么了。 这在全网讨论里是呼声最高的一项。

五、普通人玩得转吗?门槛比你想象的低

好消息是:这项目零依赖、纯数据,不需要高性能显卡,也不需要装任何复杂环境。 数据就是几个 JSON 文本文件,会读数据就能玩。

你大概能想到这么玩:

  • 想给自家娃做学习计划:查一下某个知识点,看看它的前置都过关没;
  • 想做个小实验:让 AI 当"学习管家",你告诉它孩子现在会什么,它照着依赖图反推出该补哪几课;
  • 教育产品从业者:直接拿它当地图底料,接进自己的推荐系统,省下几年教研功夫。

它甚至开放了商用——只要遵守开源协议、标明出处,拿来赚钱做产品都行。这个格局,业内评价很高。

六、写在最后

从"按年级排课"到"按依赖补课",看起来只是换了个思路,实际上是教育从"讲完就算"走向"学会才算"的关键一步。os-taxonomy 做的,就是把这一步所需的"教学经验",变成了任何人都能调用的开放数据。

最后留个开放问题给你:如果让 AI 来当老师,你希望它是"按部就班地教",还是"先摸清你缺什么、再专门补短板"? 你家娃或者你自己,遇到过"卡在一个知识点上、怎么都学不动"的经历吗?评论区聊聊。

登录后查看全文
os-taxonomy