认知不确定性引导 知识蒸馏 对学生误解进行准确分类

准确识别学生的误解对于个性化教育至关重要，但面临三个挑战：（1）长尾分布的数据稀缺，难以综合真实的学生推理； (2) 错误类别之间的边界模糊，标注噪声较高； (3) 部署parado-large 模型由于预训练偏差而忽略了非常规方法，并且无法部署在边缘，而小模型则过度拟合噪声。与通过大规模数据合成来增加多样性的传统方法不同，我们提出了一个两阶段的 知识蒸馏 框架，可以从现有数据中挖掘高价值样本。第一阶段执行标准蒸馏来传输任务能力。第二阶段引入基于认知不确定性的双层边际选择机制，根据教师模型不确定性和置信度差异识别四类关键样本。对于不同的数据子集，我们设计了难度自适应机制来平衡硬/软标签的贡献，使学生模型能够继承教师软标签的类间关系，同时区分模糊的错误类型。实验表明，通过仅对 10.30% 的过滤样本进行增强训练，我们在 MAP-Charting 数据集上实现了 0.9585 (+17.8%) 的 MAP@3，并且仅使用 4B 参数模型，我们在中学代数误解基准的跨主题测试中获得了 84.38% 的准确率，显着优于 sota LLM (67.73%) 和标准微调 72B 型号（81.25%）。我们的代码可在 https://github.com/RoschildRui/acl2026_map 获取。