面向编程教育的风险自适应与证据约束生成式 AI 反馈框架

研究团队基于 215 名学生的 2993 个失败提交状态，开发了一个面向入门编程的风险自适应、证据约束反馈框架。学生隔离模型预测持续失败，验证集选出的逻辑回归测试 PR-AUC 为 0.550、ROC-AUC 为 0.681。在 544 条新生成消息中 519 条通过标准化修复与证据门控包含全部必需组件。固定阈值序列策略在测试集选中 17.8% 的合格状态，覆盖 25.2% 的持续失败。

该工作把生成式反馈从“一有错误就生成提示”转向风险校准与证据门控：先预测持续失败风险，再决定何时介入、用哪些记录证据、给多少帮助。相较以往直接生成反馈的做法，它把预测、决策和生成三个环节分开评估，并给出了可量化的覆盖率与生成合规率。

机制分三层：学生隔离模型用失败提交历史预测持续失败与相关结果；校准后的风险分数驱动容量受限的介入策略，决定优先干预哪些状态；生成阶段先用记录证据约束内容，再按需从自检推进到局部提示。固定阈值序列策略按序选择状态，因此能以有限干预次数覆盖部分持续失败，但受预测精度限制。

对编程教育或代码辅导产品，这意味着反馈系统可拆成风险预测、干预调度和证据约束生成三个可独立迭代的模块。研发需维护学生历史特征与失败状态记录，并加入生成消息的标准化修复和证据门控校验；产品可用有限提示额度优先覆盖高风险学生，降低无效反馈对体验的干扰。

• 在编程作业平台中前置失败风险预测，按风险分排序提示投放队列，优先覆盖可能反复失败的学生。
• 为生成式提示增加证据门控与组件校验，只有包含必要证据的消息才允许发送给学生。
• 将提示设计为从自检问题到局部提示的分级序列，按风险阈值逐级放开而非一次性给出完整解法。
• 对教师端提供持续失败覆盖率与干预配额监控面板，用于调整阈值和策略容量。

• 该框架在入门编程之外的语言、课程类型和机构中是否保持同等预测与覆盖表现。
• PR-AUC 0.550 的预测精度在实际产品中会造成多少误报和漏报的干预成本。
• 25.2% 的持续失败覆盖是否足以产生可测量的学习效果提升。
• 证据门控后的反馈消息在长期使用中是否仍能维持 519/544 的组件合规率。