1. 绪论

1.1 研究背景及意义

近年来，随着教育信息化的深入推进，大数据与人工智能技术在教育领域的应用日益广泛。教育部发布的《教育信息化2.0行动计划》明确提出要构建“互联网+教育”大平台，推动教育从传统教学向智能化、个性化方向转型。在此背景下，如何利用技术手段精准评估学生学习状态、识别个体差异，成为教育工作者与研究者共同关注的热点议题。据统计，2023年我国在线教育市场规模已突破4000亿元，其中智能评估类产品的增长率超过30%，反映出市场对学生能力精准诊断的迫切需求。

当前学生评估实践仍面临诸多挑战。传统评估方式主要依赖阶段性考试与教师主观观察，存在三个方面的不足：其一，评估维度单一，多聚焦于知识掌握的结果性指标，忽视了学生解题过程中的行为特征，如答题效率、修改习惯、求助频率等；其二，数据采集片面，缺乏对学生答题轨迹、时间分配等动态数据的系统性记录，难以还原真实的思考过程；其三，评估反馈滞后，通常以期末或单元测试形式呈现，无法在教学过程中实时发现问题、及时干预。尽管已有部分研究尝试引入学习分析技术，但多停留在理论探讨层面，缺乏面向实际教辅场景的完整解决方案。此外，现有评估系统普遍采用统一的评价标准，未能充分考虑学生学段差异与基础水平差异，评估结果缺乏个性化。

本研究正是基于上述现实问题而展开。在前人研究的基础上，重点探讨如何将人工智能技术应用于学生能力评估领域，构建一个集数据采集、智能分析、报告生成于一体的评估系统。区别于传统系统仅关注答题结果的做法，本研究将答题行为数据作为评估的关键依据，通过DeepSeek大模型深度挖掘学生操作轨迹中蕴含的信息，实现知识掌握与行为特征的双维诊断。研究切入点在于构建可落地的评估智能体，而非单纯的理论模型，力求在真实教学场景中发挥实用价值。

从研究意义来看，本研究具有理论与实践双重价值。在理论层面，本研究丰富了学生能力评估的理论框架，将知识掌握层次理论与答题行为特征分析相结合，构建了多维度评估模型，为教育评估研究提供了新的视角。在实践层面，本研究开发的系统能够帮助教师快速掌握班级整体学习状况与个体学生短板，节省大量人工分析时间；系统生成的个性化诊断报告与提分建议，可为学生提供明确的学习改进方向，助力因材施教目标的实现。此外，系统采用轻量级技术栈，部署成本低、维护简便，具备良好的推广价值。本研究回应了教育评估领域对智能化、个性化工具的现实需求，具有较强的应用前景。

从专业领域视角审视，本课题的开展紧密依托计算机科学与技术专业的核心课程体系，具有鲜明的专业综合性特征。 在软件工程层面，系统开发严格遵循结构化分析与设计方法，从可行性研究、需求建模、架构设计到测试部署，完整实践了软件生命周期的全过程管理；在数据库系统层面，通过对用户、学生、知识点、答题记录等九个实体的关系建模，运用SQLite轻量级数据库与SQLAlchemy对象关系映射技术，解决了多源异构教育数据的持久化存储与高效查询问题；在Web应用开发层面，采用Python Flask框架构建MVC分层架构，利用Bootstrap响应式布局实现跨终端适配，并通过蓝图机制完成业务模块的解耦与路由管理；在人工智能导论层面，调用DeepSeek大语言模型API并结合提示词工程，实现了对学生答题数据的智能语义理解与归因推理，将前沿AI技术应用于垂直行业场景；在教育测量学交叉层面，引入布鲁姆认知层次理论与学习行为投入理论，构建了多维量化评估指标体系。这些专业知识在本课题中的综合运用，不仅验证了本科阶段所学理论的技术迁移能力，也为后续从事智能教育软件研发积累了全栈式的工程实践经验。

1.2 国内外研究现状

学生能力评估一直是教育测量与学习分析领域的核心议题。国外研究起步较早，已形成较为成熟的理论体系与应用实践。在教育测量领域，项目反应理论（IRT）的提出与发展，为能力评估提供了坚实的数理基础，该理论通过分析学生答题反应与题目参数之间的关系，可较为准确地估计学生潜在能力水平。在此基础上，知识追踪模型（如Bayesian Knowledge Tracing、Deep Knowledge Tracing）的演进，使得动态追踪学生知识掌握状态成为可能，这些模型通过分析学生的答题序列，推断其对知识点的掌握程度随时间的变化趋势。

在个性化评估实践方面，美国教育考试服务中心（ETS）开发了基于计算机的自适应测试系统（CAT），能够根据学生答题表现动态调整后续题目难度，实现对学生能力的精准测量。Khan Academy等在线教育平台则通过记录学生视频观看、练习完成、错误分析等行为数据，构建学习者画像，提供个性化学习路径推荐。此外，学习分析领域的国际会议（如LAK、EDM）近年来涌现出大量关于学生行为模式挖掘的研究成果，研究者通过聚类分析、序列模式挖掘等方法，识别出不同学习风格与行为特征的学生群体。

国内研究近年来呈现快速发展态势。在理论层面，北京师范大学、华东师范大学等高校的研究团队，围绕学生核心素养评价、学科能力诊断等方向开展了系统研究，构建了包含知识理解、应用迁移、创新思维等维度的评估框架。在应用层面，随着人工智能技术的发展，一批智能教育产品相继涌现，如科大讯飞的智慧课堂系统、一起教育科技的作业平台等，均在不同程度上集成了学生能力评估功能。这些系统主要通过分析学生作业与考试数据，生成知识点掌握热力图与错题本，为教师提供教学参考。

然而，现有研究与应用仍存在若干不足。从评估维度来看，多数系统侧重于知识掌握度的量化分析，对答题行为特征的关注相对不足。学生解题过程中的犹豫、修改、求助等行为，往往蕴含着其思维过程与学习习惯的重要信息，现有系统对此类数据的采集与分析仍较为薄弱。从个性化程度来看，现有评估结果多采用统一的呈现方式，未能充分考虑学生年级差异、基础水平差异对评估结果解读的影响。从技术实现来看，部分系统采用传统机器学习方法，依赖大量标注数据，在冷启动阶段表现不佳；而采用深度学习模型的系统，对算力要求较高，部署成本相对昂贵。

本研究在借鉴上述研究成果的基础上，力求突破现有局限。一方面，构建涵盖知识掌握与答题行为两大维度的评估模型，将行为特征分析纳入评估体系；另一方面，引入DeepSeek大语言模型，利用其强大的语义理解与推理能力，实现对多源数据的深度解析与归因分析，降低对标注数据的依赖。此外，系统设计注重实用性，采用轻量级技术栈，便于在教育一线推广应用。

1.3 本文研究内容

本文围绕面向个性化教辅场景的学生能力评估系统展开研究，主要研究内容涵盖系统需求分析、系统设计、系统开发与实现、系统测试等方面。具体包括以下几个方面：

（1）学生能力评估模型构建。梳理知识掌握层次理论，将知识点掌握细化为记忆、理解、应用三个层次；分析答题行为特征，归纳出答题效率、自主解题能力、状态稳定性等评估指标；构建包含知识掌握与答题行为两大维度的评估模型，为系统实现提供理论依据。

（2）系统架构设计与数据库设计。基于Flask框架设计系统总体架构，明确前端展示层、业务逻辑层、数据访问层的职责划分；规划教师端与管理端功能模块，包括学生管理、数据上传、AI评估、报告生成、提分建议、用户管理、配置维护等功能；设计数据库表结构，包括用户表、学生表、知识点表、题目表、答题记录表、评估报告表、建议表、系统配置表、系统日志表等，确保数据存储的完整性与一致性。

（3）核心功能模块实现。开发数据上传与解析模块，支持Excel文件批量导入学生答题数据，实现数据分层采集；调用DeepSeek大语言模型API，开发AI评估核心模块，实现对学生答题数据的智能分析与归因诊断；实现个性化报告生成模块，支持评估报告的HTML页面展示与PDF文件下载；开发提分建议模块，根据评估结果推送针对性练习题与策略指导。

（4）系统测试与验证。对系统核心功能进行测试，包括数据上传、AI评估、报告生成、提分建议等模块，验证各功能运行的正确性与稳定性；对系统非功能性指标进行测试，包括响应时间、并发处理能力等，评估系统在实际应用场景中的性能表现。

通过上述研究，旨在构建一个功能完整、操作简便、评估精准的学生能力评估系统，为教师开展个性化教学提供技术支撑。

1. 学生能力评估模型构建

学生能力评估是本系统的核心功能，构建一个科学、多维度的评估模型是实现精准诊断的前提。本章将系统阐述评估模型的理论基础与构建方法，从知识掌握与答题行为两大维度出发，建立量化的评估指标体系，并介绍如何通过加权融合得出综合能力评分。

2.1 评估模型总体框架

传统的教育评估往往只关注最终答案的正确性，忽视了学生在解题过程中的认知投入与行为习惯。本系统构建的评估模型旨在突破这一局限，采用“知识+行为”的双轮驱动框架。

该框架将评估指标分为两大维度：知识掌握维度用于衡量学生对学科内容的认知层次，答题行为维度用于刻画学生在解题过程中的习惯与策略。两大维度下分别设立若干可量化的子指标，最终通过加权融合算法生成学生的综合能力画像。

2.2 知识掌握维度模型

2.2.1 理论基础与选择原因

本模型的知识维度评估采用 布鲁姆教育目标分类学（Bloom‘s Taxonomy） 的认知过程维度作为理论基础。选择该理论的主要原因在于：

层次分明，便于操作化：布鲁姆将认知过程明确划分为记忆、理解、应用、分析、评价、创造六个层级，为评估试题难度和学生掌握程度提供了清晰的标准。针对基础教育阶段，本系统聚焦于核心的记忆、理解、应用三个层级，具有较好的可操作性。

与教学实践高度契合：中小学教师的日常教学目标设定、试题命题设计通常隐含或明确参考了布鲁姆的分类学思想。采用该理论，系统生成的评估报告（如“该生在应用层题目失分较多”）更易于被教师理解和采纳。

2.3 答题行为维度模型

2.3.1 理论基础与选择原因

答题行为维度的评估基于 学习行为投入理论（Learning Engagement Theory）。该理论认为，学生在学习过程中的行为投入（如时间管理、努力程度、求助行为）是预测学业成就的关键变量。选择此理论作为依据，旨在弥补单纯依赖结果数据的局限，深入挖掘学生在“会与不会”背后的思维习惯与应试策略问题。

2.3.2 行为表现度量化公式

本系统主要从答题效率、自主性和稳定性三个子维度刻画行为表现。

(1) 答题效率指标 E

该指标用于衡量学生的解题熟练度，定义为有效答题速度与基准速度的比值。

变量说明：

n：答题总数。

T_actual(j)：学生在第 j题的实际耗时（秒）。

T_base(d_j)：难度为 d_j 的题目的基准建议用时（系统预设）。

E 值越接近 1，表示答题效率越高。

(2) 自主解题能力指标 A

该指标通过修改与求助行为反映思维的独立性。

变量说明：

ModifyCount_j：第j题答案的修改次数。

HelpCount_j：第j 题过程中触发提示或求助的次数。

A 值越高，表示自主解题能力越强。

(3) 状态稳定性指标 S

采用答题正确率序列的变异系数来衡量表现是否波动异常。

变量说明：

σ_acc：学生在连续n题中正确率的标准差。

μ_acc：平均正确率。

ε：极小常数，防止分母为零。

S 值越高，表示心理状态与发挥越稳定。

2.4 综合能力评估模型

2.4.1 多维度加权融合模型

综合以上分析，学生的综合能力评分 C 由知识掌握综合分 K 和行为表现综合分 B 加权得出。

其中，知识综合分 K 为所有知识点掌握度的均值：

行为综合分 B 为各行为指标的加权和：

2.4.2 自适应权重调整机制

为了体现个性化教辅场景的特点，权重矩阵 W 并非固定不变，而是根据 学习目标 动态调整。

单元复习模式：侧重于知识查漏补缺。

W_k = 0.8， W_b = 0.2

考前冲刺模式：侧重于应试技巧与心态稳定。

W_k = 0.5， W_b = 0.5

2.5 本章小结

本章详细阐述了面向个性化教辅的学生能力评估模型的理论基础与数学表达。模型以布鲁姆教育目标分类学和学习行为投入理论为支撑，通过公式 2-1 至 2-5 构建了从原始答题记录到综合评分的完整映射路径。该模型的设计既保证了评估的科学性，又通过动态权重机制满足了个性化教学场景的灵活性需求，为后续章节的系统算法实现提供了直接的理论依据。

1. 系统需求分析

3.1 业务流程分析

本系统核心业务流程围绕“数据上传→AI评估→报告生成→提分建议”的链路展开。教师作为系统的核心使用者，完成学生答题数据的上传后，通过AI评估功能获取学生的能力诊断报告，并根据评估结果获得提分建议。系统业务流程按功能模块划分如下：

1. 学生管理业务流程。教师登录系统后，进入学生管理模块，可查看所教班级的学生列表，选择添加新学生或查看学生详情。添加学生时需填写学号、姓名、年级、班级、基础水平等信息。查看学生详情时，可浏览该学生的答题记录与历史评估报告。

图3-1 学生管理业务流程图

1. 数据上传业务流程。教师选择目标学生后，上传包含答题记录的Excel文件。系统对文件进行解析，提取题目属性、答题对错、答题时长、修改次数、求助次数等数据，并根据学生年级与基础水平进行数据分层采集，最终将解析后的数据存入数据库。

图3-2 数据上传业务流程图

1. AI评估业务流程。教师选择学生与学习目标后，启动AI评估。系统提取该学生的答题记录，调用DeepSeek大模型进行智能分析，评估结果涵盖知识掌握与答题行为两大维度，生成深度归因分析，并根据评估结果生成提分建议。

图3-3 AI评估业务流程图

1. 报告查看与下载业务流程。评估完成后，系统生成评估报告，教师可在报告列表页查看所有历史报告，点击进入报告详情页查看完整诊断内容，包括知识热力图、能力雷达图、归因分析等。教师可下载PDF格式报告，用于存档或与家长沟通。

图3-4 报告查看与下载业务流程图

1. 提分建议查看业务流程。教师可进入提分建议模块，按学生筛选查看系统生成的个性化建议，包括练习题推荐、微课视频推荐、策略指导等内容，便于后续教学调整。

图3-5 提分建议查看业务流程图

1. 管理员后台业务流程。管理员登录系统后，可进行用户管理，包括启用、禁用、删除用户；知识点管理，包括添加、删除知识点；题库管理，查看题目信息；配置管理，配置评估权重策略与数据采集规则；日志管理，查看系统操作日志；系统状态监控，查看系统运行概况。

图3-6 管理员后台业务流程图

图3.1-图3-6展示了核心业务流程图，数据上传、AI评估、报告下载三个核心流程形成闭环，支撑教师对学生能力的持续跟踪与评估。

3.2 功能性需求分析

本系统根据使用者角色分为教师端与管理员端，不同角色具有不同的功能权限。教师端主要面向一线教师，提供学生管理、数据上传、AI评估、报告查看与下载、提分建议、数据分析等功能；管理员端面向系统运维人员，提供用户管理、知识点管理、题库管理、配置管理、日志管理、系统状态监控等功能。

教师端核心功能需求如下：

（1）学生管理功能。教师能够查看所教班级学生列表，添加新学生，编辑学生信息，查看学生详情。学生信息包括学号、姓名、年级、班级、基础水平等字段，用于后续数据采集与评估时进行分层处理。

（2）数据上传功能。教师能够上传包含学生答题记录的Excel文件，系统自动解析文件内容，提取题目ID、题型、难度、是否正确、答题时长、修改次数、求助次数等字段，并将数据与学生关联存储。数据解析过程中需进行数据清洗与格式校验。

（3）AI评估功能。教师能够选择学生与学习目标，启动AI评估。学习目标包括单元复习、考前模拟、日常练习三种类型，用于动态调整评估指标权重。评估结果应包括知识点掌握率、难度适配度、题型正确率、答题效率、自主解题能力、状态稳定性评分、深度归因分析等内容。

（4）报告查看与下载功能。教师能够查看历史评估报告列表，点击进入报告详情页，浏览完整的评估结果。报告应包含学生基本信息、知识掌握维度分析、答题行为特征分析、深度归因分析、提分建议等内容。教师可下载PDF格式报告，保存到本地。

（5）提分建议功能。教师能够查看系统根据评估结果生成的提分建议，建议按类型分为练习题推荐、微课视频推荐、策略指导等，支持按学生筛选查看。

（6）数据分析功能。教师能够查看班级高频错题统计、学生进步趋势分析，便于把握班级整体学习状况。

图3-7 教师端用例图

管理员端核心功能需求如下：

（1）用户管理功能。管理员能够查看系统所有用户，对用户进行启用、禁用、删除操作，维护用户权限。

（2）知识点管理功能。管理员能够添加、删除知识点，维护知识点名称、学科、适用年级、难度、分类等信息。

（3）题库管理功能。管理员能够查看题目列表，了解当前题库中的题目信息。

（4）配置管理功能。管理员能够配置评估权重策略，包括不同学习目标下的知识维度、行为维度、稳定性维度的权重分配；配置数据采集规则，包括不同年级、不同基础水平下的数据聚焦策略。

（5）日志管理功能。管理员能够查看系统操作日志，包括用户登录、数据上传、评估执行等操作记录，便于问题追踪与安全审计。

（6）系统状态监控功能。管理员能够查看系统运行概况，包括用户总数、学生总数、题目总数、知识点总数，以及最近错误日志等。

图3-8 管理端用例图

图3.7展示了教师端功能用例图，教师角色包含学生管理、数据上传、AI评估、报告查看与下载、提分建议、数据分析等功能用例；图3.8展示了管理员端功能用例图，管理员角色包含用户管理、知识点管理、题库管理、配置管理、日志管理、系统状态监控等功能用例。

3.3 非功能性需求分析

非功能性需求是功能需求的补充，关注系统整体特性。本系统非功能性需求主要包括以下方面：

（1）可靠性。系统应保证数据存储的完整性与一致性，用户上传的答题数据应准确入库，不出现数据丢失或错乱。系统应具备异常处理能力，在DeepSeek API调用失败或超时时，能够捕获异常并向用户返回明确的错误提示，避免系统崩溃。

（2）响应时间。AI评估功能涉及大模型API调用，响应时间受网络条件与模型服务影响，通常在30秒至60秒之间，属于可接受范围。其他功能如数据上传、报告查看、学生管理等，应在3秒内完成响应，确保用户操作流畅。

（3）易用性。系统界面应简洁明了，操作流程直观。数据上传功能支持Excel文件批量导入，文件格式要求应在页面上清晰说明，降低用户学习成本。评估报告应以图表与文字结合的形式呈现，信息层次清晰，便于教师快速理解。

（4）安全性。系统采用基于角色的访问控制机制，教师只能访问自己班级的学生数据，管理员拥有最高权限。用户密码采用哈希加密存储，防止密码泄露。用户登录会话采用Flask-Login管理，会话超时后需重新登录。

（5）可维护性。系统代码采用模块化设计，教师端与管理员端功能通过蓝图分离，数据操作封装在服务层，便于后续功能扩展与维护。系统日志记录关键操作，便于问题定位与排查。

（6）兼容性。系统前端基于Bootstrap构建，应在主流浏览器（Chrome、Firefox、Edge）及不同分辨率下正常显示。上传文件支持Excel格式，兼容.xls与.xlsx两种文件类型。

1. 系统设计

4.1 系统总体设计

4.1.1 架构设计

本系统采用基于Flask框架的B/S架构，遵循MVC设计模式，将系统划分为表现层、业务逻辑层、数据访问层三个层次。各层职责明确，层与层之间通过接口进行交互，降低了模块间的耦合度，提高了系统的可维护性与可扩展性。

表现层负责与用户交互，主要使用Bootstrap前端框架构建用户界面。表现层通过HTTP协议接收用户请求，将请求参数传递给业务逻辑层处理，并将处理结果渲染为HTML页面返回给用户。表现层还承担前端数据校验、界面交互响应等职责，通过JavaScript脚本增强用户体验。

业务逻辑层是系统的核心，负责处理具体业务逻辑。该层包含多个服务模块：数据服务模块负责Excel文件解析、数据分层采集、指标动态加权、统计数据计算等功能；AI服务模块负责与DeepSeek API交互，构建评估提示词、解析模型返回结果；报告服务模块负责生成PDF格式评估报告。业务逻辑层通过调用数据访问层接口完成数据持久化操作。

数据访问层负责数据库的读写操作，通过SQLAlchemy ORM框架实现。数据访问层定义数据模型类，封装数据表的增删改查操作，向业务逻辑层提供统一的数据访问接口。使用ORM技术将数据库表映射为Python对象，使业务逻辑层可以面向对象编程，无需关注底层SQL细节。

系统数据流动方向为：用户通过浏览器发起请求，表现层接收请求参数后，调用业务逻辑层相应服务；业务逻辑层执行数据处理与计算，调用数据访问层读写数据库；数据访问层执行SQL语句操作SQLite数据库；处理结果沿相反路径返回，最终渲染为HTML页面呈现给用户。系统整体架构如图4.1所示。

图4-1 系统架构图

4.1.2 功能模块设计

本系统旨在为教师提供学生能力评估的智能化工具，通过AI技术深度挖掘答题数据价值，实现对学生知识掌握与答题行为的精准诊断。系统核心功能包括教师端的学生管理、数据上传、AI评估、报告查看与下载、提分建议、数据分析，以及管理员端的用户管理、知识点管理、题库管理、配置管理、日志管理、系统状态监控等模块。

教师端功能模块包含以下内容：

（1）学生管理模块：支持学生信息的增删改查，包括学号、姓名、年级、班级、基础水平等字段，为后续数据采集与评估提供基础数据。

（2）数据上传模块：支持Excel文件批量导入学生答题记录，解析题目属性、答题对错、答题时长、修改次数、求助次数等数据，并根据学生年级与基础水平进行数据分层采集。

（3）AI评估模块：调用DeepSeek大语言模型对学生答题数据进行分析，从知识掌握与答题行为两大维度生成评估结果，包括知识点掌握率、难度适配度、题型正确率、答题效率、自主解题能力、状态稳定性评分、深度归因分析等内容。

（4）报告查看与下载模块：支持评估报告的列表展示、详情查看与PDF下载功能，报告内容包含学生基本信息、知识掌握分析、行为特征分析、归因分析与提分建议。

（5）提分建议模块：根据评估结果生成个性化建议，包括练习题推荐、微课视频推荐、策略指导等，支持按学生筛选查看。

（6）数据分析模块：提供班级高频错题统计、学生进步趋势分析功能，辅助教师把握班级整体学习状况。

管理员端功能模块包含以下内容：

（1）用户管理模块：支持用户信息的查看、启用、禁用、删除操作。

（2）知识点管理模块：支持知识点的添加与删除，维护知识点名称、学科、适用年级、难度、分类等信息。

（3）题库管理模块：支持题目列表的查看。

（4）配置管理模块：支持评估权重策略与数据采集规则的配置维护。

（5）日志管理模块：支持系统操作日志的查看，按时间倒序分页展示。

（6）系统状态监控模块：提供系统运行概况展示，包括统计数据与最近错误日志。

系统功能模块结构如图4.2所示（注：功能模块图）。

图4-2 系统功能图

4.2 数据库设计

4.2.1 数据库逻辑设计

本系统采用SQLite关系型数据库进行数据存储。关系型数据库通过二维表结构组织数据，表与表之间通过外键建立关联关系，确保数据的一致性与完整性。系统数据模型围绕用户、学生、知识点、题目、答题记录、评估报告、建议、系统配置、系统日志等核心实体构建。

用户与学生的关系为：一名教师可管理多名学生，学生属于唯一教师，教师与学生之间为一对多关系。知识点与题目的关系为：一个知识点可关联多道题目，一道题目归属于唯一知识点，二者之间为一对多关系。题目与答题记录的关系为：一道题目可被多名学生作答，一条答题记录对应唯一题目，二者之间为一对多关系。学生与答题记录的关系为：一名学生有多条答题记录，一条答题记录属于唯一学生，二者之间为一对多关系。学生与评估报告的关系为：一名学生有多份评估报告，一份报告属于唯一学生，二者之间为一对多关系。教师与评估报告的关系为：一名教师可有多份报告，一份报告属于唯一教师，二者之间为一对多关系。学生与建议的关系为：一名学生有多条建议，一条建议属于唯一学生，二者之间为一对多关系。用户与系统日志的关系为：一名用户可有多条操作日志，一条日志属于唯一用户，二者之间为一对多关系。

系统E-R图如图4.3所示，图中清晰展示了各实体之间的关联关系与基数约束。

图4-3 系统E-R图

4.2.2 数据表设计

根据系统数据模型设计，本系统数据库表包括用户表、学生表、知识点表、题目表、答题记录表、评估报告表、建议表、系统配置表、系统日志表。以下为各表详细设计：

（1）用户表（user_teacher）记录系统用户的基本信息，包括用户ID、用户名、邮箱、密码哈希、角色、真实姓名、学校名称、创建时间、是否激活。用户ID为主键，用户名为唯一字段，邮箱为唯一字段，角色字段区分教师与管理员。用户表结构如表4.1所示。

表4.1 用户表（user_teacher）

字段名	类型	约束	说明
id	INTEGER	主键，自增	用户 ID
username	VARCHAR(80)	唯一，非空	用户名
email	VARCHAR(120)	唯一，非空	邮箱
password_hash	VARCHAR(255)	非空	密码哈希
role	VARCHAR(20)	非空	角色（teacher/admin）
real_name	VARCHAR(50)		真实姓名
school_name	VARCHAR(100)		学校名称
created_at	DATETIME		创建时间
is_active	BOOLEAN	默认 TRUE	是否激活

（2）学生表（student_teacher）记录学生的基本信息，包括学生ID、学号、姓名、年级、班级、所属教师ID、基础水平、创建时间。学生ID为主键，学号为唯一字段，教师ID为外键关联用户表。学生表结构如表4.2所示。

表4.2 学生表（student_teacher）

字段名	类型	约束	说明
id	INTEGER	主键，自增	学生 ID
student_id	VARCHAR(20)	唯一，非空	学号
name	VARCHAR(50)	非空	姓名
grade	VARCHAR(10)	非空	年级
class_name	VARCHAR(20)		班级
teacher_id	INTEGER	外键，非空	所属教师 ID
base_level	VARCHAR(20)		基础水平
created_at	DATETIME		创建时间

（3）知识点表（knowledge_point_teacher）记录知识点的详细信息，包括知识点ID、名称、学科、适用年级、难度、分类、描述、创建时间、是否激活。知识点ID为主键。知识点表结构如表4.3所示。

表4.3 知识点表（knowledge_point_teacher）

字段名	类型	约束	说明
id	INTEGER	主键，自增	知识点 ID
name	VARCHAR(100)	非空	知识点名称
subject	VARCHAR(50)		学科
grade_level	VARCHAR(10)		适用年级
difficulty	VARCHAR(20)		难度
category	VARCHAR(50)		分类
description	TEXT		描述
created_at	DATETIME		创建时间
is_active	BOOLEAN	默认 TRUE	是否激活

（4）题目表（question_teacher）记录题目的基本信息，包括题目ID、题目内容、题型、难度、知识点ID、分值、创建时间。题目ID为主键，知识点ID为外键关联知识点表。题目表结构如表4.4所示。

表4.4 题目表（question_teacher）

字段名	类型	约束	说明
id	INTEGER	主键，自增	题目 ID
question_id	VARCHAR(50)	唯一，非空	题目编号
content	TEXT		题目内容
question_type	VARCHAR(20)		题型
difficulty	VARCHAR(20)		难度
knowledge_point_id	INTEGER	外键	知识点 ID
score	FLOAT		分值
created_at	DATETIME		创建时间

（5）答题记录表（answer_record_teacher）记录学生的答题详情，包括记录ID、学生ID、题目ID、是否正确、学生答案、正确答案、答题时长、得分、修改次数、阅读时间、思考时间、书写时间、求助次数、异常操作、测试类型、测试日期、创建时间。记录ID为主键，学生ID为外键关联学生表，题目ID为外键关联题目表。答题记录表结构如表4.5所示。

表4.5 答题记录表（answer_record_teacher）

字段名	类型	约束	说明
id	INTEGER	主键，自增	记录 ID
student_id	INTEGER	外键，非空	学生 ID
question_id	INTEGER	外键，非空	题目 ID
is_correct	BOOLEAN	非空	是否正确
answer	TEXT		学生答案
correct_answer	TEXT		正确答案
time_spent	FLOAT		答题时长
total_score	FLOAT		得分
modify_count	INTEGER		修改次数
reading_time	FLOAT		阅读时间
thinking_time	FLOAT		思考时间
writing_time	FLOAT		书写时间
help_count	INTEGER		求助次数
unusual_operations	TEXT		异常操作
test_type	VARCHAR(50)		测试类型
test_date	DATETIME		测试日期
created_at	DATETIME		创建时间

（6）评估报告表（assessment_report_teacher）记录AI评估生成的报告信息，包括报告ID、学生ID、教师ID、报告标题、测试日期、学习目标、知识点掌握数据、难度适配数据、题型正确率数据、答题效率数据、自主解题能力数据、稳定性评分、归因分析、PDF路径、创建时间。报告ID为主键，学生ID为外键关联学生表，教师ID为外键关联用户表。评估报告表结构如表4.6所示。

表4.6 评估报告表（assessment_report_teacher）

字段名	类型	约束	说明
id	INTEGER	主键，自增	报告 ID
student_id	INTEGER	外键，非空	学生 ID
teacher_id	INTEGER	外键，非空	教师 ID
report_title	VARCHAR(200)		报告标题
test_date	DATETIME		测试日期
learning_goal	VARCHAR(50)		学习目标
knowledge_mastery	JSON		知识点掌握数据
difficulty_adaptation	JSON		难度适配数据
question_type_accuracy	JSON		题型正确率数据
answer_efficiency	JSON		答题效率数据
solving_ability	JSON		自主解题能力数据
stability_score	FLOAT		稳定性评分
root_cause_analysis	TEXT		归因分析
pdf_path	VARCHAR(255)		PDF 路径
created_at	DATETIME		创建时间

（7）建议表（recommendation_teacher）记录提分建议信息，包括建议ID、学生ID、教师ID、报告ID、建议类型、内容、优先级、是否完成、创建时间、完成时间。建议ID为主键，学生ID为外键关联学生表，教师ID为外键关联用户表，报告ID为外键关联评估报告表。建议表结构如表4.7所示。

表4.7 建议表（recommendation_teacher）

字段名	类型	约束	说明
id	INTEGER	主键，自增	建议 ID
student_id	INTEGER	外键，非空	学生 ID
teacher_id	INTEGER	外键，非空	教师 ID
report_id	INTEGER	外键	报告 ID
rec_type	VARCHAR(50)		建议类型
content	TEXT		内容
priority	INTEGER		优先级
is_completed	BOOLEAN	默认 FALSE	是否完成
created_at	DATETIME		创建时间
completed_at	DATETIME		完成时间

（8）系统配置表（system_config_teacher）记录系统配置信息，包括配置ID、配置键、配置值、配置类型、描述、创建时间、更新时间。配置ID为主键，配置键为唯一字段。系统配置表结构如表4.8所示。

表4.8 系统配置表（system_config_teacher）

字段名	类型	约束	说明
id	INTEGER	主键，自增	配置 ID
config_key	VARCHAR(100)	唯一，非空	配置键
config_value	TEXT		配置值
config_type	VARCHAR(20)		配置类型
description	TEXT		描述
created_at	DATETIME		创建时间
updated_at	DATETIME		更新时间

（9）系统日志表（system_log_teacher）记录系统操作日志，包括日志ID、用户ID、操作名称、模块名称、详细信息、IP地址、状态、创建时间。日志ID为主键，用户ID为外键关联用户表。系统日志表结构如表4.9所示。

表4.9 系统日志表（system_log_teacher）

字段名	类型	约束	说明
id	INTEGER	主键，自增	日志 ID
user_id	INTEGER	外键	用户 ID
action	VARCHAR(100)		操作名称
module	VARCHAR(50)		模块名称
details	TEXT		详细信息
ip_address	VARCHAR(50)		IP 地址
status	VARCHAR(20)		状态
created_at	DATETIME		创建时间

1. 系统开发与实现

5.1 开发环境

本系统采用B/S架构进行开发，后端基于Flask框架，前端采用Bootstrap框架，数据库选用SQLite，AI能力通过调用DeepSeek API实现。开发环境配置如表5.1所示。

表5.1 系统开发环境

硬件环境	软件环境
CPU：Intel Core i5-1135G7	操作系统：Windows 11 / Ubuntu 20.04
内存：16GB	数据库：SQLite 3.36
硬盘：512GB SSD	Python 版本：3.9
—	Web 服务器：Flask 内置开发服务器
—	浏览器：Chrome 120 / Firefox 120
—	开发环境：VS Code 1.85
—	第三方库：Flask 3.0、SQLAlchemy 2.0、Pandas 2.0

5.2 主要功能实现

5.2.1 数据上传与解析模块实现

数据上传与解析模块实现了Excel文件的批量导入功能，支持教师将学生答题数据快速录入系统。该模块采用Pandas库读取Excel文件，通过DataFrame结构进行数据处理，提取题目ID、题型、难度、是否正确、答题时长、修改次数、求助次数等字段。数据处理过程中包含数据清洗与格式校验，确保入库数据的完整性与一致性。

数据分层采集功能是该模块的特色之一。系统根据学生年级与基础水平确定数据采集的聚焦点，高一学生侧重基础概念理解类数据，高二学生侧重综合运用类数据，高三学生侧重应试能力与时间管理类数据。对于基础水平薄弱的学生，优先关注简单题与基础题的数据；对于基础水平优秀的学生，则侧重难题与综合题的数据。分层采集后的数据被打上优先级标签，便于后续评估时进行差异化处理。

数据上传模块实现后，教师可在上传页面选择学生、填写年级与基础水平，上传Excel文件，系统将解析结果存入数据库。图5.1展示了数据上传功能运行效果，页面左侧为上传表单，右侧为文件格式说明，界面简洁明了。

图5-1 数据上传图

5.2.2 AI评估核心模块实现

AI评估核心模块是本系统的关键功能，负责调用DeepSeek大语言模型对学生答题数据进行智能分析。该模块通过DeepSeekService服务类封装API调用逻辑，主要包括提示词构建、API请求发送、响应解析三个环节。

提示词构建是影响评估质量的关键。系统设计了两层提示词结构：系统提示词定义模型角色为教育评估专家，明确输出格式为JSON结构，规定知识掌握维度包含知识点掌握率、难度适配度、题型正确率等字段，答题行为维度包含答题效率、自主解题能力、状态稳定性等字段；用户提示词包含学生姓名、年级、基础水平、学习目标及答题记录数据，通过JSON格式组织后传递给模型。

API请求发送采用requests库发起HTTP POST请求，请求头包含API密钥认证信息，请求体包含模型名称、消息列表、温度参数等配置。考虑到评估过程可能需要较长时间，请求超时时间设置为60秒。响应解析环节处理模型返回的文本内容，由于模型可能返回非严格JSON格式的内容，系统通过正则表达式提取JSON片段后进行解析，确保评估结果的可用性。

评估完成后，系统将分析结果存入评估报告表，包括知识点掌握率、难度适配度、题型正确率、答题效率、自主解题能力、稳定性评分、深度归因分析等字段。图5.2展示了AI评估功能运行效果（注：AI评估界面），教师选择学生与学习目标后点击开始评估，系统显示评估进度提示，评估完成后自动跳转到报告详情页。

图5-2 ai评估图

5.2.3个性化报告生成模块实现

个性化报告生成模块负责将评估结果以可视化形式呈现给教师，并支持PDF格式下载。报告展示采用HTML页面形式，通过Bootstrap卡片组件组织内容，将学生基本信息、知识掌握维度分析、答题行为特征分析、深度归因分析、提分建议等内容分块展示，信息层次清晰。

知识掌握维度分析包含知识点掌握率、难度适配度、题型正确率三个子模块。知识点掌握率通过进度条或百分比数值展示，根据掌握率高低动态调整进度条颜色；难度适配度通过进度条展示简单、中等、困难三类题目的正确率；题型正确率通过表格展示选择题、填空题、解答题的准确情况。答题行为特征分析包含答题效率、自主解题能力、状态稳定性三个子模块，通过列表与评分形式呈现。

PDF报告生成采用ReportLab库实现。ReportLab是Python生态中功能完善的PDF生成工具，支持文本、表格、图像、图表等元素的灵活布局。系统定义报告生成服务ReportService，包含PDF文档创建、样式定义、内容构建等功能。考虑到中文显示问题，系统尝试注册系统中的中文字体，若未找到中文字体则使用默认字体。报告内容与HTML展示保持一致，包含学生信息、评估分析、归因分析、提分建议等部分，生成后保存到服务器指定目录，并提供下载链接。

图5-3 报告下载图

报告定制输出功能根据学段与学习偏好适配内容形式。系统通过学生年级信息判断学段，对小学阶段采用更形象的表述，对高中阶段采用更专业的术语；通过评估报告中的学习目标字段调整分析重点，单元复习侧重知识掌握，考前模拟侧重稳定性。图5.3展示了评估报告详情页运行效果（注：报告详情页），页面包含学生基本信息卡片、知识掌握分析卡片、行为特征分析卡片、归因分析卡片、提分建议卡片，布局清晰、信息完整。

图5-4 提分建议图

5.2.4 管理员后台管理模块实现

管理员后台管理模块实现用户管理、知识点管理、配置管理、日志管理、系统状态监控等功能。用户管理支持对系统用户进行启用、禁用、删除操作，管理员可查看所有用户的注册信息与当前状态。知识点管理支持知识点的添加与删除，维护知识点名称、学科、适用年级、难度、分类等信息，为题目与知识点的关联提供基础数据。

图5-5 数据管理图

配置管理模块实现评估权重策略与数据采集规则的配置维护。权重策略配置包括单元复习、考前模拟、日常练习三种学习目标下的知识权重、行为权重、稳定性权重分配；数据采集规则配置包括不同年级与基础水平下的数据聚焦策略。配置信息以JSON格式存储在系统配置表中，评估时动态读取配置进行指标加权。

图5-6 配置管理图

系统状态监控模块提供运行概况展示，包括用户总数、教师数、学生数、题目数、知识点数等统计信息，以及最近错误日志列表，便于管理员及时发现系统异常。图5.4展示了管理员后台运行效果（注：管理员后台界面），包含统计卡片、最近日志列表等组件。

图5-6 系统监控图