研究问题

AI 学习系统经常声称“个性化推荐可以提升学习”，但真实学习数据往往来自观察性环境。学生是否接受推荐，可能与原有能力、学习动机和平台行为有关。因此关键问题是：在非随机数据中，如何更严谨地估计推荐对学习结果的因果影响？

方法路径

项目构建了一个观察性因果推断管线，包含 propensity score modeling、inverse probability weighting、trimming 和 causal forests。这样的设计尝试在真实行为日志中控制选择偏差，并进一步观察异质性处理效应。

主要洞察

  • 整体平均效果呈现温和正向影响。
  • 低表现学生获得的收益更明显，说明推荐系统可能更适合作为补偿性支持。
  • 因果森林帮助项目从“是否有效”走向“对谁更有效”。
对教育 AI 来说，真正重要的问题不是“模型看起来聪明”，而是它是否在真实学习路径中改善了可衡量的学生结果。

与 InGenius 的连接

InGenius 后续如果构建 AI 学习画像和动态反馈系统，也需要类似的评估框架。系统推荐、导师建议和学习路径调整，都应该接受“是否真的帮助学生成长”的证据检验。