孩子错题反复错怎么办？给归因结论装一个反例搜索器

封面

10 月上中旬，各地学校的第一次月考陆续出分，错题集中暴露的窗口又到了。孩子错题反复错怎么办？归因分析能给出「负负得正没吃透」「数与形没连线」这类结论，但新的问题随之而来：这个结论本身可信吗？补漏一周后，凭什么判定「补上了」？靠家长重讲一遍靠不住，靠一次考试运气成分太大。工程上有一个现成的思路可以搬过来——随机属性测试：把待检验的主张写成机器能执行的形式，让它自己去找反例1。下文是一套可直接运行的实现。

一、问题定义：归因结论需要一条验收通路

归因管线的输出通常是一段自然语言结论，比如「学生对负负得正的规则在字母代数式里没有完成迁移」。这段话人能读懂，机器没法执行——它既不能被验证，也不能被复测。

要让归因结论进入验收闭环，第一步是把它翻译成可检验的代数命题。初中代数的错因结论有个天然优势：绝大多数都能还原成「在某某前提下，某某式子的符号/大小关系如何」的形式。比如：

• 学生错误主张：「a<0<b 时，c-a-b 可能是负数」（可检验：在前提下搜索负值实例）；
• 概念缺口主张：「a、b 异号时，a+b 的绝对值比 |a|、|b| 都大」（可检验：采样找反例）；
• 补漏验收命题：「a<0<b 时，c-a-b 一定是正数」（可检验：采样试图击穿，击不穿即存活）。

三种场景共用同一台引擎：给定前提、表达式、期望符号，在采样空间里找反例。找到反例的，定位的是「主张错在哪」；找不到的，支撑的是「补漏是否生效」。

反例搜索器概念示意：程序在试卷卡片中检索反例，红色放大镜标记出被击穿的主张

二、命题建模：一条主张 = 前提 + 表达式 + 期望符号

数据结构刻意保持最小：一条主张就是三个函数加一句给人看的原话描述。

import random
from fractions import Fraction

class Claim:
    """一条可检验的代数主张：premise 成立时，expr 的符号恒为 sign。"""

    def __init__(self, label, premise, expr, sign):
        self.label = label        # 家长和孩子能看懂的原话
        self.premise = premise    # (a, b, c) -> bool
        self.expr = expr          # (a, b, c) -> Fraction
        self.sign = sign          # +1 / -1 / 0

CLAIMS = {
    # 月考第 2 题的正确命题：负负得正，c-a-b 恒为正
    'sign_migration': Claim(
        label='a<0<b 时，c-a-b 一定是正数',
        premise=lambda a, b, c: a < 0 < b,
        expr=lambda a, b, c: c - a - b,
        sign=+1,
    ),
    # 一个典型的学生错误主张：异号相加"绝对值变大"
    'abs_misconception': Claim(
        label='a、b 异号时，a+b 的绝对值比 |a|、|b| 都大',
        premise=lambda a, b, c: a * b < 0,
        expr=lambda a, b, c: abs(a + b) - max(abs(a), abs(b)),
        sign=+1,
    ),
}

表达式统一走 Fraction，是有意为之：初中错题的反例经常卡在分数上——浮点数会丢掉「恰好为 0」这类边界情形，而边界恰恰是反例最爱藏身的地方。

三、反例搜索：分层采样，边界加压

朴素随机采样对「和为 0」「异号抵消」这类结构命中率很低，直接均匀撒点会漏掉大量真反例。实现里做两层处理：采样函数按概率混合整数与真分数，并随机翻转符号；搜索函数额外维护一个边界池，按比例把 0 附近、±1、简单分数这些高危值直接投进采样流。

BOUNDARY_POOL = (
    Fraction(1), Fraction(-1), Fraction(2), Fraction(-2),
    Fraction(1, 2), Fraction(-1, 2), Fraction(3, 2), Fraction(-5, 2),
)

def draw_one(rng):
    """单值采样：三分之一概率取真分数，其余取整数，符号对半翻转，0 直接重抽。"""
    if rng.random() < 1 / 3:
        val = Fraction(rng.randint(1, 9), rng.randint(2, 9))
    else:
        val = Fraction(rng.randint(1, 9))
    return -val if rng.random() < 0.5 else val

def draw_triple(rng):
    """一组 (a, b, c)：按 20% 概率整组走边界池，其余走普通采样。"""
    if rng.random() < 0.2:
        return tuple(rng.choice(BOUNDARY_POOL) for _ in range(3))
    while True:
        trio = (draw_one(rng), draw_one(rng), draw_one(rng))
        if 0 not in trio:
            return trio

def hunt(claim, trials=2000, seed=7):
    """反例搜索：命中返回具体数组与轮次；跑满无命中则报告存活。"""
    rng = random.Random(seed)
    for rnd in range(trials):
        a, b, c = draw_triple(rng)
        if not claim.premise(a, b, c):
            continue
        val = claim.expr(a, b, c)
        actual = (val > 0) - (val < 0)
        if actual != claim.sign:
            return {'verdict': 'refuted', 'round': rnd,
                    'counterexample': (a, b, c), 'value': val}
    return {'verdict': 'survived', 'round': trials, 'counterexample': None}

命中判定只有一行值得注意：actual != claim.sign——把「恰好为 0」单独处理成符号 0，避免它被吞进正负两侧。对初中命题来说，0 恰恰是最有教学价值的反例类型之一。

四、两组演示：一击证伪与两千轮存活

把第二节注册的两条主张分别送进引擎：

for key in ('abs_misconception', 'sign_migration'):
    r = hunt(CLAIMS[key])
    print(key, '->', r)

# abs_misconception -> {'verdict': 'refuted', 'round': 0,
#                      'counterexample': (3, -1, 2), 'value': -2}
# sign_migration    -> {'verdict': 'survived', 'round': 2000,
#                      'counterexample': None}

两条路径，两种辅导含义。

一击证伪。「异号相加绝对值变大」这条典型误解，第 0 轮就被 a=3、b=-1 击穿：|3-1|=2，比 max(3,1)=3 小，差值为 -2。反例的价值在于它是一份给孩子看的一次性证据——不用争论、不用讲道理，代进去算一遍，主张当场作废。孩子此时暴露的不是态度问题，而是绝对值的定义只建立了一半：|a+b| 从来不会超过 |a| 与 |b| 的和，这是三角不等式最朴素的形态。

两千轮存活。正确命题「a<0<b 时 c-a-b 恒为正」跑满 2000 轮无一命中——这正是月考第 2 题 B 选项为错的机器佐证。存活的命题恰好对应归因结论里「负负得正未迁移」的缺口：归因说孩子没吃透，验收命题说正确结论站得住，两者合起来，补漏动作就有了明确靶子——练「字母代数式里写出 -a-b 的符号」这一类，而不是回到题海。

五、接入归因层级：反例类型决定下一个动作

引擎的输出还能再往前走一步：反例本身的形态，携带归因信息。

也就是说，反例搜索不只回答「对不对」，还在回答「错在哪一层」——它与三层归因的层级体系天然对得上：边界反例指向概念核心层，迁移反例指向知识断层层，存活命题对应执行层的验收。

六、边界与诚实话

最后把边界说清楚，三点：

1. 采样验证不是数学证明。2000 轮无反例只说明主张在采样分布下存活，不构成「恒真」的证明。对随机测试的置信度问题，软件工程里有专门讨论：分区与随机测试的通过，并不等价于程序正确2。初中代数命题结构简单，采样覆盖率极高，日常验收够用；含分段讨论的命题（比如含绝对值的条件表达式）则需要按分支结构化采样，纯随机会系统性漏掉稀有分支。
2. 前提写错，一切白费。引擎忠实执行 premise——如果前提漏写了 a≠0 这类条件，反例会从漏掉的缝隙里钻出来，结论看起来「被证伪」其实是我方主张没写全。把错因翻译成命题这一步，值得家长或老师花一分钟复核。
3. 反例是证据，不是终点。拿到反例只是定位了缺口，真正的补漏仍要回到按类练习：归因给方向、验证给证据、练习给收口，三件事各管一段。

常见问题解答（FAQ）

Q1：为什么不直接用 SymPy 符号求解，而要采样？

A：符号求解对「恒成立/恒不成立」给严格答案，但有两个代价：一是表达式稍复杂就需要假设声明（assume a<0），建 设成本高；二是它给的是冷冰冰的真假，给不出「a=3、b=-1 这组数一击致命」的具象反例。对辅导场景，反例的教学价值往往高于判定结论本身——孩子需要一个能亲手代进去的数。

Q2：随机采样的种子固定为 7，结果可复现吗？

A：可复现是有意设计：同一主张、同一种子，在任何机器上跑出同一条反例，家长群里讨论时才有共同事实。追求覆盖广度时可以批量换种子跑多轮，把每轮命中的反例按形态分类统计，正好喂给第五节的归因层级映射。

总结

本文把「孩子错题反复错怎么办」推进到验收层：归因结论翻译成「前提+表达式+期望符号」的命题，分层采样加边界池搜索反例，错误主张一击证伪、正确命题轮次存活，反例形态再映射回归因层级决定辅导动作。带走三件事：其一，归因结论必须能被检验，否则只是又一个「粗心」式标签；其二，反例是给孩子看的最短证据，比讲十遍道理省力；其三，采样无反例不等于证明，含分段结构的命题要按分支补采样。

参考文献

1 Claessen, K., & Hughes, J. (2000). QuickCheck: A Lightweight Tool for Random Testing of Haskell Programs. Proceedings of ICFP 2000, 268-279. DOI:10.1145/351240.351266

2 Hamlet, D., & Taylor, R. (1990). Partition Testing Does Not Inspire Confidence. IEEE Transactions on Software Engineering, 16(12), 1402-1411. DOI:10.1109/32.62450

相关阅读

• 孩子粗心错题多，根因是什么？知识图谱LCA归因实现
• 从 0 搭错题归因小工具：把「孩子同一类题反复错」做成向量聚类