学期结束，又是一次复盘总结的好时机。不同的是，这次我们借助了AI工具。第一阶段针对物理、化学和地理三门副科，过程如下：
1、输入某学科试卷与答题卡的照片，指定它为该学科的北京高考专家，请分析该学生该学科的学习情况、存在的问题，并给出提升建议；
2、再让它基于多个学科的整体情况，分析、总结一下该学生在基础、能力、学习力、学习方法等方面的哪些特点？
3、然后基于补课效果不明显、新旧知识交叠、日常训练执行不够到位等问题，让它给出打破负循环困境、逐步形成正循环的方案；
4、由于第三步给出的方案还是比较理论、笼统，所以进一步要求它给出一份更可行、更务实的提升改善计划，以及每日打卡计划表。
跟大宝一起阅读AI反馈的结果，引出一个话题：日常训练执行的质量如何提升？
继续跟AI互动——
1、首先构建一个模型：日常任务的完成度有多少比例？完成的部分用心的有多少比例？用心的程度按照非常用心和一般用心划分，比例如何？
2、由大宝自己估算数值并填进这个模型；
3、让AI分析背后的可能原因，并给出提升执行度、尤其是执行质量的改善建议与方案。
我们爷儿俩对最终的这个反馈都表示认可，约定了下次一起围绕着改善建议与方案做具体的执行计划。
整体上来看，目前的AI工具配合教育的优劣势非常明显：
【优势】
在通用领域的知识梳理、信息收集与问题分析能力突出，例如对学科基础知识点、通用学习方法、宏观的教育问题的解析确实质量上乘，能高效地整合碎片化信息，提效明显；
结构化拆解问题、汇总核心内容的能力极强，可将经典的解决问题方法论、学科解题逻辑快速转化为条理清晰的解决方案和执行框架，大幅地降低了思考的门槛；
具备高效的个性化内容适配潜力，能根据每个人不同的答题情况，分析出学习的情况（知识点掌握情况、应用能力、知识的关联、综合解题能力等），并能够快速生成定制化的学习规划。
【劣势】
对教育具象化、个性化场景的理解能力不足，无法精准识别答题卡、作业中的个性化错误，易基于通用数据做片面分析，部分结论跟实际情况不一致，会降低用户的信任度；
仅能完成 “问题诊断 - 方案输出” 的前端诊断环节，对方案落地的全流程缺乏闭环能力，无法跟进学习执行中的动态问题，也不能提供针对性的落地调整策略，而落地难正是家长的核心痛点；
缺乏教育场景的人文感知与情感交互能力，无法精准捕捉孩子的学习情绪、学习习惯等非知识维度的问题，给出的建议多偏理性化、工具化，难以适配教育中的情感诉求与心理特点。
很有趣，继续探索！
