单人三层因果诊断

录入一名学生的五个计算思维维度得分（或由 15 题量表自动聚合），当前使用模拟模型，仅用于教学联调。系统给出模型预测、反事实模拟、归因说明与教师报告；数值不能视作真实学习收益。

此处录入评分只用于分析，不修改已提交前测或学生练习。实际题单统一在教师后台的干预推题中管理。

数据录入

模拟预测值（参考模型输出，并非考试成绩）
– 分
设置左侧五维得分后点击「开始诊断」
LAYER 2

双维度诊断：SHAP 归因 × 个体化因果效应

优先干预：模型认为重要且干预收益高 仅观察：重要但单独干预无效，追溯根因 潜在有效：模型未识别但可作备选 无需关注：接近满分或双低
LAYER 2

四象限诊断散点

横轴 |SHAP| 模型归因重要性，纵轴个体化因果效应（分），虚线为自适应阈值
LAYER 1

反事实分析（固定其他维度，单维变化）

以下为模型假设模拟，仅展示维度变化时预测如何改变，不代表真实学习收益。实际推题由教师后台依据首次前测客观错题、考点映射和跨周覆盖规则决定。

教师诊断报告

模板强制填充，数字全部来自算法输出（100% 保真）

批量诊断与分组

默认同步学生在线提交的测验和量表，自动更新研究诊断。当前模型仍基于模拟数据；分析分组不用于实验分组或实际题单分发。

进入本页后读取在线数据；停留期间每15秒检查一次。完整量表优先，缺少时明确标注选择卷换算。

点击开始可立即读取当前班级的最新提交并诊断；自动更新开启时也会自动执行。结果包括五维评分、模拟预测值、优先维度、分析分组和可导出的汇总表，点击“查看详情”查看完整图表与解释，也可下载全班完整报告。模拟预测值不是考试成绩，可能超出百分制范围。正式练习请到教师后台按首次前测生成、分发。

暂无诊断结果。学生提交后会自动同步；也可以切换到文件上传。

三层因果可解释诊断 · 方法说明

本页面说明诊断引擎的结构、因果假设、四分类规则与保真机制，并如实标注网页演示版与科研版（Python / 桌面 exe）的实现差异。

五个计算思维维度与因果 DAG

抽象模式识别 分解问题分解 算法设计步骤设计 建模符号化 评估调试

后门调整沿 DAG 控制父节点混杂：抽象 → 分解、抽象 → 算法设计、算法设计 → 建模、算法设计 → 评估。估计某维度因果效应时，以其父维度作为协变量，剔除上游能力带来的混杂。

维度（全称）量表题项因果父节点（后门调整协变量）
抽象 · 模式识别与抽象A4–A6无（DAG 根节点）
分解 · 问题分解A1–A3抽象
算法设计 · 算法与步骤设计A9–A10抽象
建模 · 数学建模与符号化A7–A8算法设计
评估 · 方案评估与调试A11–A15算法设计

群体因果效应、SHAP 与两条自适应阈值均由后端在参考模型上实时估计，每次诊断随结果返回，前端不写死任何数值。

LAYER 1

反事实分析 CFE

固定其他维度，把单一维度依次设为 1–5，观察模型预测作业质量的变化，给出「若提至满分」增益最大的维度。属模型假设模拟，不等于真实因果。

LAYER 2

SHAP × 因果效应双维度

SHAP 衡量「模型认为该维度对这个学生有多重要」；群体因果效应 × 个体提升空间 headroom=max(0,5−得分) 得到个体化模拟变化。两者按自适应阈值划成四象限。

LAYER 3

ITE 个体处理效应

需前后测准实验数据（实验组 / 对照组），用 X-Learner / T-Learner 估计「对这名学生干预是否有效」。本网页版不涉及，科研版 Python 引擎支持。

四分类决策规则（含 headroom 个体化调制）

条件分类含义与动作
|SHAP| 高 且 个体化效应高优先干预立即安排该维度专项训练，给出模型模拟变化
|SHAP| 高 但 个体化效应低仅观察模型未支持单独干预；沿 DAG 追溯薄弱父维度（父维度 <3 分），先练根因
|SHAP| 低 但 个体化效应高潜在有效模型未突出但干预可能有效，作为二级备选
双低，或 headroom < 0.5无需关注接近满分（≥4.5）提升空间不足半格，或当前表现正常
当前数值由模型系数与提升空间组合形成模拟评分，用于教学联调，不能视为已验证的个人干预收益。实际题单还受首次前测客观门槛、考点映射和个人已发题记录约束。

保真机制与网页版边界

前后端分工：本页面采集评分、调用接口并展示模型分析；诊断由教师服务器上的 FastAPI 后端实时计算。访问设备与服务器之间通过网络传输数据，访问范围取决于部署方式。本页分析不修改已提交前测或学生题单；分配记录统一由教师后台管理。

三层约束保真：① 报告中所有得分 / SHAP / 因果效应 / 分类 / 建议文字直接取自后端算法输出，前端不改写；② 大模型在科研版中仅做语言润色，不得改动任何数字与分类；③ 自动保真度校验，不通过即回退模板。本前端不接入大模型，展示的是 100% 模板保真结果。

启动后端：在项目目录执行 python -m uvicorn backend:app --host 127.0.0.1 --port 8000，再通过 http://localhost:8000/ 访问本页面（同源调用接口）。正式实验 / 论文请改为在真实前测数据上训练模型（后端 train_on_data）。

本报告基于可解释 AI 分析，仅供参考，不构成教育决策的唯一依据。