利用AI工具进行期末复习的方法论研究

前言

这几天基本上都在忙于复习啊，都没空维护项目了，不过在最近期末复习的过程当中倒是有了新的收获——这篇探究。

这篇研究目前是建立在纯理论的形式化推导上，还没有做实证研究，不过这就等待我的期末考试结束了hh，后续这类“AI工具的教程”估计会出月刊，作为我长期探究的一个主题。

起因

起因1：当时我正在利用AI工具进行期末复习，然后旁边一位佬站出来发话了——数字逻辑的知识点繁多又杂，不太适合用AI来复习。这句话启发了我。

起因2：我让DeepSeek生成了一个数字逻辑期末的复习提纲，看了一下，发现和课本的目录结构差不多。然后我就想到：学科知识本身有哪些东西，AI是非常懂的——即使没有任何上下文。

由此我开始思考：AI工具真的不能用来进行期末复习吗？有没有什么办法能改善AI回复的质量，让它更符合”我们这里”的具体情况呢？

直觉上的答案是：注入特定的上下文。这个上下文带有本地的特定信息，从而可以改变模型回复时的信息权重。

虽然我觉得这个直觉应当已经非常正确了，不过我决定还是使用更加严谨的方法来研究一下这个问题，于是引入了接下来的形式化分析。

命中率分析：没有上下文时，AI能猜到多少？

衡量AI回复对于考试的有用程度，关键是看AI回复的内容里，到底有多少是我们期末考试所需要的，通俗点来说，就是AI回复的重点有多少真的是重点，因此我们引入了一个命中率的概念。

把”AI生成的复习重点”与”实际考试内容”的重合程度定义为命中率，可以在三个粒度上分别讨论：

粒度	命中率（大致估测）	原因
学科知识框架	~70-85%	核心知识点在全球范围内高度一致，AI训练语料覆盖充分
考试重点	~40-60%	取决于老师的授课侧重、课时安排、题型偏好
具体考点/题型	~20-30%	高度依赖老师的个人出题习惯，不在AI的训练数据里

换句话说，AI擅长的其实是告诉你”这门课的知识全景图长什么样”，而不是告诉你”你们老师会考什么”。前者的命中率可以到八成，后者可能不到一半。

那么如何提升AI回复的效果呢？就是前文所述的——注入特定的上下文

注入真题后的效果

注：这里的数据来自我的数字逻辑期末复习时的实践估计

加入真题卷（2-3套）之后，情况会有质的提升：

粒度	无上下文	+ 真题卷
知识框架	~70-85%	~90%+（能精确裁剪到实际授课范围）
考试重点	~40-60%	~70-85%
具体考点/题型	~20-30%	~50-70%

真题卷本质上是老师出题偏好的直接样本，信息密度极高：考什么章节、怎么考、分值分布、难度锚定——一两张卷子就能体现出来。AI可以快速从中归纳模式，而这正是AI模式识别能力最能发挥的场景。

那么有了真题，AI的回复命中率是不是就可以达到100%了呢？

不，并不。实际上AI回复的命中率是有天花板的，原因在于：老师会轮换考点、课程改革导致老卷失效、本学期新增的内容不会出现在历史真题中，以及老师的”反套路”心理。

形式化分析

正式开始使用形式化方法来分析这个问题

在我们的研究里，看的是特定上下文对回复命中率的提升，于是我们考虑使用贝叶斯定理来刻画，逻辑会更清晰

设定：

$\boldsymbol{\theta}$ ：老师的”出题参数”（对各知识点的偏好、题型偏好、难度偏好）
$E$ ：今年的实际试卷（随机变量）
$D = \{d_1, \dots, d_m\}$ ：已知的 $m$ 套真题
$\mathcal{C}$ ：AI的通用课程知识（训练语料）

AI的预测任务是估计 $P(E \mid \mathcal{C}, D)$ ：

P(\boldsymbol{\theta} \mid \mathcal{C}, D) \propto \underbrace{P(D \mid \boldsymbol{\theta})}_{\text{真题的似然}} \cdot \underbrace{P(\boldsymbol{\theta} \mid \mathcal{C})}_{\text{先验（通用知识）}}

这个框架可以干净地解释前面所有的定性结论：

场景	形式化对应	效果
无上下文	仅用先验 $P(\boldsymbol{\theta} \mid \mathcal{C})$ ，方差大	预测趋向”平均老师”
加入真题	后验 $P(\boldsymbol{\theta} \mid \mathcal{C}, D)$ 收缩	向该老师的真实 $\boldsymbol{\theta}^*$ 靠拢
真题越多	后验方差 $\sim O(1/m)$ 衰减	持续改善，但边际递减
课程越标准	先验本身集中（低方差）	即使无真题，命中率也不低
老师越”个性化”	先验与真实 $\boldsymbol{\theta}^*$ 偏离大	没真题时命中率低，有真题时提升幅度大

对之前的直觉有了不错的解释以后我们来进一步考虑命中率天花板到底在哪

根据信息论的观点，即使完全知道老师的偏好 $\boldsymbol{\theta}^*$ ，出题仍有随机性（今年换个考点）。这部分不确定性 $H(E \mid \boldsymbol{\theta}^*)> 0$ 是不可压缩的——连老师自己考前都没完全决定每道题。

基于这样的分析，足够我们引出结论了

AI的角色：加工器，而非信息源

从上面的框架可以直接推出AI在复习场景中的正确定位：

AI是加工器，不是信息源。

我认为这可能是很多人在利用AI复习的时候都会犯的病：要学习一个知识点A，然后就直接和AI说：给我详细的讲解一下A这个知识点……（或者也可能是一堆其他的prompts）

在我们的研究里，AI的先验 $P(\boldsymbol{\theta} \mid \mathcal{C})$ 是模糊的，真正有价值的信号在学生手里：课件、作业、真题、课堂笔记。学生的比较劣势不在于缺少信息，而在于缺少高效处理信息的能力——从散乱材料中提取结构、识别模式、建立关联。这恰好是AI的比较优势。

所以分工应该是：学生负责喂数据（提供 $D$ ），AI负责算后验（输出 $P(E \mid \mathcal{C}, D)$ ）。

让AI凭空输出重点，就是在用一个高方差的先验去赌，效率很低。

方法论：四个阶段

注：这个方法论应该只是alpha版本的，毕竟我还没有充足的实证基础

第一阶段：建图

输入： 教学大纲 / 目录 / 课件标题

让AI生成课程知识结构图——章节、知识点、知识点之间的依赖关系。

这一步AI的先验就够用了，因为知识本身的逻辑结构是客观的、标准化的。这给后续复习提供了一个坐标系。

第二阶段：标注权重

输入： 真题卷（2-3套）+ 作业题 + 课件

让AI做的事：统计各知识点在真题中的出现频次和分值分布，识别题型模式，标注课件中老师重点展开 vs. 一笔带过的部分，将结果映射回知识地图上。

这就是贝叶斯更新的过程。AI把散落在不同材料中的信号汇聚成一张带权重的知识地图。

第三阶段：填充

输入： 上一步标注出的高权重知识点中你不会的那些

让AI逐一讲透：解释概念、推导过程、针对具体困惑做Q&A、生成同一考点的变式练习题。

注意方向是你指定知识点，AI负责讲透，不是让AI告诉你该学什么。主动权在你手里。

第四阶段：检验

输入： 第二阶段的权重分布 + 题型模式

让AI按照真实考试的题型分布和难度生成模拟卷，批改作答，根据错误模式动态调整下一轮的复习优先级。

这形成一个迭代收敛的闭环，而不是线性地从头看到尾。

关键原则：不要跳过第二阶段

最常见的错误用法是直接跳到第三阶段——拿着AI问”给我讲讲傅里叶变换”。这本质上是把AI当成视频网课的替代品，没有利用到它的核心优势。

第二阶段才是AI在复习场景中的不可替代价值：把老师的出题偏好从原始数据中提取出来，转化为可执行的复习策略。没有这一步，后面所有的学习都是无权重的——你不知道该在哪里花更多时间。

用信息论的话说：第二阶段消除的是 $I(E;\,D \mid \mathcal{C})$ 这部分不确定性，恰好是AI单靠自身知识无法提供、但拿到数据后又特别擅长提取的部分。

速成的要义是在高密度和高价值的信息流中极其专注地进行吸收和建模