通过神经符号多模态推理实现可靠的课堂人工智能

本文主张课堂 AI 需超越原始预测精度，提供可验证证据与校准不确定性。作者提出 NSCR 神经符号框架，将课堂分析分解为感知基础、符号抽象、可执行推理及治理四层。该框架利用符号事实提取与可验证代码生成技术，将多模态数据转化为类型化事实，并通过可执行规则进行组合推理。此外，论文构建了包含五项任务的基准测试与评估协议，并定义了以弃权、校准及鲁棒性为核心的可靠性指标，旨在支持更具解释性与教学根基的多模态 AI。