修正根因，而不是症狀的學習方式
大多數自適應工具只會把錯過的主題講得更簡單，然後再出一次。Mathos 會研究錯誤背後的模式，補上缺失的先備知識，並把學習者帶回前沿。
原則
教育不是學習事實，而是訓練心智去思考。
這如何驅動 Mathos
這就是整個引擎的宗旨。Mathos 從不只是把一個事實反覆塞給你——它會讀取錯誤答案所暴露的推理，重建其下方的概念，再把你帶回前沿，讓你能思考下一步。事實只是隨之而來。訓練過的心智才是重點。
親自試試看
一個錯誤答案，讀出它的原因。
兩位學生因為完全相反的原因錯了同一題。選一個答案，看看 Mathos 會怎麼處理。
3(x − 2) = 2x + 4
請先在左側選一個答案。看同一個錯誤答案如何變成診斷，而不只是紅色標記。
現在看它自己運作。
同樣的邏輯，自主運行：一位模擬學生在真實的微積分序列上學習，而路線會隨著證據改變。
Mathos / 自適應學習
即時學習者模型
四幕學習弧線
看一個答案如何揭示下一個最佳課程。
這個序列反應的是意義，而不只是對錯——這正是它看起來像真的懂的原因。
- 01
場景 01
同一種模式浮現
不同題目揭示出同一個底層缺口。
- 02
場景 02
找出原因
錯誤答案變成診斷證據，而不只是扣分。
- 03
場景 03
路線更新
下一步轉向能解釋這些失誤的先備知識。
- 04
場景 04
學習者更強地回來
一旦根本技能修補完成，更進階的主題就重新可達。
驅動這種行為的五段式循環
先看過實際行為，再來看解釋：下方每一層，都是同一個錯誤反覆出現時，路線為何改變的一個原因。
- 01
概念圖譜
一張 8 節點的先備知識地圖：從極限到相關變化率，哪些必須先學會，哪些才能往下學。
- 02
貝葉斯掌握度
每個概念都有一個掌握度估計，會在每次作答後更新——對幸運猜對與小失誤都很寬容。
- 03
模式信心
每一種被診斷出的錯誤模式，在反覆出現時都會提高信心，因此真正的缺口會蓋過偶發失誤。
- 04
根因路由
當證據夠強時，序列器會覆蓋原本的進度，回到那些失誤背後的先備知識。
- 05
前沿選擇
當不需要修補任何東西時，它會往前推進最弱但已就緒的概念——而且難度會維持在有學習效益的區間。
