知识卡片：Earthquaker-AI：一种基于检索增强生成与量规评估的小学地震教育框架
一句话结论
Earthquaker-AI 将基于 Lego WeDo2 的机器人模拟与基于检索增强生成（RAG）的对话助手相结合，通过分年级的量规评估实现小学生地震安全知识的渐进式学习，实验显示高准确率与低幻觉率。
事件概述或研究问题
本文提出Earthquaker-AI混合教育框架，旨在增强小学生的地震准备意识和应急行动能力。该框架在获奖STEM项目Earthquaker（使用Lego WeDo2模拟地震响应）的基础上，引入基于RAG的对话AI助手，将学习从机械模拟扩展到认知与元认知加工。
方法/产品要点
- 机器人组件：使用Lego WeDo2自动化模拟地震响应，学生通过传感器和执行器互动，作为防护动作的具象化表征。
- 对话助手：基于RAG，将学生查询与官方指南进行语义匹配，生成安全、准确的回答；同时提供基于量规的语言反馈，支持自我调节学习和紧急情况下的冷静。
- 渐进学习轨迹：
- 低年级：通过多项选择题识别基本安全动作（二维量规评估）。
- 中年级：通过多项选择题识别正确动作序列（三维量规评估）。
- 高年级：转为语言产出，要求简短书面回答（四维量规评估，包括表达清晰度）。
- 评估维度：量规涵盖动作识别、序列排序、语言表达等多个轴。
主要结果或产业意义
实验评估显示高接地性（groundedness）和高准确性，幻觉率低。该框架融合动手操作、信息加工与反思实践，促进技术素养、自我调节以及数字系统的负责任使用，有助于培养早期危机管理技能。
为什么重要
- 将RAG应用于小学安全教育领域，提供了可落地的人工智能教育案例。
- 通过量规设计实现学习进度的差异化评估，适应不同认知发展阶段。
- 与既有相关卡片（DynaKRAG、FormalAnalyticGeo等）不同，本工作聚焦教育应用而非通用RAG或问题生成，是教育技术与AI结合的增量贡献。
局限与不确定性
- 实验规模、具体指标数值（如准确率、幻觉率百分比）及对比基线在材料中未详细给出，需进一步确认。
- 是否在真实课堂环境中长期部署、学生实际学习效果的量化结果待核实。
- 量规的跨文化适用性（例如不同地区地震指南差异）未讨论。
可用于图书/PPT/简报的角度
- 案例展示：如何用机器人+AI教小学生防震。
- 分年级量规设计思路（从选择到表述的递进）。
- RAG在教育场景中降低幻觉、保证安全性的实践方法。
原始材料
- 英文标题：Earthquaker-AI: A Retrieval-Augmented Generation Framework with Rubric-Based Assessment for Primary School Earthquake Education
- 英文关键词：Earthquake Education, Retrieval-Augmented Generation, Rubric-Based Assessment, Primary School, Educational Robotics, Lego WeDo2
- 来源：arXiv:2607.14046v1, DOI: 10.26234/heal.ihu.365, URL: https://arxiv.org/abs/2607.14046v1