文章主要内容与创新点总结一、主要内容本文针对中文K12教育场景下大型语言模型（LLMs）的评估需求，提出了名为EduEval的层级化认知基准。该基准以整合布鲁姆分类法与韦伯知识深度模型的EduAbility分类法为核心框架，将评估任务划分为记忆、理解、应用、推理、创造、伦理六个认知维度，涵盖24种任务类型、超过11000道题目，素材均源自真实考试题目、课堂对话、学生作文及专家设计提示，全面覆盖小学至高中阶段核心学科。研究团队在零样本和少样本设置下对14个主流LLM（包括商业模型与开源模型）进行了评估，发现模型在事实类任务（如公式回忆）中表现优异（部分准确率超90%），但在课堂对话分类等真实场景应用任务中表现薄弱（准确率低于30%），创造性内容生成结果一致性不足；部分开源模型在复杂教育推理任务上优于专有系统，少样本提示在不同认知维度的效果存在差异，需针对特定教育目标定制方案。此外，研究还揭示了模型在学科适应性、认知层级迁移等方面的特点与局限，为教育领域LLM的优化提供了明确方向。二、创新点提出整合性认知框架：构建EduAbility分类法，首次将布鲁姆分类法（认知操作类型）与韦伯知识深度模型（任务深度）相结合，并新增伦理维度，形成六层级认知评估体系，解决了传统框架在教育AI评估中维度单一、缺乏伦理考量的问题。强调教育真实性：突破传统基准依赖标准化选择题的局限，纳入课堂对话分类、学生作文评分、教学设计等真实教育场景任务，所有素材均源自教学实践，评估指标贴合实际教学标准。
