建議

1，找附近輔導機構，先試試課，感覺好就接著上，不好就免，乾脆利落。

2，找一些網校，也要試課，找找感覺，一要學生喜歡，二要教師水平要高，講解清晰易懂，效率高。

3，找親戚中做數學老師的，教學能力強的，規避有償家教風險，孩子去上課，家長帶些禮物過去，別人也管不著。

4，其他辦法，讓孩子多找老師問問題等，不多贅述。光明正大找當班數學老師肯定不行。

個人建議有以下幾方面:

一是首先找到孩子的不足，是哪方面比較差一些，這樣更有針對性的去彌補，

第二適當給孩子買一些練習試卷，讓孩子去做做，找出容易出錯的部分。

第三建議在附近打聽一些輔導班，口碑比較好的建議去聽聽。

第四在網上找找相關孩子弱一點的試題部分找一對一的網校老師來講解。

最後一點，也是最重要一點，要變孩子的被動學習為主動學習，這是我親身的總結，數學一定要孩子每天預習，就是提前一天看成我絕對一天老師這才叫的內容，這樣第二天他不會的才會主動去問，這種主動學習方法對數學有相當大的提高。

傳統輔導班，分大班中班或“一對一”輔導，大班中班很難做到真正的“一對一”教育。而“一對一”教育相對收費較高。

教育改變未來，科技改變教育。現在AI人工智慧+教育已經可以實現“一對一”教學

。

AI人工智慧評測教育

以腦科學、學習科學、認知科學、中小學課程標準的奈米級知識體系為基礎，以貝葉斯網路演算法為核心，精準定位薄弱知識，精確推送最佳學習路徑，為教師助力，為學生增效，為家長解憂，讓每個中小學生都有一個合適的智慧個性化學習指導專家。

精準定位:

我們會先對學生做一個拆分到“奈米級”的知識點的全面掃描，比如學生對連詞的理解有問題，我們會具象到他是對定語從句中的連詞不理解。人工智慧教學建立在大資料和機器演算法上，我們的系統已經把各地中考所有的知識點考點進行拆分和奈米級細化，相當於系統裡已經有了一張很大的知識網，學生進入到我們的系統學習的時候，我們的智慧系統透過知識點掃描能很快速的找到孩子薄弱的知識點，系統就像一個大腦透視儀一樣，但凡發現薄弱點馬上暴露出來，並且記錄相關的資料，為孩子的學習路徑規劃以及老師後期的教學做好資料記錄。因為中考中各科的知識點奈米級細分後將近有一千多個小點，各個知識點之間的關係錯綜複雜，孩子很難記住各個知識點，更難記住1000多個知識點的關聯性以及到底出現哪些細微的點上出現了問題，但我們透過機器演算法能很快速的分析和定位出來孩子的薄弱知識點，孩子的問題明確化後，咱們學起來才會事半功倍。媽媽，您不知道您有沒過這樣的體驗，很多家長給孩子補課的時候，老師會詢問家長孩子哪裡不好，到底想補什麼，可能家長會告訴老師，我們家孩子的閱讀不好、作文不好，閱讀裡面分記敘文議論文說明文，說明文分為說明內容說明方法，說明順序，說明方法裡還有舉例子列數字打比方等等，究竟孩子在哪個小點出現了問題？我們不得而知，其實作為老師來說，如果家長給的是一個非常寬泛的方向，補習的時候就很尷尬了，意味著我要把很多大的板塊從頭到尾給孩子學一遍，但孩子的時間和注意力都是有限的，而且有的知識點是會的根本不需要學，如果不明確飛昂想就去補習是非常恐怖的，因為我會把所有點的讓你都學一遍。就像咱們去醫院看病，一個小小的感冒都分為清感冒，重感冒，流行感冒，病毒性感冒等等，可能有的感冒喝點開水就好了，有的感冒需要吃藥掛水，有的甚至需要住院，所以去醫院我們需要做專業的檢查，確定了具體的病因之後才能對症下藥，但是如果你只知道自己是感冒，沒有確定具體原因就一直喝開水，很顯然是不行的。

個性化學習路徑推薦

我們會給學生設計一個個性化的學習路徑。比如50分的孩子，可能他到學期末也學不完所有的知識點，因為他不可能考到100分。那麼我們就會給他設定一個從50分考到70分的路徑，並且同樣是50分的孩子每個人的路徑也可能完全不同。我們透過人工智慧的大資料和計算法定位出孩子的知識點漏洞之後，我們就明確了孩子學習的方向。孩子究竟缺在什麼地方，我們就補什麼地方，而且每個知識薄弱點他的薄弱程度都是不一樣的，所以我們在規劃學習路徑的時候也不一樣。第一，我們會把孩子的薄弱知識點進行量化分級，比如說某個知識點孩子掌握率只有百分之三十，那麼可能這個時候我們給他推送的是一些基礎性的知識點學習，如果他的知識點掌握程度達到了百分之九十，可能就不需要給他推送特別基礎的內容了，給到他的就是拓展拔高。那如果孩子的知識點已經完全掌握了，那這個知識點我就不需要重複性的去講解，透過知識點的量化分級，我們能最大化的匹配適應的學習內容。第二，知識點的差異化學習，因為每個學生對於知識點的吸收程度個時間都是不一樣的。在我們的系統中，同一個知識點，最快的孩子可能只需要30秒就能完成，但最慢的孩子可能需要3600秒，但是在傳統的可課堂中，不管是什麼樣的孩子，都是一節課45分鐘線性的去學習，對於一個學習速度快的孩子來說，這是很痛苦的，因為10分鐘就能學完，剩下的30分鐘是在煎熬，效率大打折扣；對於一個速度慢的孩子來說也很痛苦，可能一節課結束還沒聽懂，老師就講下一個知識點了。但在我們的系統透過資料和機器演算法會去測算不同孩子的學習速度，不同孩子對於同一個知識點的吸收程度是什麼樣子的，甚至會去透過分析這個孩子到底是幾何思維是代數思維，還是是函式思維，找到孩子的學習偏好，我們就能取長補短，因地制宜的規劃更個性化的學習路徑。

追根溯源

中考中，各個科目它知識點之間的內在聯絡是非常緊密的，不同知識點之間的關聯性也是錯綜複雜。很多孩子當下某個知識點的缺失，可能是因為前面某個知識點的學習不到位，導致了現在沒有完全掌握。舉個例子，九年級數學中有一個知識點二次函式，有些同學說二次函式不會，可能老師給就給他拼命的補二次函式的性質，影象等等的內容，但是發現有部分同學學了一段時間二次函式後，這個知識點還是不會。其實原因很簡單，因為二次函式跟八年級的一次函式，跟七年級的代數式都是有聯絡的，可能這個學生二次函式不會，有百分之三十是落在了九年級二次函式這個知識點，有百分之四十是落在了八年級的一次函式，還有百分之三十的是落在了初一的代數式。如果沒有把錯誤知識點之間的關聯性找到，沒有把錯因進行追根溯源式的分析，很難全面的找到孩子的問題所在，補習的時候聚很難上的去。這就好比是咱們蓋房子，比如一棟房子在出現建築問題的時候，還沒找到問題所在，你拼命的去把它樓頂的牆磚進行加固，但是沒有發現樓層的中間牆體有破裂，包括地基部分也有傾斜，一味的補頂層是沒有意義的，販子最終還是會倒對嘛？所以在我們人工智慧的系統中，會先透過大資料和機器演算法找到孩子的問題所在，追根溯源地把所有關聯的知識點都找到，從易到難，先幫他把初一那百分之三十的薄弱點補齊，然後再幫他把初二那百分之四十的知識點補足，最後再把初三那百分之三十的知識點再幫全部夯實，那麼經過逐步遞增的體系化學習之後，孩子的薄弱點會學的更快更全面。這是咱們人工智慧教學的一個特點——知識點的追根溯源學習，但凡一個知識點存在前序後延性的關係，我們在幫孩子分析的時候，會分析各個知識點之間的關聯性，因為不同孩

戰略放棄。傳統的授課，老師所有的知識點都要講到。但我們如果測試到學生的文言文比較差，但他學習文言文的時間需要特別長，可能每學10小時，只能提高1.5分。而考試時間僅剩2個月，系統就會讓學生暫時放棄文言文學習。這就好像AlphaGo一樣，在某塊區域它不跟李世石糾纏。李世石高興地吃了幾個子，最後發現失去了整個江山。第五步，追根溯源。一個知識點可能有30多個前序知識點，比如人稱代詞沒學會，形容詞性、名詞性物主代詞也一定學不會。不同知識點之間幾百萬種關聯，在傳統教育中很難梳理清楚並且應用。