用于动态学习、评分和模块的知识库。
参阅这些资料，了解 AI 评分自学背后的产品循环、主张政策和技术依据。
测量与物质的量
有效数字、单位换算、物质的量与化学式，以及帮您发现计算错误的习惯。
反应与化学计量
配平方程式、限量反应物、溶液浓度、反应类型和氧化还原。
配平化学方程式
怎样配平方程式才不会原地打转？
配平方程式的观察顺序、多原子离子的简便方法、电荷检查，以及代数法备用方案。
限量反应物与产率
哪种反应物会先耗尽？预期能得到多少产物？
如何找出先耗尽的反应物、理论产量、剩余的过量反应物和产率。
摩尔浓度与稀释
怎样配制、稀释已知浓度的溶液并据此计算？
如何配制和稀释溶液，并在反应和滴定中使用浓度。
反应类型与溶解性
怎样判断两种溶液是否会反应，以及净离子方程式是什么？
如何区分沉淀反应、酸碱反应和氧化还原反应，预测沉淀，并写出净离子方程式。
氧化数与氧化还原
怎样找出被氧化的物质并配平氧化还原方程式？
指定氧化数的规则，以及在酸性和碱性条件下用半反应法逐步配平氧化还原方程式。
原子、化学键与命名
电子排布、周期性趋势、路易斯结构、分子形状和化合物命名。
气体、能量与酸
分子间作用力、气体定律、焓、盖斯定律，以及酸、碱和 pH。
原子、光与化学键
同位素、原子光谱、量子数、电负性和轨道杂化。
原子结构与同位素
怎样根据同位素求出元素的原子量？
数清质子、中子和电子，再根据 NIST 数据计算原子量和同位素丰度。
光与原子光谱
怎样求出原子发射的光的波长？
把波长、频率和光子能量联系起来，并根据氢原子的能级预测其发射谱线。
量子数与原子轨道
哪些量子数是允许的？最多能容纳多少个电子？
检验量子数组合，数出任何限制条件下的轨道数和电子数，并找出轨道的节点。
化学键与电负性
怎样判断一个化学键是极性共价键还是离子键？
在共价–离子标度上给化学键定位，估算离子性，并运用晶格能和键能。
杂化与 σ 键和 π 键
怎样求出原子的杂化方式，并数出它的 σ 键和 π 键？
根据电子域确定 sp、sp² 和 sp³ 杂化，并数出真实分子中的 σ 键和 π 键。
溶液、相与热力学
滴定、依数性、相图、熵与自由能，以及核衰变。
滴定与溶液化学计量
怎样从滴定管读数求出样品的浓度或物质的量？
如何标定滴定剂，并在酸碱滴定、氧化还原滴定和返滴定中把滴定管读数转化为物质的量。
依数性
溶质会使溶剂的凝固点、沸点或渗透压改变多少？
溶解的粒子如何降低蒸气压和凝固点、升高沸点并产生渗透压。
相变与相图
相变需要多少热量？在给定的 T 和 P 下哪一相稳定？
如何计算加热曲线各段的热量，运用克劳修斯–克拉佩龙方程，以及读懂相图。
熵与吉布斯自由能
怎样判断一个反应或相变能否自发进行？
如何计算 ΔS° 和 ΔG°，找出过程变为自发的温度，并由 ΔG° 求出 K。
核化学与放射性衰变
怎样写出核衰变方程式，并算出某种同位素还剩多少？
如何配平核反应方程式，由质量亏损计算结合能，并利用半衰期处理衰变和年代测定。
动力学与平衡
速率方程、半衰期、活化能、平衡常数和勒夏特列原理。
反应速率与速率方程
怎样根据实验速率数据求出速率方程？
把不同物种的速率联系起来，并根据初速率数据求出反应级数和速率常数。
积分速率方程与半衰期
经过一定时间后还剩多少反应物？多久会消耗掉一半？
零级、一级和二级反应的浓度–时间方程、半衰期，以及如何根据数据确定反应级数。
活化能与阿伦尼乌斯方程
为什么加热会加快反应？怎样计算活化能？
根据不同温度下的速率常数求出活化能，并了解催化剂改变了什么。
化学平衡与平衡常数
怎样写出 K，并判断反应会向哪个方向进行？
写出 K 的表达式，把 Kc 换算为 Kp，在方程式改变时改写 K，并比较 Q 与 K。
勒夏特列原理
改变条件时，平衡会向哪个方向移动？
利用 Q 和 K 预测平衡如何响应浓度、体积、温度的变化以及催化剂的加入。
平衡计算与电化学
ICE 表、弱酸与弱碱、缓冲溶液、溶度积和电池电势。
ICE 表与平衡计算
怎样根据 K 和起始量求出平衡浓度？
建立 ICE 表，用 Q 判断反应方向，并借助 5% 检验求出平衡时的量。
弱酸与弱碱
怎样计算弱酸或弱碱的 pH？
利用 Ka、Kb 和 pKa 求出弱酸、弱碱和盐溶液的 pH，并知道何时需要解一元二次方程。
缓冲溶液与亨德森–哈塞尔巴尔赫方程
加入酸或碱之前和之后，怎样求出缓冲溶液的 pH？
缓冲溶液如何抵抗 pH 变化，如何运用亨德森–哈塞尔巴尔赫方程，以及如何设计目标 pH 的缓冲溶液。
溶解度与 Ksp
微溶盐能溶解多少？它会不会沉淀？
在 Ksp 与摩尔溶解度之间换算，用 Q 预测沉淀，并处理同离子效应和 pH 的影响。
电化学与电池电势
怎样求出电池的电压，并判断反应是否自发？
由还原电势计算 E°cell，把它与 ΔG° 和 K 联系起来，并运用能斯特方程和法拉第定律。
自主学习
练习如何自适应调整、如何规划练习，以及如何让学习成果持久。
帮助学习者
写给阅读学习者信号的教师、辅导老师、家长和导师。
我们如何做出论断
本站任何关于模型或评估的表述背后的依据来源。
学习引擎如何运作
- 将每个答案视为证据，而不是最终分数。
- 当推理看似合理但并不完整时，会提出质疑。
- 利用这些信号来选择下一个问题，而不是重新开始整个学习中心。
产品将练习转化为持续更新的理解模型。
一次回答成为证据。
回答、信心、解释和可见的推理，提示哪些内容可能已经扎实，哪些可能仍然薄弱。
证据更新掌握度信号。
系统持续保留一个可修订的概念层面理解估计，而不是把单次回答当作最终得分。
知识图谱决定下一步。
先修知识和相关概念有助于判断是继续前进、复习基础，还是提出更有针对性的追问。
不是固定的课程顺序。
Robotutor 是自适应、由模型驱动的学习基础设施：练习、掌握程度估计和后续问题会随着您的信号变化而调整。
基于证据的掌握度建模
学习者的证据会随时间加权衡量，因此猜测、不确定和有把握的推理不会被一视同仁。
基于图谱的排序
概念通过先修关系和相关概念的连接相互关联，因此可以从结构中推导出学习路径，而不是遵循固定的课程顺序。
对立式提问
问题会深入探查回答背后的推理，包括边界情况和改变后的假设，从而让错误观念显现出来。
混合检索
将语义相似度与图谱遍历相结合，使回答既立足于含义，也立足于明确的概念关系。
如需账户帮助、发布反馈或产品咨询，请发送电子邮件至 support@precision-learning.org。