课程口径与通用知识冲突（CS 多符号/多算法场景）

风险描述

计算机课程中，同一概念可能存在不同符号、算法变体或实现方式。通用 LLM 可能给出"理论上成立、但不符合教授讲法或作业评分标准"的答案，导致学生沿用非课程口径的解法而失分。

触发场景

• 一门课的课件采用 A 符号体系，而模型默认使用 B 符号体系。
• 同一算法存在多种实现方式（如排序算法的稳定性、图遍历的入栈顺序），模型给出与课程不同的版本。
• 作业评分标准要求特定边界条件或输入约束，模型未考虑到。

与已有风险页的关系

• 与 NotebookLM 生成内容的核验边界 在"AI 学习输出的核验必要性"上同源，但本文风险页聚焦于"同一概念存在多版本"的学科场景。
• 本风险页与 课程隔离（Per-course Project Isolation）、上传材料优先 + 资料未覆盖时显式标记（Upload-first Boundary Declaration） 形成方法-风险对偶：方法用来降低风险，残余风险仍需学生逐题核对。

人工复核点

• 当模型给出定义、符号、公式或算法时，回到对应课件核对。
• 留意"看起来正确但教授从未这样讲"的回答，特别是边界条件和实现细节。
• 当学生跨课程迁移知识时（如把算法课的复杂度分析用到系统课），检查是否需要切换到对应项目的上下文。

缓解方法

• 按课程建立独立项目（参见 课程隔离（Per-course Project Isolation））。
• 提示模型优先采用上传资料中的定义、符号、公式（参见 上传材料优先 + 资料未覆盖时显式标记（Upload-first Boundary Declaration））。
• 关键定义、符号、公式仍以课件和教授讲法为准，模型只作辅助。

边界声明

本风险页主要适用于计算机等"同一概念存在多种符号、算法变体或实现方式"的学科。对开放式通识课或教材权威性不足的课程，本风险的影响程度不同，应结合具体场景判断。