Assessment Intelligence

测评智能分析

对测评答题数据进行心理测量分析：使用项目反应理论分析题目难度、区分度和猜测参数；将真实能力（θ）与测试难度分开；计算 Cronbach’s alpha 信度；进行计算机自适应的下一题选择；并通过贝叶斯知识追踪评估技能掌握情况。标记测量目标错误的题目，以及根据学习轨迹预测可能不及格的学习者。

注册名称	ai.saifs/assessment-intelligence
端点	https://assessment-intelligence-mcp.saifs.ai/mcp
传输方式	Streamable HTTP（远程，无需安装）
身份验证	OAuth 2.1 — PKCE（S256）和动态客户端注册；首次使用时，客户端会打开登录页面
发布者	SAIFS AI

安装

VS Code / GitHub Copilot

将以下内容添加到 .vscode/mcp.json（工作区）或用户级 mcp.json：

{
  "servers": {
    "saifs-assessment-intelligence": {
      "type": "http",
      "url": "https://assessment-intelligence-mcp.saifs.ai/mcp"
    }
  }
}

然后从 MCP 视图启动服务，并在出现提示时登录。

Claude（claude.ai、Desktop）

设置 → 连接器 → 添加自定义连接器，然后粘贴：

https://assessment-intelligence-mcp.saifs.ai/mcp

Claude Code

claude mcp add --transport http saifs-assessment-intelligence https://assessment-intelligence-mcp.saifs.ai/mcp

其他 MCP 客户端

使用 Streamable HTTP 传输方式连接到 https://assessment-intelligence-mcp.saifs.ai/mcp。服务会返回带有 WWW-Authenticate: Bearer … resource_metadata=… 挑战的 401，因此支持 OAuth 的客户端会自动登录。

工具

工具	功能
analyze_assessment	按题目提供 IRT 参数（难度、区分度、猜测参数），并标记不佳题目。
estimate_ability	估算每位学生的真实能力（θ），并与测试难度分开。
assessment_reliability	计算 Cronbach’s alpha 和题目-总分相关性。
adaptive_next_item	根据当前能力，从题库中选择最合适的下一道题（CAT）。
track_mastery	贝叶斯知识追踪：根据学习记录计算每项技能的掌握概率。
flag_at_risk_learners	标记根据掌握程度／能力轨迹预测可能不及格的学生——用于提供支持，而非排名。
explain_item	说明题目好坏的原因，并提供拟合参数。

示例提示词

• “这是这次模拟测验的答题矩阵。哪些题目的区分度为负，应该删除？”
• “估算每位学生在这次测试中的真实能力，而不只是原始百分比。”
• “根据这份技能记录，哪些人有不及格风险？每个人实际掌握了哪些内容？”

支持

• 网站：https://saifs.ai
• 问题反馈：https://github.com/Saify-Technologies/saifs-ai-mcps-docs/issues
• 隐私：https://saifs.ai/privacy_policy