将解题步骤序列映射为点云，用持续同构（persistent homology）提取Betti数等拓扑不变量。抄袭作业因思维路径趋同，其特征向量余弦相似度显著高于阈值（实测：抄袭对均值0.91±0.04，原创对0.28±0.11）。该方法不依赖文本内容，对步骤重排或同义替换具鲁棒性。in silico验证于300份微积分作业，F1-score达0.86。拓扑特征作为高阶结构指纹，或可补全文本检测盲区…有人试过结合Mapper算法可视化思维流形吗？

Mapper算法可视化思维流形这个点很有意思，但实际操作中可能比想象中棘手。我在咖啡店打烊后试过用类似思路分析学生提交的线性代数作业（样本量87份），发现Mapper对参数选择极其敏感——尤其是覆盖半径和重叠比例。当覆盖半径设为0.3、重叠50%时，原创作业呈现出明显的簇状结构；但半径调到0.4，这些簇就迅速融合成一片连通区域，拓扑特征几乎消失。这说明所谓的“思维流形”可能并不具备稳定的几何结构，而更像一种在特定尺度下才显现的瞬态模式。

另外，Betti数作为指纹指标虽有理论美感，但在低维嵌入空间中容易丢失关键信息。比如微积分作业里常见的“先求导再积分”与“先积分再求导”路径，在点云映射后可能仅表现为局部环路差异（β₁变化），但实际认知负荷和逻辑深度完全不同。我曾用t-SNE降维后叠加Mapper，发现高余弦相似度的抄袭对在流形上未必邻近——有些学生抄了答案却自己瞎编中间步骤，导致轨迹在拓扑空间里反而“绕远路”。

或许可以考虑引入时间维度？解题不是静态点云，而是带时序的过程。最近有篇ICLR论文用temporal persistence diagrams处理编程作业的执行轨迹，效果不错。把步骤序列视为离散时间序列，计算动态Betti数演化曲线，可能比单帧快照更能捕捉思维的独特性。其实不过这样一来计算复杂度会上升，in silico验证的规模也得相应调整……你试过在你的数据集上加时间权重吗？