阅读以下关于学习路径推荐与智能辅助系统的叙述，在答题纸上回答问题1-3。
【说明】
某在线教育企业计划建设一套智能学习系统，为软考、职业资格考试和企业内训用户提供个性化学习服务。系统需要根据用户的基础水平、学习目标、做题记录、课程学习行为和阶段测评结果，动态生成学习路径，并在学习过程中提供智能答疑、错因分析、课程推荐、学习提醒和效果反馈。
项目组在设计系统时，将用户的学习过程抽象为若干状态。用户进入系统后，首先处于“学习进行中”状态。在该状态下，系统持续记录用户的课程观看、做题情况、知识点掌握度和学习时长等信息。当用户主动结束本次学习，或系统检测到学习任务完成后，用户可以进入“退出学习”状态。
在学习过程中，系统会定期进行信息采集，包括用户画像、学习行为、测评结果、题目作答、错题记录和学习资源使用情况。系统根据采集到的数据，结合知识图谱、用户画像模型、掌握度模型和推荐模型，对用户当前学习情况进行分析，并向智能辅导模块发起课程推荐。智能辅导模块根据用户的薄弱知识点、前置依赖关系、目标考试要求和学习进度，推荐相应课程、练习题和复习资源。
当用户在学习过程中遇到问题时，可以进入智能辅导状态。智能辅导模块支持智能答疑、错因分析、学习提醒、资源匹配和个性化讲解。完成辅导后，系统会根据用户新的学习行为和反馈结果，重新调整学习建议，并返回学习进行中状态。
系统还设置了效果评估环节。用户完成阶段学习后，系统会进入效果评估状态，对用户的阶段测评成绩、知识点掌握度、错题变化、学习完成率和课程吸收情况进行分析。效果评估结果一方面会形成效果反馈，用于调整后续学习策略；另一方面也会作为学习评估结果反馈给学习过程，用于判断用户是否需要继续巩固、重新学习或进入下一阶段内容。
系统试运行后发现两个问题：一是新注册用户缺少历史学习行为和测评数据，系统推荐准确率较低；二是部分基础薄弱学生被推荐了过多高级知识点，跳过了必要的前置基础内容，导致学习路径过难。项目组需要从冷启动、知识依赖推理、数据质量和推荐鲁棒性等角度分析原因并提出改进思路。
根据题干内容填写下面图片中空白部分。
（1）信息采集
（2）课程推荐
（3）退出学习
（4）智能辅导中
（5）效果评估
（6）效果反馈
（7）学习评估
本问考查的是个性化学习系统的闭环设计，围绕“学习进行中”这个核心状态，不断完成信息采集、智能辅导、效果评估和反馈调整。
在学习进行中状态下，系统需要持续进行信息采集。这里的信息采集不是泛泛地收集用户数据，而是要覆盖用户画像、学习目标、基础水平、课程观看记录、练习作答情况、错题记录、阶段测评结果、知识点掌握度、学习时长、资源使用情况和反馈评价等内容。这些数据分别回答“用户是谁”“要学什么”“现在会什么”“学过什么”“哪里薄弱”“资源是否有效”等问题。若系统只采集点击次数和观看时长，就很难判断用户是否真正掌握了知识点，也难以支撑后续推荐。
系统采集到学习数据后，需要进入智能辅导环节。智能辅导中更关注学习过程中的即时支持，例如智能答疑、错因分析、相似题推荐、薄弱知识点提醒、课程推荐、学习计划提醒和阶段测评建议。它解决的是“用户当前卡在哪里、下一步该补什么、用什么资源补”的问题。比如用户在“软件架构风格”相关题目上连续出错，系统不应只推荐更多同类难题，而应先分析其是否没有掌握“构件、连接件、约束”等基础概念，再推荐管道-过滤器、事件驱动、黑板架构等进阶内容。
学习路径推荐则更偏路线生成，它不是普通的内容推荐。路径推荐需要结合目标知识点、前置依赖、难度梯度、掌握阈值、考试时间、用户基础和学习偏好，生成从基础到进阶的学习顺序，并随着新的作答数据和测评结果动态调整。对于基础薄弱的用户，系统应优先补齐先修知识，再逐步进入综合案例、论文素材和高阶应用，而不能直接推送高级知识点，否则容易造成学习路径过难。
效果评估是闭环中的关键环节。用户完成阶段学习后，系统需要根据阶段测评成绩、知识点掌握度变化、错题减少情况、课程完成率、学习活跃度和资源反馈，对学习效果进行判断。效果评估结果一方面形成效果反馈，用于调整后续辅导内容和推荐策略；另一方面形成学习评估，用于判断用户是否需要继续巩固、重新学习或进入下一阶段。这样，系统才能形成“信息采集—智能辅导—学习推荐—效果评估—反馈调整”的闭环。