- 博客(8)
- 收藏
- 关注
RSS订阅原创 基于LLM的小学AI辅助学习APP开发----在该项目实训中总结以及收获
这款拍照搜题APP的开发让我深刻认识到：技术可以快速给出答案，但真正的教育发生在"获取答案的过程"中。构建小学数学实体识别模型（识别题目中的数量、单位、关系词）开发基于BERT的题型分类器（计算题/应用题/证明题等）文本清洗→题型分类→关键信息抽取→数学表达式解析。语义相似度（Sentence-BERT）我们发现直接搜索题库匹配率仅62%，开发自动化关系抽取pipeline。结构相似度（自定义语法树比对）解题方法相似度（基于知识图谱）关键词匹配（TF-IDF）实现错题-知识点关联分析。
2025-06-14 16:21:09
434
原创 基于LLM的面向小学学段的AI辅助学习APP的开发--Excel/csv格式的转换（转换为sql文件）
将Excel或CSV格式的数据转换为SQL文件，是连接数据存储与应用的重要桥梁。对于面向小学段的AI学习App，不仅能够确保数据的规范化，还能提升应用的性能与扩展性。通过合理设计数据库模型和编写自动化脚本，我们可以轻松实现数据迁移和管理，为学生提供高效优质的个性化学习体验。
2025-06-08 19:50:53
510
原创 基于LLM的面向小学学段的AI辅助学习APP的开发——报错（依赖问题）以及解决
理解了Spring Boot测试的工作机制只加载控制器相关的Bean，其他依赖需要手动模拟。明白在测试中要关注依赖的注入，避免遗漏。明白了依赖关系的重要性直接或间接依赖的Mapper、Service等Bean必须存在，否则会导致等错误。模拟依赖可以隔离测试主体，专注于控制器逻辑验证。模拟的技巧与实践使用@MockBean可以轻松模拟复杂依赖，提高测试效率和可维护性。学会利用Mockito的when()等方法定义模拟行为。调试与排查能力提升。
2025-05-01 09:32:06
492
原创 基于LLM的面向小学学段的AI辅助学习App的开发---需求分析及管理员端主要功能模块
AI系统可以自动生成表格化的学习规划，其中包含用户的学习目标、建议的学习时长，以及每个阶段应该掌握的知识点。本项目着眼于教育领域的创新，通过多模态AI技术，加深用户对学习内容的理解与掌握，致力于提供个性化的学习体验与高效的学习资源。：用户上传的题目将通过关键字识别技术进行分析，AI随后将运用所学的知识对其进行解答，并概述相关的知识点，确保用户能够全面理解题目的本质。：根据用户所回答的题目，AI能够生成相关的同类知识点及习题，以帮助用户巩固学习，加强知识之间的联结，提高整体学习效果。
2025-04-20 20:07:10
839
原创 基于LLM的面向小学学段的AI辅助学习APP的开发——数据的获取
在基于LLM的AI辅助学习APP开发中，数据的获取是决定模型性能的关键环节。通过多渠道的数据采集、清洗与标注，可以确保数据的高质量。同时，合理使用爬虫软件，结合科学的数据管理策略，能够有效提高数据获取的效率。
2025-04-05 20:30:00
626
原创 基于LLM的面向小学学段的AI辅助学习APP的开发——前期准备
在制定基于AI的小学生学习辅助应用的初步准备时，这些步骤能够确保项目的方向明确，提高成功率。
2025-03-30 20:16:06
625
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人