Research on Design and Optimization of Personalized Network Education System Based on Artificial Intelligence
Notice bibliographique
Résumé
This paper studies the design and optimization of a personalized network education system based on artificial intelligence (AI). A personalized network education system with hierarchical micro-service architecture is designed. The core technology stack includes Spring Cloud, Docker, React, Secondary, TensorFlow Serving, etc. The system provides accurate learning support for students through core functional modules such as user portrait, knowledge recommendation, path planning, intelligent question answering and early warning of learning situation. The adaptive recommendation engine adopts hybrid recommendation algorithm, combining collaborative filtering and knowledge map embedding, and dynamically adjusts the weight through reinforcement learning to optimize the recommendation effect. Learning path planning uses reinforcement learning to optimize path generation, ensuring that the response time is less than 200ms. Intelligent question answering is based on BERT and BiLSTM, and the problem solving rate is 92%. In the early warning of academic situation, LSTM time series prediction combined with SHAP analysis is used to predict the risk of failing the course three weeks in advance. In the aspect of system optimization, performance bottlenecks were found through stress testing and code analysis, and technologies such as GIN index, Vitess sub-database and sub-table, three-level caching strategy, model quantization compression, batch reasoning and knowledge distillation were adopted, which significantly improved the system performance. AB test results show that after optimization, the concurrent carrying capacity of the system is improved by 192%, the recommended response delay is reduced by 75.6%, and the peak CPU usage of the database is reduced to 47%. In addition, the system also predicts learning hotspots by LSTM to realize dynamic cache preheating, automatically selects the model precision according to the user equipment type, and automatically expands and contracts the capacity of Kubernetes based on Prometheus index, and the response time is less than 10 seconds. This study provides a useful reference for the design and optimization of personalized online education system, and helps to promote the development and application of personalized learning system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».