Section A: Project Information
本项目聚焦学生历史选课数据，打造智能课程推荐系统。
关键创新：利用大模型强大的语义理解与特征提取能力，解析学生历史选课数据，挖掘学科间隐性关联，构建动态化、个性化的推荐模型。
设计理念：坚持以学生为中心，以学生历史选课数据为基础，通过PaddleNLP套件对课程文本进行语义分析，结合PaddlePaddle框架训练大模型，学习学生选课行为模式与学科知识脉络，精准捕捉学生潜在需求。
技术原则：依托大模型对课程文本的深度语义表征，结合协同过滤算法分析学生群体选课共性，从宏观与微观双维度优化推荐效果。
潜在影响：不仅能帮助学生高效选课，提升学习效果，还能助力学校优化资源配置；推动教育教学向个性化、智能化改革，打破地域限制，促进教育公平。
Section B: Participant Information
| Title | First Name | Last Name | Organisation/Institution | Faculty/Department/Unit | Phone Number | Current Study Programme | Current Year of Study | Contact Person / Team Leader | |
|---|---|---|---|---|---|---|---|---|---|
| Miss. | 淼 | 程 | 华中师范大学 | 人工智能教育学部 | 3271401728@qq.com | 19972958807 | Bachelor's Programme | Year 3 |
|
| Miss. | 红芳 | 周 | 华中师范大学 | 人工智能教育学部 | 387636461@qq.com | 17362927133 | Bachelor's Programme | Year 3 |
|
Section C: Project Details
在教育实践中，学生常因缺乏对课程体系的全面认知，陷入选课盲目困境，导致学习资源浪费；学校也因难以精准把握学生需求，出现教育资源错配。同时，传统教育模式难以满足学生个性化学习需求，教育公平受地域、资源差异制约。这些痛点促使我思考利用人工智能技术，通过学生历史选课数据构建推荐系统，以解决上述问题。
项目基于以下假设：学生历史选课数据蕴含学习偏好与知识需求，通过人工智能可挖掘其规律；系统动态推荐能引导学生科学选课，提升学习效率；学校依据推荐数据优化资源配置。我相信项目会成功，因为人工智能在数据处理与预测领域成果显著，且教育行业正积极拥抱数字化转型，该系统契合教育发展趋势与实际需求。
我选的Stream4
功能架构：主要包含数据层和模型层。数据层负责收集和预处理学生历史选课数据。模型层利用PaddlePaddle框架和PaddleNLP套件构建大模型，挖掘学科关联性并进行选课预测。
技术流程：先对数据进行清洗、特征提取等预处理；接着使用PaddleNLP套件对课程文本进行语义分析，结合历史选课数据训练大模型，为学生提供选课推荐。
创新：结合大模型挖掘学科隐性关联。具体实现时，用PaddleNLP对课程文本深度分析，提取语义特征，再结合历史选课数据中的行为模式，通过PaddlePaddle框架训练模型，以捕捉学科间复杂关系。
采用准确率、召回率和F1值评估选课预测的准确性，用覆盖率衡量推荐课程的丰富度，以评估系统的有效性。
本项目以 PaddlePaddle 框架与 PaddleNLP 套件为技术基石，深度融合大模型，为教育选课推荐问题提供创新解法。在学科关联性挖掘上，突破传统数据分析局限，运用 PaddleNLP 的自然语言处理能力解析课程文本，构建动态知识图谱，精准捕捉课程间隐性联系，打破学科壁垒，为学生呈现系统化的跨学科课程组合，解决学科割裂导致的知识衔接不畅问题。
在推荐系统构建方面，创新性地将大模型引入其中，改变传统推荐系统仅依赖行为数据的模式。通过大模型理解学生自然语言表达的需求，结合历史选课数据，实现动态、个性化的交互推荐。同时，基于 PaddlePaddle 的高效训练与部署能力，确保推荐系统发挥大模型优势，推动教育资源智能化、精准化分配。
为满足用户增长需求，系统采用分布式架构与微服务设计，借助 PaddlePaddle 的高效并行计算能力，灵活增减计算资源，轻松应对选课高峰等流量冲击。数据层面，构建动态数据存储与管理机制，利用数据分片和索引优化技术，确保海量学生选课及学习数据的高效存储与快速检索，解决数据膨胀带来的处理瓶颈。
在环境可持续性与长期用户参与方面，通过模型轻量化技术，减少大模型运行的算力消耗，降低能源成本。建立用户反馈闭环系统，学生可对推荐结果实时评价，系统依据反馈优化推荐算法，动态适应学生需求变化。同时，定期更新学科知识图谱，纳入新兴课程与学科交叉内容，保持推荐内容的时效性与吸引力，持续提升用户体验，促进教育资源智能化分配的长期发展。
本解决方案聚焦教育资源分配不均、学生选课盲目等社会问题。通过基于 PaddlePaddle 与 PaddleNLP 构建的智能选课推荐系统，为不同背景学生提供平等且精准的课程推荐服务，助力缩小教育差距，促进教育公平。系统的个性化推荐功能帮助学生合理规划学习路径，提升学习效率与质量，为其未来发展奠定良好基础，切实改善学生的学习生活。
衡量社会影响时，将采用学生课程完成率、学业成绩提升幅度、跨区域学生选课满意度差异等指标，直观反映系统对学生学习的促进作用及教育公平的推动效果。为确保响应社区需求，建立常态化的意见反馈机制，收集学生、家长及教育工作者的建议，分析教育趋势与需求变化，动态优化系统功能与推荐策略，持续践行社会责任。
Personal Information Collection Statement (PICS):
1. The personal data collected in this form will be used for activity-organizing, record keeping and reporting only. The collected personal data will be purged within 6 years after the event.
2. Please note that it is obligatory to provide the personal data required.
3. Your personal data collected will be kept by the LTTC and will not be transferred to outside parties.
4. You have the right to request access to and correction of information held by us about you. If you wish to access or correct your personal data, please contact our staff at lttc@eduhk.hk.
5. The University’s Privacy Policy Statement can be access at https://www.eduhk.hk/en/privacy-policy.
- I have read and agree to the competition rules and privacy policy.