XX大学“人工智能+教育评价”智能应用建设项目用户需求书.docxVIP

PAGE

PAGE1

XX大学“人工智能+教育评价”智能应用建设项目用户需求书

建设目标

搭建基础设施

利用混合云模式，为学校搭建一套稳定、高效、可扩展的AI算力基础设施环境，为上层评价模型的持续训练、微调、推理及知识向量化提供坚实支撑。

构建核心模型

研发并交付针对教师教学评价、学生学习评价、教育教学评价等方面的高度专业化专家模型，为AI智能体应用提供模型能力支撑。

多系统集成构建数据基础

完成与数字校园基础平台（一网通办、统一身份认证、数据中台、AI中台）、教务系统、智慧教学平台等核心业务系统的对接与数据联动，为智能体门户、智能体应用以及垂类模型构建提供良好的数据基础。

建设智能体应用

以教学管评智能体建设为核心，搭建学校智能应用集合，重点推进教学、管理、评价三大核心智能体建设。教学智能体整合教学资源与课堂数据，管理智能体统筹校园行政与后勤信息，评价智能体聚焦学情分析与成长追踪。三大智能体与学校数据中台、AI门户应用发布系统深度对接，打通数据壁垒，实现信息实时交互。并核心形成四大输出：一是生成教学评价分析报告，为教师推学情预警与教学策略，为学生推个性化资源及成长路径；二是完成“AI评价+人工评价”汇总，保障评价精准；三是提供“数字人”多模态交互；四是构建反馈评价体系，最终形成“数据驱动-智能分析-精准服务”的学校智能应用生态。

建设内容

建设混合算力

利用混合云模式，为学校搭建一套稳定、高效、可扩展的AI算力基础设施环境，为上层评价模型的持续训练、微调、推理及知识向量化提供坚实支撑。为满足学校AI评价模型的训练、调整、推理及知识处理需求，整合校内服务器与外部云服务实现高效协作（如，在校内部署本地化算力中心，配置2台高性能服务器，部署多模态资源中心，解析结构化数据和非结构化数据，实现语料数据的快速搜索，并为模型训练平台提供可训练的语料，并转换为数据集，封装AI训练环境并集成常用深度学习工具，确保评价模型开发环境的一致性）。具体要求：

低延迟连接，构建稳定的基础算力池，满足日常模型训练与推理需求。在外部云服务对接方面，连接主流云平台弹性计算服务，构建智能算力调度系统，实现校内资源与云资源的灵活调配：当校内服务器资源紧张时，自动扩展云服务器资源；当需求下降时，释放云资源并将核心数据迁回校内存储，优化资源成本。

存储架构，采用分层设计，校内部署大容量高速存储用于训练数据，云平台存储不常用数据，通过同步机制保持数据一致。针对知识处理场景，优化计算方式，采用分布式架构提升训练效率，减少资源占用，并配置高速内部网络确保数据传输效率。

安全体系，利用校内部署防火墙与安全检测系统，隔离不同资源；云资源通过安全隧道接入校内网络，数据传输采用加密技术，并建立权限管理机制控制操作权限。监控系统实时监测服务器运行状态，设置告警机制，当发现异常时及时通知并自动迁移任务，保障AI环境稳定运行。

建设教育评价垂类大模型

以“人工智能+”政策为导向，在职业教育领域探索构建教育评价新范式，重点强化人机智能融合，通过整合教育评价专有知识与能力，融合教育学、心理学等多领域理论基础、行业专家实践经验及前沿人工智能技术，开发构建专业化的教育评价大模型，作为学校教育教学治理的人工智能助手，实现对教育主体的精准感知和智能干预，形成“感知-分析-反馈-改进”的质量管理闭环。

聚焦教师教学评价、学生学习评价、教育教学评价等核心场景，打造高度专业化的专家模型体系，为学校提供本地化部署服务，确保系统操作简单、易学易用、高效便捷，全面支持教育评价大模型的部署、研究、训练、应用一体化服务需求。

采用分层设计思路构建大模型基础支撑平台，底层搭建高性能计算集群与分布式存储系统，保障海量教育数据的高效处理与安全存储；中间层开发多模态数据处理引擎，支持文本、图像、音视频等教育场景数据的智能解析，同时集成自然语言处理、机器学习、知识图谱等核心AI技术组件，构建可扩展的算法模型库；应用层针对不同评价场景开发专业化功能模块，教师教学评价模块实现教学设计评估、课堂行为分析、教学效果预测等功能，通过分析教学视频、课件资料、学生反馈等数据，生成个性化教学改进建议；学生学习评价模块融合过程性评价与终结性评价，基于学习行为数据、作业完成情况、考试成绩等多维度信息，构建学生能力画像，精准识别学习困难与优势领域，提供自适应学习路径规划；教育教学评价模块则从宏观层面分析课程体系合理性、教学资源配置效率、校企合作成效等，为学校教育教学改革提供数据驱动的决策支持。

建立覆盖“数据采集-清洗标注-隐私保护-共享利用”全流程的教育数据管理机制，制定标准化数据采集规范，整合学校教务系统、学习管理平台、实训基地、合作企业等多源数据，构建结构化教育评价数据库；开发