一种基于大语言模型的数据科学交互式教学系统及方法

本发明属于人工智能与教育技术交叉领域，具体涉及一种基于大语言模型的数据科学交互式教学系统及方法，尤其适用于采用角色反转教学模式的交互式数据科学教学场景，可实现“用户教ai”的沉浸式教学体验，支持个性化学生水平配置与多会话隔离管理。

背景技术：

1、随着人工智能+的深入推进，ai技术正以渗透式增长态势重塑各行各业。作为这一变革的核心底层逻辑，数据科学已不仅是计算机专业的学科分支，更成为了跨学科创新的通用基石。在金融精准风控、医疗智能辅助及工业智慧制造等典型场景的驱动下，社会对具备“算法模型+行业知识”的复合型数据科学人才需求呈爆发式增长。然而，传统的数据科学教学模式正面临理论与实战脱节、行业标准滞后等诸多亟待解决的瓶颈问题。因此，如何优化数据科学教学路径，提升机器学习教育的产教融合效率，已成为当前高等教育及职业教育领域的研究重心。

2、1. 被动学习局限：传统教学模式中，学习者始终处于知识接收方，缺乏主动输出、深度思考的机会，导致对核心概念的理解流于表面，难以形成系统性认知和可靠的实践指导。

3、2. 个性化指导缺失：课堂教学或在线课程多采用“一刀切”模式，无法根据学习者的知识储备、学习进度和薄弱环节制定专属学习路径，也难以提供即时性、针对性的反馈指导。

4、3. 理论实践脱节：现有教学多侧重理论讲解，学习者缺乏将算法原理、模型构建逻辑应用于真实数据集分析的实践场景，导致“懂理论、不会实操”的现象普遍存在。

5、4. 交互体验不足：主流在线学习平台以单向知识传递为主，缺乏真实师生互动中的引导、提问、纠错等环节，学习过程枯燥且缺乏反馈闭环。

6、5. 可视化支撑薄弱：数据分析结果与模型训练过程的可视化展示形式单一、不够直观，难以帮助学习者理解数据特征、模型性能及参数调整的影响。

7、6. 会话管理混乱：多任务学习场景下，不同学习主题的对话容易混淆，缺乏有效的会话隔离机制，响应易归属错误。

8、7. 学习体验单一：现有系统无法根据学习者的实际水平动态调整ai学生的行为特征和响应方式，难以适配不同学习阶段的需求。

9、现有技术中，虽存在部分在线编程平台和数据科学方法教程，但均未突破“教师讲授-学生接收”的传统模式，无法提供沉浸式角色扮演学习体验，也未能解决上述理论与实践脱节、个性化指导不足、会话管理混乱等核心痛点。因此，亟需一种创新的教学系统及方法，通过全新的交互模式激发学习者的主动性，实现理论与实践的深度融合，同时支持个性化配置与规范化会话管理，提升机器学习教学的效果与效率。

技术实现思路

1、本发明旨在克服现有机器学习教学中被动学习、缺乏个性化指导、理论与实践脱节、会话管理混乱、学习体验单一等缺陷，提供一种基于大语言模型的智能机器学习教学系统及方法，通过角色反转教学模式，让学习者以“教师”身份指导ai“学生”完成机器学习任务，深化对知识的理解与应用能力；同时通过结构化操作执行、智能可视化、会话持久化、多级学生水平配置、会话隔离管理等功能，提升学习体验与教学效果。

2、本发明采用的技术方案为一种基于大语言模型的数据科学交互式教学系统，其特征在于，包括前端交互模块、后端处理模块、角色反转教学引擎、数据可视化渲染引擎、会话隔离与管理机制、学生水平自定义系统；其中：

3、所述前端交互模块，与后端处理模块通信连接，用于构建用户与系统的交互入口，接收用户的教学指令及数据文件上传，并将所述教学指令及数据文件发送至后端处理模块；同时，所述前端交互模块接收后端处理模块返回的响应数据，实时展示ai学生的思考过程、回复内容及可交互的数据可视化图表；

4、所述学生水平自定义系统，其前端界面集成于所述前端交互模块中，其后端逻辑与所述后端处理模块中的大语言模型交互子模块连接；所述学生水平自定义系统用于提供可视化的水平选择界面，支持用户通过自然语言描述自定义ai学生的知识水平与行为特征，并将所述特征传递至大语言模型交互子模块；

5、所述后端处理模块，其内部包括会话管理子模块、大语言模型交互子模块、数据处理子模块、机器学习执行子模块、可视化生成子模块；其中：

6、所述会话管理子模块，与前端交互模块连接，用于维护各教学会话的状态信息，支持多会话并行管理，并将会话数据持久化至浏览器本地存储；

7、所述大语言模型交互子模块，其输入端与所述会话管理子模块及学生水平自定义系统连接，用于获取会话上下文及学生水平配置；其输出端与外部大语言模型api通信连接，用于发送请求并接收流式响应；所述大语言模型交互子模块还与所述角色反转教学引擎协同工作，根据学生水平配置动态构建包含角色设定的系统提示词；

8、所述数据处理子模块，其输入端与所述大语言模型交互子模块连接，用于接收并解析数据加载及预处理相关的结构化操作指令；其输出端分别与会话管理子模块及可视化生成子模块连接，用于更新会话中的数据集状态及提供数据源；

9、所述机器学习执行子模块，其输入端与所述大语言模型交互子模块连接，用于接收并解析模型训练及评估相关的结构化操作指令；其输出端分别与会话管理子模块及可视化生成子模块连接，用于记录训练进度及提供评估结果数据；

10、所述可视化生成子模块，其输入端分别与所述数据处理子模块、机器学习执行子模块连接，用于获取待可视化的数据；其输出端与所述前端交互模块连接，用于将生成的echarts兼容图表配置发送至前端；

11、所述角色反转教学引擎，内置于所述大语言模型交互子模块的提示词构建流程中，通过系统提示将大语言模型配置为学生角色，使其模拟初学者认知过程并输出包含思考过程与结构化操作指令的响应；

12、所述数据可视化渲染引擎，集成于所述前端交互模块中，其输入端与所述可视化生成子模块连接，用于接收图表配置并将其转换为可交互的可视化内容；

13、所述会话隔离与管理机制，贯穿于所述前端交互模块与后端处理模块的通信链路中，通过为每个会话分配唯一标识符，在api请求时绑定会话id，并在响应返回时验证会话匹配性，以确保响应内容正确归属至对应会话。

14、进一步地，所述角色反转教学引擎进一步用于：约束ai学生的知识输出范围，并通过结构化的方式展示其思考逻辑；所述结构化操作指令至少包括数据加载（load）、图表绘制（plot）、模型训练（train）及模型评估（evaluate）指令。

15、进一步地，所述前端交互模块还用于：采用流式文本输出方式实时展示从后端处理模块接收的ai学生思考过程与回复内容，并在思考过程输出完成后自动折叠该部分内容，仅保留回复内容及由数据可视化渲染引擎生成的可视化图表；所述可视化图表支持缩放、平移、数据点悬停查看等交互操作，且图表数据通过与会话管理子模块的连接实现持久化，页面刷新后自动恢复。

16、进一步地，所述可视化生成子模块还用于：在接收到图表绘制指令后，对用户指定的数据列名与从数据处理子模块获取的数据集实际列名执行智能模糊匹配，并基于匹配结果生成图表配置；所述图表配置发送至前端交互模块中的数据可视化渲染引擎进行处理。

17、进一步地，所述会话隔离与管理机制还用于：在检测到当前会话id与从后端处理模块返回的响应所绑定的会话id不匹配时，将响应内容保存至由会话管理子模块维护的原始会话历史记录中，并在前端交互模块的当前界面显示提示信息以告知用户。

18、一种智能机器学习教学方法，包括以下步骤：

19、步骤1：前端交互模块接收用户创建新会话的指令，触发后端处理模块中的会话管理子模块生成唯一会话id以初始化教学会话；角色反转教学引擎通过大语言模型交互子模块配置ai学生角色，生成问候消息并由前端交互模块展示；

20、步骤2：学生水平自定义系统接收用户对ai学生水平的选择及自定义特征描述，将配置数据保存并通过与大语言模型交互子模块的连接，动态构建并更新系统提示词；

21、步骤3：前端交互模块接收用户输入的教学指令，将其发送至后端处理模块；会话管理子模块记录当前会话id，大语言模型交互子模块构建包含学生水平特征、历史对话及当前指令的完整上下文，并向外部大语言模型api发送请求；

22、步骤4：大语言模型交互子模块接收外部api返回的流式响应，所述响应基于学生角色生成，包含思考过程、结构化操作指令、指令参数及回复内容；

23、步骤5：大语言模型交互子模块解析模型返回的结构化响应，验证操作指令的有效性；

24、步骤6：根据解析出的操作指令类型，大语言模型交互子模块将指令及参数分发给后端处理模块中相应的子模块：若为数据加载或预处理指令，则调用数据处理子模块执行；若为模型训练或评估指令，则调用机器学习执行子模块执行；若为图表绘制指令，则调用可视化生成子模块执行；

25、步骤7：若操作涉及数据可视化，可视化生成子模块从数据处理子模块或机器学习执行子模块获取数据，生成图表配置并发送至前端交互模块，由数据可视化渲染引擎渲染为可交互图表；若操作结果仅包含文本内容，则由前端交互模块以流式输出方式展示思考过程与回复内容。

26、进一步地，所述步骤5中还包括会话验证步骤：会话隔离与管理机制在接收到api响应时，验证当前前端交互模块所在会话id是否与发起请求时的id一致；若不一致，则不将响应内容发送至前端渲染，而是将会话数据交由会话管理子模块保存至原始会话的历史记录中。

27、进一步地，所述方法还包括：前端交互模块在接收并发送会话的首条用户消息后，由会话管理子模块自动从所述消息中提取关键词，生成所述会话的标题并发送至前端展示；以及，前端交互模块接收并响应用户对会话标题的双击手动编辑操作，并将更新后的标题发送至会话管理子模块保存。

28、进一步地，所述步骤7还包括：会话管理子模块将当前轮次的用户指令、ai响应内容、由可视化生成子模块生成的图表配置数据及学生水平信息持久化保存至本地存储，以支持会话的中断恢复与历史回顾。

29、进一步地，所述步骤6中，当操作指令为图表绘制（plot）并由可视化生成子模块执行时，还包括智能列名匹配步骤：可视化生成子模块通过与会话管理子模块及数据处理子模块的连接，获取数据集的实际列名；若用户指定的列名与实际列名存在差异，则自动进行模糊匹配，以定位正确的数据列。

30、与现有技术相比，本发明具有以下有益效果：

31、1. 创新的角色反转教学模式：通过让用户扮演教师角色、ai扮演学生角色，激发用户主动学习意识，深化对机器学习概念的理解与应用能力。

32、2. 个性化的学生水平系统：支持三级学生水平配置（初学者/进阶者/熟练者），并允许用户通过自然语言自定义每个水平的行为特征，适配不同学习阶段的需求，实现真正的个性化教学。

33、3. 完善的会话隔离与管理：通过会话id绑定与验证机制，确保api响应正确归属到对应会话；支持智能标题生成、手动编辑、消息数量统计，解决多会话混乱问题。

34、4. 透明的思考过程展示：ai学生展示完整思考逻辑，支持自动折叠/手动展开，增强教学透明度，帮助用户理解问题解决思路。

35、5. 丰富的结构化操作支持：覆盖数据加载、可视化、模型训练、评估、缺失值处理、特征编码等全流程操作，实现理论与实践的深度融合。

36、6. 智能的列名匹配与可视化：支持列名模糊匹配，提升系统容错性；提供多类型可交互图表，且图表数据持久化，页面刷新后自动恢复，优化学习体验。

37、7. 流畅的流式交互体验：采用15ms/字符的流式文本输出，模拟真实对话节奏，自动折叠思考过程，保持界面简洁。

38、8. 低门槛的自然语言配置：用户可通过自然语言描述ai学生的行为特征，无需专业技术即可完成个性化配置，降低使用门槛。