师范生创意写作AI辅助系统

基于"模糊性引导精确度理论"的师范教育创新项目

项目概述

本项目专门为师范生创意写作教学设计，通过AI算法实现从模糊创意到精确表达的引导过程。

核心理论

模糊性引导精确度理论 (Ambiguity-Guided Precision Theory)

• 阶段1：模糊启发阶段 - 开放性创意激发
• 阶段2：概念聚焦阶段 - 逐步明确方向
• 阶段3：精确实现阶段 - 具体可操作指导

技术架构

核心算法创新

1. DIFCM (Dynamic Interval-valued Fuzzy Cognitive Map) - 动态区间模糊认知图
2. T-S模糊推理引擎 - 多维信号融合推理
3. GraphSAGE知识推理 - 创意写作知识图谱深度联想

团队分工

• Team A: 核心算法实现 (DIFCM + T-S模糊推理 + GraphSAGE)
• Team B: API接口与数据服务
• Team C: 评估系统与性能监控
• Team D: 前端交互界面

验收标准

• ✅ 认知状态追踪准确率 > 75%
• ✅ 系统响应时间 < 500ms
• ✅ 专门服务师范生创意写作场景

快速开始

环境要求

• Python 3.8+
• PyTorch 1.12+
• Node.js 16+ (前端)
• PostgreSQL (数据存储)

安装依赖

# Team A - 算法模块
cd team_a
pip install torch transformers torch-geometric datasets

# Team B - API服务
cd ../team_b  
pip install fastapi uvicorn sqlalchemy psycopg2

# Team C - 评估模块
cd ../team_c
pip install scikit-learn matplotlib

# Team D - 前端界面
cd ../team_d
npm install

运行服务

# 启动Team A算法推理服务
cd team_a
python -m api.ai_inference_api

# 启动Team B数据服务
cd ../team_b
python -m api.user_management_api

# 启动前端
cd ../team_d
npm start

项目状态

Phase 1 - 核心算法实现 ✅

• DIFCM动态认知图模型
• T-S模糊推理引擎
• GraphSAGE知识推理网络
• 算法协调框架
• 工业级数据集成
• API接口对接

Phase 2 - 系统集成 (进行中)

• 完整数据流测试
• 性能优化
• 用户体验优化

开发指南

代码规范

• 遵循PEP 8 Python代码风格
• 使用类型提示
• 完善的docstring文档
• 单元测试覆盖率 > 80%

提交规范

feat: 新功能
fix: 修复bug  
docs: 文档更新
refactor: 代码重构
test: 测试相关

分支策略

• main: 稳定主分支
• develop: 开发分支
• feature/*: 功能开发分支
• hotfix/*: 紧急修复分支

核心特性

🧠 智能认知追踪

实时分析师范生的创作认知状态，包含8个核心维度：

• 深刻性思维
• 灵活性思维
• 批判性思维
• 独创性
• 流畅性
• 动机水平
• 情绪调节
• 认知负载

🎯 精准个性化引导

基于认知状态提供三层递进式提示：

1. 联想层 - 开放性创意激发
2. 结构层 - 框架化思维引导
3. 操作层 - 具体技法指导

📚 专业知识图谱

整合师范教育和创意写作领域知识：

• ConceptNet概念关系网络
• HuggingFace教育数据集
• 师范生写作特定场景库

技术文档

详细技术文档请参考：

• AI算法设计规范书
• 系统架构设计文档
• 团队开发任务包

贡献指南

1. Fork 项目
2. 创建功能分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送分支 (git push origin feature/AmazingFeature)
5. 创建 Pull Request

许可证

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情

联系我们

项目负责人：团队负责人 邮箱：[联系邮箱]

---

注意: 本项目专注于师范教育领域的创新应用，算法设计充分考虑了师范生的认知特点和教学实际需求。