UeduGPTs
Jupyters
說明 Uedu 平台如何彙整學生跨課程的多元學習資料，透過 LLM 合成結構化學習側寫，並注入 AI 對話系統實現個人化回應。
Learning Profile（跨課程學習側寫）是 Uedu 平台的學習者畫像合成模組。系統彙整學生在平台上的多元學習資料（9 種來源），透過 LLM 合成結構化的學習側寫 JSON，描述學生的核心興趣、學習風格、認知層次分布與跨課程模式。
學習側寫的核心產出之一是 prompt_injection_zh，一段簡潔的繁體中文描述，會被注入 AI 助教的 System Prompt，讓 AI 在對話中自動適應學生的學習特質，提供更個人化的回應。
學習側寫的合成基於 9 種資料來源，涵蓋學生在平台上的多維度學習足跡：
| # | 資料來源 | 時間範圍 | 說明 |
|---|---|---|---|
| 1 | courses | 全部 | 學生修讀的課程清單（課程名稱、學期） |
| 2 | course_questions | 近 90 天 | 課程 AI 對話中的學生提問紀錄 |
| 3 | notebook_questions | 近 90 天 | 個人筆記本 AI 對話中的學生提問紀錄 |
| 4 | bloom_distribution | 全部 | Bloom's Taxonomy 認知層次分布（六維度比例） |
| 5 | user_memory | 全部 | AI 助教記憶的學生偏好與特點 |
| 6 | profiling_scales | 最新一次 | 學習特質探索結果（RIASEC、Big Five、OEJTS） |
| 7 | ai_interact_evaluations | 全部 | AI 互動作業的評分結果 |
| 8 | interaction_stats | 全部 | 互動統計（對話次數、活躍天數、平均對話長度） |
| 9 | portfolio | 全部 | 學生的學習歷程檔案 |
course_questions 與 notebook_questions 僅取近 90 天的紀錄，以反映學生當前的學習狀態與興趣，而非全部歷史。其餘資料來源取全部紀錄。
學習側寫採用 on-demand（按需）生成模式。當以下情況發生時觸發：
為避免阻塞使用者操作，當快取即將過期時，系統會啟動背景刷新 thread，在背景重新生成側寫，使用者仍可使用舊版快取。
LLM 輸出的學習側寫為結構化 JSON，包含以下欄位：
| 欄位 | 型別 | 說明 |
|---|---|---|
core_interests | Array | 學生的核心興趣領域（如「人工智慧」「心理學」「教育科技」） |
learning_style | String | 學習風格描述（如「偏好實作導向」「喜歡先理解全貌再深入細節」） |
bloom_distribution | Object | 認知層次分布摘要（六維度，基於 Bloom's 分析數據） |
personality_alignment | Object | 與 Profiling 量表結果的對齊描述 |
cross_course_patterns | Array | 跨課程的學習模式觀察（如「在文科與理科課程中展現不同提問風格」） |
knowledge_gaps | Array | 潛在的知識缺口或待加強領域 |
next_steps | Array | 建議的下一步學習方向 |
profile_narrative_zh | String | 完整的學習側寫敘述（繁體中文，供學生閱讀） |
prompt_injection_zh | String | 精簡版描述（繁體中文，注入 AI System Prompt 用） |
prompt_injection_zh 是學習側寫的核心產出之一。這段簡潔的描述會被注入 AI 助教的 System Prompt（見第 6 節），讓 AI 自動適應學生的學習特質。例如：「此學生偏好實作導向學習，擅長分析層次思考，對程式設計有濃厚興趣，建議多提供程式碼範例。」
學習側寫的生成需要呼叫 LLM，有一定的延遲與成本。系統採用 24 小時快取（CACHE_HOURS = 24）策略：
系統對 9 種資料來源計算 hash 指紋。即使快取尚未過期，若資料指紋改變（表示學生有新的學習活動），系統也會觸發快取失效與重新生成。
此機制確保學習側寫能即時反映學生的最新學習狀態，而不會因快取而呈現過時的資訊。
當快取過期或指紋變化時，系統不會讓使用者等待 LLM 回應，而是：
prompt_injection_zh 會被注入 AI 助教的 System Prompt，讓 AI 在對話中自動考量學生的學習特質：
## 學習者側寫 此學生修讀資訊工程與心理學雙主修，偏好實作導向學習。Bloom's 分析顯示以「應用」和「分析」層次為主。RIASEC 類型為 IAS（研究-藝術-社會），傾向探索性學習。近期對機器學習與自然語言處理特別感興趣，建議多提供程式碼範例與實際應用案例。
每次學生開啟與 AI 助教的對話時，系統會檢查是否有有效的學習側寫快取。若有，將 prompt_injection_zh 附加至 System Prompt；若無或快取過期，則不注入（graceful degradation）。
prompt_injection_zh 不會在對話中直接顯示給學生，僅作為 AI 的背景參考學習者側寫由 Uedu 平台的 Learning Profile 模組按需生成。系統彙整 9 種資料來源（修課紀錄、近 90 天課程與筆記本 AI 對話提問、Bloom's 認知層次分布、AI 記憶、學習特質量表結果、AI 互動作業評分、互動統計、學習歷程檔案），透過 LLM（OpenAI gpt-4o-mini）合成結構化 JSON，包含核心興趣、學習風格、認知分布、跨課程模式、知識缺口、建議方向與繁體中文敘述。系統以 24 小時快取與資料指紋（hash）機制控制更新頻率，資料變化時自動觸發快取失效。核心產出 prompt_injection_zh 注入 AI 助教的 System Prompt，實現個人化對話回應。詳細方法論說明見 https://uedu.tw/doc/learning-profile。
建議同時提供：