按高校所在省域填报数的统计情况 区域 高校数 填报高校数 河南省 174 104 广东省 165 88 江苏省 172 88 江西省 111 84 湖南省 139 81 辽宁省 114 80 广西壮族自治区 89 77 黑龙江省 78 75 四川省 139 70 福建省 88 63 安徽省 125 59 贵州省 80 54 重庆市 73 53 湖北省 133 49 北京市 重庆市 73 53 72.6% 福建省 88 63 71.6% 辽宁省 114 80 70.2% 内蒙古自治区 54 37 68.5% 新疆维吾尔自治区 63 43 68.3% 贵州省 80 54 67.5% 河南省 174 104 59.8% 宁夏回族自治区 22 13 59.1% 湖南省 139 81 58.3% 广东省 165 88 53.3% 7 区域 高校数 填报高校数 填报高校数 填报占比 江苏省 172 88 51.2% 北京市 92 47 51.1% 四川省 139 70 50.4% 甘肃省 50 25 50.0% 安徽省 125 59 47.2% 山西省 83 38 45.8% 吉林省 67 29 43.3% 西藏自治区 7 3 42.9% 湖北省 133 49 36.8% 陕西省 97 35 36.1% 海南省 25 7 28.0% 上海市

为了更好地展示评估数据，以下是一个示例表格，展示了某班 级学生的学习评估结果： 学生姓名 课堂表现得分 作业得分 测试得分 综合评分 学习建议 张三 85 90 88 88 加强概念理 解 李四 78 85 80 81 提高解题速 度 王五 92 88 93 91 保持优势， 拓展思维 通过上述方案，DeepSeek 教育平台能够有效提升学习评估的 效率和精准度，为教师提供强有力的教学支持，同时帮助学生更好 班级与传统教学班级进行比较，分析其平均分、及格率以及优秀率 等指标。例如，可以将期末考试的成绩数据整理如下表： 班级类型 平均分 及格率 优秀率 deepseek 班 85.3 95% 30% 传统班 78.6 88% 20% 其次，学生的学习态度和参与度也是评估的重要维度。通过设 计问卷，收集学生对 deepseek 系统的使用体验、学习兴趣的变化 “ 以及课堂参与度的反馈。问卷可以采用五级量表，从 非常不满 为了更直观地展示分析结果，我们采用以下数据表（表 7-1） 来展示某班级在数学、语文、英语三个学科的期中与期末考试成绩 对比： 学科 期中考试平均分 期末考试平均分 提升幅度 数学 75 85 +10 语文 80 88 +8 英语 70 82 +12 从表中可以看出，学生在期末考试中的平均分均有显著提升， 尤其是在英语学科，提升了 12 分，说明教学方案在这一学科上效 果显著。 此外，我们还对不同分数段的学生进行分层分析，具体数据如

买地 e5 4 国 2+ 网 三 1 3 日 te 1 . □ n 0s 88W9x885 数 平 地 * * 6 游 理 F * 竹 形 的评来平 6 ,9 动 个 加 地 阳 1 8 c 5 物 列表视图(名称、大小、修改时间) 缩略视图 创建文件夹 打开文件夹 前进、后退 文件路径导航 右键菜单：打 开 右键菜单：复制 右键菜单：剪切 右键菜单：粘贴 右键菜单：重命名 删除 关键字查询文件 88 文件分类显示 上传文件 下载文件 文件传输列表 我的班级 班级下拉列表 添加班级 编辑班级 班级成员列表(当前 班级所有成员) 未审核班级成员列 表 本地磁盘 量 二 1 中国通前 十四掌港 心理法 i 中保续呼 十一幸川 19 “ 嫁 出来 选 淋 G 以 如灯临养子的 行 认 语，要 R 无族 鲁 88 中国车项家 齿章中版里 tu 决 客 严值想正者 人味 中 国 生 R 20010551502 u 加 诺 兴 爱并人 中 国 + 一 章 液 地 ” 语育有程 午共子

软件和环境配置时间周期长，维护效 率低 员工无法对系统进行更改，不受病毒 影响，系统出问题，可以一键恢复 提高 9 倍 <100 台 / 人 >1000 台 / 人 设备更换频率 3-5 年 8-10 年 节省 88% 的费用 传统桌面办公 E-mail 光盘刻录 病毒木马 蓝牙 / 红外线传输 IM 实时通讯 移动存储及网络驱动器 打印机 TIF 传输 云终端故障 自动报警 秒级响应 远程接收到报警信息

封面，详图请参见设计指南图集.dwg 文件 ONA绿色全光网络技术委员会 87 87 目录，详图请参见设计指南图集.dwg 文件 ONA绿色全光网络技术委员会 88 88 设计说明（一），详图请参见设计指南图集.dwg 文件 ONA绿色全光网络技术委员会 89 89 设计说明（二），详图请参见设计指南图集.dwg 文件

案例六：全栈人工智能解决方案赋能高校科研创新 ···································· 86 第六章 教育大模型治理 ·································· 88 6.1 法制建设与标准化工作 ····················································· 89 6.1.1 完善法律法规，保障教育应用的规范性 OpenAI 等头部企业和美国 AI 投资界视为制胜法宝，由此构筑起 AI 领域的竞争壁垒。但是， DeepSeek 的崛起说明 AI 不再局限于简单堆砌算力，而是进入了以追求高算效和高能效为主的新阶段 88。 算力、数据和算法是大模型的基本三要素。DeepSeek 的实践表明，三者通过系统性工程创新可以显著提升整 体效能。双阶段模型蒸馏技术，使训练成本降低至传统方案的 1/20 89，验证了算法优化可显著降低算力依赖。 新，该方案涵盖软硬件部署、 模型适配等全链条场景化服务，赋能前沿 AI 能力高效转化为教学工具与科研引擎，助力高校在人工智能时代 构建“理论研究—技术突破—生态赋能”的全生态链创新体系。 88 88 06 教育大模型 治理 图片 AI 生成 89 大模型背景下高等教育数智化转型研究报告 随着教育大模型在高等教育领域的深入应用，构建科学有效的治理体系成为确保其健康发展的关键所在。当前，

...................................................................................................88 3.2.1.3 方案特点..................................................................................... 对于事件回看录像，如果按部就班、逐一查看，将耗费大量时间，效率低 下。通过视频摘要工具可以将几个小时发生的所有事件（画面中有移动目标） 浓缩成摘要，仅需几分钟便可查看，从而大幅度提高了视频录像的倒查效率。 88 ××学校智慧校园建设方案 3.1.6.1.1 目标快速提取 视频摘要通过智能算法，将原始视频的前景与背景相分离，即将前景中的 运动目标提取出来并与背景叠加，生成一个简短的时间摘要视频，其中包含了

2 Smart IPC 功能 .................................................................................. 88 5.6.3 Smart 265 编码技术 .......................................................................... 物体所有动作将以特写的形式清晰地传 往监控中心。 对比度过低 亮度过高 亮度过低 图像偏色 噪声干扰（图像雪花） 视频条纹干扰（横条） 黑白图像 视频遮挡 AI+ 智慧园区解决方案 XXX 系统技术有限公司 第 88 页 在实际使用中，当目标进入球机的用户设置的检测区域并触发行为分析规则， 系统自动产生报警，球机放大并持续跟踪报警目标。 监控关键帧效果如下图所示： 图 61 自动跟踪 5.6.2 Smart 通过接入专业智能相机， 行为分析服务器， 在平台上对其进行配置、 接收报 警等操作，并能在事件中心模块对该报警配置联动动作。 AI+ 智慧园区解决方案 XXX 系统技术有限公司 第 108 页 图 88 周界报警示意图 2) 人脸应用 接入智能人脸比对服务器， 实现支持名单报警 （创建人脸名单， 为此名单配 置人脸库图片，并设置相似度，实现名单报警等） ；在人脸库、抓拍库中以图搜 图；通过

80. 聘任情况代码 81. 培养方式代码 82. 批准形式代码 83. 取得资格途径代码 84. 缺考舞弊代码 85. 任课角色代码 86. 任课课程类别代码 87. 任课状况代码 88. 入学方式代码 89. 入学考试类型代码 90. 任职方式代码 91. 社会经济效益代码 92. 授奖等级代码 93. 授课方式代码 94. 申请学位类别代码 95. 受让方类型代码 科技项目情况信息类 科技项目基本情况 82. 项目协作单位情况 83. 项目经费情况 84. 项目人员情况 85. 86. 科研机构信息类 科研机构基本情况 87. 科研协作机构情况 88. 科研机构经费情况 89. 科研机构人员情况 90. 91. 科技著作信息类 科技著作基本情况 92. 科技著作人员情况 93. 科技论文信息 科技论文基本情况 94. 科技论文发展情况

...................................................................................................88 11. 用户培训与支持...................................................................................... 这样，标准化后的特征值 ( z_i ) 将服从均值为 0， 标准差为 1 的标准正态分布。 例如，假设我们有以下数据表： 学生 ID 数学成绩 英语成绩 1 85 92 2 70 88 3 90 85 4 78 90 5 82 87 我们分别计算数学成绩和英语成绩的均值和标准差：  数学成绩：均值 ( {} = 81 ) ，标准差 ( {} = 7.14 )