基于DeepSeek技術的技工院校班級管理系統App優化開發

摘要：隨著技工院校班級管理需求的不斷升級，傳統管理系統在動態監管與智能化支持方面存在明顯不足，要求班級管理必須與時俱進，更新班級管理觀念[1]。文章依托Flutter框架構建的班級管理系統，深度融合DeepSeek大模型技術，聚焦學生操行分趨勢預警與總結報告功能優化，通過數據序列分析與智能算法挖掘學生行為數據與操行分的內在關聯。實踐表明，該方案有效實現了操行分的動態預警與智能總結，為班級管理提供了精準化、自動化的決策支持，顯著提升了管理效率與科學性。

關鍵詞：DeepSeek；院校管理；數據分析

中圖分類號：TP18" " " 文獻標識碼：A

文章編號：1009-3044（2025）17-0060-03

開放科學（資源服務） 標識碼（OSID）

0 引言

已有系統通過Flutter框架實現了班級操行分管理、信息查詢等基礎功能。然而其在使用過程中還存在顯著不足。

被動管理：傳統系統僅能記錄已發生的行為數據（如事后登記違紀記錄） ，缺乏對潛在風險的實時識別能力，難以在操行分異常波動前主動預警。

人工依賴：教師需耗費大量精力手動參考課堂考勤、宿舍評分等多源數據，依賴經驗判斷學生行為趨勢，效率低下且易受主觀因素影響。

反饋滯后：班主任端管理決策滯后于學生行為變化，錯失干預最佳時機。

本研究旨在通過本地部署DeepSeek-32B模型，深入挖掘學生行為數據與操行分之間的內在關聯，實現對學生操行分的動態預警和智能總結報告，為技工院校班級管理提供創新解決方案。通過將DeepSeek大模型技術與Flutter移動端開發相結合，系統利用其強大的自然語言處理與數據分析能力，構建了學生操行分趨勢預警與總結報告功能，填補了傳統系統在智能化管理層面的空白，推動班級管理從經驗驅動向數據驅動轉型。

1 相關技術與理論基礎

1.1 DeepSeek技術原理

DeepSeek基于Transformer架構，在多模態任務和復雜推理中能發揮強大性能[2]。作為新一代的大語言模型，其核心技術特性使其在教育領域的數據分析場景中具備顯著優勢。首先，DeepSeek-32B模型在保持32B參數量的同時，通過先進的模型壓縮技術，實現了與更大參數量模型相媲美的推理精度，確保在高效處理大規模學生行為數據時兼具準確性與輕量化。其次，其采用的混合專家架構（MoE） 支持動態激活不同專家模塊，使模型能夠針對操行分進行分析、趨勢預測等多任務需求，靈活調用對應的處理模塊，顯著提升復雜數據場景下的分析效率。

1.2 系統整體架構設計

基于DeepSeek技術的技工院校班級管理系統App采用了分層分布式架構，旨在實現高效的數據處理、靈活的功能擴展以及穩定的系統運行。系統分層式結構及各層的功能如表1所示。

系統主要由數據采集層、數據處理層、模型層、業務邏輯層和用戶接口層構成，各層之間相互協作，共同完成學生操行分趨勢預警與總結報告的生成任務。系統整體架構設計如圖1所示。

如圖1所示，系統主要由數據采集層、數據處理層、模型層、業務邏輯層和用戶接口層構成。數據采集層獲取原始數據后，經處理層清洗轉換，輸入模型層進行分析預測；模型輸出結果傳遞至業務邏輯層生成具體功能指令，最終通過用戶接口層呈現給終端用戶，形成閉環管理流程。

2 關鍵技術實現

2.1 DeepSeek本地API集成

2.1.1 模型部署方案

為實現DeepSeek-32B模型在技工院校班級管理系統中的高效運行，采用Ollama平臺提供的容器化部署方案。利用Ollama的Modelfile打包技術，將模型封裝為輕量級容器，在服務器環境中僅須簡單命令即可完成模型拉取與運行，顯著簡化了部署流程。部署完成后，通過LM Studio可視化工具驗證本地服務運行狀態，確保模型穩定接入系統。配置DeepSeek模型的RESTful API接口，遵循標準的接口規范[3]，使得其他模塊能夠方便地調用模型服務。通過定義統一的請求和響應格式，確保了接口的通用性和易用性。根據接口規范編寫并發出網絡請求，觀察DeepSeek服務是否正常工作。

2.1.2 數據交互

在基于DeepSeek技術的技工院校班級管理系統App中，數據交互是實現學生操行分趨勢預警與總結報告功能的關鍵環節。

1） 請求格式設計：后端在向DeepSeek模型發送學生操行分數據時，采用了JSON格式作為請求數據的載體。這種格式具有良好的可讀性和通用性，能夠方便地表示復雜的數據結構。每個請求包含學生的唯一標識、時間范圍（如一周、一個月） 、各項操行分數據（考勤、宿舍衛生、課堂表現等） 以及其他相關信息。但根據DeepSeek的API設計，每次請求的數據需要存放在content屬性的字符串中，所以在后端須將JSON格式的數據處理為一個單行字符串，再進行發送[4]。如原數據請求格式為：

[{...\"name\"： \"張三\"，\"score\"： \"3\"，}...]

轉化為：

\"name： 張三， score： 3...\"

2） 輸出設置：通過請求體中的stream屬性控制輸出模式，考慮到App后端需定時獲取完整分析結果，此處設置stream： 1以非流式方式返回最終結論。

3） 隱私保護措施：為了保護學生隱私，學生的名字做了隱藏，處理后調用Deepseek API的請求，以一周內班級的加扣分情況為\"content\"的參數，發出請求。

2.2 系統預設

系統預設通過提示詞工程實現對DeepSeek模型的引導，可以簡化工作時內容輸入（但token數量仍計算在內） 。可以在LM Studio“Developer”頁面中配置系統預設提示詞，也可以通過后端發送請求時配置提示詞，讓系統的輸出符合設計預期。

在后端編寫多角色的系統預設并請求，使用DeepSeek API手冊中提供的系統預設方法，給system的角色設置內容（content） ，并放入messages數組中即可。

以學生角色為例，對單個學生的一周操行分進行分析，在請求體中添加如下提示詞：

{\"role\"： \"system\"， \"content\"： \"數據為根據學生管理系統接口獲取的某學生當前的操行分以及一周以內的操行分情況的JSON文件（已經轉化為字符串） ，分析學生加、扣分情況，結合當前操行分，給出合理建議或預警（如某某的宿舍扣分較多、某某本周曠課次數較多等，給對應學生發出總結性的預警和建議，總字數不要超過100字） \"}

以班主任角色為例，以分析一周內班級加減分為例，為系統編寫預設：

{\"role\"： \"system\"， \"content\"： \"數據為根據學生管理系統接口獲取的班級所有學生一周以內的操行分情況的JSON文件（已經轉化為字符串） ，分析學生加、扣分情況，給出合理建議（如某某的宿舍扣分較多、某某本周曠課次數較多等，以班主任的語氣給出總結性的預警和建議，總字數不要超過300字） \"}

2.3 結果處理

DeepSeek模型在接收到請求后，利用服務器資源與根據預先學習的學生操行分數據模式和分析算法，對請求中的數據進行深入分析。利用其強大的自然語言處理和數據分析能力，挖掘數據中的潛在模式和趨勢，判斷學生操行分是否存在異常情況，并生成相應的預警信息。如果發現某個學生在一周內宿舍衛生連續扣分且考勤情況也不佳，模型會預測該學生的操行分可能會繼續下降，并生成相應的預警信息。最后，模型返回JSON格式的響應，其中包含預測結果與預警信息，后端再將結果進行進一步處理和展示，發送到學生端顯示預警信息，或生成總結報告供班主任參閱。如圖2所示。

3 應用效果與驗證

本研究在江蘇省某技工院校開展實測，選取5個班級共208名學生作為樣本，進行為期4周的功能測試。系統通過“學生端評價和預警”與“班主任端總結報告生成”兩大核心場景，驗證DeepSeek技術在操行分管理中的實際效能。分別以學生端分數情況查詢和班主任端總體情況查詢為例，App端通過卡片式布局渲染模型輸出的JSON數據，將復雜分析結果轉化為可視化文本。在App端“分數詳情”頁中的輸出結果渲染如圖3所示。

3.1 動態預警效能

針對及格線附近（60～70分） 的學生，系統基于DeepSeek模型的趨勢分析，可提前3～5天識別操行分持續下滑風險（如宿舍衛生連續扣分、曠課頻次上升） ，預警準確率達93%，較傳統人工統計方式提升37%。例如，某學生因連續3天宿舍評分低于60分，系統自動觸發黃色預警并推送至學生端，提示“近期宿舍紀律欠缺，得分已接近警告線”，幫助學生及時修正行為。

3.2 智能總結效率

班主任端每周五自動生成班級操行分周報，包含異常學生名單、個性化建議和高頻扣分原因，教師管理效率顯著提升。與傳統系統相比，基于DeepSeek的方案在數據處理速度（實時分析對比滯后1～2天） 和結論準確性（多維度關聯分析對比單因素統計） 上均有顯著提升，尤其在隱性風險識別（如長期紀律松散導致的操行分驟降） 方面展現出強大優勢。

4 總結

生成式AI從ChatGPT到DeepSeek的迭代，向實現認知增強框架演進[5]。本研究通過研究實踐，成功構建了技工院校班級管理系統的操行分趨勢預警與總結報告功能。系統依托Ollama容器化技術實現模型本地部署，通過提示詞工程優化大模型輸出邏輯，結合分層分布式架構提升數據處理效率，最終實現了學生行為數據的深度挖掘與智能化管理。

實踐表明，該方案顯著提升了預警準確率與教師工作效率，為班級管理提供了數據驅動的決策支持。研究創新點在于將大語言模型技術與教育管理場景深度融合，通過輕量化部署與定制化提示詞設計，解決了傳統系統在動態監管與智能分析中的不足。

未來研究可聚焦于多維度數據聯動分析（如學業成績與操行分的關聯建模） ，并在更大規模數據集上驗證模型泛化能力，進一步推動人工智能技術在職業教育管理中的深度應用。

參考文獻：

[1] 曾令華，胥經華.大數據時代班級管理平臺的開發與應用研究[J].中國電化教育，2015（7）：37-41.

[2] 羅坤明，湯明，尹克寒.國產開源大模型賦能圖書館智慧化服務功能：以DeepSeek為例[J/OL].圖書館理論與實踐，2025.[2025-03-06].https：//doi.org/10.14064/j.cnki.issn1005-8214. 20250228.001.

[3] DeepSeek.DeepSeek官方文檔[EB/OL].[2025-03-06].https：//api-docs.deepseek.com/zh-cn/.

[4] MILLER M A，SCHWARTZ T，PICKETT B E，et al.A RESTful API for Access to Phylogenetic Tools via the CIPRES Science Gateway[J].Evolutionary Bioinformatics，2015，11：43-47.

[5] 郭亞軍，徐苑茜，梁艷麗，等.從 ChatGPT 到 DeepSeek：生成式人工智能迭代對圖書館的影響[J/OL].圖書館論壇，2025.[2025-03-06].https：//link.cnki.net/urlid/44.1306.G2.20250226. 1616.005.

【通聯編輯：謝媛媛】