弥合视觉学习模型(VLMs)的领域差距:一个科学精细调优框架,旨在提升天文图像理解的精确度和教学效果

《Computers and Education: Artificial Intelligence》:Bridging the domain gap for VLMs: A scientific fine-tuning framework for precision and pedagogy in astronomical image understanding

【字体: 大 中 小 】 时间:2026年08月27日 来源:Computers and Education: Artificial Intelligence 23.4

编辑推荐:

   摘要 视觉语言模型(VLMs)在教育应用中具有巨大潜力;然而,现有研究主要依赖于通用架构的直接调用,缺乏针对特定学科视觉语料库进行系统化微调的方法。本研究将探讨空间教育背景下的多模态基础模型的领域适应路径。研究构建了一个高质量的数据集,包含9838张天文图像和相应的结构化教育

  

摘要

视觉语言模型(VLMs)在教育应用中具有巨大潜力;然而,现有研究主要依赖于通用架构的直接调用,缺乏针对特定学科视觉语料库进行系统化微调的方法。本研究将探讨空间教育背景下的多模态基础模型的领域适应路径。研究构建了一个高质量的数据集,包含9838张天文图像和相应的结构化教育文本:这些图像来自权威的航空航天平台,并通过数据增强进行处理;文本则通过DeepSeek API在多理论教育框架内生成,形成了包括描述、解释、联系和扩展在内的四层层次结构。基于这个数据集,采用了低秩适应(LoRA)技术对Qwen3-VL-4B-Instruct模型进行了参数高效的微调。实验结果表明,微调后的模型在整体测试集上的准确率从62.2%提升到了91.3%;在颜色扰动和旋转变换的图像上的准确率分别达到了93.1%和89.4%,显示出强大的视觉泛化能力。进一步评估表明,在评估的样本中,微调模型的表现优于基线模型(准确率为94.4%)。一项针对156名七年级学生的试点研究还表明,该模型在用户满意度、图像识别准确性和学习实用性方面都表现优异,三个维度的积极反馈率均超过86%。这些发现表明,基于教育结构化语料库进行的领域适应使模型能够超越表面层次的视觉描述,生成既具有学科精确性又具有教育意义的解释性文本,从而为推动人工智能在教育领域的应用提供了方法论参考和实证依据,使其从“可用”变为“可信”和“可教学”的工具。
Linze Li | Jingxi Liu | Sai-Kit Yeung | Chee-Kit Looi | Yunfan Zhao | Daner Sun
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号