▋前言

前十天我們拆解了系統架構、四大模組，以及過程中的優化。今天要回到競賽的成果報告，看看整個系統如何整合，最終生成完整的課程品質分析報告。

▋內容

在比賽最終成果展示時，我們除了展示逐字稿與情緒曲線，也加入了更直觀的文字雲 (Word Cloud) 與統計分析：

1. 逐字稿 (Transcript)
   透過 Whisper，我們能輸出準確逐字稿，並且標記出 Teacher/Student，讓課程互動一目了然。

2. 情緒曲線 (Emotion Curve)
   透過 SpeechBrain + Wav2Vec，我們生成學生情緒曲線，能看出專注度變化與學習氛圍。

3. 文字雲 (Word Cloud)
   我們將逐字稿中的單字進行詞頻統計，輸出文字雲圖。教師能快速抓出課堂中最常出現的單字，判斷是否達到教學目標。

4. LLM 輔助分析 (地端 Ollama)
   為了保護內部資料，本次競賽有不使用外部服務的限制，因此我們使用 Ollama 內建的 LLaMA 模型（不依賴外部 API），將逐字稿、情緒與統計資料輸入模型，由 LLM 自動生成「課堂摘要」與「學生學習回饋」。這樣的自動報告更貼近實務需求，也符合資料保護規範。

這些功能的整合，使得報告不僅是數據，更是能直接支撐決策的教學輔助工具。

▋下回預告

下一篇將介紹 LLM 技術與比較，並說明為什麼我們選擇地端模型。

▋參考資料

WordCloud Python 套件
Ollama 官方文件
圖片源自競賽成果簡報