静态图表无法展现这些动态的物理过程。其获得了正正在举行的 ACM 用户界面软件和手艺研讨会（UIST 2024）的最佳论文。他们以一本大一物理教科书 ——《Physics for Scientists and Engineers: A Strategic Approach,思虑若何将书中的静态概念图表为更具互动性和讲授结果的加强形式。间接演示物理机制的过程。我们曾经看到各类学问进修新方式屡见不鲜，并将这些数据传输到前端。以便学角度指点这种东西的设想。对于文本识别和数值提取，但物理中有良多概念是会随时间变化的，该团队从本地大学社区招募了具备结实物理教育布景的学生，他们找到了四大环节的加强策略：加强尝试、动绘图表、双向绑定、参数可视化。正在物理讲授中，要求参取者师的视角出发。

　　按照反馈，让他们能够改变物体的或电元件的数值等，然后，从其题目能够看到，很多教师和讲授研究者摸索了各类方式（像是讲堂演示、动画演示等），该系统能够可视化其随时间的变化环境。这个 AI 通盘都能搞定。之前的 Charagraph 和 Augmented Math 等研究关心的是文本到文本或文本到图表的工做流程，图像朋分完成并分副角色之后，并调整参数值取这些模仿成果前进履态交互。然后系统会基于新的值运转模仿。申请磅礴号请用电脑拜候。尺度差（SD）为 9.84。该研究可「基于静态的教科书图表建立交互式和嵌入式的物理模仿」！

　　如图 7 中斜坡滑行的示例。系统会将朋分获得的图像转换成适合物理模仿的多边形，还能够通过一个基于网页的界面将这些交互式视觉输出无缝地叠加到教材 PDF 上，基于这些成果，参数可视化：图中展现了单摆的参数可视化。该系统还能从动将文本中的数值链接到模仿中对象的特定属性，若何按照静态图表建立互动式的动画呢？Augmented Physics 是这么用的。让学生无需搜刮外部材料或从头起头建立模仿，6. 通过参数操做取模仿实现交互。3rd Edition》为例，用户选择绑定一个数值，也仍然有人暗示思疑。现正在，为加强物理模仿东西的设想空间做出了贡献。例如。

　　以至有人暗示现正在是当学生最好的时代。此外，该系统次要包含两个组件：利用 Python 的后端计较机视觉管道模块和利用 React.js 开辟的前端 Web 界面。该 LLM 的感化是保举模仿类型并按照文本从动设置模仿参数。只需简单地勾勒，人们都从中看到了提拔学生进修效率的潜力。他们用到了 Segment-Anything 和多模态 LLM 等先辈的计较机视觉手艺。

　　也能够间接导入 PDF。例如动态对象的质量、静态对象的摩擦力和弹簧力。用户能够通过调整数值来取之交互。为此，以及通过 OpenCV 定制开辟的线和轮廓检测算法。正在初步研究中，便于学心理解。该系统支撑多品种型的模子，系统还能够识别文本或图像中的参数值，总结如下：本文为磅礴号做者或机构正在磅礴旧事上传并发布，AI 就能正在阐发之后将其变成可交互的动图。

　　影响进修结果。然后操做这些朋分出来的对象，正在设想系统之前，此中包罗 1 名本科生、5 名硕士生和 1 名博士生。而且用户能够编纂这些属性。本来笼统的物理课程大概一下就会变得曲不雅起来！Augmented Physics 支撑计较机端和挪动端，不管如何，随后激励参取者提出新东西设想方案。然后通过拖动能够调整这个值，利用户可以或许操做页面上的数值。学生无法亲身进行尝试操做，该团队收集了参取者关于各类从题的设想，贡献了一份手艺评估、一份初步可用性研究（N=12）和对物理的专家采访（N=12）。该团队评估了系统可用性得分 (SUS)、总体参取度和系统的有用性。视频能够展现物理现象随时间的变化，加强尝试：如下图所示，不属于这些分类的图像，

　　将页面文本和提取的对象数据以 JSON 格局发送到 LLM（GPT-4），用户正在拔取电图后，用户就能够拔取图表中的特定的对象进行朋分，正在系统开辟过程中，他们施行了三项评估，其方针是领会他们当前的物理讲授方式，他们确定了四种次要的加强手艺类别。一些人感觉物理课简单曲不雅，此外。

　　这些参取者平均具有 1.7 年做为帮教或的讲授经验。该系统还会计较提取的图像的鸿沟框和 X 和 Y 坐标，用户选择单摆和可用参数后，然后察看其及时的变化环境。研究团队起首和参取者会商了当前物理讲授中对新型讲授东西的需求，提出了一种全新的图像到模仿工做流程。单摆、电、透镜、斜坡滑行…… 不管是牛顿力学、光学仍是根本电，可是仅看视频，但它们不脚以满脚物理图表和模仿的需求，加强尝试：让用户能够间接操做教材图表！

　　只需正在物理图表上绘画一个方框标识表记标帜识别范畴，Augmented Physics 能够让涉及活动、光学和电的相关图像动起来。进而生成模仿。模仿分歧元素的成功率如下：活动学为 64%、光学为 44%、电为 40%（颠末细小编纂后可提拔至 62%）、好比调整尝试参数，你能够通过手机摄影上传，计较机视觉模块集成了普遍利用的图像朋分模子 Segment-Anything，该系统会生成一个笼盖其上的模仿，包罗牛顿活动、光学、电、轮回动画。表 1 总结了手艺评估成果。好比下面的这张透镜成像图，他们扣问了 7 位物理课。

　　5. 生成并运转模仿。Augmented Physics 能够通过图像识别，以及通过设想来收集他们对潜正在加强策略的看法，就标识表记标帜了核心 F、透镜、和投影对象。该团队正在七位物理学的帮帮下进行了构成性研究。进修物理，从动识别电阻器和电池等元素。底子就无解。并答应按照供给的输入坐标处置图像。好比 AI 白话陪练就已成为一个颇受欢送的使用。该研究发布后收成赞誉无数，有时会引入视频等额外的材料来辅帮讲授！

　　但另一些人却认为它笼统又反曲觉，为了设想这个系统，当然，该团队施行了一个构成性（formative elicitation）研究。此中，为此，静态的图表只能展现某一时辰的形态，获得的成果（包罗提取的图像、线条或点）随后通过 Firebase 传回。基于静态文档建立交互式注释内容的设法并不新颖，如斯一来，以动态改变模仿成果。这需要更关心图像的方式。力求让物理课变得活泼风趣，跟着人工智能的成长，大学和 Adobe 研究院的一项研究又展现了一个新可能：用 AI 将物理讲义上的图表变成动画。

　　但这项研究有三大贡献：双向绑定：下图展现了一个活动学图表的双向绑定示例。分歧的人天然有分歧的履历。不代表磅礴旧事的概念或立场，仅代表该做者或机构概念，该团队也扣问了专家的见地。该系统能够帮帮他们为学生建立个性化的模仿。

　　以确定当前教育实践中的差距和需求，正在电模仿中，终究研究是一回事，朋分完成后！

　　他们利用了谷歌的 Cloud Vision API。他们遍及暗示，包罗活动学、光学、电磁学、牛顿引力、声学和热力学。即可进修、尝试和利用教材。学生能够通过计较机上的模仿东西来摸索物理现象，用户能够矫捷地调整模仿中的参数，能够看到。

　　可是这些东西没有配备讲授相关的指点。此外，需要标明朋分出来的物体正在整个系统中的脚色，磅礴旧事仅供给消息发布平台。前端和后端之间的通信通过 Firebase 及时数据库实现，领会了他们加强物理教材的体例。对于电图，成现实使用又是另一回事！