基于大型语言模型的符号回归——为物理学院生构建的个性化学习工具

交叉练习可增强 undergraduate 课程中学生的记忆和问题解决能力。我们引入一个基于大型语言模型（LLM）的个性化学习工具，为学生在完成包含来自物理学院课程的interleaved问题的作业时提供即时且个性化的关注。该工具利用维数分析方法，提升学生的定性思维和解决复杂现象的能力。我们的method将LLMs用于符号回归与维数分析通过prompt engineering 结合，为学生提供独特视角，理解物理变量之间的关系。这培养了对物理和数学原理更广泛、更灵活的理解，补充了传统的 undergraduate 物理教育——后者依赖在特定情境下解释和应用既定方程。我们测试了该个性化学习工具在费曼物理演示课中的方程。该工具可为大多数方程正确识别物理变量之间的关系，凸显其作为 undergraduate 物理学生的补充性、个性化学习工具的价值。