پیش‌بینی خودکار ریاضیات O-Level GCE با هوش مصنوعی در وردپرس

تحلیل و انتشار پیش‌بینی‌های ریاضی O-Level GCE با Perplexity AI در WordPress و Slack

این گردش کار، تحلیل و پیش‌بینی موضوعات امتحانی ریاضی GCE O-Level برای سال ۲۰۲۵ را خودکار می‌کند. این گردش کار از هوش مصنوعی برای پردازش محتوای برنامه درسی و داده‌های امتحانی تاریخی استفاده می‌کند و بینش‌ها و پیش‌بینی‌های مبتنی بر داده را ارائه می‌دهد. سپس نتایج در WordPress منتشر شده و از طریق Slack اعلام می‌شوند.

دسته‌بندی‌ها: استخراج سند، خلاصه‌سازی هوش مصنوعی

کاتالوگ Axeto: https://axeto.ai/n8n

---

نمای کلی گردش کار

این گردش کار برای مربیان و دانش‌آموزانی که برای امتحانات ریاضی سطح O سنگاپور آماده می‌شوند، طراحی شده است. این گردش کار فرآیند زیر را خودکار می‌کند:

1. دریافت ورودی و اکتساب داده: راه‌اندازی دستی گردش کار، دانلود PDF برنامه درسی رسمی ریاضی سطح O سال ۲۰۲۵ از SEAB و استخراج محتوای متنی آن.

2. بارگذاری زمینه تاریخی: گنجاندن موضوعات تاریخی از پیش تعریف شده و حوزه‌های چالش‌برانگیز برای غنی‌سازی تحلیل هوش مصنوعی.

3. پردازش و استدلال هوش مصنوعی: تغذیه داده‌های برنامه درسی و زمینه تاریخی به یک عامل هوش مصنوعی (با استفاده از مدل Perplexity Sonar Reasoning از OpenRouter) برای تولید بینش‌ها و پیش‌بینی‌های ساختاریافته امتحانی.

4. پس‌پردازش و تولید گزارش: تجزیه خروجی JSON هوش مصنوعی، قالب‌بندی آن به یک گزارش Markdown و سپس تبدیل آن به HTML برای انتشار در وب.

5. انتشار و اطلاع‌رسانی: انتشار گزارش HTML در WordPress به عنوان یک پست جدید و ارسال یک اعلان خلاصه به کانال Slack.

---

جزئیات گره‌ها (Node Breakdown)

۱. دریافت ورودی و اکتساب داده

این بخش بر دریافت داده‌های لازم برای تحلیل تمرکز دارد.

• گره‌ها (Nodes):

* Manual Trigger

* Fetch O-Level Math Syllabus (HTTP Request)

* Extract Syllabus Text (Extract from File)

* Prepare Analysis Data (Set)

• جزئیات گره‌ها:

* Manual Trigger

* نوع: n8n-nodes-base.manualTrigger

* نقش: اجرای دستی گردش کار را آغاز می‌کند.

* پیکربندی: پارامتر خاصی لازم نیست.

* خروجی: گره‌های بعدی را فعال می‌کند.

* Fetch O-Level Math Syllabus

* نوع: n8n-nodes-base.httpRequest

* نقش: فایل PDF برنامه درسی رسمی ریاضیات GCE O-Level 2025 را از وب‌سایت SEAB دانلود می‌کند.

* پیکربندی:

* متد (Method): GET

* آدرس URL: https://www.seab.gov.sg/docs/default-source/national-examinations/syllabus/olevel/2025syllabus/4048_y25_sy.pdf

* ورودی: خروجی Manual Trigger.

* خروجی: محتوای فایل باینری PDF.

* مشکلات احتمالی: خطاهای شبکه، تغییر آدرس URL، خطاهای HTTP (مانند 404)، مهلت زمانی (timeouts).

* Extract Syllabus Text

* نوع: n8n-nodes-base.extractFromFile

* نقش: محتوای متنی ساده را از فایل PDF دانلود شده استخراج می‌کند.

* پیکربندی:

* عملیات (Operation): text

* ورودی: فایل PDF باینری از Fetch O-Level Math Syllabus.

* خروجی: متن برنامه درسی به صورت رشته (string) در داده‌های JSON.

* مشکلات احتمالی: خطاهای تجزیه PDF، فایل‌های خراب.

* Prepare Analysis Data

* نوع: n8n-nodes-base.set

* نقش: متن برنامه درسی استخراج شده و سال تحلیل را برای مرحله پردازش هوش مصنوعی سازماندهی می‌کند.

* پیکربندی:

* syllabus_content: تنظیم شده بر روی متن استخراج شده (مثلاً {{$json.data}}).

* analysis_year: تنظیم شده بر روی 2025.

* ورودی: خروجی JSON از Extract Syllabus Text.

* خروجی: شیء JSON شامل syllabus_content و analysis_year.

۲. بارگذاری زمینه تاریخی

این بخش داده‌های ایستا را برای ارائه اطلاعات پیش‌زمینه به هوش مصنوعی آماده می‌کند.

• گره‌ها (Nodes):

* Load Historical Context (Set)

• جزئیات گره‌ها:

* Load Historical Context

* نوع: n8n-nodes-base.set

* نقش: رشته‌های از پیش تعریف شده‌ای را که نشان‌دهنده موضوعات امتحانی تاریخی و حوزه‌های چالش‌برانگیز شناخته شده هستند، تزریق می‌کند.

* پیکربندی:

* historical_topics: رشته‌ای که موضوعات رایج تکرارشونده را لیست می‌کند (مثلاً "Algebra, Geometry, Trigonometry, Statistics, Calculus basics").

* challenging_areas: رشته‌ای که موضوعات دشوار را لیست می‌کند (مثلاً "Circle Theorems, Trigonometric proofs, Probability, Kinematics").

* ورودی: خروجی Manual Trigger.

* خروجی: شیء JSON شامل historical_topics و challenging_areas.

۳. پردازش و استدلال هوش مصنوعی

این هسته اصلی گردش کار است که در آن هوش مصنوعی داده‌ها را تحلیل می‌کند.

• گره‌ها (Nodes):

* AI Analysis Agent (@n8n/n8n-nodes-langchain.agent)

* OpenRouter Chat Model (@n8n/n8n-nodes-langchain.lmChatOpenRouter)

• جزئیات گره‌ها:

* AI Analysis Agent

* نوع: @n8n/n8n-nodes-langchain.agent

* نقش: یک اعلان (prompt) دقیق برای هوش مصنوعی می‌سازد که محتوای برنامه درسی و زمینه تاریخی را ترکیب کرده و تحلیل و پیش‌بینی‌های امتحانی ساختاریافته را در قالب JSON تولید می‌کند.

* پیکربندی:

* اعلان (Prompt): یک اعلان جامع که هوش مصنوعی را به عنوان یک تحلیلگر آموزشی متخصص برای ریاضیات GCE O-Level سنگاپور راهنمایی می‌کند. این شامل متن برنامه درسی، موضوعات تاریخی و حوزه‌های چالش‌برانگیز است.

* ساختار خروجی (Output Structure): فرمت خروجی JSON مورد نظر را مشخص می‌کند، از جمله فیلدهایی مانند exam_summary, top_recurring_topics, challenging_areas_highlighted, topic_weightage_prediction, و predicted_questions.

* مدل هوش مصنوعی (AI Model): برای استفاده از گره OpenRouter Chat Model پیکربندی شده است.

* ورودی:

* syllabus_content و analysis_year از Prepare Analysis Data.

* historical_topics و challenging_areas از Load Historical Context.

* خروجی: رشته JSON تولید شده توسط هوش مصنوعی حاوی تحلیل.

* مشکلات احتمالی: خطاهای پاسخ هوش مصنوعی، محدودیت‌های نرخ API، خروجی JSON نامعتبر، شکست اجرای اعلان.

* OpenRouter Chat Model

* نوع: @n8n/n8n-nodes-langchain.lmChatOpenRouter

* نقش: به API OpenRouter متصل می‌شود تا اعلان هوش مصنوعی را با استفاده از یک مدل خاص پردازش کند.

* پیکربندی:

* مدل (Model): perplexity/sonar-reasoning

* اعتبارنامه‌ها (Credentials): نیاز به یک کلید API معتبر OpenRouter دارد.

* ورودی: اعلان هوش مصنوعی تولید شده توسط AI Analysis Agent.

* خروجی: پاسخ متنی از مدل هوش مصنوعی (انتظار می‌رود JSON باشد).

* مشکلات احتمالی: کلید API نامعتبر، فراتر رفتن از سهمیه‌های استفاده، مهلت زمانی شبکه، عدم دسترسی مدل.

۴. پس‌پردازش و تولید گزارش

این بخش خروجی خام هوش مصنوعی را به یک فرمت قابل ارائه تبدیل می‌کند.

• گره‌ها (Nodes):

* Parse AI Output (Set)

* Format Report (Markdown)

* Convert to HTML (HTML)

• جزئیات گره‌ها:

* Parse AI Output

* نوع: n8n-nodes-base.set

* نقش: خروجی JSON هوش مصنوعی را تجزیه و نرمال‌سازی می‌کند تا استفاده از آن در مراحل قالب‌بندی بعدی آسان‌تر شود.

* پیکربندی: معمولاً شامل تنظیم متغیرها برای دسترسی به فیلدهای خاص در پاسخ JSON هوش مصنوعی است.

* ورودی: خروجی JSON از AI Analysis Agent.

* خروجی: داده‌های JSON ساختاریافته آماده برای قالب‌بندی.

* مشکلات احتمالی: ساختار JSON نامعتبر یا غیرمنتظره از هوش مصنوعی.

* Format Report

* نوع: n8n-nodes-base.markdown

* نقش: داده‌های تحلیل هوش مصنوعی ساختاریافته را به یک گزارش Markdown قابل خواندن تبدیل می‌کند.

* پیکربندی: از عبارات (expressions) برای ارجاع به فیلدها از خروجی تجزیه شده هوش مصنوعی استفاده می‌کند (مثلاً ایجاد سرتیتر برای موضوعات، لیست کردن پیش‌بینی‌ها).

* ورودی: خروجی تجزیه شده هوش مصنوعی JSON از Parse AI Output.

* خروجی: متن با فرمت Markdown.

* مشکلات احتمالی: فیلدهای داده گمشده، خطاهای قالب‌بندی.

* Convert to HTML

* نوع: n8n-nodes-base.html

* نقش: گزارش Markdown را به HTML تبدیل می‌کند که برای انتشار در یک پلتفرم وب مانند WordPress مناسب است.

* پیکربندی: معمولاً هیچ پارامتر خاصی برای تبدیل پایه Markdown به HTML لازم نیست.

* ورودی: متن Markdown از Format Report.

* خروجی: محتوای HTML.

* مشکلات احتمالی: خطاهای نحو Markdown که باعث شکست تبدیل می‌شوند.

۵. انتشار و اطلاع‌رسانی

مرحله نهایی شامل توزیع گزارش تولید شده است.

• گره‌ها (Nodes):

* Publish to WordPress (WordPress)

* Send Slack Summary (Slack)

• جزئیات گره‌ها:

* Publish to WordPress

* نوع: n8n-nodes-base.wordpress

* نقش: یک پست جدید در سایت WordPress حاوی گزارش تحلیل تولید شده توسط هوش مصنوعی ایجاد می‌کند.

* پیکربندی:

* عنوان پست (Post Title): به صورت پویا تنظیم می‌شود (مثلاً GCE O-Level Math Predictions {{ $json.analysis_year }}).

* محتوا (Content): محتوای HTML تولید شده توسط Convert to HTML.

* اعتبارنامه‌ها (Credentials): نیاز به اعتبارنامه‌های API WordPress (نام کاربری، رمز عبور، آدرس URL) دارد.

* ورودی: محتوای HTML از Convert to HTML.

* خروجی: پاسخ ایجاد پست WordPress، شامل آدرس URL پست جدید.

* مشکلات احتمالی: خطاهای احراز هویت، خطاهای API، محدودیت‌های حجم محتوا، مشکلات شبکه.

* Send Slack Summary

* نوع: n8n-nodes-base.slack

* نقش: خلاصه مختصری از تحلیل و پیوندی به پست WordPress را به یک کانال Slack مشخص ارسال می‌کند.

* پیکربندی:

* آدرس URL وب‌هوک (Webhook URL): برای کانال Slack هدف پیکربندی شده است.

* پیام (Message): به صورت پویا با استفاده از بینش‌های کلیدی از تحلیل هوش مصنوعی (مانند موضوعات پیش‌بینی شده برتر، امتیازات اطمینان) و آدرس URL پست WordPress ساخته می‌شود.

* ورودی:

* آدرس URL پست WordPress از Publish to WordPress.

* داده‌های خروجی تجزیه شده هوش مصنوعی از Parse AI Output (برای محتوای خلاصه).

* خروجی: پیامی که در کانال Slack مشخص شده ارسال می‌شود.

* مشکلات احتمالی: آدرس URL وب‌هوک نامعتبر، محدودیت‌های نرخ API Slack، خطاهای قالب‌بندی پیام.

---

جدول خلاصه