热门角色不仅是灵感来源,更是你的效率助手。通过精挑细选的角色提示词,你可以快速生成高质量内容、提升创作灵感,并找到最契合你需求的解决方案。让创作更轻松,让价值更直接!
我们根据不同用户需求,持续更新角色库,让你总能找到合适的灵感入口。
为特定主题的正确答案生成准确且具有教育意义的反馈。
用于正确答案的高质量反馈语料(主题:光合作用) - 总反应方程 正确答案反馈:你的方程式表述准确。光合作用将二氧化碳还原为有机物并伴随水的氧化,释放的氧气来源于水而非二氧化碳;在定量表达上,常用简式为 6 CO2 + 6 H2O → C6H12O6 + 6 O2,且同位素示踪已证实 O2 来自 H2O。 证据支持:Ruben & Kamen, 1941; Taiz et al., 2018. - 反应场所分隔 正确答案反馈:定位无误。光反应发生在叶绿体类囊体膜,产生 ATP 与 NADPH 并释放 O2;卡尔文-本森循环在基质进行,利用 ATP 与 NADPH 还原 CO2。 证据支持:Taiz et al., 2018; Nelson & Cox, 2021. - 光系统与特异吸收 正确答案反馈:你正确识别了两套光系统的分工。PSII(P680)启动水的光解并驱动电子流至 PSI(P700),两者协同实现“Z 模式”电子传递。 证据支持:Nelson & Cox, 2021; Berg et al., 2019. - 氧气来源 正确答案反馈:判断准确。释放的分子氧来自水的光解,而非 CO2;18O 标记实验是关键证据。 证据支持:Ruben & Kamen, 1941; Taiz et al., 2018. - ATP 的化学渗透合成 正确答案反馈:你的机制解释精确。类囊体腔内的质子积累形成电化学势梯度,驱动 CF0–CF1 ATP 合酶催化 ADP 磷酸化生成 ATP。 证据支持:Mitchell, 1961; Nelson & Cox, 2021. - 循环与非循环电子传递 正确答案反馈:区分恰当。非循环电子传递同时生成 ATP 与 NADPH并释氧;循环电子传递仅经 PSI 运转,提高 ATP/NADPH 比值以匹配卡尔文循环的能量需求。 证据支持:Taiz et al., 2018; Nelson & Cox, 2021. - 卡尔文-本森循环的投入与产出 正确答案反馈:计量正确。净合成并输出一个三碳糖(G3P)需要固定 3 个 CO2、消耗 9 个 ATP 与 6 个 NADPH。 证据支持:Berg et al., 2019; Nelson & Cox, 2021. - RuBisCO 的双功能性 正确答案反馈:概念把握到位。RuBisCO 兼具羧化与加氧活性;当温度升高或 CO2/ O2 比降低时,加氧反应增强,导致光呼吸增加。 证据支持:Taiz et al., 2018. - 光呼吸的代谢通路 正确答案反馈:描述准确。光呼吸跨越叶绿体、过氧化物酶体与线粒体,回收 2-磷酸乙醇酸碳骨架但消耗能量并释放 CO2。 证据支持:Taiz et al., 2018. - C3、C4 与 CAM 的比较 正确答案反馈:分类与机理正确。C4 通过空间分离(叶肉与维管束鞘细胞)先以 PEP 羧化酶固定 HCO3−;CAM 通过时间分离夜间固定、昼间脱羧,以降低光呼吸并节水。 证据支持:Taiz et al., 2018. - 色素与吸收光谱 正确答案反馈:要点准确。叶绿素 a 为反应中心必需,强吸收蓝光与红光;类胡萝卜素拓展光谱并参与能量转移与光防护。 证据支持:Berg et al., 2019; Taiz et al., 2018. - 光量子需求 正确答案反馈:数值判断恰当。在理想条件下,进程每释放 1 分子 O2 至少需要约 8 个光子(两光系统各驱动 4 次激发);实际生理条件下可能更高。 证据支持:Nelson & Cox, 2021. - pH 梯度与基质/腔体变化 正确答案反馈:方向性正确。光照下类囊体腔酸化、基质碱化,形成的 ΔpH 是驱动 ATP 合成的关键组成。 证据支持:Taiz et al., 2018. - 限速因子与光饱和/光抑制 正确答案反馈:分析到位。光强、CO2 浓度与温度是经典限速因子;超过最适光强会出现光抑制,需要类胡萝卜素与非光化学猝灭参与保护。 证据支持:Taiz et al., 2018. - “光独立反应”的命名理解 正确答案反馈:认识正确。卡尔文循环虽不直接依赖光子,但通常在光下进行,因为其能量与还原力来自光反应生成的 ATP 与 NADPH。 证据支持:Berg et al., 2019. - 气孔调控与碳-水权衡 正确答案反馈:阐释严谨。气孔开度同时影响 CO2 同化与蒸腾损失;环境胁迫下的关闭会降低 CO2 供给并加剧光呼吸。 证据支持:Taiz et al., 2018. - 碳同化产物输出形式 正确答案反馈:表述精确。卡尔文循环的主要可溶性输出为三碳糖磷酸(如 G3P),随后在叶绿体或胞质中用于淀粉或蔗糖的合成。 证据支持:Nelson & Cox, 2021. - 经典实验理解(恩格尔曼) 正确答案反馈:解释正确。恩格尔曼利用需氧细菌指示法显示蓝光与红光最有效驱动产氧,支持吸收光谱与作用光谱的一致性。 证据支持:Taiz et al., 2018. - 水的光解位点 正确答案反馈:定位准确。水分解发生在 PSII 的产氧复合体(Mn4CaO5 簇),提供电子并释放 O2,同时向腔体释放质子。 证据支持:Nelson & Cox, 2021; Taiz et al., 2018. - 电子受体终端 正确答案反馈:判断无误。非循环电子传递的末端电子受体为 NADP+,经铁氧还蛋白–NADP+ 还原酶(FNR)催化生成 NADPH。 证据支持:Berg et al., 2019. - 温度效应 正确答案反馈:你的推论正确。温度升高加快酶促反应但也提高 RuBisCO 的加氧/羧化比并增加膜流动性,综合影响导致最适温度存在种属差异。 证据支持:Taiz et al., 2018. - CO2 补偿点 正确答案反馈:概念无误。C3 植物的 CO2 补偿点较高,C4 植物因降低光呼吸而具有更低的补偿点。 证据支持:Taiz et al., 2018. - 非光化学猝灭(NPQ) 正确答案反馈:要点正确。NPQ 通过类胡萝卜素参与的能量耗散途径保护反应中心,依赖腔体酸化与叶黄素循环。 证据支持:Taiz et al., 2018. - 产物分配与昼夜节律 正确答案反馈:理解到位。光期偏向合成与积累叶绿体淀粉,暗期通过蔗糖外运维持呼吸与生长。 证据支持:Nelson & Cox, 2021. 参考文献(APA 第七版) - Berg, J. M., Tymoczko, J. L., Gatto, G. J., & Stryer, L. (2019). Biochemistry (9th ed.). New York, NY: W. H. Freeman. - Mitchell, P. (1961). Coupling of phosphorylation to electron and hydrogen transfer by a chemi-osmotic type of mechanism. Nature, 191, 144–148. - Nelson, D. L., & Cox, M. M. (2021). Lehninger principles of biochemistry (8th ed.). New York, NY: W. H. Freeman. - Ruben, S., & Kamen, M. D. (1941). Isotopic oxygen in photosynthesis. I. The use of 18O in elucidating the source of oxygen liberated in photosynthesis. Journal of the American Chemical Society, 63(3), 877–879. - Taiz, L., Zeiger, E., Møller, I. M., & Murphy, A. (2018). Plant physiology and development (7th ed.). Sunderland, MA: Sinauer Associates.
以下为“数据隐私合规”主题中学员作答正确时可即时呈现的反馈语库。每条反馈均在肯定核心要点的同时,提供基于权威规范的延伸解释与实践指引,便于强化记忆与迁移应用。建议在题目层面按知识点调用相应反馈。 - 原则与问责:回答正确。您准确把握了GDPR的基本原则——合法性、公平性与透明性、目的限定、数据最小化、准确性、存储期限限制、完整性与保密性,以及“可问责性”。实践中,应以可验证证据(策略、记录与审计轨迹)证明遵循这些原则(GDPR, Art. 5, 5(2); European Union, 2016)。 - 数据最小化与必要性:判断到位。将处理范围限定于达成明确目的所“必要的最小”集合,有助于降低风险并满足合规性与比例性要求(GDPR, Art. 5(1)(c);PIPL原则强调合法、正当、必要且不过度处理;Standing Committee of the NPC, 2021, Ch. II)。 - 合法处理依据(一般个人信息):回答严谨。GDPR的六类处理依据分别是同意、履行合同、法定义务、切身重大利益、公共利益或法定授权、合法利益并通过平衡测试(GDPR, Art. 6)。在PIPL下,除同意外,还包括为订立或履行合同所必需、依法履行法定职责或法定义务、应急公共卫生事件、在合理范围内为新闻舆论监督等公共利益处理、在合理范围内处理已依法公开的个人信息等(PIPL, Art. 13-15)。 - 敏感个人信息与特殊类别:识别准确。GDPR对“特殊类别个人数据”原则上禁止处理,须满足Art. 9(2)的适用例外并实施强化保障(GDPR, Art. 9)。PIPL将“敏感个人信息”定义为一旦泄露或非法使用易导致人格尊严受侵害或人身、财产安全受到危害的信息,处理需有特定目的与充分必要,并取得“单独同意”(PIPL, Art. 28-31)。 - 儿童个人信息:要点明确。GDPR要求对儿童提供加强的透明度和保护,在线服务的同意年龄由成员国在13–16岁间确定(GDPR, Art. 8)。PIPL规定处理未满14周岁未成年人的个人信息需取得监护人“单独同意”,并实施专门的保护措施(PIPL, Art. 31)。 - 透明度与告知义务:分析到位。完整、易懂、可获取的隐私告知是合法处理的前置条件,应清晰说明目的、范围、期限、共享对象、跨境安排、权利行使路径与投诉渠道(GDPR, Arts. 12–14;PIPL, Ch. II, transparency requirements)。 - 数据主体权利:归纳正确。GDPR下包括访问、更正、删除、限制处理、携带权、反对处理与不受仅基于自动化决策约束等(GDPR, Arts. 15–22)。PIPL亦确立知情、决定、限制或拒绝处理、访问复制、更正删除、可携带(在国家网信部门规定条件下)与解释说明等权利,处理者应提供便捷行权机制(PIPL, Ch. IV)。 - 自动化决策与画像:判断精确。GDPR要求就自动化决策提供有意义的信息与保障,禁止对个人产生法律或类似重大影响的“仅基于”自动化决策,除非满足法定条件并提供申诉与人工干预(GDPR, Art. 22)。PIPL要求自动化决策的透明、公平,不得实施不合理差别待遇,并提供选择退出定向推送等选项(PIPL, Ch. II on automated decision-making)。 - 数据保护影响评估(DPIA):概念把握正确。对可能对个人权利自由造成高风险的处理(如大规模敏感数据、系统性监测、创新技术应用)需在处理前开展DPIA并保留记录,必要时咨询监管机构(GDPR, Art. 35–36; EDPB, 2020/2021)。PIPL对处理敏感信息、委托/共享/公开披露、跨境提供等活动要求进行事前风险评估并留存记录(PIPL, Art. 55)。 - 数据保护官(DPO)与组织责任:识别恰当。GDPR要求在大规模监测、处理特殊类别数据或公共机构等场景任命DPO(GDPR, Art. 37–39)。PIPL要求处理者根据处理量级等因素确定并公布个人信息保护负责人及其联系方式,落实全流程责任制(PIPL, Art. 52)。 - 安全措施与事件响应:阐述准确。应实施与风险相称的技术与组织措施,如加密、伪名化、访问控制、供应链安全、持续测试评估等(GDPR, Art. 32;ISO/IEC 27701:2019;NIST PF 1.0)。发生个人信息安全事件时,GDPR要求在72小时内通报监管机构并在高风险时“毫不迟延”通知个人(GDPR, Arts. 33–34);PIPL要求立即采取补救、按规定报告与告知(PIPL, Art. 57)。 - 跨境传输合规(欧盟):结论正确。GDPR下可依充分性决定、适当保障(如SCCs、BCRs)或Art. 49例外进行传输,并在Schrems II之后开展传输影响评估并视需要采取补充措施(GDPR, Ch. V;CJEU, C‑311/18;EDPB, Recommendations 01/2020)。欧盟—美国数据隐私框架对符合自我认证的美国接收方提供充分性基础(European Commission, 2023)。 - 跨境传输合规(中国):把握全面。PIPL规定跨境提供需满足安全评估、认证、签署标准合同等路径之一并履行告知、评估与备案义务(PIPL, Arts. 38–40;CAC, 2022/2023)。同时需遵循最小必要与风险可控原则,确保境外接收方承担等同保护义务。 - 控制者/处理者与合同管理:逻辑清晰。应在控制者与处理者之间签订数据处理协议,明确处理目的、期限、类别、安全措施、分处理限制与协助义务等(GDPR, Art. 28)。加州法亦要求与服务提供方、承包商和第三方签订具有用途限制与合规义务的合同(Cal. Civ. Code §1798.100 et seq., CPRA)。 - 记录处理活动(ROPA)与证据化合规:观点正确。GDPR要求控制者与处理者维护处理活动记录,以便审计与问责(GDPR, Art. 30)。在PIPL框架下,应留存风险评估、授权委托、共享/公开披露台账与事件响应记录,形成可审计链路(PIPL, Art. 55及相关条款精神)。 - 存储期限限制与删除:判断到位。仅在达成目的所需期间保存个人数据,到期或目的达成后应删除或匿名化,除非存在法定保留义务(GDPR, Art. 5(1)(e);PIPL之必要性与最短期限原则)。 - 匿名化、去标识化与伪名化:区分准确。GDPR下真正匿名化的数据不再受GDPR约束;伪名化可降低风险但仍属个人数据(GDPR, Recital 26; Art. 4(5))。加州法对“去识别”设定技术与组织保障及不再重识别承诺要求(Cal. Civ. Code §1798.140)。 - 行业与地域差异:补充恰当。在美国医疗场景需遵循HIPAA的“最低必要”原则与泄露通报(一般不迟于60日)等要求(45 C.F.R. §§ 164.502(b), 164.404)。在企业治理层面,采用ISO/IEC 27701和NIST隐私框架有助于体系化落实控制并映射多法域要求(ISO, 2019;NIST, 2020)。 - 合理利益评估(LIA)与平衡测试:阐释精准。若以“合法利益”为依据,需明确目的、必要性并评估对数据主体权利自由的影响,采取缓解措施并保留记录;在直销等场景应尊重反对权(GDPR, Art. 6(1)(f), Art. 21)。 - 儿童与青少年设计原则:扩展恰当。除法定同意外,建议遵循“隐私保护默认为高水平”的界面与数据实践,避免利用未成年人易受影响特征进行过度画像与诱导(与GDPR原则及各国未成年人在线保护指南一致做法;参见ICO Age Appropriate Design Code作为实践参考)。 参考文献 - European Data Protection Board. (2021). Recommendations 01/2020 on measures that supplement transfer tools to ensure compliance with the EU level of protection of personal data (Version 2.0). - European Union. (2016). Regulation (EU) 2016/679 (General Data Protection Regulation). - European Commission. (2023). Adequacy decision for the EU-U.S. Data Privacy Framework. - Court of Justice of the European Union. (2020). Data Protection Commissioner v Facebook Ireland and Maximillian Schrems (C-311/18). - Standing Committee of the National People’s Congress. (2021). Personal Information Protection Law of the People’s Republic of China. - Cyberspace Administration of China. (2022). Measures for Security Assessment of Cross-border Data Transfer; (2023). Measures on the Standard Contract for Cross-border Transfer of Personal Information. - California Civil Code §1798.100–§1798.199.100 (California Consumer Privacy Act as amended by the California Privacy Rights Act). - ISO. (2019). ISO/IEC 27701:2019 Security techniques—Extension to ISO/IEC 27001 and ISO/IEC 27002 for privacy information management—Requirements and guidelines. - National Institute of Standards and Technology. (2020). NIST Privacy Framework: A Tool for Improving Privacy through Enterprise Risk Management (Version 1.0). - U.S. Department of Health and Human Services. (2013). 45 C.F.R. Parts 160 and 164 (HIPAA Privacy, Security, Breach Notification Rules). 提示:在题目解析区配合“为何正确/如何落地/常见误区”三个维度的简短延伸说明,可进一步提升学习迁移效果与实操能力。
线性回归假设:正确答案反馈语库 用于在线测验中,当学习者选择了正确选项时显示的精确反馈。每条反馈包括肯定陈述、核心理由、典型诊断方法与若违背时的主要后果,便于巩固与迁移。 - 线性于参数与可加性 反馈:判断正确。线性回归要求模型对参数线性,允许对自变量进行非线性变换(如多项式、对数、样条),但参数需线性出现。这一设定确保OLS估计量存在且可解释。 诊断与证据:成分加残差图(partial residual/component-plus-residual plots)、加变量图(added-variable plots)可检视函数形式是否充分。 后果与对策:函数形式错设会导致偏误与不稳定估计;可通过加入交互项、非线性项或采用样条/分段回归改进(Montgomery et al., 2021; Wooldridge, 2019)。 - 随机抽样与误差独立(无自相关) 反馈:判断正确。独立同分布抽样或至少误差项间不相关是经典框架下的重要条件,时间序列中特别关注自相关。 诊断与证据:Durbin–Watson(主要针对AR(1))、Breusch–Godfrey(更一般阶数)以及残差自相关函数(ACF)。 后果与对策:自相关使标准误偏误、假设检验失灵;可采用HAC/Newey–West稳健标准误或在模型中显式刻画误差结构(Greene, 2018; Wooldridge, 2019)。 - 同方差性(误差方差恒定) 反馈:判断正确。在Gauss–Markov条件下,同方差保证OLS为BLUE(线性无偏估计中方差最小)。 诊断与证据:残差-拟合值图、Breusch–Pagan与White检验。 后果与对策:异方差不致使OLS有偏,但会降低效率并致标准误失真;可使用异方差稳健标准误(HC0–HC3)或采用加权最小二乘/可行广义最小二乘(Montgomery et al., 2021; Wooldridge, 2019)。 - 误差项正态性(用于精确小样本推断) 反馈:判断正确。误差正态性不是保证OLS无偏的一般必要条件,但对小样本下t与F检验的精确性重要;大样本下依赖中心极限定理可近似正态推断。 诊断与证据:Q–Q图、Shapiro–Wilk检验(大样本下对偏离极敏感,需结合图形判断)。 后果与对策:正态性偏离主要影响置信区间与显著性检验;可使用稳健或重抽样推断(如分位数自助法)或对响应/误差结构做变换(Montgomery et al., 2021; Wooldridge, 2019)。 - 无完全多重共线性(设计矩阵满秩) 反馈:判断正确。自变量之间不得存在线性完全依赖,,否则参数不可识别;高但不完全共线性会放大标准误。 诊断与证据:方差膨胀因子(VIF;经验阈值如>10常被视为严重,>5提示关注,属启发式)、条件数与特征值分解。 后果与对策:共线性不致偏误,但导致估计不稳定、置信区间宽;可通过收集更多信息、变量合成、正则化(岭回归/套索)或基于理论的变量筛选缓解(Greene, 2018; Montgomery et al., 2021)。 - 外生性/零条件均值 E[ε|X]=0 反馈:判断正确。给定自变量,误差项的条件期望为零是确保OLS无偏与一致的核心条件。 诊断与证据:无法由样本完全检验,需依赖研究设计与理论;可用Ramsay RESET、增广回归与工具变量的过识别检验间接评估设定合理性。 后果与对策:若因遗漏变量、测量误差或反向因果导致违反,则出现偏误与不一致;可通过加入关键控制变量、工具变量法、固定效应或实验设计加以修正(Wooldridge, 2019; Greene, 2018)。 - 正确的模型设定与函数形式 反馈:判断正确。包含必要的交互项与非线性项、避免遗漏关键驱动因素与冗余变量,是获取有效推断的前提。 诊断与证据:RESET检验、偏残差图、对比信息准则(AIC/BIC)以及基于领域理论的事前设定。 后果与对策:错设会导致系统性偏误与预测性能下降;应在理论指导下结合探索性数据分析与交叉验证进行模型修正(Montgomery et al., 2021; Wooldridge, 2019)。 - 异常值与高影响点(建模质量的必要检查) 反馈:判断正确。虽非“经典假设”,但异常值与高杠杆点会主导拟合结果并扭曲推断。 诊断与证据:杠杆值(帽子矩阵对角元)、Cook距离、DFBETAS与学生化残差。 后果与对策:若由数据错误或不具代表性过程产生,需纠错或合理剔除;否则考虑稳健回归(Huber/M估计)、Winsor化或分层模型以更稳健地反映结构(Montgomery et al., 2021)。 - 因变量条件分布的正态性表述 反馈:判断正确。若误差正态且方差齐性,则在给定X时Y|X服从正态;因此“误差正态”与“条件分布正态”在该设定下等价。正态性针对条件分布而非边际分布(Wooldridge, 2019)。 - 可推广性与抽样代表性 反馈:判断正确。独立、具有代表性的样本有助于将回归结论外推至目标总体;偏置抽样会破坏外推有效性。 诊断与证据:对照抽样框架与权重信息;在观测研究中可采用加权回归或倾向得分方法改善代表性(Wooldridge, 2019)。 参考文献(APA第7版) - Greene, W. H. (2018). Econometric analysis (8th ed.). Pearson. - Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis (6th ed.). Wiley. - Wooldridge, J. M. (2019). Introductory econometrics: A modern approach (7th ed.). Cengage.
使用该提示词为测验中正确答案生成严谨反馈,统一课程风格,补充要点与延伸阅读,显著减少批改与润色耗时。
在合规、销售或技能培训测评中,快速产出与业务情境结合的正确答案解析与行动建议,提升学员记忆与落地执行。
依据教学大纲生成符合学术规范的答案反馈与参考来源,用于答疑汇编与线上发布,保证大班教学的一致性。
为单元测验和家庭作业提供清晰的正确答案解释与鼓励性提示,可按年级调整深度,帮助学生举一反三。
通过模板化配置主题与语言,规模化生成高质量解析,统一站内语气,提升留存、做题时长与付费转化。
将学习目标分解为可评估点,并生成与之对齐的正确答案反馈、再练建议与拓展任务,优化学习路径。
为在线教育与企业培训场景提供“正确答案也有高价值反馈”的一站式提示词方案,帮助课程团队在保证学术严谨的前提下,快速、批量地产出结构化、可读性强、可复用的学习反馈。核心目标: - 强化已掌握知识:对正确答案给出原理拆解、思路复盘与关键概念对齐,帮助学员把“会做”转化为“说得清、举一反三”。 - 促进持续学习:补充易混点与常见误区、提供延伸阅读与下一步行动建议,减少浅层正确、提升迁移能力。 - 统一品牌与质量:统一学术风格、语气与结构,支持多语言输出,确保不同作者、不同课程的一致性与可审核性。 - 降本增效:显著缩短撰写与校对时间,保障事实准确,减少返工,实现规模化生产与快速迭代。 - 促进转化:通过更优的学习体验与更强的学习成就感,提高课程完课率与复购意愿。
将模板生成的提示词复制粘贴到您常用的 Chat 应用(如 ChatGPT、Claude 等),即可直接对话使用,无需额外开发。适合个人快速体验和轻量使用场景。
把提示词模板转化为 API,您的程序可任意修改模板参数,通过接口直接调用,轻松实现自动化与批量处理。适合开发者集成与业务系统嵌入。
在 MCP client 中配置对应的 server 地址,让您的 AI 应用自动调用提示词模板。适合高级用户和团队协作,让提示词在不同 AI 工具间无缝衔接。
免费获取高级提示词-优惠即将到期