个人学习报告(3篇)

个人学习报告(3篇)第一篇2024-2025学年第一学期，我围绕人工智能专业核心课程《深度学习与神经网络》的学习目标，完成了全部48学时理论学习、16学时实验实操以及2项课程配套项目开发，现将全周期学习情况、成果收获、问题不足及后续规划报告如下。本次学习的核心目标是系统掌握深度学习的基础理论、主流框架应用与落地实践方法，能够独立完成面向特定场景的AI模型设计、训练与部署，为后续的专业方向选择与毕业设计打下基础。学习周期从2024年9月持续到2024年12月，累计投入学习时长超过280小时，其中理论学习120小时、实验实操90小时、项目开发70小时。理论学习阶段，我同步跟进课堂教学内容与课外拓展资源，核心覆盖7大模块知识点：第一是深度学习基础理论，包括感知机原理、梯度下降算法推导、损失函数设计、过拟合与欠拟合的解决方法等，我逐字啃完了《深度学习》（花书）的前12章内容，整理了3.2万字的知识点笔记，完成了全部课后推导题，客观题正确率92%，主观题得分率87%。第二是卷积神经网络（CNN）相关内容，包括LeNet、AlexNet、VGG、ResNet等经典网络结构的设计逻辑、适用场景，以及卷积、池化、残差连接等核心操作的数学原理，我针对每类经典网络都绘制了结构思维导图，梳理了不同网络的参数规模、准确率、推理速度的对比数据，累计整理思维导图17张。第三是循环神经网络（RNN）与序列模型，包括RNN的梯度消失问题、LSTM与GRU的门控机制、序列到序列模型的架构、注意力机制的基础原理，我跟着李沐《动手学深度学习》的课程，手写实现了基于LSTM的天气预测模型，验证了不同序列长度下模型的预测精度差异。第四是Transformer架构与大模型基础，包括自注意力机制的数学推导、多头注意力的设计逻辑、Transformer的编码器解码器结构、BERT与GPT系列模型的预训练与微调方法，我花了3周时间啃完了Transformer的原始论文，逐行解析了PyTorch官方的Transformer实现代码，整理了2.7万字的代码注释笔记，解决了之前对自注意力矩阵计算逻辑的认知误区。第五是生成式AI相关内容，包括生成对抗网络（GAN）的原理、扩散模型的降噪过程、文生图与文生文模型的落地逻辑，我跟进了2024年以来的12篇顶会相关论文，梳理了扩散模型在低资源场景下的优化路径。第六是模型优化与轻量化技术，包括知识蒸馏、量化、剪枝的核心方法，以及模型部署的基本流程，我学习了TensorRT、ONNX等部署工具的基础使用方法，完成了3个小模型的格式转换实操。第七是AI伦理与安全相关内容，包括数据偏见、模型对齐、生成内容的合规性要求，我梳理了国内出台的《生成式人工智能服务管理暂行办法》等7份政策文件的核心要求，形成了1.2万字的合规要点清单。实验实操阶段，我完成了课程要求的全部16个实验项目，累计编写Python代码12700余行，所有实验的得分均在90分以上，其中3个实验被评为优秀实验。第一个实验是线性回归与逻辑回归的手写实现，我不用PyTorch的内置函数，手动实现了梯度下降、损失计算、参数更新的全流程，针对波士顿房价数据集的预测误差控制在8%以内，比要求的15%的误差标准低了7个百分点。第二个实验是基于CNN的手写数字识别，我最初搭建的2层CNN模型准确率只有92%，后来通过加入池化层、Dropout层，将学习率从0.1调整到0.01，换用Adam优化器，最终模型准确率提升到99.2%，远超课程要求的95%的合格标准。第三个实验是基于LSTM的文本情感分类，我使用了IMDB数据集，先做了文本分词、词嵌入预处理，搭建了双向LSTM模型，最终分类准确率达到89.7%，我还额外对比了CNN、Transformer在同一数据集上的分类效果，整理了不同模型的准确率、训练速度、参数规模的对比报告，作为实验拓展内容提交，被课程助教作为优秀案例在班级分享。第四个实验是基于LoRA的大模型微调，我使用了Llama2-7B开源模型，针对电商评论的情感分类场景做了低秩适配微调，只用了1.2%的参数量，就将模型在该场景下的分类准确率从72%提升到91%，训练时间比全量微调缩短了87%。其余12个实验分别覆盖了图像分割、目标检测、语音识别、扩散模型生成等场景，每个实验我都撰写了详细的实验报告，包括实验原理、操作步骤、问题排查过程、结果分析等内容，累计实验报告字数达到11.3万字。项目开发阶段，我牵头完成了2个课程配套项目，均获得课程优秀项目评级，其中1个项目被系里的实验室收录试用。第一个项目是基于CNN的柑橘病虫害识别系统，面向农业基层的病虫害检测场景，我和另外2名同学组成项目小组，首先采集了公开数据集与本地农业局提供的23700张柑橘病虫害标注图片，涵盖了17种常见的柑橘病虫害类型，我们先做了数据增强处理，包括随机旋转、翻转、亮度调整、裁剪等，将数据集规模扩充到7.1万张，然后搭建了基于ResNet50的改进识别模型，加入了注意力模块提升对小病灶的识别能力，最终模型的识别准确率达到96.8%，召回率达到95.3%，超过了现有公开模型在同一数据集上的表现。为了方便基层农户使用，我们将模型做了轻量化处理，通过知识蒸馏将模型大小从230M压缩到32M，部署到了微信小程序端，农户只需要上传柑橘叶片的照片，1.2秒就能得到识别结果与防治建议，目前该小程序已经在本地3个村镇试点使用，累计服务农户1200余人次，识别准确率达到94%，得到了当地农业局的肯定。第二个项目是基于微调大模型的古籍文本校对工具，面向系里古籍数字化实验室的需求，针对传统规则校对方法准确率低、无法识别语义错误的问题，我们使用了Llama2-7B模型，采集了四库全书的标注错漏文本12.6万条作为微调数据集，采用LoRA微调方法，只用了3天的训练时间，就将模型的古籍校对准确率提升到89.2%，比传统规则方法的57%的准确率高了32.2个百分点，目前该工具已经被系里的古籍数字化实验室收录试用，累计校对古籍文本130余万字，减少了校对人员70%的工作量。学习过程中我也发现了诸多存在的问题与不足，首先是底层数学基础不够扎实，在学习自注意力机制的数学推导、高维向量空间的语义表示、扩散模型的概率逻辑等内容时，遇到了较多的障碍，比如注意力矩阵的求导过程我前后花了3天时间才理清，调参的时候很多时候是靠经验试错，而不是基于数学推导做判断，导致项目开发的效率较低。其次是工程化能力存在短板，在模型部署环节，我一开始对模型轻量化、推理加速的相关技术掌握不足，柑橘病虫害识别模型最初的加载速度达到8秒，无法满足小程序的使用需求，后来查了大量资料、请教了3名学长才掌握了知识蒸馏的操作方法，中间浪费了10天的开发时间。第三是跨领域融合的敏感度不足，一开始做古籍校对项目的时候，我还是沿用传统的BERT微调的思路，没有想到用大模型做小样本微调，浪费了2周的时间，后来听了实验室的学长的提醒才调整了技术路线，说明我对前沿技术的落地场景认知不够全面。第四是团队协作的效率有待提升，项目开发过程中，我们小组的代码版本管理不够规范，出现了2次代码覆盖的问题，耽误了项目进度，说明我对Git等协作工具的使用还不够熟练。针对以上问题，我制定了下一阶段的学习规划：第一是补足底层数学基础，接下来3个月内学完《矩阵分析与应用》《概率论与数理统计进阶》两门课程，每周完成10道数学推导题，重点攻克深度学习相关的数学知识点，做到能够独立推导主流模型的核心公式，基于数学原理调整模型参数。第二是提升工程化能力，接下来半年内系统学习MLOps相关内容，包括模型轻量化、部署、监控的全流程技术，每个月完成1个模型部署类的小项目，熟练掌握TensorRT、Docker等工具的使用，能够独立完成AI模型从训练到落地的全流程操作。第三是拓展跨领域知识，每周抽2小时阅读农业、文化数字化、工业制造等领域的行业报告，了解AI技术在不同场景的落地需求，跟进顶会的前沿论文，每个月整理1份前沿技术落地的分析报告，提升对技术应用场景的敏感度。第四是提升团队协作能力，系统学习Git、飞书等协作工具的使用方法，参与2个开源项目的开发，积累团队协作的经验，提升项目开发的效率。我还计划在寒假期间参与系里古籍数字化实验室的相关项目，把学到的知识用到实际场景中，进一步巩固学习成果，为后续的毕业设计与就业打下坚实的基础。第二篇2024年第三季度，我结合公司“全域用户增长”的核心战略目标，完成了为期12周的《数据驱动的用户全生命周期运营》付费课程学习，配套完成了8个真实业务场景实操训练、1份针对本公司美妆类目的用户增长方案设计，现将学习整体情况、落地转化成果、存在不足及下一阶段学习安排报告如下。本次学习的触发点是2024年618大促期间我负责的美妆类目运营效果未达预期，活动ROI仅为1:2.3，远低于行业平均的1:4的水平，核心痛点是运营决策依赖经验、用户分层粗放、活动效果缺乏数据复盘，因此我将本次学习的核心目标设定为掌握数据埋点、用户分层、A/B测试、私域运营的全流程方法，能够独立产出数据支撑的增长方案，将负责类目的活动ROI提升到1:4以上。学习周期从2024年7月持续到2024年9月，累计投入学习时长超过180小时，其中课程学习80小时、实操训练60小时、方案设计40小时。课程学习阶段，我完成了全部96个课时的学习内容，核心覆盖4大模块：第一是数据指标体系搭建模块，包括北极星指标的设定方法、全链路用户行为指标的梳理逻辑、不同业务阶段的指标选型方法，我系统学习了海盗模型（AARRR）的核心逻辑，梳理了电商运营从曝光、点击、加购、下单、支付、复购、传播的全链路指标，区分了核心指标、过程指标、预警指标的不同作用，整理了适合公司业务的指标体系模板，涵盖27个核心指标的定义、计算方式、统计口径，解决了之前部门指标统计口径不一致、数据对不齐的问题。第二是用户分层与运营模块，包括RFM模型的使用方法、用户生命周期价值（LTV）的计算逻辑、用户标签体系的搭建方法、不同分层用户的运营策略设计，我学习了12个行业的用户分层案例，整理了不同分层用户的触达渠道、内容偏好、转化路径的差异，形成了可直接复用的用户分层运营SOP模板。第三是A/B测试与效果评估模块，包括A/B测试的统计原理、样本量计算方法、流量分配规则、显著性检验方法、常见的测试误区，我梳理了电商运营中常见的A/B测试场景，包括主图、文案、活动规则、触达时间的测试方法，整理了A/B测试的全流程操作模板，解决了之前做测试只看转化率不做显著性检验、结论不可靠的问题。第四是私域用户全生命周期运营模块，包括私域用户的引流路径设计、用户激活的方法、留存与转化的策略、传播裂变的玩法，我学习了5个头部美妆品牌的私域运营案例，整理了私域运营的核心SOP，包括新用户欢迎语模板、用户分层触达的内容模板、活动转化的话术模板等。整个学习过程中我累计撰写了6.2万字的学习笔记，整理了12个可直接复用的运营工具模板，先后向课程助教请教了23个业务相关的问题，所有问题都得到了针对性的解答，课程最终考核得分94分，位列同期学员的前5%。实操训练阶段，我完成了全部8个真实业务场景的实操训练，所有实操作业得分均在90分以上，其中2份作业被选为优秀作业在课程全社群1200余名学员中分享。第一个实操是搭建电商用户行为指标体系，我使用了某美妆品牌的真实业务数据，梳理了品牌的北极星指标为GMV，拆解出用户数、客单价、复购率3个一级过程指标，进一步拆解出曝光量、点击率、加购率、转化率等17个二级指标，明确了每个指标的统计口径、数据来源、预警阈值，形成了完整的指标体系报告，作业得分95分，被课程作为指标体系搭建的范本分享。第二个实操是基于RFM模型的用户分层与运营策略设计，我使用了10万条真实的美妆用户消费数据，先做了数据清洗，剔除了测试订单、退款订单的无效数据，然后计算了每个用户的最近一次消费时间（R）、消费频率（F）、消费金额（M）三个指标，按照分位数法将三个指标分别分成5档，将用户分成了重要价值用户、重要发展用户、重要挽留用户、重要召回用户、一般价值用户等8个层级，针对每个层级的用户设计了不同的触达策略，比如针对重要价值用户提供专属客服、新品提前购、生日礼盒等权益，针对重要挽留用户提供专属折扣、老客回馈礼等权益，模拟测算该策略落地后用户整体转化率可以提升21%，作业得分97分，被选为优秀作业分享。第三个实操是A/B测试的设计与效果评估，我针对美妆新品的主图测试场景，先计算了样本量，确定每组需要2万的曝光量，然后设计了两组测试方案，A组主图为产品特写，B组主图为模特上脸效果，流量各分配50%，测试周期为3天，最终测试结果显示B组的点击率比A组高52%，转化率比A组高48%，通过显著性检验确认结果可信，形成了完整的A/B测试报告，作业得分93分。其余5个实操分别覆盖了用户LTV计算、私域引流路径设计、用户激活策略设计、复购提升方案设计、裂变活动设计等场景，所有实操的成果我都整理成了可复用的模板，分享给了部门的同事。学习成果落地阶段，我将学到的方法用到了公司9月份的美妆新品推广活动中，活动最终的ROI达到1:4.7，比去年同类型活动提升了104%，超出了我设定的学习目标。首先是优化了数据埋点，我按照学到的指标体系梳理了12个新增的埋点需求，包括商品详情页停留时长、加购未支付行为、分享行为、优惠券领取未使用行为等，按照课程里的埋点需求模板整理了标准化的需求文档，明确了每个埋点的触发条件、统计口径、上报参数，和技术部沟通了2次就通过了需求，比之前节省了5天的沟通时间，活动全程的用户行为数据采集完整率达到98%，为后续的数据分析提供了支撑。其次是做了精细化的用户分层，我针对公司私域池里的12.7万美妆类目用户，用RFM模型做了分层，其中重要价值用户1.2万、重要发展用户3.4万、重要挽留用户2.1万、其他用户6万，针对不同层级的用户设计了不同的触达策略：给重要价值用户发专属礼盒+提前3天购的权益，转化率达到32%；给重要发展用户发满199减50的优惠券+小样试用装权益，转化率达到18%；给重要挽留用户发专属6折折扣+老客回馈礼，转化率达到12%；给普通用户发满299减80的优惠券，转化率达到5%，整体的触达转化率比之前的粗放群发提升了120%。第三是用A/B测试优化了活动素材，我针对活动主图设计了3套方案、针对活动文案设计了2套方案，做了小流量测试，测试结果显示主图用模特上脸效果、文案用“敏肌专属修护泛红限时立减30”的组合效果最好，点击率达到18.7%，转化率达到4.9%，比最差的组合效果高了170%，我直接将最优的组合用到了全量推广中，避免了之前盲目投放导致的流量浪费。第四是优化了私域的转化路径，用户点击活动链接进入企微添加页面后，自动发送欢迎语与5元无门槛优惠券，引导用户进群，进群后连续3天发送产品测评、用户反馈、活动权益的内容，活动期间私域的加粉率达到23%，群转化率达到17%，比之前的水平提升了85%。本次活动最终的GMV达到1270万，新增私域用户3.2万，用户复购率达到27%，比平时的复购率高12个百分点，我也因此获得了公司季度的“优秀员工”称号。我也清醒地认识到学习与落地过程中存在的不足：首先是对复杂数据模型的应用能力不足，用户生命周期价值（LTV）的预测模型的公式推导我还没有完全吃透，用公司的真实数据做预测的时候，准确率只有78%，还达不到落地应用的标准，没办法基于LTV做用户的长期运营规划。其次是跨部门协同的效率还有待提升，这次做埋点的时候虽然比之前快了很多，但是还是没有建立和技术部的常态化沟通机制，后续做数据需求的时候还是需要走很长的审批流程，影响运营效率。第三是对不同类目的适配性考虑不足，我一开始尝试把美妆类目的运营策略套用到公司的食品类目，效果很差，转化率只提升了3%，后来才发现食品类目的用户决策路径更短、对价格更敏感，需要调整分层的指标维度，说明我对不同类目用户的需求差异认知还不够深入。第四是数据复盘的能力还有待提升，本次活动结束后我做复盘的时候，只能梳理出表层的原因，没办法挖掘出数据背后的深层用户需求，比如重要挽留用户的转化率没有达到预期，我只能判断是折扣力度不够，但是不知道用户的真实诉求是什么，还需要加强用户调研的相关能力。针对以上不足，我制定了下一阶段的学习与工作规划：第一是补足数据分析的相关知识，接下来1个月内学完课程配套的LTV模型的补充内容，完成3次LTV预测的实操训练，把模型预测的准确率提升到90%以上，达到落地应用的标准，同时系统学习用户调研的相关方法，掌握问卷设计、用户访谈的技巧，能够挖掘数据背后的真实用户需求。第二是提升跨部门协同的能力，和技术部、数据部共同梳理运营需求的标准化流程，建立常态化的需求对接机制，将需求的平均响应时间从现在的7天压缩到3天以内，提升运营效率。第三是搭建全品类的用户运营体系，针对美妆、食品、家居3个公司的核心类目，分别梳理用户的行为特征、需求偏好，搭建适配不同类目的用户分层标签体系，设计对应的运营策略，争取年底前将所有类目的活动ROI提升到1:3.5以上。第四是把学到的方法分享给部门的同事，接下来每个月做1次部门内的运营知识分享，把数据化运营的方法普及到整个部门，提升部门整体的运营效率，我还计划在第四季度跟进公司的全域用户增长项目，把学到的方法用到公域流量的运营中，探索公域私域联动的增长路径，为公司的业绩增长做出更大的贡献。第三篇2024年下半年，我按照市委组织部关于基层干部能力提升的统一部署，完成了为期8周的“新时代基层治理现代化”专题培训学习，配套完成了12次社区实地调研、1份针对本街道老旧小区治理的改进方案，现将学习情况、实践成效、存在不足及下一步学习计划报告如下。本次培训是市委组织部针对基层治理能力提升推出的专项培训，面向全市街道、社区的一线干部，核心目标是系统掌握新时代基层治理的政策要求、矛盾化解方法、五社联动机制、数字治理工具应用，提升基层干部解决实际问题的能力，培训采用“线上理论学习+线下实地调研+实践落地试点”的模式，我作为街道负责社区治理的干部，全程参与了所有培训环节，累计投入学习时长超过160小时，其中理论学习70小时、实地调研50小时、方案设计与落地40小时。理论学习阶段，我完成了全部48学时的课程内容，核心覆盖5大模块：第一是新时代基层治理的重要论述与政策文件模块，系统学习了习近平总书记关于基层治理的重要论述，以及《中共中央国务院关于加强基层治理体系和治理能力现代化建设的意见》《关于开展城市社区嵌入式服务设施建设工程的通知》等21份国家及省市出台的政策文件，梳理了基层治理“党委领导、政府负责、民主协商、社会协同、公众参与、法治保障、科技支撑”的工作体系，整理了2.3万字的政策要点笔记，撰写了3篇学习心得体会，其中《关于老旧小区治理的几点思考》一文被市委组织部的培训简报收录。第二是矛盾纠纷多元化解模块，学习了新时代“枫桥经验”的核心内涵、矛盾纠纷排查调处的方法、信访工作的相关要求、基层法治建设的路径，我学习了15个基层矛盾化解的典型案例，掌握了“情理法”结合的矛盾调解方法，以及信访诉求的处理流程。第三是老旧小区改造与社区服务模块，学习了老旧小区改造的申报流程、资金筹措方法、居民参与机制、嵌入式服务设施的建设要求，包括养老托育、便民超市、健身场地等设施的配置标准，我梳理了老旧小区改造从申报到验收的全流程要点，整理了不同类型小区的改造参考方案。第四是五社联动机制模块，学习了“社区、社会组织、社会工作者、社区志愿者、社会慈善资源”的联动方法，掌握了社区志愿服务队伍的搭建、公益项目的设计、社会组织的对接方法，我学习了其他区“时间银行”“红色物业”等典型经验，整理了可复用的五社联动操作模板。第五是数字治理工具应用模块，学习了“互联网+基层治理”的应用场景、智慧社区的建设方法、居民诉求上报平台的运营、大数据在基层治理中的应用，我掌握了基层治理数字化平台的基本操作方法，以及用数据分析社区需求的技巧。整个理论学习阶段，我每次课程都认真做笔记，课后和其他区县的学员交流基层治理的经验，累计和其他学员开展交流研讨12次，学习到了20多个可借鉴的基层治理经验做法。实地调研阶段，我和另外3名来自不同街道的学员组成调研小组，围绕“老旧小区治理的痛点与解决路径”主题，走访了辖区内12个建成时间超过20年的老旧小区，访谈了240户居民、12名社区工作者、8名物业工作人员、4名辖区单位负责人，累计整理访谈记录12万余字，梳理出老旧小区存在的3大类17个核心问题：第一类是基础设施类问题，包括管网老化、路面破损、充电桩不足、楼道灯损坏、消防设施缺失等，其中83%的小区存在管网老化的问题，75%的小区没有足够的充电桩，67%的小区消防设施不符合要求。第二类是服务供给类问题，包括物业覆盖率低（仅有25%的小区有正规物业）、养老托育服务缺失、便民服务点不足、文化活动场地缺乏等，其中92%的小区没有配套的养老托育服务，75%的小区没有专门的文化活动场地。第三类是治理机制类问题，包括居民参与度低、议事协商机制不健全、矛盾纠纷化解不及时、资源整合不足等，其中小区议事会的平均参会率只有17%，居民投诉的平均解决周期超过15天。基于调研结果，我牵头撰写了《XX街道老旧小区治理现状调研报告》，梳理了问题的成因，包括历史欠账多、资金投入不足、居民主体意识不强、资源整合机制不健全等，提出了“党建引领、机制先行、设施补短板、服务提质量”的整体解决思路，形成了1.7万字的老旧小区治理改进方案，上报给街道党工委后被采纳，作为街道2025年老旧小区治理的参考方案。实践落地阶段，我选择了辖区内的花园小区作为治理试点，将学到的基层治理方法用到试点工作中，经过3个月的运营，小区的治理水平得到了显著提升，居民满意度从原来的58分提升到92分，投诉量下降了72%。首先是搭建了党建引领的议事协商机制，我牵头成立了小区党支部，由小区的党员担任支部委员，同时选举产生了12名居民代表、2名社区工作者、1名物业工作人员、1名辖区民警组成的小区议事会，制定了议事规则，明确了议题收集、会议召开、决议落实、结果反馈的全流程，每两周开1次议事会，解决居民反映的问题。运行3个月以来，议事会累计收集居民诉求32条，已经解决了充电桩安装、楼道灯更换、老旧管网改造、健身场地建设等11个问题，其余21个问题正在推进中，问题的平均解决周期从原来的15天缩短到7天。比如充电桩安装的问题，一开始居民担心有消防隐患，物业担心收费与维护的问题，议事会先后开了3次协调会，邀请消防部门的工作人员讲解充电桩的消防要求，组织居民代表讨论确定了充电收费标准，除去电费与维护费之外的收入全部纳入小区公共基金，用于小区的公共设施维护，最终得到了所有居民的同意，半个月就完成了20个充电桩的安装，解决了居民长期以来的充电难题。其次是搭建了五社联动的服务体系，我牵头整合了辖区内的资源，组建了6支社区志愿服务队伍，包括党员志愿服务队、养老帮扶队、课业辅导队、矛盾调解队、环境整治队、文化宣传队，累计招募志愿者127名，其中包括辖区内的退休医生、教师、大学生、在职党员等。运行3个月以来，志愿服务队累计开展服务42次，包括为独居老人上门义诊、为留守儿童提供免费课业辅导、组织邻里文化节、开展小区环境整治等，累计服务居民1200余人次，解决了居民的实际需求。我还对接了辖区内的3家企业、2家社会组织，为小区捐赠了价值2.3万元的养老服务物资，建设了小区的老年活动中心，为老人提供棋牌、书法、阅读等服务，解决了小区老人没有活动场地的问题。第三是引入了数字治理工具，我牵头为小区安装了智能门禁、智能消防预警设备，搭建了小区居民诉求上报的小程序，居民有问题可以直接在小程序上报，社区工作人员24小时内响应，响应速度比原来的电话上报快了60%，问题解决率达到94%。我还在小程序里上线了志愿服务报名、活动通知、议事结果公示等功能，居民可以随时了解小区的治理动态，报名参与志愿服务，小区的居民参与度从原来的17%提升到42%。目前花园小区的治理经验已经被街道作为典型，在辖区内的其他3个老旧小区推广，均取得了不错的效果。在学习与实践的过程中，我也发现了自身存在的诸多不足：首先是对特殊群体的需求挖掘不够，小区里有27户独居老人，其中80%不会使用智能手机，无法