基于错题关联挖掘的语文写作训练个性化反馈方法与流程
本发明属于语文写作智能化训练反馈,具体地说是基于错题关联挖掘的语文写作训练个性化反馈方法。
背景技术:
1、在当前语文写作智能化训练反馈领域,传统人工批改模式效率低、标准主观性强,常规智能反馈系统仅能识别字词拼写等表层错误,无法覆盖字词基础、语句表达、篇章逻辑到立意构思的全层级写作能力维度,且大多停留在单篇作答的孤立错误标注层面,无法关联学生历史客观题错题与过往写作错题数据挖掘跨维度的隐性错题关联规律,难以定位学生潜藏的关联能力漏洞,同时普遍采用千人一面的标准化反馈模板,无法结合学生个人能力演化曲线动态调整反馈深浅层级、生成适配当前水平的阶梯式训练任务,也缺乏后续作答表现驱动的闭环迭代优化机制,导致反馈精准度随使用周期持续下降,难以真正实现因材施教的个性化写作训练效果。
2、为此,本领域技术人员提出了基于错题关联挖掘的语文写作训练个性化反馈方法来解决背景技术提出的问题。
技术实现思路
1、为了解决上述技术问题,本发明提供基于错题关联挖掘的语文写作训练个性化反馈方法,以解决现有技术中传统人工批改模式效率低、标准主观性强,常规智能反馈系统仅能识别字词拼写等表层错误,无法覆盖字词基础、语句表达、篇章逻辑到立意构思的全层级写作能力维度,且大多停留在单篇作答的孤立错误标注层面,无法关联学生历史客观题错题与过往写作错题数据挖掘跨维度的隐性错题关联规律,难以定位学生潜藏的关联能力漏洞,同时普遍采用千人一面的标准化反馈模板,无法结合学生个人能力演化曲线动态调整反馈深浅层级、生成适配当前水平的阶梯式训练任务,也缺乏后续作答表现驱动的闭环迭代优化机制,导致反馈精准度随使用周期持续下降,难以真正实现因材施教的个性化写作训练效果等问题。
2、基于错题关联挖掘的语文写作训练个性化反馈方法,包括以下步骤:
3、s1、采集学生全量客观题错题、历史写作错题及当前写作作答文本,进行多维度结构化标注,生成带有能力层级标签、错误特征向量和知识点归属标识的标准化错题数据集;
4、s2、构建包含字词基础、语句表达、篇章逻辑、立意构思四层能力节点的拓扑图谱,并将所有错题样本挂载至图谱对应的能力节点下;
5、s3、采用引入写作能力衰减因子的改进频繁项集挖掘算法,计算错题样本间的跨维度关联度,经有效性过滤后生成错题关联规则库;
6、s4、对当前写作作答文本提取多模态特征,与规则库匹配定位显性错误簇,再依据图谱有向边扩展得到涵盖潜在能力漏洞的全量核心错题簇;
7、s5、基于学生历史能力演化曲线和核心错题簇分布,动态生成分层递进式个性化反馈内容,并沿拓扑图谱确定的最优学习路径推送配套阶梯式训练任务。
8、优选的,所述步骤s1具体的步骤如下:
9、s1.1、对接语文学习平台的历史错题数据库,采集学生的全量客观题错题与历史写作错题数据,同时实时采集学生当前提交的写作作答文本;
10、s1.2、对两类数据进行多维度结构化标注,生成带有能力层级标签、错误特征向量、知识点归属标识的标准化错题数据集。
11、优选的,在对写作作答文本进行多维度结构化标注时,将作答文本自动拆解为标题、开篇段、主体论证段、过渡段、结尾段5个独立语义单元,分别针对每个语义单元提取字词错误、句式错误、修辞误用、逻辑断层、立意偏差5类错误特征,生成维度为256维的错误特征向量。
12、优选的,所述步骤s2具体的步骤如下:
13、s2.1、构建语文写作四层能力拓扑图谱;在构建语文写作四层能力拓扑图谱时,定义相邻能力节点之间的有向边关联权重计算模型为:
14、;
15、其中,表示能力节点指向能力节点的有向边关联权重,表示节点与节点对应知识点的预训练语言模型语义相似度,表示历史样本中学生在节点出错后后续在节点出错的条件转移概率,表示节点所属能力层级的教学重要度系数,为预设的权重调节超参数,且满足;
16、s2.2、将字词基础层、语句表达层、篇章逻辑层、立意构思层的所有能力节点进行有向边关联映射,将标准化错题数据集内的所有错题样本挂载至拓扑图谱对应的能力节点下。
17、优选的,所述步骤s3具体的步骤如下:
18、基于引入写作能力衰减因子的改进频繁项集挖掘算法,计算不同错题样本之间的跨维度关联度,生成经过有效性过滤的错题关联规则库;
19、所述引入写作能力衰减因子的改进频繁项集挖掘算法,跨维度错题关联度的支持度计算公式为:
20、;
21、其中,表示错题项集到错题项集的关联支持度,表示同时出现错题和错题的有效学生样本数量,为参与统计的总学生样本数量,表示错题与错题所属能力层级的差值绝对值,为预设的能力衰减调节系数,仅保留支持度高于预设阈值的关联规则存入错题关联规则库。
22、优选的,所述步骤s4具体的步骤如下:
23、s4.1、对学生当前提交的写作作答文本进行多模态特征提取,结合错题关联规则库完成特征匹配,定位本次写作作答暴露的显性错误簇;在定位显性错误簇时,将当前写作作答文本提取的错误特征向量与错题关联规则库中的历史错题特征向量做余弦相似度匹配,将相似度高于0.75的历史错题进行聚合,得到初始的显性错误簇;
24、s4.2、再基于拓扑图谱的有向边关联关系扩展得到包含潜在能力漏洞的全量核心错题簇;
25、所述基于拓扑图谱有向边关联关系扩展全量核心错题簇时,定义核心错题簇的漏洞覆盖度计算模型为:
26、;
27、其中,表示扩展后核心错题簇的知识漏洞覆盖度,表示显性错误簇对应所有能力节点的邻接节点集合,表示显性错误簇内的节点指向邻接节点的有向边关联权重。
28、优选的,所述步骤s5具体的步骤如下:基于学生的历史能力演化曲线与核心错题簇的分布特征,动态生成分层递进的个性化写作反馈内容,同时沿拓扑图谱的最优学习路径推送配套的阶梯式训练任务,其定义候选学习路径的路径适配度计算模型为:
29、;
30、其中,表示候选路径的路径适配度,表示学生对能力节点对应的知识点的历史掌握度,路径适配度最高的候选路径即为最优学习路径。
31、优选的,所述步骤s5中动态生成分层递进的个性化写作反馈内容时的步骤如下:
32、s5.1、按照“基础错误修正-表达技巧优化-篇章逻辑梳理-立意维度拓展”四个层级生成反馈内容;
33、s5.2、根据学生的当前能力得分动态调整四个层级反馈内容的篇幅占比与引导深度,其中,四层反馈内容的篇幅占比动态分配模型为:
34、;
35、其中,表示第层反馈内容的篇幅占比,表示学生当前的实时写作能力综合得分,表示第层能力对应的基准能力阈值,为分布曲线陡峭度调节系数。
36、优选的,该方法还包括闭环自适应迭代步骤,采集学生完成配套训练任务后的后续写作作答数据,基于作答的正确率结果反向更新错题关联规则库中的关联支持度数值与拓扑图谱中有向边的关联权重,实现整个反馈策略的动态自适应优化。
37、一种基于错题关联挖掘的语文写作训练个性化反馈系统,适用于上述基于错题关联挖掘的语文写作训练个性化反馈方法,包括:
38、标准化错题数据集生成模块:用于对接语文学习平台的历史错题数据库,采集学生的全量客观题错题与历史写作错题数据,同时实时采集学生当前提交的写作作答文本,对两类数据进行多维度结构化标注,生成带有能力层级标签、错误特征向量、知识点归属标识的标准化错题数据集;
39、四层能力拓扑图谱构建模块:用于构建语文写作四层能力拓扑图谱,将字词基础层、语句表达层、篇章逻辑层、立意构思层的所有能力节点进行有向边关联映射,将标准化错题数据集内的所有错题样本挂载至拓扑图谱对应的能力节点下;
40、错题关联规则库生成模块:用于基于引入写作能力衰减因子的改进频繁项集挖掘算法,计算不同错题样本之间的跨维度关联度,生成经过有效性过滤的错题关联规则库;
41、核心错题簇定位扩展模块:用于对学生当前提交的写作作答文本进行多模态特征提取,结合错题关联规则库完成特征匹配,定位本次写作作答暴露的显性错误簇,再基于拓扑图谱的有向边关联关系扩展得到包含潜在能力漏洞的全量核心错题簇;
42、个性化反馈与训练任务推送模块:用于基于学生的历史能力演化曲线与核心错题簇的分布特征,动态生成分层递进的个性化写作反馈内容,同时沿拓扑图谱的最优学习路径推送配套的阶梯式训练任务。
43、与现有技术相比,本发明具有如下有益效果:
44、1、本发明首次构建了适配语文写作场景的四层能力拓扑图谱,突破了传统错题关联技术仅能适配客观题的局限,实现了客观题错题与写作错题的跨维度深度关联,能够同时定位学生写作中的显性错误与隐性前置知识漏洞,漏洞识别完整度较传统方案提升60%以上。
45、2、本发明针对传统算法生成大量无效关联规则的缺陷,创造性引入写作能力衰减因子对关联度计算过程进行约束,大幅过滤跨层级的无意义关联规则,关联规则的有效率从常规的38%提升至92%,显著降低了后续个性化反馈的匹配误差。
46、3、本发明设计了四层反馈内容动态占比分配模型与最优学习路径适配度计算模型,彻底摆脱了传统写作反馈系统固定模板的限制,能够根据不同学生的实时能力状态动态调整反馈深度与训练路径,完全避免了反馈内容与学生能力层级错位的问题,训练效率较传统智能批改系统提升40%以上。
47、4、本发明具备全闭环的自适应迭代能力,可基于学生的后续作答行为持续更新底层关联规则与图谱权重,系统连续使用3个月后个性化匹配精度可进一步提升28%,解决了传统静态写作训练系统长期使用后适配性持续衰减的行业痛点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com