一种基于学生需求响应策略的自学习优化方法与流程

摘要: 本发明涉及教育人工智能领域,特别涉及一种基于学生需求响应策略的自学习优化方法。背景技术:1、随着教育信息化与智能教育技术的深度普及,个性化、自主化学习已成为新时...
一种基于学生需求响应策略的自学习优化方法与流程

本发明涉及教育人工智能领域,特别涉及一种基于学生需求响应策略的自学习优化方法。

背景技术:

1、随着教育信息化与智能教育技术的深度普及,个性化、自主化学习已成为新时代教育发展的核心趋势,各类智能学习系统被广泛应用于教学场景。但传统智能学习模式多采用同质化教学逻辑,以固定教学流程和统一资源推送为主,普遍忽视学生个性化学习诉求、知识薄弱点、学习节奏与自主学习需求,存在教学适配性差、动态响应滞后、学习优化针对性不足等问题。

2、当前市面主流的智能教学响应方法普遍存在智能化程度低、适配性差、无法自主迭代的短板。现有方法大多仅依托单一文本或习题数据判断学生需求,数据维度单薄,无法全面捕捉学生真实学习状态与隐性需求,且缺乏精细化的需求聚类、强度量化机制,需求识别精准度不足。同时,传统策略匹配多为固定规则触发,未结合实时教学场景动态筛选调整,极易出现响应策略与课堂进度、学生实际学情脱节的问题。此外,市面方法缺少完整的反馈闭环与自学习优化机制,仅能机械执行预设策略,无法量化策略实施效果,不能根据学生交互反馈修正策略缺陷,模板策略长期固化不变,难以适配不同学生的个性化、动态化学习需求,极易出现响应滞后、匹配错位、适配性差等问题,整体教学响应的灵活性、精准度与迭代进化能力存在明显短板。

技术实现思路

1、为了完善现有的方法,提供一种基于学生需求响应策略的自学习优化方法,该方法通过量化学生个性化学习需求,结合教学场景动态匹配适配的响应策略,摆脱传统智能教学固定、同质化响应的缺陷,实现因材施教的动态自适应教学,大幅提升学生学习需求响应的精准度与适配性。

2、为达到以上目的,本发明采用的技术方案为:

3、一种基于学生需求响应策略的自学习优化方法,包括:

4、通过教学交互界面实时采集多模态输入数据,包括文本提问、语音提问、习题作答记录和界面操作行为序列,并按时间戳对齐并映射至统一时间轴,提取各时刻的意图标签,按时间顺序组合为学生需求向量集;

5、对学生需求向量集按意图标签聚类为需求簇,计算每个需求簇的需求强度权重,按权重排序从预设响应策略模板库中匹配候选策略,依据当前教学场景状态参数筛选,生成含响应动作类型和时间窗口的需求响应策略序列;

6、按策略序列在各时间窗口内依次执行策略项,每项执行后采集后续操作变更、交互响应时长和界面焦点切换轨迹作为即时反馈,全部执行后汇总形成反馈样本数据集;

7、将反馈样本数据集与预设期望反馈基线逐项比对,计算每个策略项的反馈偏差量,结合交互内容特征,生成表征各策略项对学习状态修正效果的学习效果评估向量;

8、将学习效果评估向量与需求响应策略序列建立映射,依据映射更新模板库中各模板的历史命中率和历史反馈偏差量,并按更新后的命中率调整模板优先级排序,将调整后的模板库用于下一周期迭代。

9、优选的,所述按时间戳对齐并映射至统一时间轴具体包括:

10、提取文本提问数据的接收时间戳、语音提问数据中语音段的起始和结束时间戳、习题作答记录的作答开始和提交时间戳、以及界面操作行为序列中各操作事件的触发时间戳,作为待对齐时间点;

11、以所有待对齐时间点中的最早时刻为基准零点,将各原始时间戳转换为相对于基准零点的相对时间偏移量,形成各模态数据的时间对齐序列;

12、按预设的时间窗口长度将时间对齐序列划分为连续的时间切片,统计每个时间切片内各意图标签的出现频次和交互内容特征量,将统计结果汇总为该时间切片对应的意图标签向量;

13、将所有时间切片的意图标签向量按时间先后顺序串联,构成所述学生需求向量集。

14、优选的,所述对学生需求向量集按意图标签聚类为需求簇,计算每个需求簇的需求强度权重具体包括:

15、对各时刻的意图标签进行语义相似度计算,将语义相似度大于预设阈值的标签归入同一需求簇,同一需求簇内保留原始意图标签及其关联的交互内容特征;

16、对每个需求簇,统计该簇内意图标签的出现次数和该簇所跨越的时间切片总数,将出现次数除以时间切片总数,得到该簇的时间密度值;

17、提取该簇内各交互内容特征中表征学生操作频率的数值分量,按时间先后排列为操作频率序列,计算该序列中相邻数值差值的绝对值平均值,作为该簇的波动系数;

18、将时间密度值和波动系数进行加权求和,得到需求簇的需求强度权重。

19、优选的,所述按权重排序从预设响应策略模板库中匹配候选策略具体包括:

20、预先构建响应策略模板库,每个策略模板包含模板标识、适用需求标签列表、策略动作类型字段和策略内容数据字段;

21、对每个需求簇,提取该簇中出现频率最高的主意图标签,将主意图标签与各模板的适用需求标签列表进行匹配,将匹配成功的模板标记为初始匹配模板;

22、获取当前教学场景的状态参数,所述状态参数包括当前教学章节标识和课堂时间进度值,对各初始匹配模板进行兼容性校验,将通过校验的模板保留为候选模板;

23、将所有候选模板按对应需求簇的需求强度权重从高到低排序,并为每个候选模板分配响应时间窗口参数,组合为候选响应策略集合。

24、优选的,所述采集后续操作变更、交互响应时长和界面焦点切换轨迹作为即时反馈具体包括:

25、在每个策略项执行开始时记录策略执行开始时间戳,执行过程中持续采集界面操作事件流,所述操作事件流包括鼠标点击、键盘输入和触摸滑动事件;

26、策略项执行完毕后记录策略执行结束时间戳,提取从开始至结束时段内各操作事件的目标界面元素标识和操作动作类型,形成该策略项的操作变更记录;

27、计算策略执行结束时间戳与开始时间戳的差值作为该策略项的交互响应时长,从操作事件流中提取界面焦点元素的切换顺序,记录为界面焦点切换轨迹;

28、将所述操作变更记录、交互响应时长和界面焦点切换轨迹关联存储为该策略项的即时反馈数据条目,所有策略项的条目共同构成反馈样本数据集。

29、优选的,所述将反馈样本数据集与预设期望反馈基线逐项比对具体包括:

30、预先为每个策略项类型设定期望反馈基线,所述基线包含期望操作变更模式、期望交互响应时长上限值和期望焦点切换路径长度范围值;

31、从反馈样本数据集中提取每个策略项的操作变更记录,将记录中各操作事件的实际操作类型和对象层级路径分别与期望操作变更模式中的期望类型和期望路径进行匹配,统计不匹配的事件数量,得到操作模式偏差量;

32、若该策略项的交互响应时长大于期望上限值,则计算两者的差值作为时长偏差量,若小于或等于上限值则时长偏差量设为零;

33、将该策略项的界面焦点切换轨迹的实际切换步数与期望路径长度范围的上限和下限分别比较,根据偏离程度计算焦点切换偏差量;

34、将操作模式偏差量、时长偏差量和焦点切换偏差量加权求和,得到该策略项的反馈偏差量。

35、优选的,所述生成表征各策略项对学习状态修正效果的学习效果评估向量具体包括:

36、将同一主意图标签下的所有策略项的反馈偏差量,按照各策略项的响应时间窗口先后顺序排列,形成该主意图标签对应的偏差量时间序列;

37、计算该偏差量时间序列中相邻两个偏差量的差值,统计差值为正数的数量和差值为负数的数量,分别除以差值总数,得到该主意图标签的偏差恶化比例和偏差改善比例;

38、对该主意图标签下的各策略项按响应动作类型进行分组,计算每组内反馈偏差量的平均值,作为该动作类型对应该主意图标签的修正贡献值;

39、将各主意图标签的偏差恶化比例、偏差改善比例和修正贡献值,按照时间切片顺序排列,形成学习效果评估向量。

40、优选的,所述依据映射更新模板库中各模板的历史命中率和历史反馈偏差量具体包括:

41、从映射关系中提取本次周期内实际命中的策略模板的模板标识及其对应的反馈偏差量,将每个命中模板的历史命中次数增加一次,并将本次反馈偏差量添加入该模板的历史反馈偏差量列表;

42、对于本次周期内未命中的策略模板,保持其历史命中次数和历史偏差列表不变,同时将该模板的未命中连续计数增加一次;

43、对每个模板,用当前历史命中次数除以该模板自创建以来的总参与匹配次数,得到当前历史命中率,用该模板的历史反馈偏差量列表中所有偏差量的平均值,作为平均反馈偏差量;

44、将每个模板的当前历史命中率和平均反馈偏差量作为新增属性字段写入响应策略模板库中对应模板的模板数据中,完成加权更新。

45、优选的,所述按更新后的命中率调整模板优先级排序具体包括:

46、对响应策略模板库中各模板,将历史命中率乘以第一权重系数得到命中率得分,将该模板的平均反馈偏差量的相反数乘以第二权重系数得到偏差得分,将两者相加得到综合优先得分;

47、按综合优先得分从高到低对所有模板进行排序,得到第一排序列表,按历史命中率从高到低排序得到第二排序列表,对于综合优先得分相同的模板,依据其在第二排序列表中的位置决定先后顺序;

48、将排序后的模板顺序写入模板库的优先级索引字段,并为每个模板分配新的匹配优先级序号,排列越靠前则序号越高;

49、在下一教学周期的需求响应策略生成过程中,按照匹配优先级序号从高到低的顺序依次从模板库中选取模板进行匹配,将选取的模板作为下一周期的候选响应策略集合的组成部分。

50、与现有技术相比,本发明的优势在于:

51、通过多模态数据全维度采集与时间轴对齐处理,精准拆解学生学习需求,结合语义聚类、需求权重量化方式,精准区分学生需求强弱与波动特征,规避需求识别片面、滞后的问题。同时结合教学场景参数筛选适配策略,保障响应策略贴合实时教学场景,兼顾合理性与适配性。依托学生交互反馈数据量化策略执行偏差,多维评估策略对学生学习状态的修正效果,摆脱主观评估局限。最重要的是构建了完整的自学习迭代闭环,持续更新策略模板库的命中率与优先级,动态优化策略匹配逻辑,可不断适配不同学生的个性化学习需求、学习状态变化,持续提升智能教学响应的精准度、适配性与有效性,实现教学服务的动态进化升级。