一种基于自适应做题总时长的题目推荐方法及系统与流程

本发明属于个性化题目推荐的，具体地涉及一种基于自适应做题总时长的题目推荐方法及系统。

背景技术：

1、现有课后测验或在线练习系统通常依据教师设定的统一题量、统一题目范围或统一难度进行推荐。部分智能推题方案虽然引入了学生能力值、题目难度、作答正误概率或能力变化期望，但其推荐目标多集中于选择单道最优题或根据能力值匹配题目，未充分解决学生在限定作业时长内完成一组题目的问题。

2、在学生专注力随连续学习时长下降以及不同学生解题速度差异明显的场景下，单纯控制题目数量并不能稳定控制实际完成时长；单纯选择能力最匹配或收益最高的题目，也可能导致推荐题组总体耗时过长、题型分布失衡或学习负担过重。

3、与现有以深度学习预测正误、能力值变化期望或题目难度匹配为核心的推题方案相比，本方案的技术改进点在于：将做题总时长阈值从普通参考参数提升为推荐生成过程中的约束条件，并通过题目级个体化耗时预测模型、时间预算内的题目组合优化和作答后的动态校准机制，形成面向题目序列/题目包的自适应推荐。

4、此外，现有研究在推荐过程中较少考虑学生的认知负荷状态。认知负荷作为学习者学习过程中认知系统所产生的负载，对学习者的学习状态有重要影响。随着连续做题时间的增加，学生的认知资源逐渐消耗，导致信息处理效率下降、错误率上升，进而影响后续题目的作答质量和学习收益。然而，目前已有的学习者模型中缺乏对学习者认知负荷的动态追踪与利用。

5、另一方面，现有推荐算法通常未充分考虑用户行为序列间的动态时间间隔对推荐效果的影响。学生在不同时间点的知识状态和认知能力处于持续变化之中，忽略时间因素对推荐结果的影响会导致推荐精度下降。如何在推荐过程中有效融合时间维度信息，实现对学习者状态的动态感知与自适应调整，是当前个性化推荐研究面临的重要挑战。

技术实现思路

1、为了解决上述技术问题，本发明提出一种基于自适应做题总时长的题目推荐方法及系统，基于做题总时长约束实现个性化题目序列推荐，同时动态追踪学生认知负荷状态，有效控制学习负担并提升学习收益。

2、第一方面，本发明提供以下技术方案，一种基于自适应做题总时长的题目推荐方法，包括：

3、获取目标学生的历史作答数据、当前学习范围和做题总时长阈值，根据所述历史作答数据确定所述目标学生的能力水平值；

4、根据所述当前学习范围生成初始候选题集合，并过滤超纲题目和/或重复题目，以得到候选题集合；

5、基于所述候选题集合中的每道候选题，预测所述目标学生完成该候选题的个体化做题耗时；

6、计算每道候选题的推荐收益，基于所述推荐收益并在候选题的累计预测做题耗时不超过所述做题总时长阈值的约束下，生成推荐题目列表；

7、将所述推荐题目列表推送给所述目标学生，并根据实际作答耗时和作答结果更新后续推荐。

8、相比现有技术，本发明的有益效果为：本发明将做题总时长阈值作为推荐生成的硬性约束条件而非事后统计指标，能够在满足课后作业时长限制的前提下生成个性化题组，降低学生因题量或题目耗时不可控导致的学习负担；相较于固定题量推荐，能够适配不同学生的解题速度，使学习能力较弱或做题较慢的学生不会被推荐过多题目；相较于只按能力值或单题收益推题，能够在总时长内兼顾知识点覆盖、题型平衡和学习收益的多目标平衡；通过引入认知负荷指数和认知疲劳惩罚项，实现了对学生认知状态的动态追踪，能够根据学生连续做题时间自动调整推荐策略，避免在学生认知资源耗尽时继续推送高难度题目，有效保护学习体验；通过个体化耗时预测模型充分考虑了学生个体差异，能够更准确地适配不同学生的实际情况；通过实际耗时反馈校准后续推荐，可减少预测误差累积，提高推荐过程的实时适应能力；通过超纲过滤、重复过滤和低质量过滤，避免学生在有限时间内练习未学知识点或低价值题目，保障有限时间内的训练有效性；同时整个推荐过程完全依赖于学习行为数据，无需额外硬件设备，降低了系统成本与部署复杂度。整套方法将学生画像、耗时预测、收益评估、约束优化、动态校准与学习报告为一体，便于在线教育平台集成部署，特别适用于课后作业、限时练习等对时间可控性和学习效率要求极高的智慧教育场景。

9、较佳的，所述目标学生的能力水平值为：

10、；

11、式中，表示目标学生的能力水平值，表示目标学生做对题目的平均难度，表示目标学生做错题目的平均难度，表示目标学生在统计周期内的答题正确率，表示目标学生对当前学习范围的平均知识点掌握度，表示目标学生近期能力变化趋势，至为第一至第五能力权重系数。

12、较佳的，所述个体化做题耗时的预测公式为：

13、；

14、式中，表示候选题，表示目标学生，表示目标学生完成候选题的预测耗时，表示候选题的题目难度，表示候选题的题型编码值，表示候选题的题干长度，表示候选题的历史平均作答耗时，表示目标学生在候选题所属题型上的历史平均耗时，表示目标学生对候选题所关联知识点的掌握度，表示目标学生的能力水平值，表示目标学生的近期作答速度变化趋势，表示目标学生在时刻的认知负荷指数，为偏置项，至为第一至第九预测权重系数。

15、较佳的，所述推荐收益为：

16、；

17、式中，表示候选题对目标学生的推荐收益，表示题目难度与学生能力水平的适配度函数，表示对薄弱知识点的补强价值，表示作答后预期能力变化量，表示候选题对当前题组的知识点覆盖贡献度，表示在累计做题时间下的认知疲劳惩罚项，表示与近期已做题目的重复性惩罚项，至为第一至第六收益权重系数。

18、较佳的，所述认知负荷指数的更新公式为：

19、；

20、式中，为目标学生在时刻的认知负荷指数，为单题实际耗时增量，为认知负荷衰退系数，为负荷增长系数，和分别为截止时刻的正确与错误作答累计次数。

21、较佳的，所述推荐题目列表通过以下优化模型求解：

22、最大化：

23、；

24、约束条件：

25、；

26、；

27、；

28、；

29、式中，为候选题集合中的题目总数，为决策变量，表示选择第道题，表示不选择，为第道题对目标学生的推荐收益，为第道题的预测耗时，为做题总时长阈值，为允许的时长浮动容差，为超时惩罚系数，为最大推荐题量，表示第道题的题型类别，为示性函数，当括号内条件成立时取值为1，否则取值为0，为题型索引，为题型总数，为第类题型的最大允许数量。

30、较佳的，所述将所述推荐题目列表推送给所述目标学生，并根据实际作答耗时和作答结果更新后续推荐的步骤包括：

31、获取所述目标学生完成当前题目的实际耗时和作答结果；

32、更新累计实际耗时，更新剩余时间，为总时长阈值；

33、根据作答结果更新知识点掌握度：若作答正确则，若作答错误则，其中为学习速率系数，分别为更新前、后的知识点掌握度；

34、当时触发重规划，其中为预设偏差阈值，为预测耗时；

35、重规划时，基于更新后的能力水平值、知识点掌握度和认知负荷指数，在剩余时间内重新求解优化模型，生成新的推荐题目列表替换未完成的原有推荐序列；

36、当时终止推题，其中为最小有效题目耗时阈值。

37、第二方面，本发明提供以下技术方案，一种基于自适应做题总时长的题目推荐系统，所述系统包括：

38、能力模块，用于获取目标学生的历史作答数据、当前学习范围和做题总时长阈值，根据所述历史作答数据确定所述目标学生的能力水平值；

39、处理模块，用于根据所述当前学习范围生成初始候选题集合，并过滤超纲题目和/或重复题目，以得到候选题集合；

40、预测模块，用于基于所述候选题集合中的每道候选题，预测所述目标学生完成该候选题的个体化做题耗时；

41、收益模块，用于计算每道候选题的推荐收益，基于所述推荐收益并在候选题的累计预测做题耗时不超过所述做题总时长阈值的约束下，生成推荐题目列表；

42、更新模块，用于将所述推荐题目列表推送给所述目标学生，并根据实际作答耗时和作答结果更新后续推荐。

43、第三方面，本发明提供以下技术方案，一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于自适应做题总时长的题目推荐方法。

44、第四方面，本发明提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的基于自适应做题总时长的题目推荐方法。