一种基于双引擎判定与认知漂移检测的智能复习干预系统及方法与流程

本发明涉及智能教育的智能复习干预领域，具体涉及一种基于双引擎判定与认知漂移检测的智能复习干预系统及方法。

背景技术：

1、随着人工智能技术在教育领域的深入应用，智能复习系统已成为辅助学生对抗遗忘、巩固知识的重要工具。然而，现有智能复习系统存在以下技术缺陷：

2、缺陷一：复习调度仅依赖用户主观自评，缺乏客观认知状态评估。 现有间隔重复系统（如anki、supermemo）采用sm-2算法，复习时机的确定完全依赖于学生对复习卡片的主观回忆质量自评（0-5分）。当学生高估或低估自身掌握程度时，复习计划将偏离实际认知状态——自评过高导致复习推迟、遗忘加剧，自评过低导致复习过度、效率低下。系统无法主动感知学生真实的认知衰退，只能被动等待用户的自评输入。

3、缺陷二：知识追踪模型与复习调度系统完全割裂，无法形成闭环。 贝叶斯知识追踪（bkt）等知识追踪模型虽能客观评估学生对各知识点的掌握概率，但bkt仅用于知识状态的可视化展示或题目推荐，从未被用于驱动复习调度系统。知识追踪模型的输出（掌握概率）与间隔重复调度器的输入（回忆质量评分）之间不存在任何数据通路，两者的独立运行导致复习调度无法利用客观的掌握度评估结果，造成认知状态数据的浪费。

4、缺陷三：bkt模型忽略遗忘现象，掌握度评估虚高。 标准bkt模型将学生的知识状态建模为二元变量（已学习/未学习），一旦知识状态转移至“已学习”便长期维持，不考虑时间因素对记忆保持的影响。学生长期未练习某知识点时，即使历史掌握度较高，实际掌握水平也可能因遗忘而大幅衰减，但bkt模型无法反映这一衰减过程，导致掌握度评估虚高，后续学习安排缺乏针对性。

5、缺陷四：缺乏对学生认知异常状态的有效检测与主动干预机制。 现有系统对认知状态的监控仅停留在“正确率”层面，无法识别更深层的认知异常——掌握度骤降的“矛盾漂移”（突然不会了）、长期未练习的“兴趣漂移”（忘了没学过的知识）、概念理解但应用错误的“概念混淆”（懂了但不会用）。更关键的是，现有系统在发现异常时通常静默覆盖历史数据或仅做记录，从未主动向学生发起澄清对话以探明异常原因，导致系统误判累积、学习路径持续偏离。

6、缺陷五：学习者画像维度单一，无法支撑多维认知异常检测。 现有系统通常仅维护学生的学习历史（答题记录）和各知识点熟练度两个维度的数据，缺乏对认知能力、学习行为、情感态度、生理节律等多维度数据的全面采集和融合，导致认知异常检测缺乏多源数据支撑，检测结果准确性和可解释性不足。

技术实现思路

1、本发明的目的在于克服现有技术的缺点，提供一种基于双引擎判定与认知漂移检测的智能复习干预系统及方法，以克服现有技术中复习调度缺乏客观认知状态评估、知识追踪与复习调度割裂、bkt忽略遗忘、缺乏认知异常主动干预、画像维度单一的技术缺陷。

2、本发明采取如下技术方案实现上述目的，第一方面，本发明提供一种基于双引擎判定与认知漂移检测的智能复习干预系统，包括间隔重复调度器、认知漂移检测器和学习者画像存储。

3、所述间隔重复调度器用于管理各知识点的复习卡片，并执行双引擎联动的复习判定。

4、所述复习卡片的数据结构包含以下字段：topic_id（知识点标识）、topic_name（知识点名称）、ease_factor（简易度因子，初始默认值为2.5）、interval_days（当前间隔天数）、repetitions（连续正确次数）、next_review_date（下次复习日期，iso格式）、last_review_date（上次复习日期）、last_quality（上次回忆质量评分，0-5分）、mastery_at_review（复习时的bkt掌握度值）以及完整的历史记录列表。

5、所述间隔重复调度器采用双引擎架构：

6、第一引擎（sm-2间隔重复引擎）：基于学生复习时的回忆质量评分（0-5分），更新所述复习卡片的所述简易度因子、所述间隔天数和所述下次复习日期。具体地：当所述回忆质量评分小于第三预设阈值3时，将所述连续正确次数重置为0，将所述间隔天数设为1天；当所述回忆质量评分大于等于3时，所述连续正确次数递增1，将所述间隔天数更新为所述连续正确次数乘以所述简易度因子的值。所述简易度因子的更新方式为：新的简易度因子等于0.1与旧简易度因子之和减去第一乘积，所述第一乘积为5减所述回忆质量评分后乘以第一系数，所述第一系数为0.08加第二乘积，所述第二乘积为5减所述回忆质量评分后乘以0.02；新的简易度因子下限为1.3。

7、第二引擎（bkt掌握度监控引擎）：实时跟踪各知识点的当前bkt掌握概率，当所述当前掌握度低于第一预设阈值（优选0.7）时，生成遗忘风险信号，覆盖所述第一引擎的间隔判定结果，将对应知识点强制标记为需复习状态，触发复习提醒。该“覆盖式”联动机制实现了bkt掌握概率对sm-2时间间隔的主动干预——即使sm-2间隔尚未到期，一旦掌握度衰减至阈值以下，系统立即触发复习，有效对抗艾宾浩斯遗忘曲线。

8、所述间隔重复调度器还提供到期复习检索方法，遍历所有复习卡片，同时检查两项条件：条件一为当前日期晚于等于下次复习日期（sm-2间隔已到期），条件二为当前bkt掌握概率低于第一预设阈值（掌握度衰减触发）。满足任一条件的卡片加入需复习列表，按紧急性排序——掌握度最低者优先。

9、所述认知漂移检测器用于监控学生知识状态的变化，对至少一种认知漂移模式进行检测，当检测到认知漂移时生成漂移预警，并向所述间隔重复调度器发送触发信号，将对应知识点加入优先复习队列。

10、所述认知漂移检测器检测的所述至少一种认知漂移模式包括：

11、掌握度矛盾检测模式：用于记录各知识点的历史掌握度快照。所述认知漂移检测器持续记录各知识点每次更新后的bkt掌握概率快照（包含时间戳和掌握度值）。当当前掌握度相对于最近一次历史快照的降幅超过第二预设阈值（优选30%）时，判定为掌握度矛盾漂移，生成第一类漂移预警。当所述降幅超过第六预设阈值（优选50%）时，将对应漂移预警标记为高严重程度预警，触发主动澄清对话流程。该检测机制识别“突然不会了”的异常状态——学生此前掌握良好但近期表现急剧下降，系统主动询问原因而非静默覆盖历史记录。

12、兴趣转移检测模式：用于定期扫描各知识点的最后练习时间。当存在知识点超过预设天数（优选14天）未练习且历史掌握度高于第三预设阈值（优选0.6）时，判定为兴趣转移漂移，生成第二类漂移预警。所述认知漂移检测器将对应知识点加入所述间隔重复调度器的优先复习队列，并生成温和提醒语句告知学生该知识点已长时间未接触。该检测机制识别“长时间不碰”的遗忘风险，防止高掌握度知识点因长期闲置而自然遗忘。

13、概念混淆检测模式：用于分析学生最近答题记录的题型分布。所述认知漂移检测器将答题记录按题型分类（概念题、计算题、应用题等），分别统计各类题型的正确率。当第一类题型（概念题）的正确率高于第四预设阈值（优选70%）且第二类题型（计算题或应用题）连续答错次数超过第五预设阈值（优选3次）时，判定为概念混淆漂移——学生理解概念含义但混淆具体应用步骤，生成第三类漂移预警，将对应知识点路由至步骤拆解练习，推送解题过程演示题目而非更多同类型完整题目。该检测机制识别“懂了但不会用”的深层认知问题。

14、所述认知漂移检测器还用于在检测到高严重程度漂移时，触发主动澄清对话流程。所述主动澄清对话流程具体为：所述认知漂移检测器生成澄清对话请求，所述澄清对话请求包含第一询问语句和多个候选反馈选项，所述多个候选反馈选项包括指示遗忘的第一选项、指示题型不同的第二选项和指示需要重新梳理的第三选项。接收学生选择的反馈选项，根据所述反馈选项确定漂移原因类型：当所述漂移原因为第一类型（遗忘）时，将对应知识点立即加入所述间隔重复调度器的优先复习队列；当所述漂移原因为第二类型（题型不同）时，推送对应题型的专项练习；当所述漂移原因为第三类型（需要重新梳理）时，推送该知识点的重新梳理材料。该机制将“被动监控”升级为“主动交互”，获取学生的澄清反馈后根据所述澄清反馈修正学生画像，而非静默覆盖历史记录。

15、所述学习者画像存储用于存储学生的多维度画像数据，所述多维度画像数据至少包含各知识点的掌握度历史记录、各知识点的最后练习时间和答题记录。所述学习者画像存储采用三层数据分离架构：

16、实时数据层：用于存储通过埋点实时采集的直接测量数据，包括答题记录（含题型、正确性、答题时间）、学习时长、各知识点练习次数、wcce引擎输出的情绪标签和认知负荷等级等可直接量化的数据，实时写入画像存储。

17、代理变量层：用于存储通过代理变量推算的间接测量数据。代理变量推算方式包括：用推理题正确率代理逻辑推理能力，用平均答题时间代理信息加工速度，用错题重做率代理错误处理方式，用各科目学习时间分布代理时间分配模式，用正确率随练习次数的提升速率代理学习效能感。代理变量层数据周期性更新，补充实时数据层无法直接采集的画像维度。

18、人工校准层：用于存储通过学生自评或教师录入获得的周期性校准数据，包括学生元认知自我评估报告（含学习态度自评、困难自述、学习目标自评）和教师录入的学习态度评价、课堂表现观察记录等。人工校准层数据以较低频率（如每周或每月）更新，对实时数据层和代理变量层的数据进行周期性校准和修正。

19、所述多维度画像数据包括七个维度的数据：认知能力维度数据（含知识结构图谱、信息加工速度、逻辑推理能力）、学习行为维度数据（含深度学习比例、时间分配模式、错误处理方式）、情感态度维度数据（含情绪历史记录、学习效能感）、专业能力维度数据（含核心技能矩阵、跨领域迁移能力）、发展环境维度数据（含资源可及性评分）、生理节律维度数据（含学习时间偏好、日间波动模式）和发展潜力维度数据（含成长轨迹、进步速率）。所有数据以json格式持久化至学生画像目录，支持增量更新与版本控制。

20、第二方面，本发明提供一种基于双引擎判定与认知漂移检测的智能复习干预方法，包括以下步骤：

21、步骤s1：所述间隔重复调度器获取各知识点的复习卡片和当前掌握度。

22、步骤s2：所述间隔重复调度器执行第一引擎判定：根据所述复习卡片中的下次复习日期，判断当前日期是否到达复习时机。

23、步骤s3：所述间隔重复调度器执行第二引擎判定：判断各知识点的所述当前掌握度是否低于所述第一预设阈值。

24、步骤s4：当所述当前日期到达所述下次复习日期或所述当前掌握度低于所述第一预设阈值时，将对应知识点标记为需复习状态，生成复习任务。

25、步骤s5：所述认知漂移检测器监控各知识点的掌握度变化、最后练习时间和答题记录，检测认知漂移模式。具体包括：执行掌握度矛盾检测，记录各知识点的历史掌握度快照，当当前掌握度相对于最近一次历史快照的降幅超过30%时生成第一类漂移预警，超过50%时标记为高严重程度预警；执行兴趣转移检测，扫描各知识点的最后练习时间，超过14天未练习且历史掌握度高于0.6时生成第二类漂移预警，将对应知识点加入优先复习队列；执行概念混淆检测，分析学生最近答题记录的题型分布，当概念题正确率高于70%且计算题或应用题连续答错超过3次时生成第三类漂移预警，将对应知识点路由至步骤拆解练习。

26、步骤s6：当检测到认知漂移时，生成漂移预警。

27、步骤s7：当所述漂移预警的严重程度超过预设严重程度阈值时，触发主动澄清对话流程，向学生发送澄清对话请求，接收学生的澄清反馈，根据所述澄清反馈修正学生画像。所述主动澄清对话流程具体为：生成澄清对话请求，向学生发送询问语句和三个候选反馈选项（“可能遗忘了”“题目类型不同”“需要重新梳理”）；接收学生选择的反馈选项；当学生选择遗忘选项时，将对应知识点立即加入优先复习队列；当学生选择题型不同选项时，推送该题型对应的专项练习；当学生选择需要重新梳理选项时，推送该知识点的重新梳理材料。

28、步骤s8：将存在漂移预警的知识点加入优先复习队列，通过所述间隔重复调度器执行复习任务。

29、步骤s9：所述学习者画像存储采用三层数据分离架构存储多维度画像数据。

30、本发明所述技术方案，与现有技术相比，具有以下有益效果：

31、双引擎“覆盖式”联动实现基于真实认知状态的复习调度。本发明将sm-2间隔重复算法与bkt掌握概率衰减深度融合，以bkt掌握概率阈值（0.7）覆盖sm-2的时间间隔判定——即使间隔尚未到期，一旦掌握度衰减至阈值以下即强制触发复习。相比于仅依赖用户主观自评的sm-2算法，本发明实现了从“主观驱动”到“客观驱动”的复习调度机制升级，能够有效对抗艾宾浩斯遗忘曲线。

32、知识追踪与复习调度首次实现闭环联动。本发明打破了知识追踪模型（bkt）与间隔重复系统（sm-2）长期割裂的技术壁垒，建立了从bkt掌握概率到复习调度器的直接数据通路。bkt的输出不再仅用于可视化展示，而是作为驱动复习行为的核心信号，实现了知识状态评估与复习行为干预的闭环，解决了现有技术中认知状态数据浪费的技术问题。

33、三类认知漂移检测实现多维度异常监控。 本发明首次将机器学习领域的“概念漂移”检测思想引入教育认知监控领域，并针对教育场景定义了三类具体的、可量化的漂移模式——掌握度矛盾检测（降幅>30%触发预警，>50%触发高严重预警）、兴趣转移检测（>14天未练且掌握度>0.6触发预警）、概念混淆检测（概念题正确率>70%且计算题连续错>3次触发预警），实现了从单一正确率监控到多维度认知异常监控的升级。

34、主动澄清对话机制实现从被动监控到主动干预的跃升。 本发明在检测到高严重程度认知漂移时，不静默覆盖历史记录，而是主动发起澄清对话，向学生提供“遗忘/题型不同/需重新梳理”三个选项，根据学生反馈采取差异化干预策略（优先复习/专项练习/重新梳理）。该机制将系统从“被动监控者”升级为“主动干预者”，有效防止算法误判导致的学习路径偏离。

35、七维度三层分离画像为漂移检测提供多源数据支撑。本发明的学习者画像覆盖认知能力、学习行为、情感态度、专业能力、发展环境、生理节律、发展潜力七个维度，采用实时采集、代理变量推算以及人工校准三层数据分离架构，为认知漂移检测提供了全面、准确、可解释的数据支撑，提升了检测的准确性和鲁棒性。