基于AI的教学素材生成方法、系统、计算机设备及介质与流程

本发明涉及教学，特别涉及基于ai的教学素材生成方法、系统、计算机设备及介质。

背景技术：

1、当前的教学素材生成方法普遍存在“一刀切”问题，缺乏对学生实时学习数据的深度挖掘与利用。尽管部分系统尝试引入自适应学习机制，但多数仍停留在简单的题目推送或视频推荐层面，未能将知识点掌握程度、薄弱环节与素材难度、结构进行系统性耦合。此外，现有素材库中的内容往往未经过细粒度的知识点标注，导致筛选与重组过程粗糙，难以形成逻辑连贯、重点突出的学习路径，从而限制了教学干预的有效性和学习效率的提升。

技术实现思路

1、本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

2、为实现上述目的，本发明提供了一种基于ai的教学素材生成方法，包括以下步骤：

3、获取学生的学习行为表现信息，基于预设的知识点掌握标准对所述学习行为表现信息进行比对，得到知识点掌握程度及知识点薄弱表；

4、基于所述学习行为表现信息对教学素材库中的基础素材进行筛选，得到候选素材集；

5、基于所述知识点掌握程度及知识点薄弱表所述候选素材集进行素材难度参数调整，得到难度适配素材；

6、基于预设的ai模型对所述难度适配素材按照知识点关联顺序进行排序，得到有序素材序列，并基于所述知识点薄弱表对所述有序素材序列进行重点内容标注及添加，得到目标教学素材。

7、进一步的，基于预设的知识点掌握标准对所述学习行为表现信息进行比对，得到知识点掌握程度及知识点薄弱表，包括：

8、对所述学习行为表现信息进行知识点覆盖分析，得到行为覆盖知识点，通过预设的知识点掌握标准对所述行为覆盖知识点中的每个知识点进行掌握程度判定，得到知识点掌握程度；

9、基于所述知识点掌握程度对所述行为覆盖知识点进行薄弱知识点筛选，得到薄弱知识点集合，并基于所述薄弱知识点集合生成知识点薄弱表。

10、进一步的，基于所述学习行为表现信息对教学素材库中的基础素材进行筛选，得到候选素材集，包括：

11、对所述学习行为表现信息进行行为特征统计，得到学习行为统计表，并基于所述学习行为统计表生成知识点需求表；

12、对所述知识点需求表进行知识点关联度分析，得到知识点关联表，并基于所述知识点关联表对教学素材库中的素材进行匹配度计算，得到素材匹配度表；

13、基于所述素材匹配度表对教学素材库中的基础素材进行分级分类，得到素材分级集合，并对所述素材分级集合进行筛选规则过滤，得到候选素材集。

14、进一步的，基于所述知识点掌握程度及知识点薄弱表所述候选素材集进行素材难度参数调整，得到难度适配素材，包括：

15、对所述候选素材集中的每个素材进行难度参数提取，得到素材初始参数表，并对所述素材初始参数表中的参数类型进行分类，得到参数分类结果；

16、基于所述知识点掌握程度对候选素材集中的每个知识点设定难度调整系数，生成参数调整系数表，并基于所述知识点薄弱表对所述参数调整系数表进行系数修正，得到修正后系数表；

17、基于所述参数分类结果将所述修正后系数表与所述素材初始参数表进行关联匹配，得到参数匹配表，并对所述参数匹配表中的初始参数与对应修正系数进行乘积计算，得到调整后参数表；

18、基于所述调整后参数表对所述候选素材集中的素材进行内容修改，得到参数适配素材，并对所述参数适配素材进行知识点匹配校验，得到难度适配素材。

19、进一步的，基于预设的ai模型对所述难度适配素材按照知识点关联顺序进行排序，得到有序素材序列，包括：

20、对所述难度适配素材进行知识点标签提取，得到素材知识点标签，并对所述素材知识点标签与预设的教学大纲知识点库进行匹配，得到标签匹配结果；

21、基于所述标签匹配结果中的完整标签构建知识点逻辑关联图，并按照知识点关联顺序对所述知识点逻辑关联图进行关联强度赋值，得到关联强度表；

22、基于所述关联强度表对所述难度适配素材的完整标签进行关联顺序排序，得到素材排序初表，并通过预设的ai模型对所述素材排序初表进行逻辑连贯性校验，得到有序素材序列。

23、进一步的，基于所述知识点薄弱表对所述有序素材序列进行重点内容标注及添加，得到目标教学素材，包括：

24、对所述知识点薄弱表中的薄弱知识点进行频次统计，得到薄弱点频次表，并基于所述薄弱点频次表对所述有序素材序列中的对应素材进行标记，得到重点标记素材；

25、对所述重点标记素材进行内容缺口识别，得到素材内容缺口，并基于所述知识点薄弱表对教学素材库进行补充素材检索，得到缺口补充素材；

26、将所述缺口补充素材插入至所述重点标记素材的对应位置，得到整合素材序列，并对所述整合素材序列进行排版格式统一，得到目标教学素材。

27、进一步的，基于所述薄弱点频次表对所述有序素材序列中的对应素材进行标记，得到重点标记素材，包括：

28、对所述薄弱点频次表进行频次聚类分析，得到重点等级矩阵，并基于所述重点等级矩阵构建知识点权重网络；

29、对所述有序素材序列进行语义切分处理，得到语义单元集合，并基于所述知识点权重网络对所述语义单元集合进行关键词匹配，得到匹配位置表；

30、基于所述匹配位置表进行可视化特征分配，得到标记特征集，并对所述标记特征集进行多维度样式映射，得到标记样式表；

31、将所述标记样式表应用于有序素材序列中的对应素材进行标记，得到标记效果图，并对所述标记效果图进行视觉层级优化，得到重点标记素材。

32、本发明还提供了一种基于ai的教学素材生成系统，包括：

33、获取模块，用于获取学生的学习行为表现信息，基于预设的知识点掌握标准对所述学习行为表现信息进行比对，得到知识点掌握程度及知识点薄弱表；

34、筛选模块，用于基于所述学习行为表现信息对教学素材库中的基础素材进行筛选，得到候选素材集；

35、调整模块，用于基于所述知识点掌握程度及知识点薄弱表所述候选素材集进行素材难度参数调整，得到难度适配素材；

36、排序模块，用于基于预设的ai模型对所述难度适配素材按照知识点关联顺序进行排序，得到有序素材序列，并基于所述知识点薄弱表对所述有序素材序列进行重点内容标注及添加，得到目标教学素材。

37、本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

38、本发明还提供一种计算机可读存储介质，其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上述任一项所述的方法的步骤。

39、本发明提供的一种基于ai的教学素材生成方法，包括以下步骤：获取学生的学习行为表现信息，基于预设的知识点掌握标准对所述学习行为表现信息进行比对，得到知识点掌握程度及知识点薄弱表；基于所述学习行为表现信息对教学素材库中的基础素材进行筛选，得到候选素材集；基于所述知识点掌握程度及知识点薄弱表所述候选素材集进行素材难度参数调整，得到难度适配素材；基于预设的ai模型对所述难度适配素材按照知识点关联顺序进行排序，得到有序素材序列，并基于所述知识点薄弱表对所述有序素材序列进行重点内容标注及添加，得到目标教学素材，解决了传统技术多数仍停留在简单的题目推送或视频推荐层面，未能将知识点掌握程度、薄弱环节与素材难度进行系统性结合的技术问题，实现了基于学习行为信息对教学素材库中的基础素材进行初筛，有效过滤与学生当前学习状态无关或冗余的内容，缩小候选范围，提高素材匹配效率，确保候选素材集既覆盖所需知识点，又符合学生认知水平的技术效果。