基于多智能体协同的AI辅助教学方法及平台与流程

本发明涉及ai辅助教学，尤其涉及基于多智能体协同的ai辅助教学方法及平台。

背景技术：

1、在教育数字化转型持续深化的背景下，传统统一化教学模式已难以适配学习者在认知特点、学习节奏及行为习惯上的个体差异，精准捕捉学习过程中的动态变化、实现教学资源与学习者需求的高效匹配成为当前教育领域的核心诉求。随着智能化技术在教育场景的广泛应用，单一功能的教学辅助工具已无法满足复杂教学过程中的多维数据处理、动态调控等需求，亟需构建能够整合多维度学习数据、实现跨环节协同运作的智能化教学体系，以破解教学数据碎片化、教学策略静态化等难题，推动教学模式从批量供给向精准适配转型，为个性化教学与高效学情管理提供技术支撑。

2、现有技术在智能辅助教学领域存在两大显著不足：一方面，缺乏系统性的协同运作机制，各教学辅助环节的数据流转与功能衔接较为松散，未能实现学习数据的全面整合与深度利用，导致教学过程中对学习者状态的感知不够全面，难以形成连贯、精准的教学调控逻辑；另一方面，对学习者个性化需求的适配能力不足，既未能充分兼顾学习过程中的动态变化，也未实现教学资源、教学策略与学习者状态的动态匹配，使得教学辅助效果受限，无法有效满足不同学习者的差异化发展需求，难以达成精准化、个性化的教学目标。

技术实现思路

1、为了克服现有技术存在的缺点与不足，本发明提供基于多智能体协同的ai辅助教学方法及平台。

2、本发明所采用的技术方案是，基于多智能体协同的ai辅助教学方法，包括以下步骤：s1，通过多智能体教学认知适配模型的分布式节点采集学习者认知风格、知识掌握度、学习行为序列及交互响应特征，构建多维度学习者静态特征向量集；s2，通过智能体学情评估分析系统的实时数据交互接口，动态捕获学习过程中的资源访问轨迹、任务完成行为、问答反馈内容及生理信号波动参数，形成时序化学习状态数据集；s3，调用多智能体教学认知适配模型对静态特征向量集与时序化学习状态数据集进行跨维度特征融合，生成学习者认知适配度矩阵；s4，将认知适配度矩阵输入个性化学习路径生成模型，结合学科知识图谱的节点关联权重，动态生成多分支学习内容序列；s5，通过学情时序预测协同优化算法对学习路径执行过程中的状态数据进行滚动预测，输出知识掌握趋势向量；s6，基于趋势向量与智能体学情评估分析系统的实时评估结果，由多智能体协同单元动态调整教学认知适配参数、学习路径节点配置及交互反馈策略。

3、进一步地，所述多智能体教学认知适配模型的表达式为：

4、

5、其中，为第i个学习者与第j个教学内容的认知适配度，为多智能体权重系数，为学习者认知特征向量，为教学内容属性向量，为认知－内容匹配矩阵，为学习者生理信号特征向量，为教学场景适配向量，为生理－场景关联矩阵，为学习者交互行为向量，为教学反馈特征向量，为行为－反馈映射矩阵，为sigmoid激活函数。

6、进一步地，所述个性化学习路径生成模型的表达式为：

7、

8、其中，为第k个学习者的最优学习路径，为路径生成权重系数，为第k个学习者在第t个知识节点的掌握度，为第t个节点与第n个节点的前置关联权重，为第k个学习者在第t个节点的学习效率，为第t个节点与第n个节点的时序关联权重，为第k个学习者在第t个节点的交互深度，为第t个节点与第n个节点的内容关联权重。

9、进一步地，所述学情时序预测协同优化算法的表达式为：

10、

11、其中，为第时刻的学情预测值，为第m时刻的学情实测值，为时序模型融合系数，为优化调节系数，为第m时刻的认知状态特征向量，为第m时刻的行为交互特征向量，为第m时刻的生理信号特征向量，为长短期记忆网络预测函数，为门控循环单元预测函数，为协同优化目标函数。

12、进一步地，所述智能体学情评估分析系统的评估模型表达式为：

13、

14、其中，为第p个学习者的综合学情评估值，为评估维度权重系数，为知识测试特征向量，为知识标准特征向量，为知识评估矩阵，为行为表现特征向量，为行为标准特征向量，为行为评估矩阵，为生理状态特征向量，为生理标准特征向量，为生理评估矩阵，为指数线性单元激活函数。

15、进一步地，所述可穿戴生理信号采集与ai智能健康风险评估的融合模型表达式为：

16、

17、其中，为第q个学习者的健康风险评估值，为融合权重系数，为时间衰减因子，为第q个学习者在时刻的多模态生理信号序列，为信号卷积核，为池化窗口参数，为归一化参数，为卷积运算，为池化运算，为标准化运算。

18、进一步地，所述s3包括以下分步骤：s31，由多智能体教学认知适配模型的特征提取单元对静态特征向量集中的认知风格、知识掌握度参数进行维度映射，形成标准化认知特征矩阵；s32，通过模型的时序处理单元对时序化学习状态数据集中的行为序列、交互响应参数进行滑动窗口采样，生成动态行为特征张量；s33，调用模型的跨模态融合单元采用注意力机制对标准化认知特征矩阵与动态行为特征张量进行权重分配与元素级乘积运算，得到融合特征矩阵；s34，利用模型的适配度计算单元对融合特征矩阵执行非线性变换与归一化处理，输出维度匹配的学习者认知适配度矩阵。

19、进一步地，所述s4包括以下分步骤：s41，个性化学习路径生成模型的知识图谱解析单元对学科知识图谱中的节点属性、关联关系进行遍历，提取知识节点权重与前置依赖关系；s42，模型的适配度映射单元将认知适配度矩阵中的元素与对应知识节点权重进行关联匹配，生成节点适配优先级序列；s43，通过模型的路径构建单元基于节点适配优先级序列与前置依赖关系，采用贪心算法生成初始多分支学习路径集合；s44，利用模型的路径优化单元结合学习者历史学习行为数据对初始路径集合进行冗余节点裁剪与标定节点强化，输出优化后的个性化学习内容序列。

20、进一步地，所述s5包括以下分步骤：s51，学情时序预测协同优化算法的数据集划分单元将学习路径执行过程中的状态数据按时间戳划分为训练集与验证集，确定滚动预测窗口长度；s52，算法的特征工程单元对训练集中的状态数据进行特征筛选与维度约简，提取与知识掌握趋势强关联的特征子集；s53，调用算法的预测模型训练单元采用特征子集对时序预测模型进行迭代训练，通过验证集调整模型超参数，确定最优预测参数配置；s54，利用算法的协同优化单元将预测模型输出结果与智能体学情评估分析系统的实时数据进行比对，通过梯度下降法修正预测偏差，输出精准的知识掌握趋势向量。

21、基于多智能体协同的ai辅助教学平台，该平台应用于基于多智能体协同的ai辅助教学方法，包括：多模态学习者数据采集与预处理模块、分布式多智能体教学认知适配计算模块、知识图谱驱动的个性化学习路径生成模块、时序化学情预测与协同优化模块、智能体动态学情评估与反馈模块、多智能体协同教学调控与资源调度模块；所述多模态学习者数据采集与预处理模块通过可穿戴设备接口与交互终端采集生理信号、行为数据及认知特征参数，输出标准化数据集；所述分布式多智能体教学认知适配计算模块接收标准化数据集，通过多智能体并行计算生成认知适配度矩阵，与个性化学习路径生成模块建立数据传输链路；所述个性化学习路径生成模块基于认知适配度矩阵与知识图谱数据生成学习路径序列，发送至时序化学情预测与协同优化模块；所述时序化学情预测与协同优化模块对路径执行状态进行预测，输出趋势向量至智能体动态学情评估与反馈模块；所述智能体动态学情评估与反馈模块结合实时评估数据生成调控指令，传输至多智能体协同教学调控与资源调度模块；所述多智能体协同教学调控与资源调度模块根据调控指令调整各模块参数配置与资源分配方案，形成闭环协同运行架构。

22、有益效果：本发明提出基于多智能体协同的ai辅助教学方法及平台，整合多维度学习者数据采集与动态状态捕获机制，打破数据碎片化壁垒，通过跨维度特征融合与综合评估分析，实现对学习者认知特点、行为习惯及生理状态的全面感知，解决了传统技术对学习者状态感知不全面的问题；依托协同运作的核心功能模块，构建从数据采集、认知适配、路径生成到学情预测、动态调控的闭环链路，实现各环节数据实时交互与参数联动，替代了原有各功能独立运行的松散模式，大幅提升教学调控的连贯性与精准性；基于学习者个体特征与实时状态动态生成适配的学习路径，并通过时序预测与动态调整机制持续优化教学策略，充分兼顾不同学习者的差异化需求与学习过程中的动态变化，弥补了传统平台个性化适配能力不足、路径调整缺乏针对性的缺陷；通过多模块协同调度与资源优化配置，推动教学模式从静态化、统一化向动态化、精准化转型，显著提升教学资源利用效率与学习辅助效果，为个性化教学与高效学情管理提供可靠技术支撑。