一种基于遗忘记忆模型的单词学习任务动态分配系统及方法与流程

摘要: 本发明属于智能自适应学习,尤其涉及一种基于遗忘记忆模型的单词学习任务动态分配系统及方法。背景技术:1、在语言学习领域,词汇记忆是英语学习的核心基础,依托遗忘曲线...
一种基于遗忘记忆模型的单词学习任务动态分配系统及方法与流程

本发明属于智能自适应学习,尤其涉及一种基于遗忘记忆模型的单词学习任务动态分配系统及方法。

背景技术:

1、在语言学习领域,词汇记忆是英语学习的核心基础,依托遗忘曲线、间隔重复理论的智能化单词学习系统已广泛应用于各类线上学习终端,能够有效辅助用户完成单词的常态化学习与复习巩固。现有智能化单词学习系统大多基于遗忘记忆模型计算单个单词的记忆衰减程度与遗忘概率,依据单个单词的遗忘风险高低进行排序,筛选出待复习词汇并推送至用户,以此实现单词的间隔复习记忆,相较于传统人工背诵方式,大幅提升了词汇学习的规律性与效率。

2、但目前主流单词学习任务调度方案仍存在诸多实质性缺陷,难以适配用户个性化、动态化的长期词汇学习需求。首先,现有技术仅聚焦于单个单词微观遗忘状态的筛选与排序,缺乏对整体词库遗忘态势的宏观统筹能力,无法统计全局单词的遗忘风险分布情况。在长期学习过程中,极易出现大量单词同步进入高遗忘风险阶段、高危复习词汇堆积积压的问题,系统无法针对性加大复习力度,导致大量已学单词快速遗忘、记忆留存率低,整体学习规划存在明显盲区。

3、其次,现有单词学习系统普遍采用固定配比、固定总量的静态任务分配模式,单次学习任务中的新词学习数量、旧词复习数量均为系统预设固定数值,无法根据词库实时遗忘压力与用户学习状态动态调整。当词库整体遗忘风险较高时,固定的复习配额无法满足查漏补缺的巩固需求;当词库遗忘压力较低时,固定的新词任务配额易造成学习资源浪费、学习节奏僵化,无法自适应平衡新词积累与旧词巩固的核心学习需求,个性化适配性极差。

4、最后,现有技术的学习反馈闭环存在明显局限性,仅能依据用户答题对错数据更新单个单词的记忆参数,仅实现了单词记忆模型的单点优化,无法反向迭代调整整体学习任务的分配策略与用户学习负荷上限。不同用户的学习能力、学习耐力、完成效率存在显著差异,且同一用户不同阶段的学习状态也处于动态变化中,固定不变的学习负荷与任务分配策略无法适配用户动态学习状态,系统不具备自我迭代、自适应优化的全局调控能力,长期学习的科学性与精准度难以保障,无法实现千人千面的个性化智能单词学习调度。

技术实现思路

1、本发明的目的是提供一种基于遗忘记忆模型的单词学习任务动态分配系统及方法,本发明相较于传统固定配比、单单词排序的单词学习方案,通过构建词库全局遗忘风险分布实现了学习任务的宏观统筹调度,可依据整体遗忘态势动态平衡新词学习与旧词复习配额;同时依托用户学习反馈形成模型参数与学习负荷的双向自适应闭环优化,有效解决了传统学习系统规划僵化、高危遗忘词汇积压、个性化适配差的问题,显著提升词汇长期记忆留存效果与智能学习适配精度。

2、为实现上述目的,本发明提供了如下技术方案:

3、一种基于遗忘记忆模型的单词学习任务动态分配系统及方法,包括:

4、遗忘记忆建模模块,被配置为针对词库内各单词建立独立遗忘记忆模型,利用用户历史学习交互数据持续更新各单词对应的记忆衰减参数,并且基于实时存储的记忆衰减参数计算每个单词的遗忘概率,进而生成词库全部单词对应的全局遗忘风险分布数据;

5、学习任务动态分配决策模块,与所述遗忘记忆建模模块连接,所述学习任务动态分配决策模块获取全局遗忘风险分布数据,结合预配置的用户学习负荷约束阈值,根据全局遗忘风险分布动态确定单次学习任务包内新词任务数量与复习任务数量,生成包含新词与复习词汇的单次学习任务包;

6、学习交互反馈模块,分别连接遗忘记忆建模模块、学习任务动态分配决策模块,所述学习交互反馈模块采集用户执行单次学习任务包产生的答题数据与任务完成状态,一方面将答题数据输送至遗忘记忆建模模块更新各单词记忆衰减参数,另一方面将任务完成状态输送至学习任务动态分配决策模块,用于调整后续任务包的学习负荷约束阈值。

7、优选的,所述独立遗忘记忆模型针对任意单词的衰减公式为:

8、,

9、其中,表征单词当前记忆牢固程度,表征单词上一次交互结束后的记忆强度,表征单词上一次学习交互时间,为当前计算时间,表征单词独立记忆衰减速率参数,为自然常数。

10、优选的,所述基于实时存储的记忆衰减参数计算遗忘概率的计算式为:

11、,

12、其中,为预设基准常数,为当前时刻该单词发生遗忘的概率,0<<1。

13、优选的,所述全局遗忘风险分布数据标记为,,其中,为满足高遗忘风险条件的单词数量,为满足中遗忘风险条件的单词数量,为满足低遗忘风险条件的单词数量。

14、优选的,所述高遗忘风险条件为≥,中遗忘风险条件为,低遗忘风险条件为<,其中,为预设高遗忘风险阈值;为预设中遗忘风险下限阈值,为词库内全部单词各自计算完成的遗忘概率。

15、优选的,所述学习任务动态分配决策模块的控制逻辑如下:

16、①持续接收遗忘记忆建模模块输出的全局遗忘风险分布数据,获取词库内高、中、低遗忘风险区间对应的单词统计数量;

17、②读取当前生效的用户学习负荷约束阈值,该阈值限定单次学习任务容纳词汇总量上限;

18、③提取全局遗忘风险分布内高遗忘风险单词数量,将其作为调控基准,动态计算本次任务所需安排的复习任务数量与新词任务数量;

19、④约束复习任务数量与新词任务数量之和不超过学习负荷约束阈值,当词库高遗忘风险单词数量偏高时,提升复习任务配额、缩减新词任务配额,当词库高遗忘风险单词数量偏低时,适度降低复习任务配额、增加新词任务配额;

20、⑤在确定复习任务数量、新词任务数量后,调取各单词独立遗忘概率,从高、中遗忘风险词汇中筛选对应数量复习单词,从未学习词库选取对应数量新词;

21、⑥将筛选得到的复习单词与新词整合,生成单次学习任务包并向外输出。

22、优选的,所述更新各单词记忆衰减参数为用户完成单词作答后,根据答题结果更新衰减参数:

23、,其中,为固定学习修正系数,为答题效果取对应数值,。

24、本发明还提供了一种基于遗忘记忆模型的单词学习任务动态分配方法,基于所述的系统,包括以下步骤:

25、s1、针对词库内各个单词构建独立遗忘记忆模型,基于用户历史学习交互数据持续更新单词记忆衰减参数,计算各单词遗忘概率,生成词库全部单词的全局遗忘风险分布数据;

26、s2、获取全局遗忘风险分布数据,结合用户学习负荷约束阈值,依据全局遗忘风险分布动态确定单次学习任务包中新词任务数量以及复习任务数量,生成单次学习任务包;

27、s3、采集用户执行单次学习任务包产生的答题数据以及任务完成状态;利用答题数据更新遗忘记忆模型内单词记忆衰减参数;利用任务完成状态动态调整后续任务包对应的学习负荷约束阈值。

28、综上所述,本发明的有益技术效果为:

29、1、本发明突破了传统单词记忆学习仅针对单个单词遗忘状态进行优先级排序的局限,创新性引入全局遗忘风险分布统计机制,实现了词库整体遗忘态势的宏观感知。本发明通过对词库所有单词的遗忘概率进行区间统计,量化高、中、低风险词汇的整体分布情况,将全局遗忘态势作为任务分配的核心依据,从整体层面把控词汇复习节奏,避免了传统单一微观选词调度导致的词汇遗忘盲区,大幅提升整体词汇记忆留存率。

30、2、本发明摒弃了传统单词学习任务新词、复习词固定配比的静态分配模式,实现了基于遗忘风险态势与用户学习负荷的双维度动态自适应任务调配,本发明依托全局遗忘风险分布动态调整复习任务与新词任务配额,同时以用户学习负荷约束阈值作为任务总量硬性边界,在适配词库整体遗忘规律的同时,严格匹配用户学习承载能力,平衡新词积累与旧词巩固的学习需求,让学习任务分配更科学、贴合个性化学习规律。

31、3、本发明构建了“模型参数迭代与学习负荷调控”的双向闭环反馈机制,实现了单词遗忘模型与学习任务策略的双重自适应优化,本发明一方面通过用户答题数据持续迭代每个单词的独立记忆衰减参数,精准拟合不同用户、不同单词的个性化遗忘规律;另一方面通过用户任务完成状态动态调整后续学习负荷约束阈值,自适应适配用户学习能力的动态变化,使整个学习调度系统具备持续自我优化能力,长期使用下可不断贴合用户专属记忆特征与学习习惯,相较于传统静态学习系统,个性化适配精度与长期学习效果显著提升。