一种基于大语言模型的教学多源反馈融合评价方法

摘要: 本发明涉及大语言模型,特别是一种基于大语言模型的教学多源反馈融合评价方法。背景技术:1、在现有技术中,通过从学习管理单元抽取行为日志、借助在线问卷采集学生评教文...
一种基于大语言模型的教学多源反馈融合评价方法

本发明涉及大语言模型,特别是一种基于大语言模型的教学多源反馈融合评价方法。

背景技术:

1、在现有技术中,通过从学习管理单元抽取行为日志、借助在线问卷采集学生评教文本、利用语音识别获取教师反思转录,并采用传统机器学习模型将异构数据映射为固定向量后进行加权聚合,从而输出教学满意度分数。该类技术在一定程度上实现了反馈来源的多样化,并为教学改进提供了数据参照,已成为智慧教育领域常规的评价手段之一。

2、上述现有多源融合评价方法在应对复杂教学语义对齐时存在明显局限:其通常采用静态嵌入与浅层归并,缺乏依托大语言模型对教学目标与反馈轨迹进行深层次推理的能力,致使评价结果的可解释性与维度信度难以满足精细教研需求。

技术实现思路

1、鉴于上述现有存在的问题,提出了本发明。

2、因此,本发明提供了一种基于大语言模型的教学多源反馈融合评价方法解决现有静态嵌入与浅层归并导致的教学语义对齐不足及评价可解释性与维度信度偏低的问题。

3、为解决上述技术问题,本发明提供如下技术方案:

4、本发明提供了一种基于大语言模型的教学多源反馈融合评价方法,其包括,从学习管理单元、在线问卷工具及语音转写服务获取学生行为日志、评教文本及教师反思笔记,经清洗与时间戳对齐后形成多源反馈记录集合;

5、调用嵌入模型将多源反馈记录集合转化为语义向量并拼接为向量化反馈上下文包;

6、依据预设课程标准将教学目标编排为提示前缀并将所述向量化反馈上下文包,整合成初始推理包;

7、将初始推理包输入大语言模型进行多源特征归并以生成融合表征包;

8、基于融合表征包调用大语言模型计算综合评分及细分维度分值并汇总为初步评价结果结构体;

9、将初步评价结果结构体及融合表征包提交大语言模型进行一致性核对并输出待定评价包,基于待定评价包生成诊断报告并推送及存储。

10、作为本发明所述基于大语言模型的教学多源反馈融合评价方法的一种优选方案,其中:所述从学习管理单元、在线问卷工具及语音转写服务获取学生行为日志、评教文本及教师反思笔记,经清洗与时间戳对齐后形成多源反馈记录集合包括,

11、通过标准化restful api接口,以30秒为周期从学习管理单元拉取学生页面点击流与答题时长行为日志,采样频率为1 hz;通过webhook机制从在线问卷工具实时收集学生评教开放式文本与5级李克特量表数据;通过grpc接口从语音转写服务获取教师授课录音的自动语音识别文本,词错率wer≤8%,以及课后反思笔记;

12、对前述三类原始数据进行去标识化清洗,采用k-匿名算法(k≥5)移除姓名、学号、工号个人敏感字段;按照统一的课堂教学时间戳进行对齐,时间对齐精度为±1秒,并以5分钟为滑动窗口进行分段标注;将每一则反馈赋予来源类型标签{行为日志、评教文本、反思笔记}后,汇编为json结构化的多源反馈记录集合。

13、作为本发明所述基于大语言模型的教学多源反馈融合评价方法的一种优选方案,其中:所述调用嵌入模型将多源反馈记录集合转化为语义向量并拼接为向量化反馈上下文包包括,

14、加载通用句子嵌入模型all-minilm-l6-v2,将前述多源反馈记录集合中的每一条文本型反馈及数值行为描述转化为768维浮点型语义向量;保留每条反馈的来源类型标签与环节元数据(如课堂环节id、学生参与度指数);按照教学时间窗与环节顺序,将所得向量及元数据序列化后,采用protocol buffers格式拼接封装为一个向量化反馈上下文包,包体大小不超过10 mb,向量序列长度为n(n≤2048)。

15、作为本发明所述基于大语言模型的教学多源反馈融合评价方法的一种优选方案,其中:所述依据预设课程标准将教学目标编排为提示前缀并将所述向量化反馈上下文包,整合成初始推理包包括,

16、读取预设的学科课程标准文档与课时量规,提取知识掌握、思维发展、参与度、目标达成4个一级维度及12个二级指标;以jinja2模板将宏观教学目标维度与微观环节要求编排为引导性提示前缀文本,前缀长度控制在512 tokens以内。将向量化反馈上下文包整体依附于该提示前缀之后,通过特殊分隔符[context]隔离,整合封装为一个供大模型读取的初始推理包,该推理包总token数不超过大模型上下文窗口的80%。

17、作为本发明所述基于大语言模型的教学多源反馈融合评价方法的一种优选方案,其中:所述将初始推理包输入大语言模型进行多源特征归并以生成融合表征包包括,

18、将初始推理包传入大语言模型,由模型在双透镜分层注意力约束下对初始推理包内的多源语义向量执行跨源归并操作;

19、其中,双透镜包括:教学环节透镜(关注时间序列)与认知层级透镜(关注布鲁姆分类法层级),模型通过多头自注意力机制计算不同来源向量的关联权重,提取计划、监控、评估、调节各阶段的共性轨迹特征,经前馈神经网络压缩为512维的融合表征包,压缩率不低于30%。

20、作为本发明所述基于大语言模型的教学多源反馈融合评价方法的一种优选方案,其中:所述基于融合表征包调用大语言模型计算综合评分及细分维度分值并汇总为初步评价结果结构体包括,

21、以融合表征包为上下文基座调用大语言模型,对照课程标准维度通过下述计算公式输出量化评价值;

22、整体综合评分计算公式为:,其中,表示最终综合评分,为细分评价维度的总数,为第个细分维度的预设权重参数且满足,为第个细分维度分值;

23、细分维度分值计算公式为:,其中,表示大语言模型的评分映射函数,表示融合表征包内的归并轨迹文本,表示第个维度在课标中的量规描述;

24、所述细分维度分值由大语言模型基于融合表征包中对应轨迹特征解码生成,模型将所得与全体及对应的评价理由汇总为初步评价结果结构体,该初步评价结果结构体连同融合表征包共同作为一致性核对的提交内容。

25、作为本发明所述基于大语言模型的教学多源反馈融合评价方法的一种优选方案,其中:所述将初步评价结果结构体及融合表征包提交大语言模型进行一致性核对并输出待定评价包包括,

26、将初步评价结果结构体及权利要求5所得的融合表征包一并提交同一大语言模型,指令模型扮演严苛、宽容及外行三类评价者角色分别依据融合表征包重算分值,测算原结构体分值与角色重算值之间的语义一致性张力,若张力未超限则将初步评价结果结构体固化为待定评价包。

27、作为本发明所述基于大语言模型的教学多源反馈融合评价方法的一种优选方案,其中:所述基于待定评价包生成诊断报告并推送及存储包括,

28、读取待定评价包中的评分项、维度值及核验轨迹,利用常规模板组合为自然语言诊断报告并渲染为雷达图,经网络接口推送至教师端与管理者端界面,且将待定评价包完整写入评价数据库留痕。

29、作为本发明所述基于大语言模型的教学多源反馈融合评价方法的一种优选方案,其中:所述基于待定评价包生成诊断报告并推送及存储之后,系统还读取待定评价包中的评分项与核验轨迹,当任一细分维度分值低于预设教学阈值时,依据融合表征包内的归并轨迹文本自动生成面向教师的微干预建议指令,并将该建议指令经网络接口同步推送至教师端界面。

30、作为本发明所述基于大语言模型的教学多源反馈融合评价方法的一种优选方案,其中:所述将微干预建议指令与待定评价包共同作为跨周期处理的关联数据源之后,还将待定评价包及对应的融合表征包按教学时序打入历史评价库,并在下一教学周期启动时,提取历史库中同类课型的待定评价包与融合表征包,通过语义折叠算法压缩为跨周期增值洞察向量。

31、本发明有益效果为:通过从多接口获取行为日志、评教文本及反思笔记并清洗对齐形成多源反馈记录集合,经嵌入向量化与课标提示整合为初始推理包,进而由大语言模型在双透镜约束下归并出融合表征包,并基于该包调用模型计算综合及细分分值汇成初步结构体,再提交模型作为三角色一致性核对输出待定评价包并生成诊断报告与微干预指令,且跨周期压缩为增值向量;其中,通过双透镜多源特征归并步骤,实现了反馈轨迹的结构化融合,根治了浅层对齐不足,达到了评价可解释性提升的作用;通过多角色一致性核对步骤,实现了评分的自洽校验,根治了模型过度自信偏差,达到了诊断稳健可靠的作用。