一种基于语言模型的个性化认知训练方法、系统及存储介质与流程
本技术涉及认知健康与人工智能,尤其是涉及一种基于语言模型的个性化认知训练方法、系统及存储介质。
背景技术:
1、认知能力评估与训练是认知健康管理的重要组成部分,涉及记忆、语言、注意、执行功能等多个认知维度的监测与干预。随着人口老龄化程度不断加深以及健康管理意识的提升,如何对认知状态进行持续、客观的监测,并据此提供有效的认知干预,已成为相关领域关注的技术问题。
2、现有技术中,认知评估通常依赖标准化神经心理量表、临床访谈或计算机化认知任务。此类评估方式一般需要受试者在特定时间、特定场所,在专业人员指导下主动配合完成。由于评估过程对受试者的配合度要求较高,难以在日常生活场景中高频次、长期开展。同时,评估结果可能受到受试者情绪状态、疲劳程度、测试环境以及练习效应等因素影响,其客观性和连续性仍有待提升。
3、在认知训练方面,现有方案多采用预设题库、固定训练任务或游戏化练习。训练内容与训练难度通常由人工预先设定,或按照固定规则进行调整,难以随用户认知状态的变化而自适应更新。此外,现有技术中评估过程与训练过程往往相互独立,评估结果难以即时反馈至训练环节,训练效果也难以被持续量化验证,导致干预方案缺乏动态调整能力。
4、因此,如何在不显著增加用户操作负担和专业人员依赖的前提下,实现认知状态的持续监测与个性化干预,成为本领域亟待解决的技术问题。
技术实现思路
1、为解决现有技术中认知评估难以在日常场景中持续开展、评估客观性不足、训练内容难以随用户状态自适应调整以及评估与训练相互割裂等问题,本技术提供一种基于语言模型的个性化认知训练方法、系统及存储介质。
2、根据本技术实施例的第一方面,本技术提供一种基于语言模型的个性化认知训练方法,采用如下的技术方案:
3、一种基于语言模型的个性化认知训练方法,包括以下步骤:
4、获取用户语言交互数据;
5、将所述语言交互数据输入预训练语言模型,通过所述预训练语言模型确定所述语言交互数据中与用户认知能力关联的语言特征;其中,所述语言特征包括语言流畅度特征值、词汇提取难度特征值和语义连贯性特征值;
6、根据所述语言特征,确定所述用户的综合认知评估结果;
7、根据所述综合认知评估结果,生成供所述用户交互的训练内容;
8、获取所述用户针对所述训练内容产生的应答数据,将所述应答数据作为新的语言交互数据,重新确定所述语言特征并更新所述综合认知评估结果。
9、可选的,所述获取用户语言交互数据,包括:
10、采集用户在非任务导向的自然场景下产生的语音数据和/或即时通讯文本数据;
11、对所述语音数据进行语音识别,获取语音识别文本数据和语音时间戳信息;
12、对所述即时通讯文本数据和所述语音识别文本数据执行去标识化处理,得到去标识化处理后的文本数据;其中,
13、所述去标识化处理后的文本数据包括去标识化处理后的所述即时通讯文本数据和去标识化处理后的所述语音识别文本数据;
14、对去标识化处理后的所述即时通讯文本数据,基于发送者切换和消息时间间隔进行分段,基于消息时间间隔判定停顿事件,对书写特征进行量化统计,并对表情包、网络用语和缩写进行过滤及规范化映射;
15、对去标识化处理后的所述语音识别文本数据,基于所述语音时间戳信息进行分段并检测超过预设时长的停顿事件,以统计停顿密度和/或填充词比例。
16、可选的,所述语言流畅度特征值通过以下方式确定:
17、基于所述去标识化处理后的文本数据统计有效词数和有效对话时长,计算原始语速;
18、对于所述语音识别文本数据,以所述停顿密度和所述填充词比例对所述原始语速进行修正,得到语音修正语速;
19、对于所述即时通讯文本数据,基于消息时间间隔判定停顿事件并统计即时通讯停顿密度,基于所述书写特征量化统计得到书写特征修正因子,以所述即时通讯停顿密度和所述书写特征修正因子对所述原始语速进行修正;得到即时通讯修正语速;
20、将所述语音修正语速和即时通讯修正语速相对于参考语速均值进行归一化,得到所述语言流畅度特征值;
21、所述词汇提取难度特征值通过以下方式确定:
22、在所述去标识化处理后的文本数据中检测词汇提取困难事件,所述词汇提取困难事件包括命名实体替换、语义相关词偏移和提取中断中的至少一种;
23、统计单位有效词数内词汇提取困难事件的发生频率;
24、将所述发生频率相对于参考基准进行归一化,得到所述词汇提取难度特征值;
25、所述语义连贯性特征值通过以下方式确定:
26、将所述去标识化处理后的文本数据按语句切分;
27、利用所述预训练语言模型对每对相邻语句分别编码为语义向量;
28、计算每对相邻语句语义向量的余弦相似度;
29、对所有相邻语句对的余弦相似度取平均得到平均相似度;
30、检测相邻语句之间的话题非预期切换事件并计算话题切换惩罚项;
31、以所述平均相似度减去所述话题切换惩罚项,得到所述语义连贯性特征值。
32、可选的,所述根据所述语言特征,确定所述用户的综合认知评估结果,包括:
33、对所述语言特征进行归一化处理;
34、按照预设权重系数对归一化后的各维度语言特征进行加权求和,得到综合认知评估结果;
35、对于数值越高表征认知能力越低的特征维度,采用其反向值参与加权求和,使各维度方向统一为得分越高表示认知能力越好;
36、其中,所述预设权重系数根据目标用户群体的年龄、语言背景或认知能力分布进行调整,所述综合认知评估结果被映射为离散的能力等级。
37、可选的,所述根据所述综合认知评估结果,生成供所述用户交互的训练内容,包括:
38、获取用户画像信息,所述用户画像信息包括用户的年龄段、地域背景和兴趣点中的至少一种;
39、根据所述综合认知评估结果确定训练难度等级;
40、根据所述综合认知评估结果、所述训练难度等级和所述用户画像信息,构建生成提示词;
41、将所述生成提示词输入预训练语言模型,由所述预训练语言模型实时生成与所述训练难度等级对应的训练内容;
42、其中,所述训练内容包括怀旧主题训练素材,所述怀旧主题训练素材根据用户的年代背景、年龄段或地域背景生成;所述训练难度等级包括多个递增的等级,低等级对应基础词汇和简单问答,高等级对应复杂逻辑推理和抽象话题讨论。
43、可选的,所述获取所述用户针对所述训练内容产生的应答数据,将所述应答数据作为新的语言交互数据,重新确定所述语言特征并更新所述综合认知评估结果,包括:
44、将所述训练内容以自然对话形式嵌入与用户的交互过程中;
45、采集用户对所述训练内容的应答数据;
46、将所述应答数据作为新的语言交互数据重新执行特征提取和评估;
47、其中,从应答数据获取到综合认知评估结果更新的延迟不超过预设延迟阈值;
48、所述方法还包括以下边界条件处理中的至少一种:
49、当所述语音数据中包含多个说话人时,通过声纹识别和说话人分离技术提取所述用户的语音段落;
50、当所述语音识别的识别置信度低于预设识别度阈值时,对相应段落数据降权或舍弃;
51、当基于所述去标识化处理后的文本数据统计的有效对话时长或有效对话条数低于预设门槛时,标记为数据不足并暂不更新所述综合认知评估结果;
52、当用户连续预设天数无有效对话记录时,维持最近一次综合认知评估结果并标记为静默状态。
53、可选的,还包括隐私保护分级部署:
54、在第一部署模式下,在用户终端本地完成语音识别、去标识化处理和语言特征提取,仅将去标识化的所述语言特征上传至云端;
55、在第二部署模式下,在用户终端完成语音识别和去标识化处理后,将所述去标识化处理后的文本数据加密传输至云端,由云端预训练语言模型执行语言特征提取、综合认知评估和训练内容生成,云端处理完成后删除所述去标识化处理后的文本数据。
56、可选的,所述预训练语言模型为基于transformer架构的大语言模型;
57、所述预训练语言模型通过结构化提示模板接收所述语言交互数据,所述结构化提示模板指示所述预训练语言模型输出语言特征评分及观察记录,并包含链式推理指令,用于指示所述预训练语言模型先逐句分析语言特征表现,再综合输出各维度评分。
58、根据本技术实施例的第二方面,本技术提供一种基于语言模型的个性化认知训练系统,采用如下的技术方案:
59、一种基于语言模型的个性化认知训练系统,包括:
60、数据获取模块,用于获取用户语言交互数据;
61、特征确定模块,用于将所述语言交互数据输入预训练语言模型,通过所述预训练语言模型确定所述语言交互数据中与用户认知能力关联的语言特征;
62、评估模块,用于根据所述语言特征,确定所述用户的综合认知评估结果;
63、训练内容生成模块,用于根据所述综合认知评估结果,生成供所述用户交互的训练内容;
64、更新模块,用于获取所述用户针对所述训练内容产生的应答数据,将所述应答数据作为新的语言交互数据,重新确定所述语言特征并更新所述综合认知评估结果。
65、根据本技术实施例的第三方面,本技术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,实现本技术实施例的第一方面任一项所述的基于语言模型的个性化认知训练方法。
66、综上所述,本技术提供一种基于语言模型的个性化认知训练方法、系统及存储介质。本技术提供的基于语言模型的个性化认知训练方法,通过获取用户的语言交互数据并输入预训练语言模型,利用预训练语言模型确定与用户认知能力关联的语言特征,从而实现对用户认知语言能力的自动化语义分析;在此基础上,根据所确定的语言特征生成综合认知评估结果,使认知评估结果能够从多个语言维度综合反映用户的认知状态;进而,根据综合认知评估结果生成供用户交互的训练内容,使训练内容在难度和类型上与用户当前的认知评估结果相匹配,并随用户认知状态的变化而自适应调整;最终,通过获取用户针对训练内容的应答数据,将应答数据作为新的语言交互数据重新确定语言特征并更新综合认知评估结果,使认知评估结果能够随训练交互的持续进行而不断更新。
67、本技术公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com