融合计划合理性自适应学习路径规划方法及AI教学终端

本发明涉及智能教学，尤其涉及融合计划合理性自适应学习路径规划方法及ai教学终端。

背景技术：

1、随着混合式教学模式的普及与ai教学终端的广泛应用，自适应学习路径规划已成为智能导学系统的核心技术。学习路径规划旨在根据学习者的知识基础、学习能力与个性化需求，动态排序学习教学资源，构建最优学习轨迹，从而提升学习效率与教学质量。

2、现有学习路径规划技术主要存在以下四类缺陷：

3、第一，规划模式单一，最优性与可解释性难以兼顾。一类方案采用强化学习、遗传算法等进行全局寻优，但模型为黑盒结构，无法给出路径生成的教学逻辑，学习者与教师难以信任推荐结果；另一类方案采用规定引擎或大语言模型生成可解释路径，但缺乏全局优化能力，易出现教学资源冗余、约束冲突等问题，难以保障路径的整体最优性。

4、第二，学习计划合理性评价维度单一，缺乏系统化的量化标准。现有方案多仅验证知识点依赖关系的正确性，未从教育学理论出发构建多维度评价体系，无法量化评估认知负荷适配性、难度进阶合理性等核心教学指标，导致生成的学习计划常出现认知过载、难度跳跃等违背学习规律的问题。

5、第三，动态自适应能力不足。多数方案采用周期性批量更新路径，无法根据学习者实时学习状态、教学资源变动与规定调整进行触发式重规划，难以适配混合课堂ai教学终端的实时交互与动态调整需求。

技术实现思路

1、本发明的目的是提供融合计划合理性自适应学习路径规划方法及ai教学终端，解决上述技术问题。

2、为实现上述目的，本发明提供了融合计划合理性自适应学习路径规划方法，包括以下步骤：

3、s1、采集课程知识图谱、教学资源元数据、教学管理规定条文，依次完成教学资源多维度特征标注、知识点拓扑关系构建、约束规定结构化编码，输出标准化学习教学资源库、有向无环课程知识图谱、量化教学约束集合三类基础约束数据；

4、s2、采集ai教学终端多模态交互原始数据，完成数据清洗和标准化处理，分别通过mffep多特征融合学业风险预测模型、sikt序列知识追踪模型、认知负荷三分量模型计算学业风险标记、全维度知识点掌握向量、个体认知容量指标，融合学习者基础属性生成标准化学习者特征向量，输出学习者综合画像数据集；

5、s3、搭建双层异构多智能体协同交互架构，下层学习者代理、教学资源代理、教学规定代理分别加载s2输出的学习者综合画像、s1输出的标准化学习教学资源库和量化教学约束集合并实时同步状态，上层学情分析智能体接收下层聚合全局状态生成标准化学情诊断报告，路径规划智能体以多智能体联合深度q网络为底层全局寻优模块、教育微调大语言模型为上层精细化调整模块，基于s1课程知识图谱生成初始学习路径和配套可解释推荐文本，输出未校验初始路径集合；

6、s4、基于认知负荷理论、最近发展区理论、教学合规准则构建三维融合计划合理性量化体系，采用统一标准化计算公式分别计算认知负荷匹配度、知识序列递进度、教学资源规定合规度三项分项指标，加权融合得到综合合理性得分，对s3输出未校验初始路径集合逐一定量评估，输出路径分项得分和综合合理性评价结果；

7、s5、部署反思校验智能体读取s4输出全部路径分项得分和综合合理性评价结果，对比预设综合合理性阈值完成达标判定，若路径未达标，则定位低分薄弱维度并生成定向迭代修改指令回传至s3的路径规划智能体循环重生成，并在迭代终止后输出多级候选适配路径集；

8、s6、构建空间认知-知识递进-规定合规多目标优化数学模型，引入nsga-ii多目标寻优算法对s5输出的多级候选适配路径集进行全局帕累托寻优，同步采用ad公理设计完成教学逻辑相容性核验，筛选唯一全局最优学习路径及完整规划解释文档；

9、s7、将s6输出最优学习路径编译为ai终端可视化标准化导学参数文件下发部署，实时采集终端学习者全新交互行为数据流回流至s2更新学习者综合画像，持续迭代训练参数动态调整模型，周期性更新s1模块化学习教学资源参数库，实现全周期自适应闭环更新。

10、因此，本发明采用上述融合计划合理性自适应学习路径规划方法及ai教学终端，具有的有益效果为：

11、1、利用答题时序三重嵌入编码与时序-知识点交互双分支注意力网络，可对学习者零散、稀疏的答题交互行为进行深度特征挖掘，结合知识图谱拓扑先验约束精准建模动态知识掌握状态，通过指数移动平均平滑算法滤除粗心答错、随机蒙对等偶然作答噪声，输出稳定、连续、量化的全维度知识点掌握度向量，实现对个体学情客观、可量化、高鲁棒性的智能诊断，解决传统学情评估主观性强、单次异常作答结果干扰判定的技术缺陷。

12、2、基于学习者个体认知容量与知识点掌握画像构建层级化教学资源筛选机制，从教学资源可用性、知识点拓扑关联性、认知负荷阈值、学情难度匹配度多维度逐级过滤候选学习教学资源，并支持学习行为、教学资源库更新触发动态刷新，实现面向不同薄弱知识点、不同认知承载上限学习者的千人千题精准教学资源推送，避免超纲、过载、难度错配的学习内容推荐，贴合人脑认知负荷承载规律。

13、3、通过强化学习奖励函数差异化权重偏置策略批量生成认知负荷优先、知识递进优先、政策合规优先等多导向候选学习路径，针对认知偏弱高风险学员、知识点断层薄弱学员、规范化教务管理场景实现定向路径优化，突破单一最优路径无法适配不同学习群体与教学目标的局限性，提升路径方案的场景适配性。

14、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

1.融合计划合理性自适应学习路径规划方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的融合计划合理性自适应学习路径规划方法，其特征在于：步骤s1具体包括以下步骤：

3.根据权利要求2所述的融合计划合理性自适应学习路径规划方法，其特征在于：步骤s2具体包括如下步骤：

4.根据权利要求3所述的融合计划合理性自适应学习路径规划方法，其特征在于：s23所述的sikt序列交互知识追踪模型包括依次布置的答题时序嵌入层、课程知识图谱拓扑约束注入层、时序-知识点交互双分支注意力编码层、掌握度概率平滑解码层和多模块接口适配层；

5.根据权利要求3或4所述的融合计划合理性自适应学习路径规划方法，其特征在于：步骤s3具体包括以下步骤：

6.根据权利要求5所述的融合计划合理性自适应学习路径规划方法，其特征在于：步骤s4具体包括以下步骤：

7.根据权利要求6所述的融合计划合理性自适应学习路径规划方法，其特征在于：步骤s5具体包括以下步骤：

8.根据权利要求7所述的融合计划合理性自适应学习路径规划方法，其特征在于：在步骤s6中，多目标优化数学模型包括如下三个目标函数：

9.一种ai教学终端被配置为用于执行权利要求1-8任一项所述的融合计划合理性自适应学习路径规划方法。