辅助学习方法、辅助学习装置、机器人及存储介质与流程

1.本技术属于机器人技术领域，尤其涉及一种辅助学习方法、辅助学习装置、机器人及存储介质。


背景技术：

2.教育问题一直是人们普遍关注的重点问题，随着人们生活水平的提高及物质生活的改善，人们对教育问题越来越重视。
3.随着网络与智能终端的高速发展，智能终端的应用已经体现在日常生活与学习的各个方面，譬如，通过机器人辅助用户学习。然而，相关技术中，机器人在辅助用户学习时，通常无法为用户制定与其匹配的辅助学习方案，导致辅助学习效果不理想。


技术实现要素：

4.本技术提供了一种辅助学习方法、辅助学习装置、机器人及存储介质，以为用户制定与其匹配的辅助学习方案，提高机器人的辅助学习效果。
5.第一方面，本技术实施例提供了一种辅助学习方法，应用于机器人，所述辅助学习方法包括：
6.获取目标用户的学习模式，所述目标用户的学习模式反映所述目标用户的学习水平和/或学习态度；
7.根据所述目标用户的学习模式，确定目标辅助学习方案；
8.根据所述目标辅助学习方案，辅助所述目标用户学习。
9.第二方面，本技术实施例提供了一种辅助学习装置，应用于机器人，所述辅助学习装置包括：
10.模式获取模块，用于获取目标用户的学习模式，所述目标用户的学习模式反映所述目标用户的学习水平和/或学习态度；
11.方案确定模块，用于根据所述目标用户的学习模式，确定目标辅助学习方案；
12.学习辅助模块，用于根据所述目标辅助学习方案，辅助所述目标用户学习。
13.第三方面，本技术实施例提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述辅助学习方法的步骤。
14.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述辅助学习方法的步骤。
15.第五方面，本技术实施例提供了一种计算机程序产品，当所述计算机程序产品在机器人上运行时，使得所述机器人执行如上述第一方面所述辅助学习方法的步骤。
16.由上可见，本方案通过获取目标用户的学习模式，能够根据该目标用户的学习模式，确定与目标用户匹配的辅助学习方案(即目标辅助学习方案)，根据该目标辅助学习方
案，辅助目标用户学习，能够提高机器人对目标用户的辅助学习效果。
附图说明
17.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
18.图1是本技术实施例一提供的辅助学习方法的实现流程示意图；
19.图2是机器人辅助目标用户学习的示例图；
20.图3是本技术实施例二提供的辅助学习方法的实现流程示意图；
21.图4是本技术实施例三提供的辅助学习装置的结构示意图；
22.图5是本技术实施例四提供的机器人的结构示意图。
具体实施方式
23.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
24.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
25.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
26.本技术实施例提供的辅助学习方法可以应用于机器人，具体可以应用于教育机器人，教育机器人是一类应用于教育领域的机器人。
27.应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
28.为了说明本技术所述的技术方案，下面通过具体实施例来进行说明。
29.参见图1，是本技术实施例一提供的辅助学习方法的实现流程示意图，该辅助学习方法应用于机器人，如图所示该辅助学习方法可以包括以下步骤：
30.步骤101，获取目标用户的学习模式。
31.其中，目标用户的学习模式反映目标用户的学习水平和/或学习态度。上述学习模式包括但不限于全能型学霸模式、偏科模式、全能型学渣模式、散漫型学习模式等。
32.目标用户可以是指待使用机器人辅助学习的用户。例如，用户a通过本技术方案控制机器人辅助其学习，那么可以确定用户a为目标用户。
33.在本实施例中，机器人可以检测自身是否处于辅助学习模式，在机器人处于辅助学习模式的情况下，获取目标用户的学习模式，以通过本技术方案辅助目标用户学习；在机器人不处于辅助学习模式的情况下，不获取目标用户的学习模式，即不通过本技术方案辅助目标用户学习。上述辅助学习模式可以是指使用机器人辅助学习的模式。
34.在一实施例中，机器人可以获取摄像头和/或目标传感器采集的目标用户在预设时间段内的学习参数信息；根据学习参数信息，确定目标用户的学习模式。
35.其中，上述目标用户在预设时间段内的学习参数信息包括但不限于目标用户在预设时间段内各个科目的考试成绩、每天的学习开始时间和学习结束时间、每天学习过程中的休息时长、每天学习过程中的注意力集中时长、每天学习过程中的注意力不集中时长、每天学习过程中的身体状态等。
36.上述身体状态包括但不限于犯困、不犯困、起身活动、未起身活动、活力充沛、活力不充沛等。
37.上述预设时间段可以是指预先设置的时间段，该预设时间段大于一天，例如该预设时间段为两周或者一个月。
38.可选地，用户可以根据实际需要自行设定预设时间段。例如，可以将辅助学习应用程序安装在机器人上，在检测到对辅助学习应用程序启动时，可以在机器人的显示屏上显示辅助学习界面，辅助学习界面上包括预设时间段的设置选项，通过该设置选项可以自行设定预设时间段。例如用户可以直接在该设置选项中输入预设时间段，也可以打开该设置选项对应的下拉菜单，下拉菜单中包括多个时间段，从多个时间段中选择预设时间段。其中，上述辅助学习应用程序是指实现本技术方案的软件。
39.上述目标传感器可以为红外传感器、扫描传感器、眼球追踪传感器等传感器中的至少一种。上述摄像头、红外传感器、扫描传感器、眼球追踪传感器等可以集成在机器人上，也可以通过无线通信方式或者有线通信方式与机器人连接。若上述摄像头、红外传感器、扫描传感器、眼球追踪传感器等通过无线通信方式或者有线通信方式与机器人连接，那么上述摄像头、红外传感器、扫描传感器、眼球追踪传感器等采集目标用户的学习参数信息之后，可以将所采集的学习参数信息传输至机器人。
40.例如，机器人可以从考试系统中获得目标用户的各个科目的考试成绩，也可以通过摄像头和/或扫描传感器，采集记录在各个科目的试卷上的考试成绩。其中，上述考试系统中至少包括目标用户的各个科目的考试成绩。
41.以预设时间段内的第i天为例进行说明，第i天为预设时间段内的任一天。机器人可以通过摄像头和/或红外传感器，监测目标用户在第i天坐在书桌前的时间和离开书桌前的时间，确定目标用户在第i天第一次坐在书桌前的时间为第i天的学习开始时间，目标用户在第i天最后一次离开书桌前的时间为第i天的学习结束时间，目标用户离开书桌前的时间与目标用户再次坐在书桌前的时间之间的时长为学习过程中的一次休息时长，第i天内所有休息时长的总和为第i天学习过程中的休息时长。
42.机器人可以通过眼球追踪传感器，获取目标用户在学习过程中的注意力集中时长和注意力不集中时长。例如，机器人可以通过眼球追踪传感器获取目标用户的眼球焦点所处区域，判断目标用户的眼球焦点所处区域是否为预设区域，若目标用户的眼球焦点所处区域为预设区域，则确定目标用户的注意力集中，目标用户的眼球焦点所处区域为预设区域的持续时长即为目标用户在学习过程中的注意力集中时长；若目标用户的眼球焦点所处区域不为预设区域，则确定目标用户的注意力不集中，目标用户的眼球焦点所处区域不为预设区域的持续时长即为目标用户在学习过程中的注意力不集中时长。上述预设区域为目标用户在学习过程中眼睛需关注的区域。
43.机器人通过眼球追踪传感器，可以监测目标用户是否闭眼，若目标用户闭眼，则监测目标用户闭眼的持续时长，若该持续时长大于或等于第一预设时长，则确定目标用户犯困；若该持续时长小于第一预设时长，则确定目标用户不犯困；若该持续时长小于第二预设时长，则确定目标用户活力充沛；若该持续时长大于或等于第二预设时长，则确定目标用户活力不充沛。其中，上述第二预设时长小于或等于第一预设时长。
44.机器人可以通过红外传感器，或者通过摄像头结合图像识别技术，分析目标用户在学习过程中是否起身活动。
45.作为一可选实施例，上述学习参数信息包括各个科目的考试成绩、每天的学习开始时间和学习结束时间、每天学习过程中的休息时长和注意力集中时长，学习模式包括全能型学霸模式、偏科模式、全能型学渣模式和散漫型学习模式，根据学习参数信息，确定目标用户的学习模式包括：
46.根据每天学习过程中的休息时长、每天的学习开始时间和学习结束时间，确定目标用户每天的学习时长；
47.统计第一时长次数、第二时长次数、第一科目数量和第二科目数量，第一时长次数是指在预设时间段内目标用户的学习时长大于第一时长阈值的次数，第二时长次数是指在预设时间段内目标用户的注意力集中时长大于第二时长阈值的次数，第一科目数量是指在预设时间段内目标用户的考试成绩大于成绩阈值的科目数量，第二科目数量是指在预设时间段内目标用户的考试成绩小于或等于成绩阈值的科目数量；
48.若第一时长次数大于第一次数阈值、第二时长次数大于第二次数阈值，以及第一科目数量大于第一数量阈值，则确定目标用户的学习模式为全能型学霸模式；
49.若第一时长次数大于第一次数阈值、第二时长次数大于第二次数阈值，以及第一科目数量小于或等于第一数量阈值且大于第二数量阈值，则确定目标用户的学习模式为偏科模式，第二数量阈值大于零且小于第一数量阈值；
50.若第一时长次数小于或等于第一次数阈值、第二时长次数小于或等于第二次数阈值，以及第二科目数量大于第三数量阈值，则确定目标用户的学习模式为全能型学渣模式；
51.若第一时长次数大于第一次数阈值、第二时长次数小于或等于第二次数阈值，以及第二科目数量小于或等于第三数量阈值且大于第四数量阈值，则确定目标用户的学习模式为散漫型学习模式，第四数量阈值大于零且小于第三数量阈值。
52.上述确定目标用户每天的学习时长可以包括：计算目标用户每天的学习开始时间与学习结束时间之间的时长，确定该时长与休息时长的差值为目标用户每天的学习时长。
53.在统计第一时长次数、第二时长次数、第一科目数量和第二科目数量之后，可以将第一时长次数与第一次数阈值进行比较，将第二时长次数与第二次数阈值进行比较，将第一科目数量与第一数量阈值、第二数量阈值进行比较，将第二科目数量与第三数量阈值、第四数量阈值进行比较，根据比较结果确定目标用户的学习习惯；若第一时长次数大于第一次数阈值，则确定目标用户的学习习惯为学习时间较长；若第一时长次数小于或等于第一次数阈值，则确定在预设时间段内目标用户的学习时间较短；若第二时长次数大于第二次数阈值，则确定目标用户的学习习惯为注意力集中时间较长；若第二时长次数小于或等于第二次数阈值，则确定目标用户的学习习惯为注意力集中时间较短；若第一科目数量大于第一数量阈值，则确定目标用户的学习习惯为大部分科目的考试成绩较好；若第一科目数
量大于零且小于第二数量阈值，则确定目标用户的学习习惯为小部分科目的考试成绩较好；若第二科目数量大于第三数量阈值，则确定目标用户的学习习惯为大部分科目的考试成绩较差；若第二科目数量大于零且小于第四数量阈值，则确定目标用户的学习习惯为小部分科目的考试成绩较差。
54.若目标用户的学习习惯为学习时间较长、注意力集中时间较长和大部分科目的考试成绩较好，则确定目标用户的学习模式为全能型学霸模式；若目标用户的学习习惯为学习时间较长、注意力集中时间较长和小部分科目的考试成绩较好，则确定目标用户的学习模式为偏科模式；若目标用户的学习习惯为学习时间较短、注意力集中时间较短和大部分科目的考试成绩较差，则确定目标用户的学习模式为全能型学渣模式；若目标用户的学习习惯为学习时间较长、注意力集中时间较短和小部分科目的考试成绩较差，则确定目标用户的学习模式为散漫型学习模式。
55.在另一实施例中，在辅助学习界面上可以包括至少一个学习模式选项，在检测到用户对上述至少一个学习模式选项的选择操作时，确定用户所选中的学习模式选项对应的学习模式为目标用户的学习模式。上述学习模式选项包括但不限于全能型学霸模式选项、偏科模式选项、全能型学渣模式选项、散漫型学习模式选项等。上述选择操作包括但不限于单击操作、双击操作、滑动操作等。
56.在又一实施例中，在辅助学习界面上可以包括个人信息输入选项，在检测到目标用户在该个人信息输入选项输入信息时，可以得到目标用户的个人信息，机器人根据目标用户的个人信息，可以从个人信息与学习模式的对应关系中，确定目标用户的学习模式，也可以将目标用户的个人信息发送至服务器，服务器根据目标用户的个人信息，从个人信息与学习模式的对应关系中，确定目标用户的学习模式，并将该目标用户的学习模式发送至机器人。其中，上述个人信息与学习模式的对应关系中至少包括目标用户的个人信息与目标用户的学习模式之间的映射关系。上述个人信息包括但不限于目标用户的姓名、学号、学校、班级等。
57.步骤102，根据目标用户的学习模式，确定目标辅助学习方案。
58.其中，目标辅助学习方案是指与目标用户的学习模式匹配的辅助学习方案。本技术根据目标用户的学习模式，确定目标辅助学习方案，能够有效地、个性化地为不同的目标用户提供与匹配的辅助学习方案，提高辅助学习的效果和效率。
59.例如，若目标用户的学习模式为全能型学霸模式，则确定目标辅助学习方案包括但不限于设置各个科目的学习时长相同或者相差较小、加入提升目标用户的艺术或者其他社会科目的培养时间。若目标用户的学习模式为偏科模式，则确定目标辅助学习方案包括但不限于为考试成绩较差科目设置更多的学习时长、适当加入培养目标用户考试成绩较差科目的兴趣爱好的相关娱乐项目。若目标用户的学习模式为全能型学渣模式，则确定目标辅助学习方案包括但不限于培养目标用户学习兴趣和爱好的相关心理辅导和相关娱乐项目、为目标用户制定由浅入深的学习提升计划。若目标用户的学习模式为散漫型学习模式，则确定目标辅助学习方案包括但不限于培养目标用户注意力集中的训练项目、为目标用户制定时间更为精准的学习完成计划等。
60.步骤103，根据目标辅助学习方案，辅助目标用户学习。
61.由于目标辅助学习方案与目标用户的学习模式相匹配，故机器人根据目标辅助学
习方案，能够更为精准地辅助目标用户学习，提高辅助学习效果。
62.例如，机器人通过控制目标用户的手机、智能电视以及其他娱乐设备的不可上网时间段与其学习时间段一致，以防止目标用户在学习时间段内上网。
63.又例如，机器人在规定时间段内向目标用户的电脑上发送相应的学习任务，以指示目标用户在规定时间段内完成学习任务。如图2所示是机器人辅助目标用户学习的示例图，图2中包括机器人、目标用户以及电脑，机器人通过向电脑发送相应的学习任务，能够辅助目标用户学习。
64.又例如，机器人通过监督目标用户的身体状态，辅助目标用户以更搞笑的方式进行学习，当目标用户犯困时，则播放音乐帮助目标用户提神；当目标用户学习散漫时，则通过惩罚机制监督目标用户，如扣除上网时长、增加学习任务等方式监督目标用户，使目标用户更加专注于完成学习任务。
65.本技术实施例通过获取目标用户的学习模式，能够根据该目标用户的学习模式，确定与目标用户匹配的辅助学习方案(即目标辅助学习方案)，根据该目标辅助学习方案，控制机器人辅助目标用户学习，能够提高机器人对目标用户的辅助学习效果。
66.参见图3，是本技术实施例二提供的辅助学习方法的实现流程示意图，该辅助学习方法应用于机器人，如图所示该辅助学习方法可以包括以下步骤：
67.步骤301，获取目标用户的学习模式。
68.该步骤与步骤101相同，具体可参见步骤101的相关描述，在此不再赘述。
69.步骤302，根据目标用户的学习模式，确定目标辅助学习方案。
70.该步骤与步骤102相同，具体可参见步骤102的相关描述，在此不再赘述。
71.步骤303，根据目标辅助学习方案，辅助目标用户学习。
72.该步骤与步骤103相同，具体可参见步骤103的相关描述，在此不再赘述。
73.步骤304，确定目标辅助学习方案是否有效。
74.机器人在根据目标辅助学习方案，辅助目标用户学习的过程中，可以判断目标辅助学习方案是否有助于提高目标用户的学习，以确定目标辅助学习方案是否有效，若目标辅助学习方案有助于提高目标用户的学习，则可以确定目标辅助学习方案有效，可以继续基于目标辅助学习方案辅助目标用户学习，也可以进一步优化目标辅助学习方案，使用优化后的辅助学习方案辅助目标用户学习，以进一步提高机器人的辅助学习效果；若目标辅助学习方案未有助于提高目标用户的学习，则确定目标辅助学习方案无效，可以改善目标辅助学习方案，以使得改善后的目标辅助学习方案能够有助于提高目标用户的学习。
75.在一实施例中，在确定目标辅助学习方案是否有效之前，还包括：
76.获取各个科目的考试成绩的提高比例；
77.确定目标辅助学习方案是否有效包括：
78.根据各个科目的考试成绩的提高比例，确定目标辅助学习方案是否有效。
79.其中，上述各个科目的考试成绩的提高比例，可以理解为目标用户的实际学习效果，根据目标用户的实际学习效率，可以判断目标辅助学习方案对目标用户的学习是否有效。
80.机器人在根据目标辅助学习方案，辅助目标用户学习的过程中，可以获取目标用户在辅助后的各个科目的考试成绩，根据目标用户在辅助前的各个科目的考试成绩和辅助
后的各个科目的考试成绩，可以确定各个科目的考试成绩的提高比例。例如，以英语为例，在基于目标辅助学习方案辅助目标用户之前，英语的考试成绩为110分，在基于目标辅助学习方案辅助目标用户之后，英语的考试成绩为135分，那么可以确定英语的考试成绩的提高比例为
81.作为一可选实施例，可以根据各个科目的考试成绩的提高比例，确定第三科目数量，第三科目数量是指提高比例大于比例阈值的科目数量；若第三科目数量大于或等于第五数量阈值，则确定目标辅助学习方案有效；若第三科目数量小于第五数量阈值，则确定目标辅助学习方案无效。可选地，第五数量阈值可以是各个科目的总数量，也可以是小于该总数量的数值，在此不做限定。
82.若一个科目的提高比例大于比例阈值，则表明目标辅助学习方案对该科目有效，能够明显提高该科目的考试成绩。若一个科目的提高比例小于或等于比例阈值，则表明目标辅助学习方案对该科目无效，无法提高该科目的考试成绩或者考试成绩提高较少。
83.作为另一可选实施例，根据各个科目的考试成绩的提高比例，确定目标辅助学习方案的得分；若目标辅助学习方案的得分小于分数阈值，则确定目标辅助学习方案无效；若目标辅助学习方案的得分大于或等于分数阈值，则确定目标辅助学习方案有效。
84.可以先从其他设备或者机器人自身的存储器中获取对应关系，该对应关系至少包括上述各个科目的考试成绩的提高比例与得分之间的映射关系，根据上述各个科目的考试成绩的提高比例，可以从上述对应关系中确定各个科目对应的得分，将各个科目对应的得分进行累加，确定累加后的所得值为目标辅助学习方案的得分。
85.步骤305，确定目标辅助学习方案的缺陷，并修复目标辅助学习方案的缺陷。
86.若目标辅助学习方案无效，则可以根据各个科目的考试成绩的提高比例，确定目标辅助学习方案的缺陷，在确定目标辅助学习方案的缺陷之后，可以通过不断调整目标辅助学习方案中的参数，修复目标辅助学习方案的缺陷，直至修复后的目标辅助学习方案有效(即直至得到有效的目标辅助学习方案)。上述确定目标辅助学习方案的缺陷可以包括：确定目标辅助学习方案对提高比例小于或等于比例阈值的科目无效。上述目标辅助学习方案中的参数是指构成目标辅助学习方案的因素，例如学习时长、培养目标用户考试成绩较差科目的兴趣爱好的相关娱乐项目等。
87.例如，可以通过人工智能模型修复目标辅助学习方案的缺陷，该人工智能模型的输入是目标辅助学习方案，该人工智能模型的输出是某一科目的考试成绩或者多个科目的考试成绩，每次调整目标辅助学习方案中的参数时，均将参数调整后的目标辅助学习方案输入至该人工智能模型，得到某一科目的考试成绩或者多个科目的考试成绩，判断该考试成绩的提高比例是否大于比例阈值，若大于比例阈值，则可以确定该参数调整后目标辅助学习方案为有效的目标辅助学习方案；若小于或等于比例阈值，则可以继续调整目标辅助学习方案的参数，直至该人工智能模型输出的某一科目的考试成绩的提高比例大于比例阈值，或者多个科目的考试成绩的提高比例大于比例阈值。
88.在一实际应用场景中，以用户1为例说明缺陷的确定流程。用户1的学习习惯为学习时间较长、注意力集中时间较长、数学和语文的考试成绩较好(例如数学的考试成绩为120分，语文的考试成绩为110分)、英语的考试成绩较差(例如英语的考试成绩为90分)，那
么可以确定用户1的学习模式为偏科模式；该偏科模式对应的目标辅助学习方案可以为英语设置更多的学习时长，并加入培养英语文的兴趣爱好的英文电影；机器人可以在规定时间段内向用户1的电脑上发送各科目的学习任务辅助用户1学习，且英语的学习任务中包括英文电影，英语的学习时长最多；在基于上述目标辅助学习方案辅助用户1学习的过程中，用户1的数学的考试成绩为145，语文的考试成绩为110，英语的考试成绩为120分，那么可以计算得到数学的考试成绩的提高比例为21％，语文的考试成绩的提高比例为0％，英语的考试成绩的提高比例为33％；设置比例阈值为25％，第五数量阈值为3，那么可以确定第三科目数量为2，2小于第五数量阈值，故可以确定上述目标辅助学习方案无效，存在的缺陷是对数学和语文无效。
89.本技术实施例在实施例一的基础上，确定目标辅助学习方案是否有效，并在无效时修复目标辅助学习方案的缺陷，能够不断优化目标辅助学习方案，为目标用户提供匹配度较高的目标辅助学习方案，提升机器人的辅助学习效果，提供一种更为优化的应用于教育领域的机器人。
90.参见图4，是本技术实施例三提供的辅助学习装置的示意图，该辅助学习装置应用于机器人，为了便于说明，仅示出了与本技术实施例相关的部分。
91.所述辅助学习装置包括：
92.模式获取模块41，用于获取目标用户的学习模式，所述目标用户的学习模式反映所述目标用户的学习水平和/或学习态度；
93.方案确定模块42，用于根据所述目标用户的学习模式，确定目标辅助学习方案；
94.学习辅助模块43，用于根据所述目标辅助学习方案，辅助所述目标用户学习。
95.可选地，上述辅助学习装置还包括：
96.信息获取模块44，用于获取摄像头和/或目标传感器采集的所述目标用户在预设时间段内的学习参数信息；
97.上述模式获取模块41具体用于：
98.根据所述学习参数信息，确定所述目标用户的学习模式。
99.可选地，所述学习参数信息包括各个科目的考试成绩、每天的学习开始时间和学习结束时间、每天学习过程中的休息时长和注意力集中时长，所述学习模式包括全能型学霸模式、偏科模式、全能型学渣模式和散漫型学习模式，上述模式获取模块41具体用于：
100.根据所述每天学习过程中的休息时长、所述每天的学习开始时间和学习结束时间，确定所述目标用户每天的学习时长；
101.统计第一时长次数、第二时长次数、第一科目数量和第二科目数量，所述第一时长次数是指在所述预设时间段内所述目标用户的学习时长大于第一时长阈值的次数，所述第二时长次数是指在所述预设时间段内所述目标用户的注意力集中时长大于第二时长阈值的次数，所述第一科目数量是指在所述预设时间段内所述目标用户的考试成绩大于成绩阈值的科目数量，所述第二科目数量是指在所述预设时间段内所述目标用户的考试成绩小于或等于所述成绩阈值的科目数量；
102.若所述第一时长次数大于第一次数阈值、所述第二时长次数大于第二次数阈值，以及所述第一科目数量大于第一数量阈值，则确定所述目标用户的学习模式为所述全能型学霸模式；
103.若所述第一时长次数大于所述第一次数阈值、所述第二时长次数大于所述第二次数阈值，以及所述第一科目数量小于或等于第一数量阈值且大于第二数量阈值，则确定所述目标用户的学习模式为所述偏科模式，所述第二数量阈值大于零且小于所述第一数量阈值；
104.若所述第一时长次数小于或等于所述第一次数阈值、所述第二时长次数小于或等于所述第二次数阈值，以及所述第二科目数量大于第三数量阈值，则确定所述目标用户的学习模式为所述全能型学渣模式；
105.若所述第一时长次数大于所述第一次数阈值、所述第二时长次数小于或等于所述第二次数阈值，以及所述第二科目数量小于或等于所述第三数量阈值且大于第四数量阈值，则确定所述目标用户的学习模式为所述散漫型学习模式，所述第四数量阈值大于零且小于所述第三数量阈值。
106.根据所述学习参数信息，确定所述目标用户的学习习惯；
107.根据所述目标用户的学习习惯，确定所述目标用户的学习模式。
108.上述辅助学习装置还包括：
109.效果确定模块45，用于确定所述目标辅助学习方案是否有效；
110.缺陷修复模块46，用于若所述目标辅助学习方案无效，则确定所述目标辅助学习方案的缺陷，并修复所述目标辅助学习方案的缺陷。
111.上述辅助学习装置还包括：
112.比例获取模块47，用于获取各个科目的考试成绩的提高比例；
113.可选地，上述效果确定模块45具体用于：
114.根据所述各个科目的考试成绩的提高比例，确定所述目标辅助学习方案是否有效。
115.可选地，上述缺陷修复模块46具体用于：
116.确定所述目标辅助学习方案对所述提高比例小于或等于所述比例阈值的科目无效。
117.上述效果确定模块45具体用于：
118.根据所述各个科目的考试成绩的提高比例，确定第三科目数量，所述第三科目数量是指提高比例大于比例阈值的科目数量；
119.若所述第三科目数量大于或等于第五数量阈值，则确定所述目标辅助学习方案有效；
120.若所述第三科目数量小于所述第五数量阈值，则确定所述目标辅助学习方案无效；
121.或者根据所述各个科目的考试成绩的提高比例，确定所述目标辅助学习方案的得分；
122.若所述目标辅助学习方案的得分小于分数阈值，则确定所述目标辅助学习方案无效；
123.若所述目标辅助学习方案的得分大于或等于所述分数阈值，则确定所述目标辅助学习方案有效。
124.本技术实施例提供的辅助学习装置可以应用在前述方法实施例一和实施例二中，
详情参见上述方法实施例一和实施例二的描述，在此不再赘述。
125.图5是本技术实施例五提供的机器人的结构示意图。如图5所示，该实施例的机器人5包括：一个或多个处理器50(图中仅示出一个)、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个辅助学习方法实施例中的步骤
126.所述机器人5可以是应用于教育领域的机器人，例如仿人机器人。所述机器人可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是机器人5的示例，并不构成对机器人5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人还可以包括输入输出设备、网络接入设备、总线等。
127.所称处理器50可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
128.所述存储器51可以是所述机器人5的内部存储单元，例如机器人5的硬盘或内存。所述存储器51也可以是所述机器人5的外部存储设备，例如所述机器人5上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器51还可以既包括所述机器人5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述机器人所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
129.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
130.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
131.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
132.在本技术所提供的实施例中，应该理解到，所揭露的装置/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个
单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
133.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
134.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
135.所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
136.本技术实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当所述计算机程序产品在机器人上运行时，使得所述机器人执行时实现可实现上述各个方法实施例中的步骤。
137.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。