保持儿童良好学习状态的人格化伴学方法及系统

本发明属于计算机辅助教学过程的，尤其涉及一种保持儿童良好学习状态的人格化伴学方法及系统。

背景技术：

1、随着人工智能技术的发展，智能伴学系统已经成为了教育领域的一种新趋势。这些系统利用深度学习技术，可以对学生的学习状态进行个性化分析，并为其提供个性化的学习反馈。这些系统还能运用自然语言处理技术，实现智能问答，以满足学生的学习需求。此外，通过机器学习算法，这些系统还可以实现学习成果的智能评估。然而现存的智能伴学系统普遍以系统“教”儿童“学”为主要形式，系统主要扮演教师的角色，忽视了儿童在学习过程中的主体性，主要反馈儿童的学习状态并提出建议。已有教育研究表明，让儿童扮演教师的角色，可以提升他们的表达能力和逻辑思维能力，增强他们对学习内容的理解。因此通过人格化的方式进行伴学，引导儿童作为学习的主体，并能在学习活动中进行自我迭代是重要的。让儿童扮演老师角色的技术难度体现在，如何进行系统的人格化，如何根据儿童当前的学习状态进行系统的自我迭代优化，并将优化策略反应在于儿童的学习活动中，这些问题需要技术的支持与创新的解决方法。

2、专利文献cn116862727a公开了一种基于动态规划的教学管理方法，该方法包括如下步骤：s1，获取当期所要复习的所有知识点；s2，通过统计分析的方式获取知识点xn对应的教学时长tn；s3，获取预设时间内所有学生的学习信息，根据学习信息生成知识点xn对应的复习价值wn；s4，获取知识点xn及对应的教学时长tn和复习价值wn，通过动态规划算法生成教学计划。

3、专利文献cn116777694a公开了基于适应学习的教学辅助系统及方法，该方法首先将学生当前的学业水平进行分级，对课程资料、学生试卷资料和一些自定义资料进行分析和处理，生成个性化和自适应学生当前学习水平的学习路径。

4、上述方法均基于传统的教学考虑可量化的教学过程，如做题训练，具体的教学计划等，但忽略了难以量化的学生学习状态，教学场景，以及其匹配关系。

技术实现思路

1、本发明的目的在于提供一种保持儿童良好学习状态的人格化伴学方法及系统，该方法能通过人格化陪伴的方式儿童学习并进行教学引导，以儿童扮演“老师”进行教学的方式，促进儿童对学习内容更深入的理解，锻炼儿童的表达能力和逻辑思维能力。

2、为了实现本发明的第一个目的，提供了一种保持儿童良好学习状态的人格化伴学方法，包括以下步骤：

3、初始化大语言交互模型，并构建配套的外接语料库，所述外接语料库用于设定大语言交互模型的人格化特质，其包括学习活动中模型所有的角色人格以及教学策略，所述角色人格包括角色类型和人格特质，所述教学策略包括教学目标和教学自由度；

4、获取交互对象与所述大语言交互模型的交互数据，所述交互数据包括学习活动中的文本对话数据和包含交互对象在内的视频数据；

5、通过预构建的状态评估模型对所述文本数据和视频数据进行特征提取，以输出对交互对象学习状态的评估结果；

6、通过强化学习算法调整优化大语言交互模型，所述强化学习算法的优化参数包括角色类型、人格特质、教学目标以及教学自由度，并以每次学习活动结束后交互对象的学习状态评估结果作为优化目标进行优化，以输出优化结果，所述优化结果包含优化更新后的角色类型、人格特质、教学目标以及教学自由度；

7、通过所述优化结果对所述外接语料库进行数据筛选，以动态构建用于交互对象后续的专属语料库并引入所述大语言交互模型，所述专属语料库随着多次累加的学习活动进行不断的迭代更新以适配交互对象，保证所述大语言交互模型能够更好的匹配当前交互对象的学习情境。

8、具体的，所述的专属语料库包括角色类型tl、人格特质ca、教学目标tg、教学自由度tf四类描述词。

9、具体的，所述角色类型包括侧重提问题角色和侧重讲述角色。

10、具体的，所述的所述人格特质采用mbti数据库，其包括包括精力来源或注意力投射方向，收集信息的方式，判断或决定事物的方式，适应外部环境的方式。

11、具体的，所述状态评估模型的构建过程如下：

12、获取交互对象与大语言交互模型学习活动中的文本数据和视频数据；

13、构建包括特征提取模块，特征映射模块以及特征融合模块的特征提取模型，所述特征提取模块包括图像单元和文本单元，所述图像单元用于提取输入视频数据中人物的面部特征，所述文本单元用于遍历输入的文本数据，生成对应的文本特征，所述特征映射模块根据生成的面部特征和文本特征，生成对应的情绪特征，参与度特征以及专注度特征，所述特征融合模块将输入的情绪特征，参与度特征以及专注度特征进行特征融合，以得到儿童在互动中的学习状态特征；

14、以交互对象的对话长度，平均回复时间，发言频次以及间隔对所述文本数据进行遍历，以构建文本数据集；

15、以交互对象的面部特征对所述视频数据进行特征提取，以构建面部数据集；

16、将文本数据集和面部数据集进行标签标注，输入特征提取模型得到特征数据集，组成综合数据集；

17、用综合数据集对xgboost模型进行训练，以获得用于评估交互对象状态的评估模型，根据输入特征评估学习状态。

18、具体的，所述情绪特征基于面部特征中的情绪表情和文本特征中的文本情感进行生成，其表达式如下：

19、xfusionemotion＝wtext*xtext+wimage*ximage

20、式中，ximage表示面部特征中的情绪表情，xtext表示文本特征文本情感，wtext表示文本情感的权重，wimage表示情绪表情的权重。

21、具体的，所述参与度特征基于每次交互中的对话长度，平均回复时间，发言频次以及间隔进行构建，其表达式如下：

22、xfusionparticipation＝wl*xl+wt*xt+wf*xf+wp*xp

23、其中，xl表示对话长度，xt表示平均回复时间，xf表示发言频率，xp表示发言间隔，wl表示对话长度的权重，wt表示平均回复时间的权重，wf表示发言频率的权重，wp表示发言间隔的权重。

24、具体的，所述专注度特征根据儿童面部特征中视线在水平与垂直注视方向的视线角度，以及文本特征中关键词出现的频率进行构建，其表示如下：

25、xfusionconcentrationn＝weye*xeye+wtextconcentrationn*xtextconcentrationn

26、其中，xeye表示视线角度，xtextconcentrationn表示关键词出现频率，weye表示视线角度的权重，wtextconcentrationn表示关键词出现频率的权重。

27、具体的，所述强化学习算法以每次学习活动结束后交互对象的评估结果作为优化目标j(θ)进行优化，以外接语料库四类描述词为四类参数(角色类型tl，人格特质ca，教学目标tg，教学自由度tf)进行参数优化，其每次在进行参数优化时，采用ppo算法进行rlhf训练，以得到最优的优化参数，其中θ为参数，γ为折扣因子，rt是在第t次学习活动的回报：

28、

29、每次学习活动结束后对外接语料库进行数据筛选时，采用softmax函数将优化结果转换为概率分布，并基于所述概率分布进行数据筛选，构建用于下次学习活动中用户的专属语料库，所述softmax函数的表达式如下，其中z是一个包含k个实数的向量，表示模型的原始输出，j表示向量中元素的索引：

30、

31、式中，

32、具体的，在每次学习活动结束后构建用于交互对象后续的专属语料库时，还包括遗忘机制，所述遗忘机制用于定期减少上一轮语料的权重以及删除权重一直垫底的语料。

33、为了实现本发明的第二目的，提供了一种人格化伴学系统，通过上述的保持儿童良好学习状态的人格化伴学方法实现，包括：

34、伴学场景交互模块，用于与儿童进行对话交互，获取儿童的学习上下文数据以及面部数据；

35、学习状态评估模块，用于对儿童的学习上下文数据和面部数据进行分析，以获得对应的评估结果；

36、系统参数优化模块，根据获得的评估结果进行数据分析，以对系统中的模型参数进行优化，并输出本轮迭代获得的优化参数；

37、定制数据库模块，根据优化参数对外接语料库进行筛选，以更新专属语料库；

38、学习建议与计划生成模块：根据定制数据库模块更新后的专属语料库，生成针对儿童的学习建议与学习计划，并可视化输出；

39、伴学系统实例化模块，根据定制数据库模块更新后的专属语料库，调整系统的角色属性以及教学策略，并将其应用到伴学场景交互模块的下一次学习活动中。

40、与现有技术相比，本发明的有益效果：

41、通过在交互反馈中获取与分析儿童的学习习惯，学习状态，并根据儿童的状态变化生成对应的专属语料库，基于专属语料库进行自我优化迭代，达到定制化匹配该儿童进行伴学的效果。