基于自适应学习分析的精准教学管理方法及系统与流程

本发明涉及教学管理，尤其涉及一种基于自适应学习分析的精准教学管理方法及系统。

背景技术：

1、目前，国内外已有一些针对自适应学习和个性化教学的研究和应用，通过对学生的认知状态进行建模和追踪，实现了自适应的教学内容呈现和学习任务安排，但是，现有的自适应学习和精准教学管理方法仍存在以下不足：学习行为分析不够深入，难以准确刻画学生的学习特点和行为模式，学习效果诊断和反馈不够全面，难以提供针对性的改进建议，个性化教学方案生成缺乏灵活性和适应性；

2、因此，亟需一种方案解决现有技术中存在的不足。

技术实现思路

1、本发明实施例提供一种基于自适应学习分析的精准教学管理方法及系统，至少能解决现有技术中存在的部分问题。

2、本发明实施例的第一方面，提供一种基于自适应学习分析的精准教学管理方法，包括：

3、对于每一个学生，通过知识图谱结构确定学习轨迹数据并获取学习资源浏览记录，将所述学习轨迹数据和所述学习资源浏览记录进行组合，得到多源异构学习数据，对所述多源异构学习数据进行融合和预处理，结合图神经网络算法，确定知识节点和认知状态节点并构建个性化知识图谱；

4、基于所述个性化知识图谱，结合深度强化学习算法自适应确定最优学习路径，结合多任务学习进行联合优化，对所述最优学习路径应用多视角注意力网络，确定每个学生对应的规划路径影响因素并确定推荐学习资源，生成初始学习行为序列，根据所述初始学习行为序列实时更新所述个性化知识图谱，重复更新直至达到预设的最大迭代次数，得到学习行为序列；

5、基于所述学习行为序列进行深度自编码，通过确定学习行为模式构建学生学习画像，结合层次化注意力机制对学生学习效果进行多维度诊断分析，生成个性化诊断报告，结合当前学生对应的学业成绩和学习参与度构建自适应评测模型，生成对应的诊断性评测题目，根据所述个性化诊断报告和所述诊断性评测题目，组合生成个性化教学方案。

6、在一种可选的实施方式中，

7、对于每一个学生，通过知识图谱结构确定学习轨迹数据并获取学习资源浏览记录，将所述学习轨迹数据和所述学习资源浏览记录进行组合，得到多源异构学习数据包括：

8、对于每一个学生，通过预先构建的知识图谱结构确定当前学生的学习轨迹并对所述学习轨迹进行预处理，通过查询学生在学习过程中浏览的文本、图片和视频等学习资源对应的类型和浏览时间，对学习资源对应的id转换为独热编码向量，生成学习资源浏览记录；

9、将所述学习轨迹数据和所述学习资源浏览记录进行时间戳对齐，对于每个时间戳，将对应的学习轨迹数据和学习资源浏览记录组合得到融合数据记录，对于所述融合数据记录进行特征拼接，通过将所述学习轨迹数据对应的特征向量和所述学习资源浏览记录对应的特征向量根据预定义的顺序进行拼接，得到高维特征向量，结合点积注意力机制计算学习轨迹数据和资源浏览记录的注意力权重，生成注意力函数并对不同来源的数据进行加权融合，得到所述多源异构学习数据。

10、在一种可选的实施方式中，

11、对所述多源异构学习数据进行融合和预处理，结合图神经网络算法，确定知识节点和认知状态节点并构建个性化知识图谱包括：

12、对于每个学生，以教育领域知识图谱为基础，将当前学生对应的多源异构学习数据映射至空白知识图谱中对应的知识节点上，得到初始个性化知识图谱，引入图神经网络算法，结合图注意力网络，以所述初始个性化知识图谱为输入，学习每个知识节点的低维嵌入表示；

13、在所述初始个性化知识图谱中，对于每个知识节点，将所述知识节点的属性信息与邻居节点的嵌入表示进行聚合，通过非线性变换更新当前知识节点的表示，对于每个连接边，通过确定每个边对应的属性信息，结合知识节点对应的节点嵌入进行加权聚合更新所述连接边，重复更新，在每一次更新后，每个知识节点接收邻居节点的信息并更新嵌入表示并将当前知识节点对应的信息传递至邻居节点，直至达到预设的最大迭代次数，得到稳定嵌入表示；

14、在所述初始个性化知识图谱中添加认知状态节点，在所述认知状态节点与具有稳定嵌入表示的知识节点间添加连接边并分配权重，得到所述个性化知识图谱。

15、在一种可选的实施方式中，

16、通过确定每个边对应的属性信息，结合知识节点对应的节点嵌入进行加权聚合更新所述连接边如下公式所示：

17、；

18、其中，α ij表示节点 i和节点 j之间的边权重，softmax j表示对第 j个节点进行归一化操作，leakyrelu()表示非线性激活函数， a表示可学习注意力向量， t表示转置， w表示权重矩阵， h i表示节点 i的节点嵌入， h j表示节点 j的节点嵌入， e ij表示第 i个节点和第 j个节点之间的边特征向量。

19、在一种可选的实施方式中，

20、基于所述个性化知识图谱，结合深度强化学习算法自适应确定最优学习路径，结合多任务学习进行联合优化，对所述最优学习路径应用多视角注意力网络，确定每个学生对应的规划路径影响因素并确定推荐学习资源，生成初始学习行为序列，根据所述初始学习行为序列实时更新所述个性化知识图谱，重复更新直至达到预设的最大迭代次数，得到学习行为序列包括：

21、获取所述个性化知识图谱并将知识节点作为状态，以所述知识节点对应的连接边作为动作，以学生掌握知识情况作为奖励值，确定深度强化学习模型并设置对应的奖励函数；

22、以学习路径规划和学习资源推荐作为两个相关子任务，通过多任务学习模型共享两个相关子任务的底层特征表示并进行联合优化；

23、对于学习路径规划子任务，将所述个性化知识图谱对应的嵌入作为输入，通过深度学习算法聚合节点表示生成当前状态特征表示，对于学习资源推荐子任务，将学生特征，知识点特征和资源特征作为多模态数据输入，结合多视角注意力网络动态融合不同视角的特征表示，结合矩阵分解生成资源推荐列表，基于当前特征状态表示和资源推荐列表，结合学生对应的个人属性特征，通过门控单元确定不同视角的特征表示的重要性并生成初始学习行为序列，设置多任务损失函数并通过反向传播算法更新多任务学习算法中的超参数，重复更新直至收敛；

24、基于所述初始学习行为序列，根据学生的实际学习反馈，动态调整每个知识节点的掌握状态并更新节点嵌入表示，重复更新直至达到预设的最大迭代次数，对最后一次生成的初始学习行为序列进行去重处理，得到所述学习行为序列。

25、在一种可选的实施方式中，所述多任务损失函数如下公式所示：

26、；

27、其中， l表示损失值， λ 1表示策略梯度权重， e π表示期望值， γ t表示 t时刻的折扣因子， r t表示 t时刻的即时奖励， π( c t| s t|)表示在状态 s t下选择动作 c t的概率， λ 2表示交叉熵损失权重， y i表示第 i个任务的真实标签，表示第 i个任务的模型预测标签。

28、在一种可选的实施方式中，

29、基于所述学习行为序列进行深度自编码，通过确定学习行为模式构建学生学习画像，结合层次化注意力机制对学生学习效果进行多维度诊断分析，生成个性化诊断报告，结合当前学生对应的学业成绩和学习参与度构建自适应评测模型，生成对应的诊断性评测题目，根据所述个性化诊断报告和所述诊断性评测题目，组合生成个性化教学方案包括：

30、将每个学生对应的学习行为序列表示为向量形式，通过预先设置的深度自编码器模型中的编码器对学生的学习行为模式进行聚类分析，得到典型学习模型，对每个学生的潜在特征进行可视化分析，通过降维算法将所述潜在特征映射至二维空间并生成学生在学习行为模式上的分布情况图，基于所述分布情况图，确定每个学生所属的学习模式类别；

31、基于所述学习模式类别，结合学生的个人属性，通过知识蒸馏技术将所述深度自编码器模型中的行为模式知识添加至学生学习画像中，结合数据融合技术进行拼接，构建每个学生对应的学生学习画像；

32、将所述学生学习画像通过层次化注意力机制划分为多个维度，其中，每个维度包含多个指标，对于每个维度，构建注意力层并根据所述学生学习画像动态计算每个指标的指标权重，在每个维度之间添加层次注意力，确定每个维度对学生学习效果的贡献值并生成个性化诊断报告；

33、基于所述个性化诊断报告中的学业成绩和所述学生学习画像中的学习参与度构建自适应评测模型，通过所述自适应评测模型生成当前学生对应的诊断性评测题目；

34、基于所述诊断性评测题目，结合所述个性化诊断报告，确定每个学生的学习特点和教学资源偏好，结合对应的知识结构和学习进度，组合生成所述个性化教学方案。

35、本发明的第二方面，提供一种基于自适应学习分析的精准教学管理系统，包括：

36、第一单元，用于对于每一个学生，通过知识图谱结构确定学习轨迹数据并获取学习资源浏览记录，将所述学习轨迹数据和所述学习资源浏览记录进行组合，得到多源异构学习数据，对所述多源异构学习数据进行融合和预处理，结合图神经网络算法，确定知识节点和认知状态节点并构建个性化知识图谱；

37、第二单元，用于基于所述个性化知识图谱，结合深度强化学习算法自适应确定最优学习路径，结合多任务学习进行联合优化，对所述最优学习路径应用多视角注意力网络，确定每个学生对应的规划路径影响因素并确定推荐学习资源，生成初始学习行为序列，根据所述初始学习行为序列实时更新所述个性化知识图谱，重复更新直至达到预设的最大迭代次数，得到学习行为序列；

38、第三单元，用于基于所述学习行为序列进行深度自编码，通过确定学习行为模式构建学生学习画像，结合层次化注意力机制对学生学习效果进行多维度诊断分析，生成个性化诊断报告，结合当前学生对应的学业成绩和学习参与度构建自适应评测模型，生成对应的诊断性评测题目，根据所述个性化诊断报告和所述诊断性评测题目，组合生成个性化教学方案。

39、本发明实施例的第三方面，

40、提供一种电子设备，包括：

41、处理器；

42、用于存储处理器可执行指令的存储器；

43、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

44、本发明实施例的第四方面，

45、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

46、本发明中，通过知识图谱结构确定学生的学习轨迹数据和学习资源浏览记录，并进行融合和预处理，结合图神经网络算法，自动构建个性化知识图谱，包括知识节点和认知状态节点，为个性化学习路径规划提供基础，通过多任务学习进行联合优化，利用多视角注意力网络确定影响学习路径规划的关键因素，并推荐相关的学习资源，生成初始学习行为序列，实现学习路径的动态优化，提高学习效率，基于学习行为序列进行深度自编码，通过确定学生的学习行为模式，构建全面且动态的学生学习画像，为个性化教学决策提供丰富的信息支持，综合考虑个性化诊断报告和诊断性评测题目，组合生成个性化教学方案，包括学习目标、学习内容、学习活动和评价方式等，为每个学生提供量身定制的学习支持和指导，满足学生的个性化学习需求，综上，本发明为因材施教、个性化学习和智慧教育的实现提供了全面的支持，促进了教育的精准化、个性化和智能化发展，对提高教学质量和学习效果具有重要意义。