CN119379506B 一种智能多媒体互动教学与考核系统和方法 （漳州卫生职业学院）

(19)国家知识产权局(12)发明专利地址363099福建省漳州市芗城区西洋坪(普通合伙)16129专利代理师杨丰佳一种智能多媒体互动教学与考核系统和方法本发明公开了一种智能多媒体互动教学与常状态标记结果存储至学习画像的动态特征字态2基于优化后的学习路径，动态生成个性化考核任务，并记录用户的回答数据和学习行所述基于优化后的学习路径，动态生成个性化考核任务，并从优化后的学习路径中读取用户动态学习状态特征、异常状态标记和学习行为数据，32.如权利要求1所述的智能多媒体互动教学与考核方法，其特征在于：所述用户信息包括用户属性数据、学习偏好数据和学习场景数据；所述学习状态包括知识掌握数据和学习行为数据；从用户属性数据、学习偏好数据和学习场景数据中采集静态特征；从知识掌握数据和学习行为数据中采集动态特征；将静态特征与动态特征通过数据结构进行合并，形成用户数据集；对用户数据集进行数据预处理，构建多维特征向量；基于多维特征向量，使用聚类模型对用户进行分群分析，生成用户个性化标签，并结合用户信息与学习状态描述个人的学习画像；将学习画像以结构化数据存储。3.如权利要求2所述的智能多媒体互动教学与考核方法，其特征在于：所述基于学习画像，利用生成式AI动态生成个性化教学内容，读取存储的学习画像结构化数据，提取静态特征和动态特征；基于静态特征和动态特征，提炼生成需求；将生成需求转化为自然语言结构化输入，实时指导生成式AI;通过生成式AI,动态生成教学内容；对教学内容进行质量检测和格式化处理，转化为适配用户终端的展示形式，实时展示教学内容。4.如权利要求3所述的智能多媒体互动教学与考核方法，其特征在于：所述实时标记用实时采集用户与教学内容的交互行为数据，并通过实时传输协议传输至后端；后端对交互行为数据进行数据清洗与时间对齐，并提取学习行为数据和情绪反馈数使用内存数据库对学习行为数据和情绪反馈数据进行缓存；基于内存数据库中的学习行为数据和情绪反馈数据，构建综合分析模型；通过综合分析模型评估用户当前学习状态，计算综合得分，并标记异常状态。5.如权利要求4所述的智能多媒体互动教学与考核方法，其特征在于：所述将用户的异常状态标记结果存储至学习画像的动态特征字段，动态优化学习路径，具体步骤如下，读取学习画像，将异常状态信息中的异常类型存入动态特征字段，并将更新后的学习画像存储至内存数据库；从内存数据库中读取学习画像，提取用户动态学习状态特征；将用户动态学习状态特征、异常状态标记和学习行为数据进行结合，利用规则引擎和数据驱动模型生成学习路径优化建议；根据优化建议调整学习路径，并将优化后的结果存储到内存数据库中。6.如权利要求5所述的智能多媒体互动教学与考核方法，其特征在于：所述利用回答数据和学习行为数据，通过语义分析方法对用户的表现进行多维度评估，具体步骤如下，从回答数据中提取语义向量，并结合学习行为数据生成多模态特征表示；将多模态特征向量，结合领域知识图谱进行知识增强的语义推理，计算用户回答与知4Sj=Softmax(Z*(V田qj)其中，S;表示为用户回答与知识点j的高维表示9j的匹配得分，j表示知识点的索引变基于用户回答与知识点j的高维表示qj的匹配得分和学习行为数据，计算用户的多维度表现指标；将用户的多维度表现指标的计算结果更新至学习画像的动态特征字段，优化动态学习结合优化后的动态学习画像与多维度评估结果，动态生成考核任务。7.一种智能多媒体互动教学与考核系统，基于权利要求1~6任一所述的智能多媒体互生成模块和表现评估模块；所述信息获取模块，用于获取用户信息与学习状态，生成学习画像；所述内容生成模块，基于学习画像，利用生成式AI动态生成个性化教学内容，并实时标记用户的异常状态；所述路径优化模块，将用户的异常状态标记结果存储至学习画像的动态特征字段，动态优化学习路径；所述任务生成模块，基于优化后的学习路径，动态生成个性化考核任务，并记录用户的回答数据和学习行为数据；所述表现评估模块，利用回答数据和学习行为数据，通过语义分析方法对用户的表现进行多维度评估。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1~6任一所述的智能多媒体互动教学与考核方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1~6任一所述的智能多媒体互动教学与考核方法的步骤。5一种智能多媒体互动教学与考核系统和方法技术领域[0001]本发明涉及教育信息化技术领域，特别是一种智能多媒体互动教学与考核系统和方法。背景技术[0002]随着人工智能技术及教育信息化的快速发展，智能化教学系统在个性化学习中的应用成为研究热点；传统教育模式通常基于固定的教学内容和统一的教学方法，难以针对学习者的个体差异进行个性化指导和动态调整；近年来，生成式人工智能技术的崛起，使得动态生成教学内容和考核任务的能力逐步成为可能；生成式AI结合语义分析和数据驱动模型，为教育系统提供了更多维度的智能化支持；此外，学习者行为分析和情绪状态评估也成为个性化教学的重要基础，通过实时数据采集与分析，能够更精准地刻画学习者的学习状态。[0003]然而，现有技术在个性化教学领域仍存在诸多不足之处；例如，虽然部分智能教学系统能够根据学习者的知识掌握情况提供个性化推荐，但通常缺乏对学习行为数据和情绪反馈数据的深度挖掘，导致对用户学习状态的理解不够全面；此外，现有考核系统大多使用静态设定的试题，难以根据学习者的实时状态动态调整任务难度和形式，无法满足个性化考核的需求；因此，亟需一种能够动态生成教学内容和考核任务，并以多维度评估学习者表现的全流程智能化教学方法。发明内容[0005]因此，本发明提供了一种智能多媒体互动教学与考核方法解决现有技术中对用户学习状态的理解不够全面和无法满足个性化考核的需求的问题。[0007]第一方面，本发明提供了一种智能多媒体互动教学与考核方法，其包括，获取用户[0008]基于学习画像，利用生成式AI动态生成个性化教学内容，并实时标记用户的异常[0009]将用户的异常状态标记结果存储至学习画像的动态特征字段，动态优化学习路[0010]基于优化后的学习路径，动态生成个性化考核任务，并记录用户的回答数据和学[0011]利用回答数据和学习行为数据，通过语义分析方法对用户的表现进行多维度评估。[0012]作为本发明所述智能多媒体互动教学与考核方法的一种优选方案，其中：所述用户信息包括用户属性数据、学习偏好数据和学习场景数据；6[0013]所述学习状态包括知识掌握数据和学习行为数据；[0014]所述生成学习画像，具体步骤如下，[0015]从用户属性数据、学习偏好数据和学习场景数据中采集静态特征；[0016]从知识掌握数据和学习行为数据中采集动态特征；[0017]将静态特征与动态特征通过数据结构进行合并，形成用户数据集；[0018]对用户数据集进行数据预处理，构建多维特征向量；[0019]基于多维特征向量，使用聚类模型对用户进行分群分析，生成用户个性化标签，并结合用户信息与学习状态描述个人的学习画像；[0020]将学习画像以结构化数据存储。[0021]作为本发明所述智能多媒体互动教学与考核方法的一种优选方案，其中：所述基于学习画像，利用生成式AI动态生成个性化教学内容，具体步骤如下，[0022]读取存储的学习画像结构化数据，提取静态特征和动态特征；[0023]基于静态特征和动态特征，提炼生成需求；[0024]将生成需求转化为自然语言结构化输入，实时指导生成式AI;[0025]通过生成式AI,动态生成教学内容；[0026]对教学内容进行质量检测和格式化处理，转化为适配用户终端的展示形式，实时展示教学内容。[0027]作为本发明所述智能多媒体互动教学与考核方法的一种优选方案，其中：所述实时标记用户的异常状态，具体步骤如下，[0028]实时采集用户与教学内容的交互行为数据，并通过实时传输协议传输至后端；[0029]后端对交互行为数据进行数据清洗与时间对齐，并提取学习行为数据和情绪反馈数据；[0030]使用内存数据库对学习行为数据和情绪反馈数据进行缓存；[0031]基于内存数据库中的学习行为数据和情绪反馈数据，构建综合分析模型；[0032]通过综合分析模型评估用户当前学习状态，计算综合得分，并标记异常状态。[0033]作为本发明所述智能多媒体互动教学与考核方法的一种优选方案，其中：所述将用户的异常状态标记结果存储至学习画像的动态特征字段，动态优化学习路径，具体步骤如下，[0034]读取学习画像，将异常状态信息中的异常类型存入动态特征字段，并将更新后的学习画像存储至内存数据库；[0035]从内存数据库中读取学习画像，提取用户动态学习状态特征；[0036]将用户动态学习状态特征、异常状态标记和学习行为数据进行结合，利用规则引擎和数据驱动模型生成学习路径优化建议；[0037]根据优化建议调整学习路径，并将优化后的结果存储到内存数据库中。[0038]作为本发明所述智能多媒体互动教学与考核方法的一种优选方案，其中：所述基于优化后的学习路径，动态生成个性化考核任务，并记录用户的回答数据和学习行为数据，具体步骤如下，[0039]从优化后的学习路径中读取用户动态学习状态特征、异常状态标记和学习行为数据，构建任务生成输入特征集；7用回答数据和学习行为数据，通过语义分析方法对用户的表现进行多维度评估，具[0054]其中，Sj表示为用户回答与知识点j的高维表示9j的匹配得分，j表示知识点的索8[0055]基于用户回答与知识点j的高维表示qj的匹配得分和学习行为数据，计算用户的多维度表现指标；[0056]将用户的多维度表现指标的计算结果更新至学习画像的动态特征字段，优化动态学习画像；[0057]结合优化后的动态学习画像与多维度评估结果，动态生成考核任务。[0058]第二方面，本发明提供了一种智能多媒体互动教学与考核系统，包括，信息获取模[0059]所述信息获取模块，用于获取用户信息与学习状态，生成学习画像；[0060]所述内容生成模块，基于学习画像，利用生成式AI动态生成个性化教学内容，并实时标记用户的异常状态；[0061]所述路径优化模块，将用户的异常状态标记结果存储至学习画像的动态特征字[0062]所述任务生成模块，基于优化后的学习路径，动态生成个性化考核任务，并记录用户的回答数据和学习行为数据；[0063]所述表现评估模块，利用回答数据和学习行为数据，通过语义分析方法对用户的表现进行多维度评估。[0064]第三方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的智能多媒体互动教学与考核方法的任一步骤。[0065]第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的智能多媒体互动教学与考核方法的任一步骤。[0066]本发明有益效果为：本发明通过构建动态学习画像，并结合生成式AI技术及语义分析方法，显著提升了智能教学的个性化水平；首先，通过对学习者静态特征和动态特征的深度融合，生成了更全面的学习画像，能够精准刻画学习者的知识掌握程度、学习行为特征及情绪反馈；其次，基于学习画像动态生成教学内容和考核任务，不仅能够实时调整教学内容的难度与形式，还可以通过动态优化学习路径，使学习过程更具适应性；同时，本发明通过综合分析模型和多模态特征向量，实现了对学习者表现的多维度评估，涵盖知识掌握度、行为表现与情绪状态等多个方面，为学习者提供了详尽的反馈和改进建议；综上，本发明显著提升了教学内容与考核任务的适配性，优化了学习体验，并为教育信息化提供了新的技术实现路径。附图说明[0067]为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的[0068]图1为实施例1中智能多媒体互动教学与考核方法的流程图。9[0069]图2为实施例1中智能多媒体互动教学与考核系统的模块图。具体实施方式[0070]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。[0071]在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。[0073]实施例1,参照图1和图2,为本发明第一个实施例，该实施例提供了一种智能多媒体互动教学与考核方法，包括以下步骤：段等);学习偏好数据：指用户的学习风格、兴趣点及目标等数据；学习场景数据：指用户学[0077]学习状态包括知识掌握数据和学习行为数据；[0078]具体的，知识掌握数据：指用户当前对知识点的掌握程度、薄弱点与强项等；学习[0079]从用户属性数据、学习偏好数据和学习场景数据中采集静态特征；[0080]从知识掌握数据和学习行为数据中采集动态特征；[0081]将静态特征与动态特征通过数据结构进行合并，形成用户数据集；[0082]对用户数据集进行数据预处理，构建多维特征向量；[0083]具体的，数据预处理包括清洗、标准化和特征提取，其中，数据清洗可以通过剔除异常值(使用IQR或Z-score方法)、填充缺失值(平均值填充或插值方法)进行；数据标准化可以采用Z-score方法将数据转化为零均值和单位方差，或采用Min-Max归一化将值压缩至特定范围；特征提取可以基于主成分分析(PCA)来降维，或通过特征选择算法(如基于互信息或特征重要性)筛选关键特征。[0084]基于多维特征向量，使用聚类模型对用户进行分群分析，生成用户个性化标签，并结合用户信息与学习状态描述个人的学习画像；[0085]较优的，通过基于多维特征向量使用聚类模型对用户进行分群分析，首先收集用户的静态特征(如年龄、性别、学习偏好、设备类型等)和动态特征(为数据等),对数据进行清洗以剔除缺失值与异常值，随后通过标准化处理确保特征具有一致的度量标准，并进一步提取关键特征构建多维特征向量。在此基础上，选择合适的聚类算群体的聚类类别。根据聚类结果，为每类用户生成个性化标签，这些标签通过分析各类用户等。结合用户的个性化标签、静态特征和动态特征，进一步生成描述个人学习特点的学习画像，其中包括学习目标、知识掌握水平、学习行为模式(如学习频率和任务完成率)以及兴趣点等信息。最终，将学习画像以结构化数据形式存储，用于后续动态生成个性化教学内容和优化学习路径，从而实现更具针对性和适应性的教学设计，显著提升用户学习效率和体验。[0086]将学习画像以结构化数据存储。[0087]S2、基于学习画像，利用生成式AI动态生成个性化教学内容，并实时标记用户的异常状态。[0088]更进一步的，读取存储的学习画像结构化数据，提取静态特征和动态特征；[0089]基于静态特征和动态特征，提炼生成需求；[0090]具体的，根据静态特征确定用户学习背景，包括其学段、兴趣领域以及通过其学习场景(如常用设备、学习时间段)和学习偏好数据(如视觉型学习、听觉型学习)分析得到的内容偏好，例如用户是否倾向于图表讲解、视频教学或文字阅读等；其次，根据动态特征明确用户当前的学习目标和需要重点提升的知识点，例如根据知识点掌握度找出薄弱环节，根据学习行为分析用户的学习习惯(如学习时长、完成率等);最后，将用户的学习背景、学习目标和通过学习偏好数据分析得到的内容偏好进行整合，形成清晰的需求描述，即提炼出的生成需求，用于指导后续的教学内容生成。[0091]将生成需求转化为自然语言结构化输入，实时指导生成式AI;[0092]通过生成式AI,动态生成教学内容；[0093]具体的，根据提炼的用户学习背景、学习目标和内容偏好，将其组织为清晰的文本描述，确保每个需求点都有明确的表述，例如用户的属性信息(如“高中生”)、学习目标(如“掌握二次函数的应用”)、内容形式偏好(如“通过图表和例题讲解”);然后，将这些需求按照逻辑顺序整理为结构化的自然语言输入，确保生成式AI能够准确理解，例如以“用户背生成符合用户需求的个性化教学内容，确保内容精准且与用户画像高度匹配。[0094]对教学内容进行质量检测和格式化处理，转化为适配用户终端的展示形式，实时展示教学内容。[0095]具体的，将生成的教学内容直接加载到质量检测流程中，通过语法检查和语义分析，识别并修正语法错误、不通顺表述以及可能的知识性错误，同时对语言流畅性和知识完格式)调整内容的呈现形式，将文本重新分段为适合屏幕显示的长度，压缩图片和视频文件以适应设备性能，同时根据内容特点为重点部分添加标注、图示或交互元素；随后，将处理后的教学内容转化为适配目标终端的展示格式，例如网页显示的HTML结构、移动设备适用的自适应界面布局或虚拟现实设备支持的三维媒体形式；在展示过程中，实时采集用户与教学内容的交互行为(如阅读时间、操作轨迹),根据这些数据动态调整内容的布局或展现方式，进一步提升用户体验；最终确保每个步骤的输出能够为下一个步骤提供高质量的输入，从而实现教学内容的实时高效展示和动态优化。[0096]更进一步的，实时监测用户的学习行为数据与情[0097]实时采集用户与教学内容的交互行为数据，并通过实时传输协议传输至后端；[0098]具体的，通过前端嵌入式工具实时采集用户与教学内容的交互行为数据，包括点11击、停留时间、答题记录、页面切换等操作，同时通过摄像头捕捉表情数据并利用麦克风采集语音信号，所有数据均添加时间戳以确保同步性，并通过WebSocket协议以低延迟方式传输至后端进行处理。[0099]后端对交互行为数据进行数据清洗与时间对齐，并提取学习行为数据和情绪反馈[0100]具体的，后端接收到交互行为数据后，通过数据清洗步骤剔除缺失值、重复值和异常值，同时基于时间戳对多模态数据进行时间对齐以确保学习行为数据和情绪数据的同步性，然后从清洗后的数据中提取学习行为数据(如点击频率、停留时长、答题正确率)和情绪反馈数据(如表情情绪类别、语音情绪特征)用于后续分析。[0101]使用内存数据库对学习行为数据和情绪反馈数据进行缓存；[0102]较优的，内存数据库(如Redis)通过将学习行为数据和情绪反馈数据暂时存储在内存中，可以支持高并发访问和快速读写操作，为后续的综合分析模型提供及时的数据输入，并在必要时将处理后的结果同步到持久化存储中以备后续使用。[0103]基于内存数据库中的学习行为数据和情绪反馈数据，构建综合分析模型；[0104]具体的，从内存数据库(如Redis)中读取用户学习行为数据和情绪反馈数据，根据用户ID进行合并，生成包含行为特征和情绪特征的完整数据结构；[0105]对数值型特征(如点击率、视频观看时长、答题正确率、疲劳程度、困惑程度)应用Z-score方法进行标准化，转化为零均值和单位方差形式；对离散型特征(如情绪状态)采用One-Hot编码，并转化为向量表示，并将所有特征拼接为统一的输入特征向量，形成综合分析模型的输入数据；[0106]使用多层感知机(MLP)构建综合分析模型，通过神经网络的权重计算和激活函数(如ReLU和Sigmoid)建模行为与情绪特征之间的关系，输出用户的学习状态综合得分，用以评估学习状态的表现。[0107]通过综合分析模型评估用户当前学习状态[0108]具体的，通过实时采集用户行为数据与情绪反馈数据，使用数据清洗和时间对齐方法去除异常值并确保数据同步性，将清洗后的特征组织为多模态输入向量并输入综合分析模型中，综合分析模型通过深度学习算法捕捉特征间的非线性关联，利用学习到的权重和偏置值计算用户当前学习状态得分，包括知识点掌握情况、行为专注度和情绪参与度等，再根据预设阈值对得分进行多维度解读以评估学习状态，当发现某个得分指标低于临界值时标记为异常并结合异常类型进行详细标注，最终将异常状态与评估结果整合到用户的动态学习特征中并存储到学习画像的动态字段中，为后续的学习路径优化或考核任务生成提供实时可用的更新数据。[0109]S3、将用户的异常状态标记结果存储至学习画像的动态特征字段，动态优化学习路径。[0110]更进一步的，读取学习画像，将异常状态信息中的异常类型存入动态特征字段，并将更新后的学习画像存储至内存数据库；[0111]具体的，从内存数据库或缓存中获取最新的用户学习画像，提取动态特征字段和相关基础信息；根据用户学习行为数据或实时监控结果，识别新的异常状态(如学习进度停滞、错误率高等),并提取异常类型和触发条件；将解析出的异常状态信息(包括异常类型和相关数据)写入学习画像的动态特征字段，覆盖或追加最新状态；将更新后的学习画像同步存储至内存数据库中，确保后续步骤能够快速访问最新数据。[0112]从内存数据库中读取学习画像，提取用户动态学习状态特征；[0113]将用户动态学习状态特征、异常状态标记和学习行为数据进行结合，利用规则引擎和数据驱动模型生成学习路径优化建议；务完成效率等，并结合异常状态标记(如错误率高、任务未完成、注意力下降等)形成用户当前学习状态的全貌；同时，整合用户的学习行为数据(如学习时长、交互频率、答题记录等),分析其学习行为模式与趋势。随后，通过规则引擎对确定性问题(如固定规则下的异常处理或简单逻辑判断)进行处理，同时借助数据驱动模型对复杂问题(如学习路径优化的潜在效果或趋势预测)进行建模分析。最终，综合规则引擎的处理结果与数据驱动模型的预测结果，生成针对用户的个性化学习路径优化建议，例如优先安排薄弱知识点的复习任务、调整学习任务的难度级别或推荐更适合用户学习习惯的任务形式，以提升学习效率和知识掌握效果，为后续学习任务的排序、难度调整和形式优化提供依据。[0115]更进一步的，整合用户的学习行为数据(如学习时长、交互频率、答题记录等),分析其学习行为模式与趋势，具体步骤如下：在数据收集与清洗阶段，首先采集用户的学习时缺失数据进行补充或剔除，以确保数据的完整性和准确性。随后，通过特征提取与处理，对学习时长和交互频率等时间序列数据应用滑动窗口分析方法，提取行为变化趋势，同时结合交互频率和答题正确率构建用户的参与度和学习效率指标。在行为模式与趋势分析过程中，利用时间序列分析方法(如ARIMA模型)预测用户未来的学习行为变化趋势，并通过聚类分析(如K-Means或DBSCAN)将用户行为划分为不同模式(例如高频短时学习、低频长时学习),总结出典型行为特征。此外，通过规则引擎判定是否存在明显异常行为(如学习时长突然减少或交互频率下降),并利用深度学习模型(如LSTM)检测潜在的非显性异常行为趋势，为后续学习路径优化提供数据支持。[0116]根据优化建议调整学习路径，并将优化后的结果存储到内存数据库中。[0117]具体的，首先，从生成的优化建议中提取用户的动态学习状态特征、异常状态标记和行为数据，结合规则引擎的处理结果和数据驱动模型的预测结果，对学习路径中的各个任务节点进行重新排序，例如将用户未掌握的知识点任务调整到路径的优先位置，同时降低任务的初始难度；接着，依据用户的学习行为模式(如高频短时学习或低频长时学习)优化任务时长分配，将更复杂的任务分解为多个小步骤以降低用户的认知负担，并将任务的推荐形式(如视频、图表或文字)调整为更符合用户偏好的展现方式；随后，利用深度强化学习算法进一步调整任务节点之间的过渡逻辑，通过对不同任务之间的衔接性建模，确保学习路径在知识点之间形成连贯性与递进性；最终，将优化后的学习路径重新组织为结构化数据形式存储到内存数据库中，同时同步用户的动态学习状态特征和优化结果，以便后续任务生成模块能够实时调用并动态调整后续学习计划。[0118]S4、基于优化后的学习路径，动态生成个性化考核任务，并记录用户的回答数据和学习行为数据。[0119]更进一步的，从优化后的学习路径中读取用户动态学习状态特征、异常状态标记知识点的掌握水平量化值，值域范围[0,1],D表示第i个知识点的难度系数，值域范围[0,1],β表示兴趣放大因子，用于控制用户兴趣偏好强度量化值对生成任务难度的影响表示异常状态权重因子，用于控制异常状态强度值对任务难度的调节程度，值为正实数，间范围的终点(如一个学习周期的总时长),exp表示以自然数e为底的指数函数，用于计[0124]较优的，引入多目标Wasserstein距离相比传统基于静态规则或单一目标优化的靠固定规则或单一维度进行任务分配的方法，该技术显著提升了任务生成的精准性和[0125]具体的，K的计算依赖现有技术中常用的掌握度评术中知识点或试题的难度参数计算，通常来源于IRT(项目反应理论)模型或领域专家预定过指数放大使其成为任务生成的重点。用户对该知识点兴趣浓厚，公式中通过对数函数log(1+βP₁)放大其重要性，生成更务阈值A和中等任务阈值B应用于任务划分模型中，观察其对任务分类效果的实际影响；后续任务的难度划分与分配，确保任务划分的科学性与实用性。[0131]将任务生成输入特征集和动态Wasserstein距离输入生成器中；[0132]当生成器输出的Wa<A[0133]当生成器输出的A≤Wa≤B(如B=性强化尚未掌握的知识点；[0134]当生成器输出的Wa>B(如B=0.7)时，表示为高难度任务，注重拓展性和挑战性；[0135]通过判别器评估考核任务的难度适配性和多样性，优化生成器输出；[0136]例如，对于难度适配性：根据用户知识点掌握度K和任务难度D₂的匹配程度计算误差；对于多样性：根据任务覆盖的知识点范围或形式差异性进行评估。[0137]在用户完成考核任务后，实时记录回答数据，将回答数据与任务生成输入特征集题选项或其他形式的回答，同时记录回答时间和操作行为如点击、滑动等，随后对采集到的回答数据进行清洗，去除缺失值和异常值；对于语音数据，使用语音转文本技术将其转录为文本；对行为数据统一时间戳格式确保同步性，接着将文本回答数据转化为语义向量，并结合行为数据生成多模态特征表示，包括语义特征和行为特征，同时对回答中涉及的知识点进行标记并量化掌握度，将提取的回答特征与任务生成输入特征集中的知识点难度系数、掌握度衰减因子、兴趣偏好强度等特征融合形成完整的学习状态更新输入向量，通过深度强化学习或贝叶斯知识追踪模型等动态更新模型将融合的特征输入以更新用户的知识掌握状态、异常状态标记以及学习行为特征；基于更新后的动态学习状态，通过规则引擎与数据驱动模型生成新的学习路径优化建议，包含任务排序调整与难度动态分配等内容，最终将更新后的学习状态同步存储至用户画像的动态特征字段中，同时生成可视化反馈内容展示用户当前的学习状态与进步情况。[0139]S5、利用回答数据和学习行为数据，通过语义分析方法对用户的表现进行多维度评估。[0140]更进一步的，从回答数据(文本/语音)中提取语义向量，并结合学习行为数据(如回答时间、鼠标轨迹)生成多模态特征表示；[0141]具体的，文本回答用于使用BERT提取语义向量；语音回答用于通过Wav2Vec2.0转为文本，并获取语音情感特征；学习行为数据用于通过时间序列模型(如TCN)提取操作特征。然后对所有提取的特征进行归一化处理，以确保不同模态数据具有一致的尺度。接着，将文本语义向量、语音情感特征和行为特征进行拼接操作，生成初步的多模态特征表示，并通过注意力机制进一步优化融合过程，为每种模态分配动态权重，以突出当前学习场景中更重要的信息来源；最终通过加权操作生成融合后的多模态特征向量，该向量既保留了各模态的独立特征信息，又通过动态调权实现了跨模态信息的有效整合，为后续的语义推理和情感参与度EE;[0153]将用户的多维度表现指标的计算结果[KM,RD,PSA,EE]更新至学习画像[0154]具体的，若KM(知识掌握度)未达到70%:表示用户对当前知识点的掌握程度不足(即回答与知识点的匹配得分均值低于70%),应调整学习路径以优先安排相关知识点的基[0155]若RD(思维深度)低于3层：表示用户回答内容关联的知识点层级深度不足(即在知识图谱中匹配的平均深度低于3层),应调整学习路径以增加需要逻辑推理或深层探索的拓展任务，帮助用户理解更复杂的知识点；[0156]若PSA(问题解决能力)低于0.6:表示用户在回答过程中效率较低(即问题解决能力评分公式计算结果低于0.6),应优化任务设计逻辑，例如降低问题复杂度或将任务分解为更小的子任务，提升用户的解题效率；[0157]若EE(情感参与度)评分低于50分：表示用户在学习过程中情绪投入不足或兴趣偏低(即语音情绪分析得分低于50分),应调整任务形式，例如增加互动性内容、引入情景化任务或采用游戏化设计，激发用户的参与积极性。[0158]结合优化后的动态学习画像与多维度评估结果，动态生成考核任务。[0159]具体的，基于优化后的动态学习画像，提取用户的知识掌握情况、多维度表现指标(如思维深度、情感参与度、问题解决能力)以及异常状态标记信息，这些数据构成任务生成户兴趣偏好强度和异常状态的影响，确定考核任务的优先级和适配性；随后，利用动态生成机制生成不同类型的任务，包括复习性质的任务(巩固已掌握知识)、针对性强化任务(改善薄弱环节)和拓展性任务(增加挑战性);生成的任务通过难度和多样性分析步骤进行适配性检查，确保任务内容符合用户的学习状态和需求；如果任务适配性不足，则对输入基础进行调整并重新生成任务；最终，将优化生成的任务内容直接转化为适配用户终端的格式，实时呈现给用户，同时记录用户在完成任务过程中的行为数据和回答数据，为后续任务生成提供依据，确保任务动态调整与用户学习需求的高匹配度。[0160]基于输入特征集，计算每个知识点的考核优先级和任务难度。使用动态Wasserstein距离公式调整任务的多样性与适配性：如果用户对某知识点的掌握度(KM)较低，则优先生成基础性复习任务，帮助巩固相关概念；如果用户的思维深度(RD)不足，则生成拓展性任务，设计开放性问题引导用户进行深度思考；如果用户的问题解决能力(PSA)较低，则将任务分解为多个小步骤，降低复杂性；如果用户的情感参与度(EE)较低，则生成互动性更强或情景化的任务，引导用户积极参与。[0161]将任务生成输入特征集与动态Wasserstein距离公式输入任务生成器，通过生成式算法(如基于Transformer的任务生成模型)动态生成考核任务。考核任务类型包括：基础[0162]使用判别器评估生成任务的难度适配性和多样性，确保任务符合用户当前学习状[0163]本实施例还提供一种智能多媒体互动教学与考核系统，包括：信息获取模块、内容生成模块、路径优化模块、任务生成模块和表现评估模块；信息获取模块，用于获取用户信息