CN119228608B 基于ai的教学互动方法及系统 （广州国梁科技有限公司）

收模型计算学生的知识吸收率与对学生的知识第二动态社交权重更新模型构建自适应学习曲2S1、部署传感器设备采集学生的多模态数据并对多收率为采用GRU的隐藏状态和注意力机制预测的学S3、构建特征映射将知识吸收率和预测的知识吸收率S4、获取第二自适应内容生成器生成的教学S6、构建区块链网络对第二动态社交权重更新模型输wi,j,t=αi,t_KARj,t|社交行为相似度和知识吸收率差异的影响；sim(Fsocial,i,t,Fsocial,j,t)表示学生i和学生j在所述群体互动优化算法用于增加知识吸收率最高的学生与吸收率最低的学生的互动，根据群体互动优化算法的输出更新边权重得到第二动态社交权重更新3i,j,t2.根据权利要求1所述的基于ai的教学互动方法，其特征在于，所述传感器设备包括括对EEG头戴设备的数据使用短时傅里叶变换获取不同时间窗口内α波段和β波段的功率谱使用联合特征空间映射方法将不同模态数据映射对综合特征向量上每个时刻的学生状态进行标准化处理，并构建引间序列嵌入模型对多模态数据进行处理并捕捉时间根据多模态时间序列嵌入模型输出的隐藏状态和模态注意力权重来计算每个时间点知识吸收率中，引入基于L2正则化的知识吸收率正则化项避免过拟合并鼓励权重稀疏性；所述预测未来的知识吸收趋势通过将隐藏状态输入到自适应学习率的全连接层输出得到，所述预测未来的知识吸收趋势是未来几个时间点的知识吸t)表示生成器生成的内容特征；D(G(St))表示判别器对生成内容的适应性评其中，所述知识增强生成器来生成内容特征，并输入学习状态判别器进4S502、根据学习行为特征向量构建基于动态贝叶斯学生的知识吸收率和社交行为特征捕捉学生学习状态的变化和时间序列的潜在依赖关系，S503、根据自适应学习曲线模型设计实时反馈机制S504、根据学习效率函数的计算结果，前吸收率和新的学习贡献；λ表示学习率参数，用于调节学习行为特征对吸收率的影响；教学模态数据收集模块，用于部署传感器设备采集学生的多模态数据并知识吸收分析模块，用于接受传感器发送的多模态数据体吸收模型计算学生的每个时间点的知识吸收率与对学生的知识吸收率序列趋势进行预5教学内容输出模块，用于构建特征映射将知识吸收率和预测的知识吸收别器与第一自适应内容生成器进行联合训练优化得到第二自适应教学互动模块，用于获取第二自适应内容生成器生成的教学内容特征向量，识吸收率通过特征映射函数转换成社交特征向量，利用社交特征向量构建学生社交网络，互动反馈模块，用于根据第二动态社交权重更新模型构数据加密模块，用于构建区块链网络对第二动态社交权重更新模wi,j,t=αi,t_KARj,t|社交行为相似度和知识吸收率差异的影响；sim(Fsocial,i,t,Fsocial,j,t)表示学生i和学生j在所述群体互动优化算法用于增加知识吸收率最高的学生与吸收率最低的学生的互动，根据群体互动优化算法的输出更新边权重得到第二动态社交权重更新i,j,t6情识别和语音情绪检测来判断学生的情绪状态，但这些技术应用在教育领域还不够成熟，协作学习对学生的知识建构和技能发展至关重要，但现有技术在这方面的支持仍然有限。不足显著限制了AI在教学互动领域的潜力和应用7学生的每个时间点的知识吸收率与对学生的知识吸收率序列应内容生成器进行联合训练优化得到第二自[0013]S6、构建区块链网络对第二动态社交权重更新模型输出i,t_KARj,t|[0017]设计群体互动优化算法增加知识吸收率最高的学生与吸i,j,t8得到面部表情特征；所述特征提取包括对EEG头戴设备的数据使用短时傅里叶变换获取不间序列嵌入模型对多模态数据进行处理并捕捉时[0027]根据多模态时间序列嵌入模型输出的隐藏状态和模态注意力权重来计算每个时据学生的知识吸收率和社交行为特征捕捉学生学习状态的变化和时间序列中的潜在依赖9衡当前吸收率和新的学习贡献；λ表示学习率参数，用于调节学习行为特征对吸收率的影建个体吸收模型计算学生的每个时间点的知识吸收率与对学生的知识吸收率序列趋势进对判别器与第一自适应内容生成器进行联合训练优化得到第二自适应射到到学生的社交行为特征上得到社交特征向量，利用社交特征向量构建学生社交网络，[0053]互动反馈模块，用于根据第二动态社交权重更新模型构i,t_KARj,t|[0058]设计群体互动优化算法增加知识吸收率最高的学生与吸i,j,t[0065](1)本发明采用了多模态数据融合技术，整合了学生的生理数据(如脑电波、心[0066](2)本发明引入了强化学习算法，允许系统根据学生的知识吸收模型和实时学习[0067](3)针对现有技术对学生间互动关注不足的缺陷，本发明采用了社交网络分析[0068](4)本发明提出了一种自适应学习曲线建模技术，结合学生的多维度数据和历史[0070]利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限[0076]设备时间同步采用加权最小方差时间同步算法(WMVTS)，计算出一个全局时间戳来确保所有设备的数据在同一时间点上对齐。该方法通过为每个设备的时间戳分配权重，[0079]进一步地，EEG数据预处理是应用自适应带通滤波器(AdaptiveBandpassFilter,ABF)清除EEG数据中的噪声(如肌电噪声和基线漂移)。滤波器的带通频率范围为0.5Hz至[0082]心率数据预处理是采用窗口平滑算法(WindowedSmoothingAlgorithm,WSA)处理[0085]眼动数据预处理是眼动数据采用峰值检测算法识别注视(fixation)和扫视(saccade)，并分别记录注视时长Df和扫视速度Ss。微表情数据使用卷积神经网络(JointFeatureSpaceMapping,JFSM)将不同模态数据映射到一个共享的特征空间。本发明面部表情特征FMF结合形成一个综合特征向量FF学生的每个时间点的知识吸收率与对学生的知识吸收率序列[0098]具体的，利用步骤S1生成的多模态数据集Dmut=[0102]为了提取学生学习状态的时间序列特征，本发明使用一个扩展的门控循环单元(GRU)模型，称为多模态时间序列嵌入模型(MultimodalTimeSeriesEmbeddingModel,[0103]为了充分利用不同模态数据之间的关系，本发明在GRU的基础上添加了一种新的3,t3,t(UpdateGate)，结合注意力权重计算得到，用来控制前一状态ht_1与当前候选状态的组0.6,]，更新门zt＝[0.7,0.5,0.3,]和候选状[0111]进一步的，使用GRU输出的隐藏状态ht和模态注意力权重来计算每个时间点的知[0113]其中，KARt是时间点t的知识吸收率；Wk和bk是可训练的权重矩阵和偏置；σ是2+0.52+(_0.3)2)≈过将隐藏状态输入到一个自适应学习率的全连接层(AdaptiveLearningRateFullyConnecθALR_FC)应内容生成器进行联合训练优化得到第二自[0122]具体的，输入数据为步骤S2中生成的知识吸收率序列KAR1:t＝{KAR1,KAR2,…,器(DynamicAdaptiveContentGene[0127]本发明使用生成对抗网络(GenerativeAdversarialNetwork,GAN)的变体来生成教学内容特征向量。具体地，采用一个知识增强生成器(Knowledge_EnhancedGenerator,据输入的状态向量St生成一个符合学生当前学习失函数结合了内容的适应性评分(与学生的知识吸收状态匹配度)和内容的多样性正则化[0136]系统根据新的知识吸收率KARt+1反馈进行内容的动态调整，确保生成的教学内容列KAR1:t[0143]其中，ψ是一个特征映射函数，将教学内容特征和知识吸收率转换为社交行为特交权重更新模型(DynamicSocialWeightUpdateModel,DSWUM)来根据学生的知识吸收率和i,t_KARj,t|社交行为相似度和知识吸收率差异的影响；sim(Fsocial,i,t,Fsocial,j,t)是学生i和学生j在时动推荐和小组分配来提升学习效果。系统会不断监控学生的知识吸收率KARt+1并更新社交i,j,t型(AdaptiveLearningCurveModel,ALCM)，以反映学生在不同时间点上的学习进度和知识前吸收率和新的学习贡献；λ是学习率参数，用于调节学习行为特征对吸收率的影响；[0164]例如，假设学生i的当前知识吸收率为KARi,t＝0.7，学习行为特征为Flearn,i,t=[0175]S6、构建区块链网络对第二动态社交权重更新模型输出用基于椭圆曲线密码算法(EllipticCurveCryptography,ECC)的方[0188]例如，假设Ei,t＝0.04，模型参数θt＝0.5，优化步长μ=0.1，计算得到梯度则更新后的模型参数为：(LearningDataConsensusAlgorithm,LDCA)来确保数据的安全共享和透明过投票机制来决定是否接受新的数据块。每个数据块包含的学习数据均经过多重签名验t[0195]教学模态数据收集模块101，用于部署传感器设备采集学生的多模态数据并对多[0196]知识吸收分析模块102，用于接受传感器发送的多模态数据集并根据多模态数据集构建个体吸收模型计算学生的每个时间点的知识吸收率与对学生的知识吸收率序列趋[0197]教学内容输出模块103，用于构建特征映射将知识吸收率和预测的知识吸收率序映射对判别器与第一自适应内容生成器进行联合训练优化得到第二自映射到到学生的社交行为特征上得到社交特征向量，利用社交特征向量构建学