本發(fā)明涉及智能教育學習，具體為一種基于兒童學習偏好和智能教練的自適應(yīng)學習方法。

背景技術(shù)：

1、隨著信息技術(shù)的進步，在線學習平臺和教育應(yīng)用程序的普及，越來越多的教育資源可以通過數(shù)字渠道提供，人工智能和機器學習的發(fā)展使得智能教練系統(tǒng)成為可能，兒童的學習能力、興趣和偏好存在很大差異，傳統(tǒng)的教育方法通常采取統(tǒng)一的模式，缺乏個性化的調(diào)整，無法照顧到每個兒童特有的學習需求，個性化學習的興起旨在提供更具針對性的教育解決方案，以實現(xiàn)教育公平和包容性，個性化學習可以顯著提升兒童的學業(yè)表現(xiàn)和學習效果。

2、目前，現(xiàn)有的自適應(yīng)學習方法難以客觀地獲取到兒童的學習行為，只能通過主觀感受進行個性化教學，使得兒童學習過程中學習內(nèi)容以及學習路徑容易發(fā)生偏差，難以獲得符合自身學習需求的學習資源，導(dǎo)致兒童的個性化學習質(zhì)量較差，難以實現(xiàn)最優(yōu)的學習效果。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于兒童學習偏好和智能教練的自適應(yīng)學習方法，以解決上述背景技術(shù)提出的現(xiàn)有的自適應(yīng)學習方法難以客觀地獲取到兒童的學習行為，只能通過主觀感受進行個性化教學，使得兒童學習過程中學習內(nèi)容以及學習路徑容易發(fā)生偏差，難以獲得符合自身學習需求的學習資源，導(dǎo)致兒童的個性化學習質(zhì)量較差，難以實現(xiàn)最優(yōu)的學習效果的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于兒童學習偏好和智能教練的自適應(yīng)學習方法，包括以下步驟：

3、s1、獲取兒童的年齡、興趣、已有知識水平及學習風格信息，確定兒童學習的主要目標和預(yù)期成果；

4、s2、利用問卷調(diào)查或觀察與面談，收集兒童的學習偏好、學習風格和興趣點，根據(jù)學習行為對兒童進行知識點定位；

5、s3、通過在線學習平臺跟蹤兒童的學習進度、交互頻率與練習結(jié)果，明確兒童學習的學習風格，采用k-means算法進行聚類分析，以識別兒童的學習偏好，構(gòu)建基于學習風格的學習偏好模型；

6、s4、對兒童學習表現(xiàn)進行分析評估，根據(jù)評估結(jié)果融合定位知識點和學習偏好推薦符合兒童需求的學習資源，將學習資源對接智能教練進行自適應(yīng)學習；

7、s5、采用定期測試評估對兒童學習進展進行監(jiān)測，構(gòu)建家長、教師和兒童之間的反饋渠道，以動態(tài)調(diào)整學習策略，有助于監(jiān)測兒童的學習進展，確保教學策略的及時調(diào)整，為兒童提供更精準的學習支持。

8、優(yōu)選的，在步驟s2中，所述根據(jù)學習行為對兒童進行知識點定位包括以下步驟：

9、①、根據(jù)學習者學習歷史行為，構(gòu)建出學習者－知識點難易度矩陣，計算學習者相似度；

10、②、預(yù)測出學習者目標知識點相對難易度系數(shù)；

11、③、根據(jù)學習者的目標知識點難易度系數(shù)進行分析，若難度大于學習者學習過知識點平均難度系數(shù)50%，則執(zhí)行步驟④；若為平均難度低于或等于平均難度則執(zhí)行步驟⑤；

12、④、尋找知識圖譜中當前知識點前驅(qū)節(jié)點中最鄰近的難易度較大的知識點；

13、⑤、基于ripplenet模型在知識圖譜中進行偏好傳播過程，預(yù)測出用戶可能會點擊的知識點，知識點為知識圖譜中前驅(qū)或后繼，可供不同學習需求的用戶選擇對應(yīng)知識點資源。

14、優(yōu)選的，在步驟s3中，所述構(gòu)建基于學習風格的學習偏好模型前需明確學習資源在每個維度分別屬于哪種類型，包括以下步驟：

15、s31、兒童完成挑選資源的學習后，對學習資源進行“非常滿意、滿意、一般、不滿意、非常不滿意”的評價；

16、s32、計算出某項資源在某維度某類型的概率k，計算公式如下：；

17、式中：表示評價為“非常滿意”的某維度某類型的概率，m?表示“非常滿意”的人數(shù)，表示評價為“滿意”的某維度某類型的概率，n表示“滿意”的人數(shù)；

18、s33、計算得到每項資源在所有維度及類型上的概率，獲得學習資源在各維度的風格數(shù)據(jù)，形成學習資源模型庫。

19、優(yōu)選的，在步驟s3中，所述基于學習風格的學習偏好模型中，利用k-means算法進行聚類分析判斷出兒童的學習偏好，分析出同類型的學習者，即他們有相似的學習偏好，k-means算法基于歐式距離計算兩個目標的距離，若距離越近，則認為兩者越相似，利用該算法進行學習偏好分析包括以下步驟：

20、（1）獲取學習行為集，則ｍ個學習者的ｎ條學習行為可以定義如下數(shù)據(jù)集b：；

21、（2）將兩個學習者的行為用向量進行表示，則有：；

22、；

23、根據(jù)歐式距離計算公式的定義，得到兩者計算公式為：；

24、（3）根據(jù)k-means算法，將ｋ值設(shè)置為2，得出兩個聚類中心，里面分別包括第ｉ、ｊ個學習者行為集；

25、最后根據(jù)，這兩簇學習者的對應(yīng)的行為次數(shù)，以此確定其學習風格。

26、優(yōu)選的，在步驟s4中，所述對兒童學習表現(xiàn)進行分析評估的流程為：首先根據(jù)推薦的知識點找到所有的學習資源，再結(jié)合根據(jù)偏好聚類得出的學習者集合，然后構(gòu)建學習者－資源評分矩陣來計算用戶之間的相似性，并以此預(yù)測資源評分，最后利用學習資源推薦算法進行學習資源推薦。

27、優(yōu)選的，在步驟s4中，所述學習資源推薦算法包括以下步驟：

28、s41、根據(jù)當前學習資源及知識點，對學習者歷史學習行為分析計算，預(yù)測當前學習知識點難易度，得到推薦學習知識點；

29、s42、構(gòu)建在線學習偏好模型，對有相同偏好的學習者進行聚類；

30、s43、根據(jù)步驟s41和步驟s42的結(jié)果構(gòu)建學習者－資源評分矩陣，計算ｋ鄰近下用戶相似度；

31、s44、預(yù)測未學習過的對應(yīng)知識點相關(guān)聯(lián)的資源得分，預(yù)測計算公式如下：；

32、式中：包含了與學習者ｕ最相似的h個用戶，表示對資源ｉ有評分的學習者，為uv兩個學習者之間的相似度，表示學習者v對資源i的評分，是學習者v對其評過分的資源的評價評分，表示學習者u對資源i的評分；表示學習者u對資源i的預(yù)測評分，是學習者u對其評過分的資源的評價評分；

33、s45、推薦預(yù)測得分較高的學習資源給學習者。

34、優(yōu)選的，在步驟s4中，所述智能教練將兒童學習資源拆分為模塊，將學習內(nèi)容拆分為模塊，方便根據(jù)每個兒童的進展動態(tài)調(diào)整，使用游戲化的方式來激發(fā)兒童的興趣，使學習變得更加有趣和互動。

35、優(yōu)選的，在步驟s5中，所述采用定期測試評估對兒童學習進展進行監(jiān)測包括以下步驟：

36、s51、設(shè)定測試間隔，采用紙筆測驗、在線測評、項目作業(yè)、口頭考試的形式評估兒童的知識和能力；

37、s52、將測試結(jié)果整理成數(shù)據(jù)報告，分析兒童的整體表現(xiàn)及個體差異；

38、s53、對比歷史數(shù)據(jù)，識別兒童的學習進展、學習瓶頸和改善領(lǐng)域；

39、s54、定期向家長匯報兒童的學習進展和測試結(jié)果，提供具體的反饋和建議，鼓勵家長參與學習過程。

40、優(yōu)選的，在步驟s5中，所述動態(tài)調(diào)整學習策略利用機器學習算法根據(jù)兒童的學習進度和反饋來動態(tài)調(diào)整學習內(nèi)容與策略，提高了教學的適應(yīng)性。

41、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

42、1、本發(fā)明中，通過對兒童學習偏好和學習風格的深入分析，構(gòu)建基于學習風格的學習偏好模型，結(jié)合知識點的定位和學習偏好評估兒童學習表現(xiàn)，推薦符合其需求的兒童個性化學習資源，能夠為每個兒童提供定制化的學習資源和策略，顯著提高學習效率和學習質(zhì)量，實現(xiàn)最優(yōu)的學習效果。

43、2、本發(fā)明中，通過智能教練實施自適應(yīng)學習，激發(fā)兒童的學習興趣，使學習變得更加有趣和互動，通過定期測試與反饋機制幫助及時發(fā)現(xiàn)和解決學習中的問題，確保兒童在各個知識點上的穩(wěn)定進步，利用機器學習算法，根據(jù)兒童的學習進展動態(tài)調(diào)整學習內(nèi)容與策略，提高了教學的適應(yīng)性。

44、3、本發(fā)明中，通過建立定期測試評估機制和動態(tài)反饋渠道，有助于監(jiān)測兒童的學習進展，確保教學策略的及時調(diào)整，為兒童提供更精準的學習支持，向家長報告兒童的學習進展，增強了家庭對教育過程的參與感，有利于在家庭環(huán)境中營造積極的學習氛圍。

45、4、本發(fā)明基于兒童的獨特學習風格和偏好，通過整合智能教練、個性化推薦和動態(tài)評估機制，能夠有效提升學習效果、促進學習動機，并加強家庭與學校的互動，為兒童提供更為高效和愉快的學習體驗。