CN117252047B - 基于数字孪生的教学信息处理方法及系统 - Google Patents

基于数字孪生的教学信息处理方法及系统 Download PDF

Info

Publication number
CN117252047B
CN117252047B CN202311542516.4A CN202311542516A CN117252047B CN 117252047 B CN117252047 B CN 117252047B CN 202311542516 A CN202311542516 A CN 202311542516A CN 117252047 B CN117252047 B CN 117252047B
Authority
CN
China
Prior art keywords
learning
personalized
data
target
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311542516.4A
Other languages
English (en)
Other versions
CN117252047A (zh
Inventor
颜思威
胡修勇
颜海鹰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Neitway Information Technology Development Co ltd
Original Assignee
Shenzhen Neitway Information Technology Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Neitway Information Technology Development Co ltd filed Critical Shenzhen Neitway Information Technology Development Co ltd
Priority to CN202311542516.4A priority Critical patent/CN117252047B/zh
Publication of CN117252047A publication Critical patent/CN117252047A/zh
Application granted granted Critical
Publication of CN117252047B publication Critical patent/CN117252047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G10L2015/0631—Creating reference templates; Clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Animal Behavior & Ethology (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数字孪生技术领域，公开了一种基于数字孪生的教学信息处理方法及系统，用于实现学生教学信息的智能化管理并提高学生个性化学习内容的制定准确率。方法包括：通过互动教学平台获取目标学生的学习过程多模态数据并进行数字化建模，得到初始数字孪生学习模型；进行教学内容个性化配置，得到多个第一个性化学习内容；进行实时学习状态监测，得到实时学习状态数据并进行实时更新，得到目标数字孪生学习模型；构建初始个性化学科知识图谱，并进行内容优化，确定多个第二个性化学习内容；进行学习影响权重分析，得到学习影响权重数据；对初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。

Description

基于数字孪生的教学信息处理方法及系统
技术领域
本发明涉及数字孪生技术领域，尤其涉及一种基于数字孪生的教学信息处理方法及系统。
背景技术
随着信息技术的飞速发展，数字孪生技术在多个领域展现出强大的潜力，其中教育领域是一个备受关注的方向。数字孪生是一种通过数字化模型反映实体或过程的技术，它能够在虚拟环境中模拟、预测和优化实际对象的行为。在教学信息处理领域，数字孪生技术的应用为实现个性化教学和智能化辅助教育提供了新的性。
当前，传统的教育系统难以满足每个学生个体差异的需求，而数字孪生技术为解决这一问题提供了一种前沿的思路。通过对学生进行数字化建模，基于多模态数据的获取与分析，数字孪生技术能够深入挖掘学生的个性化学习特征，为个性化教学提供有力支持。个性化教学已经成为当前教育领域的研究热点。通过对学生的学习行为、兴趣爱好、认知水平等多方面信息进行深度挖掘，实现教学内容的个性化配置，可以更好地激发学生学习的兴趣，提高学习效果。然而，如何结合数字孪生技术，更全面、准确地把握学生的个体特征，以及如何将这些特征应用于实际教学场景中，仍然是一个亟待解决的问题。
发明内容
本发明提供了一种基于数字孪生的教学信息处理方法及系统，用于实现学生教学信息的智能化管理并提高学生个性化学习内容的制定准确率。
本发明第一方面提供了一种基于数字孪生的教学信息处理方法，所述基于数字孪生的教学信息处理方法包括：
通过预置的互动教学平台获取目标学生的学习过程多模态数据，并对所述学习过程多模态数据进行数字化建模，得到初始数字孪生学习模型；
基于所述初始数字孪生学习模型，对所述目标学生进行教学内容个性化配置，得到多个第一个性化学习内容；
对所述多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据，并根据所述实时学习状态数据对所述初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型；
根据所述目标数字孪生学习模型，构建所述多个第一个性化学习内容的初始个性化学科知识图谱，并根据所述初始个性化学科知识图谱对所述多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容；
分别对所述多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的学习影响权重数据；
根据所述多个第二个性化学习内容以及所述学习影响权重数据，对所述初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。
结合第一方面，在本发明第一方面的第一种实现方式中，所述通过预置的互动教学平台获取目标学生的学习过程多模态数据，并对所述学习过程多模态数据进行数字化建模，得到初始数字孪生学习模型，包括：
通过预置的互动教学平台获取目标学生的学习过程多模态数据，其中，所述学习过程多模态数据包括：语音交互数据、答题反馈数据以及视频观看数据；
构建所述学习过程多模态数据的分布式存储网络，并通过所述分布式存储网络中的多个存储节点分别对所述学习过程多模态数据进行存储；
通过预置的语音识别模型对所述语音交互数据进行特征提取，得到语音交互特征，并通过预置的自然语言处理模型对所述答题反馈数据进行特征提取，得到答题反馈特征，以及通过预置的视频分析模型对所述视频观看数据进行特征提取，得到视频观看特征；
获取所述目标学生的个体信息，并将所述个体信息与所述语音交互特征、所述答题反馈特征以及所述视频观看特征进行数字化建模，得到初始数字孪生学习模型。
结合第一方面，在本发明第一方面的第二种实现方式中，所述基于所述初始数字孪生学习模型，对所述目标学生进行教学内容个性化配置，得到多个第一个性化学习内容，包括：
获取所述目标学生的目标学习任务，并将所述目标学习任务划分为多个子学习任务；
对所述多个子学习任务进行个性化影响因素分析，得到每个子学习任务对应的个性化影响因素；
通过所述初始数字孪生学习模型，根据所述个性化影响因素分别对所述多个子学习任务进行学习资源匹配，得到每个子学习任务的目标学习资源；
分别对每个子学习任务的目标学习资源进行内容生成和内容整合，得到多个第一个性化学习内容。
结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据，并根据所述实时学习状态数据对所述初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型，包括：
定义多个学习状态指标，所述多个学习状态指标包括：学习进度、答题正确率以及时间分配；
根据所述多个学习状态指标，对所述多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据；
对每个第一个性化学习内容的实时学习状态数据进行实时学习状态特征提取，得到多个实时学习状态特征；
对所述多个实时学习状态特征进行特征映射，得到每个第一个性化学习内容的多个第一特征映射值，并对所述语音交互特征、所述答题反馈特征以及所述视频观看特征进行特征映射，得到多个第二特征映射值；
构建每个第一个性化学习内容的多个第一特征映射值所对应的第一特征向量，以及构建所述多个第二特征映射值对应的第二特征向量；
对所述第一特征向量以及所述第二特征向量进行关联关系计算，得到目标特征关联关系，并根据所述目标特征关联关系对所述初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型。
结合第一方面，在本发明第一方面的第四种实现方式中，所述根据所述目标数字孪生学习模型，构建所述多个第一个性化学习内容的初始个性化学科知识图谱，并根据所述初始个性化学科知识图谱对所述多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容，包括：
基于所述目标数字孪生学习模型，对所述多个第一个性化学习内容进行知识点依赖关系和难易程度分析，得到每个第一个性化学习内容对应的知识点依赖关系以及难易程度指标；
基于每个第一个性化学习内容对应的知识点依赖关系以及难易程度指标，分别计算所述多个第一个性化学习内容的知识图谱系数；
根据所述知识图谱系数对所述多个第一个性化学习内容进行个性化学科知识图谱构建，得到初始个性化学科知识图谱；
对所述初始个性化学科知识图谱进行聚类分析，得到图谱聚类结果，并根据所述图谱聚类结果对所述多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容。
结合第一方面，在本发明第一方面的第五种实现方式中，所述分别对所述多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的学习影响权重数据，包括：
构建学习影响权重评价体系，所述学习影响权重评价体系包括：学科覆盖率、难度适应性以及学科深度；
根据所述学习影响权重评价体系，分别对所述多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的初始影响权重数据；
对所述初始影响权重数据进行权重动态优化，得到每个第二个性化学习内容对应的学习影响权重数据。
结合第一方面，在本发明第一方面的第六种实现方式中，所述根据所述多个第二个性化学习内容以及所述学习影响权重数据，对所述初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱，包括：
根据所述多个第二个性化学习内容，对所述初始个性化学科知识图谱进行图谱节点更新，得到更新个性化学科知识图谱；
根据所述学习影响权重数据，对所述更新个性化学科知识图谱进行图谱加权，得到加权个性化学科知识图谱；
基于预置的图论算法，对所述个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。
本发明第二方面提供了一种基于数字孪生的教学信息处理系统，所述基于数字孪生的教学信息处理系统包括：
获取模块，用于通过预置的互动教学平台获取目标学生的学习过程多模态数据，并对所述学习过程多模态数据进行数字化建模，得到初始数字孪生学习模型；
配置模块，用于基于所述初始数字孪生学习模型，对所述目标学生进行教学内容个性化配置，得到多个第一个性化学习内容；
更新模块，用于对所述多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据，并根据所述实时学习状态数据对所述初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型；
优化模块，用于根据所述目标数字孪生学习模型，构建所述多个第一个性化学习内容的初始个性化学科知识图谱，并根据所述初始个性化学科知识图谱对所述多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容；
分析模块，用于分别对所述多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的学习影响权重数据；
生成模块，用于根据所述多个第二个性化学习内容以及所述学习影响权重数据，对所述初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。
本发明第三方面提供了一种基于数字孪生的教学信息处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于数字孪生的教学信息处理设备执行上述的基于数字孪生的教学信息处理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于数字孪生的教学信息处理方法。
本发明提供的技术方案中，通过互动教学平台获取目标学生的学习过程多模态数据并进行数字化建模，得到初始数字孪生学习模型；进行教学内容个性化配置，得到多个第一个性化学习内容；进行实时学习状态监测，得到实时学习状态数据并进行实时更新，得到目标数字孪生学习模型；构建初始个性化学科知识图谱，并进行内容优化，确定多个第二个性化学习内容；进行学习影响权重分析，得到学习影响权重数据；对初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱，本发明通过数字化建模和个性化影响因素分析，系统能够生成多个第一个性化学习内容，根据学生的个体特征和学科需求进行差异化配置。引入实时学习状态监测，通过学习状态特征的实时提取和映射，实时更新数字孪生学习模型，不断调整个性化学习内容。使系统对学生学习过程有更精准、实时的了解，及时适应学生的学习状态变化，提高个性化学习的时效性和效果。基于数字孪生学习模型，构建个性化学科知识图谱，并通过聚类分析和内容优化生成多个第二个性化学习内容。使学科知识更有机地组织在一起，为学生提供更加贴近其学科兴趣和水平的学习路径，增强学科知识的深度和广度。引入学习影响权重评价体系，分析多个第二个性化学习内容的学习影响权重，进行动态优化，提高权重的准确性和灵活性。更精确地评估学习内容对学生的影响，有助于系统更有效地调整和优化个性化学习路径，提高学习策略的智能性。通过图论算法进行学习路径优化，根据学习影响权重数据加权，生成最终的个性化学科知识图谱。为学生提供更加智能化、贴近实际学习需求的学科知识路径，提高学科学习的效率和质量，进而实现了学生教学信息的智能化管理，并提高了学生个性化学习内容的制定准确率。
附图说明
图1为本发明实施例中基于数字孪生的教学信息处理方法的一个实施例示意图；
图2为本发明实施例中教学内容个性化配置的流程图；
图3为本发明实施例中实时学习状态监测的流程图；
图4为本发明实施例中内容优化的流程图；
图5为本发明实施例中基于数字孪生的教学信息处理系统的一个实施例示意图；
图6为本发明实施例中基于数字孪生的教学信息处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于数字孪生的教学信息处理方法及系统，用于实现学生教学信息的智能化管理并提高学生个性化学习内容的制定准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于数字孪生的教学信息处理方法的一个实施例包括：
S101、通过预置的互动教学平台获取目标学生的学习过程多模态数据，并对学习过程多模态数据进行数字化建模，得到初始数字孪生学习模型；
可以理解的是，本发明的执行主体可以为基于数字孪生的教学信息处理系统，还可以是终端或者系统，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，系统通过预置的互动教学平台来获取目标学生的学习过程多模态数据。这些数据包括语音交互数据，答题反馈数据以及视频观看数据。学生通过平台上的教学视频、音频、互动问答等多种方式与教育内容进行互动。接着，获取的多模态数据需要进行分布式存储，通常会构建一个分布式存储网络，并使用多个存储节点对数据进行存储。这有助于数据的安全性和可扩展性，以便后续的数据处理和分析。对不同类型的多模态数据进行特征提取。对于语音交互数据，可以使用预置的语音识别模型，将语音数据转化为语音交互特征。答题反馈数据可以经过自然语言处理模型，将文本数据提取为答题反馈特征。而对于视频观看数据，可以使用预置的视频分析模型，提取视频观看特征。这些特征提取过程有助于将多模态数据转化为可用于建模的数字特征。同时，获取目标学生的个体信息，这些信息可以包括学生的年龄、学习历史、兴趣爱好等。这些信息将与之前提取的语音交互特征、答题反馈特征和视频观看特征结合起来，形成学生的数字化建模。这个数字化建模的过程包括将学生的个体信息与多模态数据特征融合在一起，从而得到一个初始数字孪生学习模型。这个模型将反映学生在不同学习环境下的行为和偏好，使教育者能够更好地了解学生，以便提供更个性化的教育体验。
S102、基于初始数字孪生学习模型，对目标学生进行教学内容个性化配置，得到多个第一个性化学习内容；
具体的，获取目标学生的目标学习任务，然后将这些学习任务划分为多个子学习任务。目标学习任务涵盖广泛的教育领域，如数学、语言、科学等，而子学习任务是目标学习任务的更具体的组成部分。这个划分过程有助于更精确地理解学生需要学习的内容。例如，假设一个目标学生的目标学习任务是学习数学。在数学领域，子学习任务可以包括代数、几何、统计等不同的主题。对这些多个子学习任务进行个性化影响因素分析。这一步旨在确定每个子学习任务对应的个性化影响因素，这些因素可以包括学生的兴趣、先前的学术成绩、学习风格、学科偏好等。通过分析这些因素，教育者可以更好地了解学生的需求和学习倾向。例如，对于学习数学的目标学生，个性化影响因素分析表明学生在代数方面具有较强的兴趣和能力，但在几何方面需要更多的支持。使用初始数字孪生学习模型，根据这些个性化影响因素，对多个子学习任务进行学习资源匹配。确定每个子学习任务所需的教育资源，如教材、视频、练习题等，以满足学生的个性化需求。这个过程还可以包括选择适当的学习方法和教育工具。例如，对于代数子学习任务，学生需要更多的数学练习题和交互式学习工具，而对于几何子学习任务，学生需要相关的教材和视频教程。对每个子学习任务的目标学习资源进行内容生成和内容整合，以获得多个第一个性化学习内容。这一步骤涉及开发或选择适当的学习材料，如课程内容、教育资源或练习题，并将它们组合成个性化学习内容。例如，对于代数子学习任务，内容生成包括制定代数问题集和练习题，而对于几何子学习任务，内容生成包括选择适当的几何教材和视频资源。
S103、对多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据，并根据实时学习状态数据对初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型；
需要说明的是，定义多个学习状态指标，这些指标用于评估学生的学习进度和效果。学习状态指标可以包括学习进度、答题正确率以及时间分配等。这些指标有助于量化学生的学习情况。例如，学习进度可以表示学生在学习任务中的完成程度，答题正确率反映了学生在答题活动中的表现，时间分配可以指示学生在不同学习活动上花费的时间。基于这些学习状态指标，对多个第一个性化学习内容进行实时学习状态监测，得到每个学习内容的实时学习状态数据。这一过程可以包括实时数据收集和监测系统，以跟踪学生的进度和表现。例如，对于一个学生正在学习代数子学习任务的情况，学习状态监测可以记录学生完成的练习数量、答题准确性和每个练习所花费的时间。对每个第一个性化学习内容的实时学习状态数据进行实时学习状态特征提取，得到多个实时学习状态特征。这些特征可以反映学生的学习行为和表现。例如，从实时学习状态数据中提取的特征可以包括每个学习内容的完成百分比、答题速度、答题准确率等。对这些实时学习状态特征进行特征映射，以得到每个第一个性化学习内容的多个第一特征映射值。此外，还需要对语音交互特征、答题反馈特征和视频观看特征进行特征映射，以获得多个第二特征映射值。这些映射可以将原始特征转化为更具信息价值的表示。例如，对于特定的学习内容，特征映射会将学生的答题速度映射为相对速度得分，并将答题准确率映射为相对准确率得分。根据这些第一和第二特征映射值，构建每个第一个性化学习内容的多个第一特征向量和多个第二特征向量。这些特征向量用于表示学习内容和学生的特征。例如，对于代数学习内容，第一特征向量包括学生的进度得分、答题速度得分等，第二特征向量包括语音交互得分、答题反馈得分等。对这些第一和第二特征向量进行关联关系计算，以获得目标特征关联关系。这个关联关系可以帮助了解学生与不同学习内容之间的联系，以确定哪些内容对学生来说更有效，以及如何调整学习内容以提高学习效果。例如，计算显示学生在代数学习内容中表现出更高的进度得分与更高的答题速度得分之间存在正相关关系，这表明学生在代数方面有更强的学术能力。最终，根据这个目标特征关联关系，对初始数字孪生学习模型进行实时更新，以得到目标数字孪生学习模型。这个更新过程有助于改善学生的个性化学习体验，使学习内容更适应其需求和表现。
S104、根据目标数字孪生学习模型，构建多个第一个性化学习内容的初始个性化学科知识图谱，并根据初始个性化学科知识图谱对多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容；
具体的，基于目标数字孪生学习模型，对多个第一个性化学习内容进行知识点依赖关系和难易程度分析。目的是确定每个第一个性化学习内容中的知识点之间的依赖关系和各知识点的难易程度。知识点依赖关系可以帮助了解哪些知识点需要在学习中首先掌握，而难易程度指标有助于评估知识点的学习难度。例如，对于一个数学学习内容，知识点依赖关系分析表明代数知识点在解析几何问题时具有重要作用。同时，难易程度分析指出某些代数知识点较难，而其他知识点较易。基于每个第一个性化学习内容对应的知识点依赖关系和难易程度指标，分别计算多个第一个性化学习内容的知识图谱系数。这些系数用于表示每个学习内容中的知识点之间的重要性和关联度。这一步骤有助于量化每个学习内容中的知识结构。例如，对于不同的数学学习内容，知识图谱系数可以反映出每个知识点在特定学习内容中的重要性，以及不同知识点之间的关联程度。根据这些知识图谱系数，进行个性化学科知识图谱的构建。这一步骤涉及将每个学习内容的知识点以及它们之间的关系表示为一个个性化的知识图谱。这个图谱反映了每个学习内容中的知识结构，使得教育者可以更好地理解学生需学习的内容。例如，对于不同的数学学习内容，构建个性化学科知识图谱涉及将代数知识点与几何知识点联系起来，并根据难易程度和依赖关系进行组织。对初始个性化学科知识图谱进行聚类分析。这一步骤有助于将知识点分组，以确定哪些知识点具有相似的特性或关联。聚类分析可以帮助教育者更好地理解知识结构，并为学生提供更有条理和有效的学习内容。例如，聚类分析将代数知识点组合在一起，将几何知识点组合在一起，形成两个不同的知识群组。根据图谱聚类结果对多个第一个性化学习内容进行内容优化，以确定多个第二个性化学习内容。这个优化过程涉及重新组织学习内容，确保它们更加清晰和有序，以满足学生的需求。例如，对于代数和几何学习内容，内容优化包括将代数知识点的学习内容组合在一起，以提供更一致的学习体验，然后对几何知识点的学习内容进行类似的组织。
S105、分别对多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的学习影响权重数据；
具体的，构建学习影响权重评价体系，该评价体系包括学科覆盖率、难度适应性以及学科深度等因素。学科覆盖率评估了学习内容对学科的全面性覆盖程度，难度适应性评估了学习内容与学生的学习水平匹配程度，学科深度评估了学习内容的深入程度。这些因素帮助确定学习内容的影响权重。例如，对于数学学科，学科覆盖率考虑了代数、几何、统计等不同领域的覆盖情况，难度适应性根据学生的先前学术水平来评估，学科深度则考虑了学习内容的深入程度。基于学习影响权重评价体系，对多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的初始影响权重数据。这一步骤考虑了学科覆盖率、难度适应性和学科深度等因素，以确定各学习内容的相对重要性。以数学学科为例，某个第二个性化学习内容因其覆盖代数和几何两个领域，难度适应性适中，以及提供深入的知识而被赋予较高的初始影响权重。对初始影响权重数据进行权重动态优化，以获得每个第二个性化学习内容对应的学习影响权重数据。这个过程可以考虑学生在学习过程中的实际表现，以动态调整权重，以更好地适应学生的需求和学习情况。例如，如果一个学生在数学中表现出对代数更感兴趣，那么根据权重动态优化，代数相关的学习内容会被赋予更高的影响权重，以满足学生的偏好。
S106、根据多个第二个性化学习内容以及学习影响权重数据，对初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。
具体的，根据多个第二个性化学习内容，对初始个性化学科知识图谱进行图谱节点更新。目的是将知识图谱中的节点和关系与新的学习内容和知识点进行关联，以确保知识图谱保持最新。例如，如果新的数学学习内容引入了关于代数方面的知识点，图谱节点更新将确保这些新知识点被整合到知识图谱中，与已有的知识点建立适当的关系。根据学习影响权重数据，对更新后的个性化学科知识图谱进行图谱加权。这一步骤涉及根据不同的学习内容和知识点的影响权重来调整图谱中的节点和关系的重要性。这有助于确保学习路径更好地反映学生的需求和学习影响。例如，如果某个学生在代数方面表现出较高的兴趣和能力，那么代数知识点会被加权以在学习路径中占据更重要的地位。基于预置的图论算法，对加权个性化学科知识图谱进行学习路径优化。这一步骤涉及使用图论算法来分析图谱中的节点和关系，以确定最佳的学习路径，以满足学生的学术需求。例如，学习路径优化包括确保学生首先学习基础的代数知识，然后逐渐过渡到更高级的代数内容，以便更好地建立知识结构。
本发明实施例中，通过数字化建模和个性化影响因素分析，系统能够生成多个第一个性化学习内容，根据学生的个体特征和学科需求进行差异化配置。引入实时学习状态监测，通过学习状态特征的实时提取和映射，实时更新数字孪生学习模型，不断调整个性化学习内容。使系统对学生学习过程有更精准、实时的了解，及时适应学生的学习状态变化，提高个性化学习的时效性和效果。基于数字孪生学习模型，构建个性化学科知识图谱，并通过聚类分析和内容优化生成多个第二个性化学习内容。使学科知识更有机地组织在一起，为学生提供更加贴近其学科兴趣和水平的学习路径，增强学科知识的深度和广度。引入学习影响权重评价体系，分析多个第二个性化学习内容的学习影响权重，进行动态优化，提高权重的准确性和灵活性。更精确地评估学习内容对学生的影响，有助于系统更有效地调整和优化个性化学习路径，提高学习策略的智能性。通过图论算法进行学习路径优化，根据学习影响权重数据加权，生成最终的个性化学科知识图谱。为学生提供更加智能化、贴近实际学习需求的学科知识路径，提高学科学习的效率和质量，进而实现了学生教学信息的智能化管理，并提高了学生个性化学习内容的制定准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）通过预置的互动教学平台获取目标学生的学习过程多模态数据，其中，学习过程多模态数据包括：语音交互数据、答题反馈数据以及视频观看数据；
（2）构建学习过程多模态数据的分布式存储网络，并通过分布式存储网络中的多个存储节点分别对学习过程多模态数据进行存储；
（3）通过预置的语音识别模型对语音交互数据进行特征提取，得到语音交互特征，并通过预置的自然语言处理模型对答题反馈数据进行特征提取，得到答题反馈特征，以及通过预置的视频分析模型对视频观看数据进行特征提取，得到视频观看特征；
（4）获取目标学生的个体信息，并将个体信息与语音交互特征、答题反馈特征以及视频观看特征进行数字化建模，得到初始数字孪生学习模型。
具体的，通过预置的互动教学平台，获取目标学生的学习过程多模态数据，这些数据包括语音交互数据、答题反馈数据以及视频观看数据。这些数据可以帮助教育者更好地理解学生的学习行为和表现。例如，学生会在互动教学平台上进行语音交互，回答问题，观看教育视频。这些数据记录了学生在学习过程中的言语交流、答题情况和观看习惯。构建学习过程多模态数据的分布式存储网络，通过分布式存储网络中的多个存储节点分别对学习过程多模态数据进行存储。分布式存储网络的使用可以确保数据的安全性和可扩展性，以便在不断增加的学习数据中进行有效管理和检索。例如，语音交互数据、答题反馈数据和视频观看数据可以被存储在不同的分布式存储节点上，以确保数据备份和高可用性。通过预置的语音识别模型对语音交互数据进行特征提取，得到语音交互特征。这一步骤有助于将语音数据转化为数字形式，以便后续的建模和分析。例如，语音识别模型可以将学生的口头答题转化为文本，并提取关键词或语音特征，以分析学生的表现。同时，通过预置的自然语言处理模型对答题反馈数据进行特征提取，得到答题反馈特征。这一步骤有助于理解学生的答题表现，包括语言表达和答案的准确性。例如，自然语言处理模型可以分析学生的答题反馈，检测语法错误或提取关键信息。此外，通过预置的视频分析模型对视频观看数据进行特征提取，得到视频观看特征。这一步骤有助于了解学生在观看教育视频时的注意力、兴趣和学习风格。例如，视频分析模型可以检测学生的观看习惯，如快进、倒带、暂停，以及观看时长等特征。获取目标学生的个体信息，并将个体信息与语音交互特征、答题反馈特征以及视频观看特征进行数字化建模，得到初始数字孪生学习模型。这一步骤将不同类型的数据与学生的个体信息相结合，以创建一个综合的学习模型，可以更好地了解学生的学习行为和需求。例如，学生的个体信息可以包括年龄、学科偏好、学习目标等，这些信息与语音交互、答题反馈和视频观看特征结合起来，可以用于建立初始数字孪生学习模型，以推断学生的学习方式和偏好。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、获取目标学生的目标学习任务，并将目标学习任务划分为多个子学习任务；
S202、对多个子学习任务进行个性化影响因素分析，得到每个子学习任务对应的个性化影响因素；
S203、通过初始数字孪生学习模型，根据个性化影响因素分别对多个子学习任务进行学习资源匹配，得到每个子学习任务的目标学习资源；
S204、分别对每个子学习任务的目标学习资源进行内容生成和内容整合，得到多个第一个性化学习内容。
具体的，获取目标学生的目标学习任务，这可以通过学生的学习目标、教学计划或学科要求来确定。目标学习任务是学生在教育过程中要达到的具体学术目标。例如，如果学生学习数学，目标学习任务包括掌握代数、几何、和统计等多个学科领域。将目标学习任务划分为多个子学习任务。这一步骤旨在将大的学习任务分解为更小、更可管理的部分，以便更好地组织和规划学习过程。以数学学科为例，目标学习任务可以被划分为代数学习、几何学习和统计学习等多个子学习任务。对多个子学习任务进行个性化影响因素分析，以确定每个子学习任务对应的个性化影响因素。这些因素包括学生的学术水平、学科偏好、学习风格等。例如，如果学生在代数方面表现出较高的兴趣和能力，代数学习任务的个性化影响因素包括强调代数学习、提供更具挑战性的代数问题等。通过初始数字孪生学习模型，根据个性化影响因素分别对多个子学习任务进行学习资源匹配。这一步骤旨在为每个子学习任务选择适当的学习资源，以满足学生的个性化需求。例如，如果学生在代数方面有较高的兴趣和能力，学习资源匹配包括提供更多代数相关的教材、练习和挑战性问题。分别对每个子学习任务的目标学习资源进行内容生成和内容整合，以获得多个第一个性化学习内容。这一步骤涉及创建教育材料、课程计划和练习，以满足每个子学习任务的具体要求。例如，第一个性化学习内容包括定制的代数教材、与代数相关的实际问题解决练习等。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、定义多个学习状态指标，多个学习状态指标包括：学习进度、答题正确率以及时间分配；
S302、根据多个学习状态指标，对多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据；
S303、对每个第一个性化学习内容的实时学习状态数据进行实时学习状态特征提取，得到多个实时学习状态特征；
S304、对多个实时学习状态特征进行特征映射，得到每个第一个性化学习内容的多个第一特征映射值，并对语音交互特征、答题反馈特征以及视频观看特征进行特征映射，得到多个第二特征映射值；
S305、构建每个第一个性化学习内容的多个第一特征映射值所对应的第一特征向量，以及构建多个第二特征映射值对应的第二特征向量；
S306、对第一特征向量以及第二特征向量进行关联关系计算，得到目标特征关联关系，并根据目标特征关联关系对初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型。
具体的，定义多个学习状态指标，包括学习进度、答题正确率以及时间分配。这些指标用于评估学生的学习状态和表现。学习进度反映了学生在学习任务中的完成程度，答题正确率用于衡量学生的学术表现，时间分配可以帮助了解学生在不同任务上花费的时间。例如，如果学生正在学习代数，学习进度可以表示学生完成的代数题数，答题正确率可以是学生在代数练习中的答对题目的比例，时间分配可以表示学生用于代数学习的时间。根据多个学习状态指标，对多个第一个性化学习内容进行实时学习状态监测，以获取每个第一个性化学习内容的实时学习状态数据。这一步骤涉及监测学生在不同学习内容上的学习进度、答题正确率和时间分配情况。例如，监测包括跟踪学生完成的代数题目数量，检查答题的准确性，并记录学生在学习上花费的时间。接着，对每个第一个性化学习内容的实时学习状态数据进行实时学习状态特征提取，以得到多个实时学习状态特征。这一步骤旨在从实时数据中提取有关学生学习状态的关键信息。例如，从实时学习状态数据中提取的特征包括学生的学习速度、答题准确率的变化趋势以及学习时间分布等。对多个实时学习状态特征进行特征映射，以得到每个第一个性化学习内容的多个第一特征映射值，并对语音交互特征、答题反馈特征以及视频观看特征进行特征映射，得到多个第二特征映射值。这一步骤有助于将不同类型的特征相互映射，以创建更全面的特征向量。例如，语音交互特征、答题反馈特征和视频观看特征可以与实时学习状态特征相结合，以获得更全面的第一特征映射值和第二特征映射值。构建每个第一个性化学习内容的多个第一特征映射值所对应的第一特征向量，以及构建多个第二特征映射值对应的第二特征向量。这一步骤涉及将特征映射值组合成完整的特征向量，以表示每个第一个性化学习内容的学习状态。例如，第一特征向量可以包括学生在代数学习中的进度、答题准确率和时间分配，而第二特征向量包括与代数学习相关的语音交互、答题反馈和视频观看特征。对第一特征向量以及第二特征向量进行关联关系计算，以得到目标特征关联关系，并根据目标特征关联关系对初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型。这一步骤有助于根据学生的学习状态和特征来调整数字孪生模型，以更好地满足学生的需求和提供个性化的教育支持。例如，如果学生在代数学习中表现出进步，答题准确率提高，数字孪生模型可以相应地更新，以提供更多代数学习材料和挑战性问题。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、基于目标数字孪生学习模型，对多个第一个性化学习内容进行知识点依赖关系和难易程度分析，得到每个第一个性化学习内容对应的知识点依赖关系以及难易程度指标；
S402、基于每个第一个性化学习内容对应的知识点依赖关系以及难易程度指标，分别计算多个第一个性化学习内容的知识图谱系数；
S403、根据知识图谱系数对多个第一个性化学习内容进行个性化学科知识图谱构建，得到初始个性化学科知识图谱；
S404、对初始个性化学科知识图谱进行聚类分析，得到图谱聚类结果，并根据图谱聚类结果对多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容。
具体的，基于目标数字孪生学习模型，对多个第一个性化学习内容进行知识点依赖关系和难易程度分析。这一步骤旨在理解每个第一个性化学习内容的知识点之间的关系以及难易程度，以便更好地个性化学习内容。例如，如果第一个性化学习内容是一本代数教材，分析可以包括确定哪些代数概念依赖于其他概念，以及哪些概念被认为较难或容易掌握。基于每个第一个性化学习内容对应的知识点依赖关系和难易程度指标，分别计算多个第一个性化学习内容的知识图谱系数。这些系数可以反映不同学习内容的知识点关联度和难易程度。例如，如果一本代数教材中的某些概念高度依赖于其他概念，并且被认为难度较大，它们的知识图谱系数较高。根据知识图谱系数对多个第一个性化学习内容进行个性化学科知识图谱构建。这一步骤旨在创建一个具体的知识图谱，该图谱基于每个学习内容的知识点关系和难易程度。例如，代数学习内容的知识图谱可以包括各种代数概念，它们之间的依赖关系以及相对难易程度。对初始个性化学科知识图谱进行聚类分析，以得到图谱聚类结果，并根据图谱聚类结果对多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容。这一步骤有助于组织和优化学习内容，以更好地满足学生的需求。例如，对于代数学习，可以将高度相关的概念放在一起，形成一个聚类，以便学生更好地理解它们之间的关系。在第二个性化学习内容中，可以根据学生的需要提供更多关于特定聚类的材料和练习。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）构建学习影响权重评价体系，学习影响权重评价体系包括：学科覆盖率、难度适应性以及学科深度；
（2）根据学习影响权重评价体系，分别对多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的初始影响权重数据；
（3）对初始影响权重数据进行权重动态优化，得到每个第二个性化学习内容对应的学习影响权重数据。
具体的，构建学习影响权重评价体系，该体系包括学科覆盖率、难度适应性以及学科深度。这些评价指标用于评估学习内容的影响力和适应性，以便更好地个性化学习内容。学科覆盖率评估学习内容是否涵盖了相关学科的各个方面。高学科覆盖率表示学习内容跨足了多个领域，而低学科覆盖率表明内容较为专业化；难度适应性评估学习内容的难度是否适应了学生的水平。内容应该既能够挑战学生，又不至于过于困难；学科深度评估学习内容对学科的深度涵盖。深度学科知识有助于学生更深入地理解学科。例如，如果学生正在学习数学，学科覆盖率可以考虑是否包括了代数、几何和统计等各个方面。难度适应性可以根据学生的水平，提供不同难度的问题。学科深度则可以看学习内容是否包括了高级概念和应用。根据学习影响权重评价体系，分别对多个第二个性化学习内容进行学习影响权重分析，以得到每个第二个性化学习内容对应的初始影响权重数据。这一步骤旨在量化每个学习内容的影响力。例如，如果一个第二个性化学习内容包括广泛的学科覆盖，适应了学生的水平，涵盖了深度知识，那么它在这个评价体系中获得较高的权重。对初始影响权重数据进行权重动态优化。这一步骤可以基于学生的实际学习表现和需求，自动地动态调整权重以更好地满足学生的学习目标。例如，如果一个学生在某一学科领域已经表现出高水平，系统可以降低该领域的权重，以便学生更多地集中精力在其他领域。或者，如果一个学生在特定难度水平上遇到困难，系统可以适应性地调整难度，以提供更适合的学习内容。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）根据多个第二个性化学习内容，对初始个性化学科知识图谱进行图谱节点更新，得到更新个性化学科知识图谱；
（2）根据学习影响权重数据，对更新个性化学科知识图谱进行图谱加权，得到加权个性化学科知识图谱；
（3）基于预置的图论算法，对个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。
具体的，根据多个第二个性化学习内容，对初始个性化学科知识图谱进行图谱节点更新。这一步骤的目的是根据新的学习内容来更新知识图谱，以确保知识图谱包括最新的信息。例如，如果一个新的第二个性化学习内容涵盖了关于数学的新概念，那么这些新概念将被添加到知识图谱中。根据学习影响权重数据，对更新后的个性化学科知识图谱进行图谱加权。这一步骤旨在为知识图谱中的不同知识点分配权重，以反映其对学生学习的影响力。例如，如果某个知识点在学习影响权重数据中获得较高的权重，那么它将在知识图谱中被赋予更高的重要性。基于预置的图论算法，对个性化学科知识图谱进行学习路径优化，以得到目标个性化学科知识图谱。这一步骤旨在为学生确定最佳的学习路径，以满足其学术需求和学科兴趣。例如，如果一个学生对代数感兴趣，系统可以根据图论算法的结果，建议学生从代数知识图谱的基础概念开始，然后逐渐深入学习更复杂的内容，以形成最佳学习路径。
上面对本发明实施例中基于数字孪生的教学信息处理方法进行了描述，下面对本发明实施例中基于数字孪生的教学信息处理系统进行描述，请参阅图5，本发明实施例中基于数字孪生的教学信息处理系统一个实施例包括：
获取模块501，用于通过预置的互动教学平台获取目标学生的学习过程多模态数据，并对所述学习过程多模态数据进行数字化建模，得到初始数字孪生学习模型；
配置模块502，用于基于所述初始数字孪生学习模型，对所述目标学生进行教学内容个性化配置，得到多个第一个性化学习内容；
更新模块503，用于对所述多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据，并根据所述实时学习状态数据对所述初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型；
优化模块504，用于根据所述目标数字孪生学习模型，构建所述多个第一个性化学习内容的初始个性化学科知识图谱，并根据所述初始个性化学科知识图谱对所述多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容；
分析模块505，用于分别对所述多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的学习影响权重数据；
生成模块506，用于根据所述多个第二个性化学习内容以及所述学习影响权重数据，对所述初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。
通过上述各个组成部分的协同合作，通过数字化建模和个性化影响因素分析，系统能够生成多个第一个性化学习内容，根据学生的个体特征和学科需求进行差异化配置。引入实时学习状态监测，通过学习状态特征的实时提取和映射，实时更新数字孪生学习模型，不断调整个性化学习内容。使系统对学生学习过程有更精准、实时的了解，及时适应学生的学习状态变化，提高个性化学习的时效性和效果。基于数字孪生学习模型，构建个性化学科知识图谱，并通过聚类分析和内容优化生成多个第二个性化学习内容。使学科知识更有机地组织在一起，为学生提供更加贴近其学科兴趣和水平的学习路径，增强学科知识的深度和广度。引入学习影响权重评价体系，分析多个第二个性化学习内容的学习影响权重，进行动态优化，提高权重的准确性和灵活性。更精确地评估学习内容对学生的影响，有助于系统更有效地调整和优化个性化学习路径，提高学习策略的智能性。通过图论算法进行学习路径优化，根据学习影响权重数据加权，生成最终的个性化学科知识图谱。为学生提供更加智能化、贴近实际学习需求的学科知识路径，提高学科学习的效率和质量，进而实现了学生教学信息的智能化管理，并提高了学生个性化学习内容的制定准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于数字孪生的教学信息处理系统进行详细描述，下面从硬件处理的角度对本发明实施例中基于数字孪生的教学信息处理设备进行详细描述。
图6是本发明实施例提供的一种基于数字孪生的教学信息处理设备的结构示意图，该基于数字孪生的教学信息处理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于数字孪生的教学信息处理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于数字孪生的教学信息处理设备600上执行存储介质630中的一系列指令操作。
基于数字孪生的教学信息处理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于数字孪生的教学信息处理设备结构并不构成对基于数字孪生的教学信息处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于数字孪生的教学信息处理设备，所述基于数字孪生的教学信息处理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于数字孪生的教学信息处理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于数字孪生的教学信息处理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于数字孪生的教学信息处理方法，其特征在于，所述基于数字孪生的教学信息处理方法包括：
通过预置的互动教学平台获取目标学生的学习过程多模态数据，并对所述学习过程多模态数据进行数字化建模，得到初始数字孪生学习模型；具体包括：通过预置的互动教学平台获取目标学生的学习过程多模态数据，其中，所述学习过程多模态数据包括：语音交互数据、答题反馈数据以及视频观看数据；构建所述学习过程多模态数据的分布式存储网络，并通过所述分布式存储网络中的多个存储节点分别对所述学习过程多模态数据进行存储；通过预置的语音识别模型对所述语音交互数据进行特征提取，得到语音交互特征，并通过预置的自然语言处理模型对所述答题反馈数据进行特征提取，得到答题反馈特征，以及通过预置的视频分析模型对所述视频观看数据进行特征提取，得到视频观看特征；获取所述目标学生的个体信息，并将所述个体信息与所述语音交互特征、所述答题反馈特征以及所述视频观看特征进行数字化建模，得到初始数字孪生学习模型；
基于所述初始数字孪生学习模型，对所述目标学生进行教学内容个性化配置，得到多个第一个性化学习内容；
对所述多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据，并根据所述实时学习状态数据对所述初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型；具体包括：定义多个学习状态指标，所述多个学习状态指标包括：学习进度、答题正确率以及时间分配；根据所述多个学习状态指标，对所述多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据；对每个第一个性化学习内容的实时学习状态数据进行实时学习状态特征提取，得到多个实时学习状态特征；对所述多个实时学习状态特征进行特征映射，得到每个第一个性化学习内容的多个第一特征映射值，并对所述语音交互特征、所述答题反馈特征以及所述视频观看特征进行特征映射，得到多个第二特征映射值；构建每个第一个性化学习内容的多个第一特征映射值所对应的第一特征向量，以及构建所述多个第二特征映射值对应的第二特征向量；对所述第一特征向量以及所述第二特征向量进行关联关系计算，得到目标特征关联关系，并根据所述目标特征关联关系对所述初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型；
根据所述目标数字孪生学习模型，构建所述多个第一个性化学习内容的初始个性化学科知识图谱，并根据所述初始个性化学科知识图谱对所述多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容；
分别对所述多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的学习影响权重数据；
根据所述多个第二个性化学习内容以及所述学习影响权重数据，对所述初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。
2.根据权利要求1所述的基于数字孪生的教学信息处理方法，其特征在于，所述基于所述初始数字孪生学习模型，对所述目标学生进行教学内容个性化配置，得到多个第一个性化学习内容，包括：
获取所述目标学生的目标学习任务，并将所述目标学习任务划分为多个子学习任务；
对所述多个子学习任务进行个性化影响因素分析，得到每个子学习任务对应的个性化影响因素；
通过所述初始数字孪生学习模型，根据所述个性化影响因素分别对所述多个子学习任务进行学习资源匹配，得到每个子学习任务的目标学习资源；
分别对每个子学习任务的目标学习资源进行内容生成和内容整合，得到多个第一个性化学习内容。
3.根据权利要求1所述的基于数字孪生的教学信息处理方法，其特征在于，所述根据所述目标数字孪生学习模型，构建所述多个第一个性化学习内容的初始个性化学科知识图谱，并根据所述初始个性化学科知识图谱对所述多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容，包括：
基于所述目标数字孪生学习模型，对所述多个第一个性化学习内容进行知识点依赖关系和难易程度分析，得到每个第一个性化学习内容对应的知识点依赖关系以及难易程度指标；
基于每个第一个性化学习内容对应的知识点依赖关系以及难易程度指标，分别计算所述多个第一个性化学习内容的知识图谱系数；
根据所述知识图谱系数对所述多个第一个性化学习内容进行个性化学科知识图谱构建，得到初始个性化学科知识图谱；
对所述初始个性化学科知识图谱进行聚类分析，得到图谱聚类结果，并根据所述图谱聚类结果对所述多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容。
4.根据权利要求1所述的基于数字孪生的教学信息处理方法，其特征在于，所述分别对所述多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的学习影响权重数据，包括：
构建学习影响权重评价体系，所述学习影响权重评价体系包括：学科覆盖率、难度适应性以及学科深度；
根据所述学习影响权重评价体系，分别对所述多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的初始影响权重数据；
对所述初始影响权重数据进行权重动态优化，得到每个第二个性化学习内容对应的学习影响权重数据。
5.根据权利要求1所述的基于数字孪生的教学信息处理方法，其特征在于，所述根据所述多个第二个性化学习内容以及所述学习影响权重数据，对所述初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱，包括：
根据所述多个第二个性化学习内容，对所述初始个性化学科知识图谱进行图谱节点更新，得到更新个性化学科知识图谱；
根据所述学习影响权重数据，对所述更新个性化学科知识图谱进行图谱加权，得到加权个性化学科知识图谱；
基于预置的图论算法，对所述个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。
6.一种基于数字孪生的教学信息处理系统，其特征在于，所述基于数字孪生的教学信息处理系统包括：
获取模块，用于通过预置的互动教学平台获取目标学生的学习过程多模态数据，并对所述学习过程多模态数据进行数字化建模，得到初始数字孪生学习模型；具体包括：通过预置的互动教学平台获取目标学生的学习过程多模态数据，其中，所述学习过程多模态数据包括：语音交互数据、答题反馈数据以及视频观看数据；构建所述学习过程多模态数据的分布式存储网络，并通过所述分布式存储网络中的多个存储节点分别对所述学习过程多模态数据进行存储；通过预置的语音识别模型对所述语音交互数据进行特征提取，得到语音交互特征，并通过预置的自然语言处理模型对所述答题反馈数据进行特征提取，得到答题反馈特征，以及通过预置的视频分析模型对所述视频观看数据进行特征提取，得到视频观看特征；获取所述目标学生的个体信息，并将所述个体信息与所述语音交互特征、所述答题反馈特征以及所述视频观看特征进行数字化建模，得到初始数字孪生学习模型；
配置模块，用于基于所述初始数字孪生学习模型，对所述目标学生进行教学内容个性化配置，得到多个第一个性化学习内容；
更新模块，用于对所述多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据，并根据所述实时学习状态数据对所述初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型；具体包括：定义多个学习状态指标，所述多个学习状态指标包括：学习进度、答题正确率以及时间分配；根据所述多个学习状态指标，对所述多个第一个性化学习内容进行实时学习状态监测，得到每个第一个性化学习内容的实时学习状态数据；对每个第一个性化学习内容的实时学习状态数据进行实时学习状态特征提取，得到多个实时学习状态特征；对所述多个实时学习状态特征进行特征映射，得到每个第一个性化学习内容的多个第一特征映射值，并对所述语音交互特征、所述答题反馈特征以及所述视频观看特征进行特征映射，得到多个第二特征映射值；构建每个第一个性化学习内容的多个第一特征映射值所对应的第一特征向量，以及构建所述多个第二特征映射值对应的第二特征向量；对所述第一特征向量以及所述第二特征向量进行关联关系计算，得到目标特征关联关系，并根据所述目标特征关联关系对所述初始数字孪生学习模型进行实时更新，得到目标数字孪生学习模型；
优化模块，用于根据所述目标数字孪生学习模型，构建所述多个第一个性化学习内容的初始个性化学科知识图谱，并根据所述初始个性化学科知识图谱对所述多个第一个性化学习内容进行内容优化，确定多个第二个性化学习内容；
分析模块，用于分别对所述多个第二个性化学习内容进行学习影响权重分析，得到每个第二个性化学习内容对应的学习影响权重数据；
生成模块，用于根据所述多个第二个性化学习内容以及所述学习影响权重数据，对所述初始个性化学科知识图谱进行学习路径优化，得到目标个性化学科知识图谱。
7.一种基于数字孪生的教学信息处理设备，其特征在于，所述基于数字孪生的教学信息处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于数字孪生的教学信息处理设备执行如权利要求1-5中任一项所述的基于数字孪生的教学信息处理方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于数字孪生的教学信息处理方法。
CN202311542516.4A 2023-11-20 2023-11-20 基于数字孪生的教学信息处理方法及系统 Active CN117252047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311542516.4A CN117252047B (zh) 2023-11-20 2023-11-20 基于数字孪生的教学信息处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311542516.4A CN117252047B (zh) 2023-11-20 2023-11-20 基于数字孪生的教学信息处理方法及系统

Publications (2)

Publication Number Publication Date
CN117252047A CN117252047A (zh) 2023-12-19
CN117252047B true CN117252047B (zh) 2024-03-19

Family

ID=89129892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311542516.4A Active CN117252047B (zh) 2023-11-20 2023-11-20 基于数字孪生的教学信息处理方法及系统

Country Status (1)

Country Link
CN (1) CN117252047B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473963B (zh) * 2023-12-26 2024-04-12 西昌学院 面向智慧教育的教学文本知识标注方法及系统
CN117670146B (zh) * 2024-02-01 2024-04-30 青岛培诺教育科技股份有限公司 一种学习过程测评方法、装置、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110941723A (zh) * 2019-11-18 2020-03-31 广东宜学通教育科技有限公司 一种知识图谱的构建方法、系统及存储介质
CN113851020A (zh) * 2021-11-04 2021-12-28 华南师范大学 一种基于知识图谱的自适应学习平台
CN114490918A (zh) * 2021-12-31 2022-05-13 成都合源美智教育科技有限公司 基于动态学习模型的动态知识图谱搭建系统、方法及应用
CN115064020A (zh) * 2022-08-18 2022-09-16 安徽宝信信息科技有限公司 基于数字孪生技术的智慧教学方法、系统及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11107363B2 (en) * 2017-03-10 2021-08-31 BrightMind Labs Inc. Systems and methods for autonomous creation of personalized, self-updating curricula
US20190005200A1 (en) * 2017-06-28 2019-01-03 General Electric Company Methods and systems for generating a patient digital twin
US20210133670A1 (en) * 2019-11-05 2021-05-06 Strong Force Vcn Portfolio 2019, Llc Control tower and enterprise management platform with a machine learning/artificial intelligence managing sensor and the camera feeds into digital twin

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110941723A (zh) * 2019-11-18 2020-03-31 广东宜学通教育科技有限公司 一种知识图谱的构建方法、系统及存储介质
CN113851020A (zh) * 2021-11-04 2021-12-28 华南师范大学 一种基于知识图谱的自适应学习平台
CN114490918A (zh) * 2021-12-31 2022-05-13 成都合源美智教育科技有限公司 基于动态学习模型的动态知识图谱搭建系统、方法及应用
CN115064020A (zh) * 2022-08-18 2022-09-16 安徽宝信信息科技有限公司 基于数字孪生技术的智慧教学方法、系统及存储介质

Also Published As

Publication number Publication date
CN117252047A (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
Gilbert et al. Simulating societies: the computer simulation of social phenomena
Zhai et al. A Review of Artificial Intelligence (AI) in Education from 2010 to 2020
Xie et al. Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publications from 2007 to 2017
CN117252047B (zh) 基于数字孪生的教学信息处理方法及系统
Fan et al. Artificial intelligence-based creative thinking skill analysis model using human–computer interaction in art design teaching
CN110941723A (zh) 一种知识图谱的构建方法、系统及存储介质
CN110991645A (zh) 一种基于知识模型的自适应学习方法、系统及存储介质
Vesin et al. Ontology-based architecture with recommendation strategy in java tutoring system
CN112287037A (zh) 一种多实体混合知识图谱构建方法、装置及存储介质
Nafea et al. Personalized students’ profile based on ontology and rule-based reasoning
Mohd et al. An Architecture of Decision Support System for Visual-Auditory-Kinesthetic (VAK) Learning Styles Detection Through Behavioral Modelling
Swamy et al. Deep knowledge tracing for free-form student code progression
Forero-Corba et al. Techniques and applications of Machine Learning and Artificial Intelligence in education: a systematic review
Raj et al. An improved adaptive learning path recommendation model driven by real-time learning analytics
Xie et al. Virtual reality primary school mathematics teaching system based on GIS data fusion
Zhang et al. Learning preference: development in smart learning environments
CN112287115A (zh) 基于知识掌握程度图的个性化教学方法、系统及装置
Ivančević et al. Adaptive testing in programming courses based on educational data mining techniques
Ishola et al. Personalized tag-based knowledge diagnosis to predict the quality of answers in a community of learners
Opesemowo et al. Artificial intelligence in mathematics education: The good, the bad, and the ugly
Valero-Leal et al. A shap-inspired method for computing interaction contribution in deep knowledge tracing
Giridharan et al. Machine consciousness: mind, machine, and society contributors
Kabudi et al. Systematic literature mapping on AI-enabled contemporary learning systems
Rutskaya et al. Mastering software engineering with the help of the level model of competencies acquisition
Timmi et al. Learning analytics: a review of the literature

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant