本發明屬于課程推薦領域，具體而言涉及一種基于人工智能的學習資源推送方法。

背景技術：

1、傳統的學習資源推薦系統通常基于用戶的興趣偏好或歷史學習記錄進行資源推送，但這種方法在一定程度上忽略了用戶的認知能力差異和大腦發育水平的實際情況，難以實現對不同用戶學習需求的精準適配。

2、現有研究表明，人腦的發育程度在不同年齡階段存在顯著差異，這些差異直接影響了學習者的認知能力、信息處理速度及學習效果。因此，將用戶的大腦發育程度納入學習資源推薦的核心參數，能夠更好地匹配用戶的實際學習需求，從而提高學習效率。然而，大腦發育程度評估涉及多個復雜的認知能力維度(如記憶力、邏輯推理能力、語言理解能力等)，且評估結果可能與用戶的真實認知水平存在偏差，如何動態修正并優化推薦策略仍是一個重要的技術難題。

技術實現思路

1、為了解決現有技術中的問題，本發明提供一種基于人工智能的學習資源推送方法，包括如下步驟：

2、步驟s10，學習系統獲取用戶年齡，所述學習系統根據所述用戶年齡確定第一大腦發育程度評估結果；

3、步驟s20，所述學習系統將所述第一大腦發育程度評估結果輸入至第一模型，所述第一模型推薦第一學習資源；

4、步驟s30，所述學習系統將所述第一大腦發育程度評估結果及所述第一學習資源輸入至第二模型，所述第二模型根據所述用戶年齡及所述第一學習資源生成認知能力試題；

5、步驟s40，所述學習系統在所述第一學習資源的教學過程中插入所述認知能力試題；

6、步驟s50，所述學習系統將所述用戶年齡及所述認知能力試題測試結果發送至第三模型，所述第三模型輸出所述用戶的大腦發育程度評估修正結果；

7、步驟s60，所述學習系統將所述大腦發育程度評估修正結果發送至所述第一模型，所述第一模型根據所述大腦發育程度評估修正結果推薦第二學習資源。

8、進一步地，所述第一大腦發育程度評估結果為基于統計數據按年齡分布進行分析得出的平均發育水平參考值。

9、進一步地，所述第一模型為基于規則的模型或協同過濾模型或神經網絡模型。

10、進一步地，所述協同過濾模型通過對發育程度偏差在預設值內的用戶的學習資源偏好數據進行挖掘，生成與所述用戶評估結果對應的學習資源推薦。

11、進一步地，所述第二模型為基于規則的適應性試題生成模型或基于深度學習的動態評估模型。

12、進一步地，所述認知能力試題與所述第一學習資源主題類型相同。

13、進一步地，所述學習系統在監控用戶對所述第一學習資源的學習狀態的基礎上，動態選擇適合的教學節點作為試題插入點。

14、進一步地，所述第三模型對接收到的用戶年齡及認知能力試題測試結果進行特征提取，并通過預設的特征權重規則對測試結果進行歸一化處理。

15、進一步地，所述第三模型基于預設的大腦發育評估規則庫，將用戶的測試結果與同年齡段用戶的統計數據進行對比，計算用戶當前能力與平均大腦發育水平之間的偏差。

16、進一步地，所述第一模型解析修正結果中各能力指標的得分權重，優先推薦能夠提升用戶薄弱能力領域的學習資源。

17、本發明提供了一種基于人工智能的學習資源推送方法，通過引入用戶的大腦發育程度評估，結合認知能力測試結果和動態修正機制，解決了現有技術中評估精準性不足、資源推薦針對性弱及評估與推薦脫節等問題。其有益效果主要體現在以下幾個方面：

18、本發明通過結合用戶年齡及大腦發育程度多維指標，初步評估用戶的認知能力，并利用認知能力測試結果對評估模型進行動態修正，確保評估結果能夠準確反映用戶的實際認知水平，避免傳統方法因單一維度評估導致的偏差問題。

19、本發明在教學過程中無縫插入與學習資源內容相結合的認知能力試題，實現了學習與評估的緊密結合，既保證了用戶的學習體驗，又能夠實時捕捉用戶的認知能力變化，進一步優化評估與推薦策略。

20、本發明通過根據修正后的大腦發育程度評估結果，動態調整學習資源的推薦策略，優先匹配用戶薄弱領域的學習資源，同時兼顧強項能力的拓展，確保學習資源的難度、內容與用戶當前認知水平和學習需求高度匹配，有效提升學習效果。

技術特征：

1.一種基于人工智能的學習資源推送方法，其特征在于，所述方法包括如下步驟：

2.根據權利要求1所述的基于人工智能的學習資源推送方法，其特征在于，所述第一大腦發育程度評估結果為基于統計數據按年齡分布進行分析得出的平均發育水平參考值。

3.根據權利要求1所述的基于人工智能的學習資源推送方法，其特征在于，所述第一模型為基于規則的模型或協同過濾模型或神經網絡模型。

4.根據權利要求3所述的基于人工智能的學習資源推送方法，其特征在于，所述協同過濾模型通過對發育程度偏差在預設值內的用戶的學習資源偏好數據進行挖掘，生成與所述用戶評估結果對應的學習資源推薦。

5.根據權利要求1所述的基于人工智能的學習資源推送方法，其特征在于，所述第二模型為基于規則的適應性試題生成模型或基于深度學習的動態評估模型。

6.根據權利要求1所述的基于人工智能的學習資源推送方法，其特征在于，所述認知能力試題與所述第一學習資源主題類型相同。

7.根據權利要求1所述的基于人工智能的學習資源推送方法，其特征在于，所述學習系統在監控用戶對所述第一學習資源的學習狀態的基礎上，動態選擇適合的教學節點作為試題插入點。

8.根據權利要求1所述的基于人工智能的學習資源推送方法，其特征在于，所述第三模型對接收到的用戶年齡及認知能力試題測試結果進行特征提取，并通過預設的特征權重規則對測試結果進行歸一化處理。

9.根據權利要求1所述的基于人工智能的學習資源推送方法，其特征在于，所述第三模型基于預設的大腦發育評估規則庫，將用戶的測試結果與同年齡段用戶的統計數據進行對比，計算用戶當前能力與平均大腦發育水平之間的偏差。

10.根據權利要求1所述的基于人工智能的學習資源推送方法，其特征在于，所述第一模型解析修正結果中各能力指標的得分權重，優先推薦能夠提升用戶薄弱能力領域的學習資源。

技術總結
本發明屬于課程推薦領域，提供一種基于人工智能的學習資源推送方法，包括學習系統獲取用戶年齡，根據所述用戶年齡確定第一大腦發育程度評估結果；將第一大腦發育程度評估結果輸入至第一模型，第一模型推薦第一學習資源；將第一大腦發育程度評估結果及第一學習資源輸入至第二模型，第二模型根據所述用戶年齡及所述第一學習資源生成認知能力試題；在第一學習資源的教學過程中插入認知能力試題；將用戶年齡及認知能力試題測試結果發送至第三模型，第三模型輸出所述用戶的大腦發育程度評估修正結果；將大腦發育程度評估修正結果發送至所述第一模型，第一模型根據所述大腦發育程度評估修正結果推薦第二學習資源。

技術研發人員：張鵬麗,吳國彬
受保護的技術使用者：中慧升（廣州）科技文化發展有限公司
技術研發日：
技術公布日：2025/4/24