本發(fā)明屬于生成式人工智能領(lǐng)域，具體涉及一種基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法及系統(tǒng)。

背景技術(shù)：

1、隨著在線教育和智能學(xué)習(xí)系統(tǒng)的迅猛發(fā)展，基于人工智能的個(gè)性化教學(xué)已成為教育領(lǐng)域的研究熱點(diǎn)。傳統(tǒng)的出題方式主要依賴教師人工編制或固定題庫，難以實(shí)時(shí)適應(yīng)學(xué)生的個(gè)性化需求，導(dǎo)致學(xué)習(xí)內(nèi)容匹配度較低、難度不可控，難以有效提升學(xué)生的學(xué)習(xí)效率和學(xué)習(xí)效果。

2、目前，部分智能教育系統(tǒng)嘗試?yán)弥R(shí)圖譜、規(guī)則匹配等技術(shù)實(shí)現(xiàn)個(gè)性化出題，但仍存在諸多局限性：1）個(gè)性化匹配不精準(zhǔn)：現(xiàn)有系統(tǒng)大多基于靜態(tài)規(guī)則設(shè)定題目，未能充分結(jié)合學(xué)生的歷史學(xué)習(xí)數(shù)據(jù)、認(rèn)知能力、興趣偏好等多維信息進(jìn)行動(dòng)態(tài)調(diào)整，導(dǎo)致題目推薦的精準(zhǔn)度不足。2）題目難度調(diào)控能力有限：傳統(tǒng)方法難以根據(jù)學(xué)生的學(xué)習(xí)進(jìn)度和答題表現(xiàn)動(dòng)態(tài)優(yōu)化題目難度，可能導(dǎo)致題目難度過高增加學(xué)習(xí)壓力，或難度過低影響挑戰(zhàn)性，最終降低學(xué)習(xí)效果。3）反饋與優(yōu)化機(jī)制薄弱：現(xiàn)有智能出題系統(tǒng)主要依賴簡(jiǎn)單的正確率統(tǒng)計(jì)進(jìn)行調(diào)整，缺乏高級(jí)算法進(jìn)行深度優(yōu)化，難以提供精準(zhǔn)的個(gè)性化學(xué)習(xí)反饋，限制了對(duì)學(xué)習(xí)效果的持續(xù)提升。

3、近年來，大語言模型（llm）的快速發(fā)展為個(gè)性化出題提供了全新的技術(shù)路徑。預(yù)訓(xùn)練語言模型憑借?深度語義理解、條件生成策略及注意力機(jī)制，能夠更精準(zhǔn)地匹配學(xué)生的學(xué)習(xí)需求，并結(jié)合其學(xué)習(xí)軌跡和目標(biāo)，動(dòng)態(tài)調(diào)整題目難度與知識(shí)點(diǎn)分布。然而，現(xiàn)有基于大語言模型的出題方法仍然面臨以下挑戰(zhàn)：1）個(gè)性化數(shù)據(jù)利用不足：大部分系統(tǒng)僅依賴學(xué)生的歷史答題記錄，未能充分整合多維度學(xué)習(xí)數(shù)據(jù)，如學(xué)習(xí)習(xí)慣、興趣偏好和目標(biāo)規(guī)劃，導(dǎo)致個(gè)性化推薦的精準(zhǔn)度受限。2）動(dòng)態(tài)出題策略不完善：現(xiàn)有方法缺乏高效的自適應(yīng)優(yōu)化機(jī)制，難以基于實(shí)時(shí)反饋調(diào)整題目難度、題型分布和知識(shí)點(diǎn)覆蓋范圍，影響個(gè)性化學(xué)習(xí)體驗(yàn)。3）多模態(tài)信息融合能力不足：當(dāng)前系統(tǒng)主要依賴文本數(shù)據(jù)進(jìn)行出題，而忽略了圖像、語音等多模態(tài)信息對(duì)學(xué)習(xí)效果的增強(qiáng)作用，導(dǎo)致題目呈現(xiàn)方式單一，難以滿足不同學(xué)習(xí)場(chǎng)景的需求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有技術(shù)中存在的問題，并公開了一種基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法及系統(tǒng)。

2、本發(fā)明所采用的具體技術(shù)方案如下：

3、第一方面，本發(fā)明提供了一種基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法，其包括：

4、s1、獲取目標(biāo)學(xué)生用戶的多維度信息數(shù)據(jù)，包括歷史答題記錄、各學(xué)科歷史成績(jī)和學(xué)習(xí)方向引導(dǎo)信息，并通過特征工程構(gòu)造為結(jié)構(gòu)化的學(xué)生特征向量；

5、s2、將學(xué)生特征向量輸入預(yù)訓(xùn)練的知識(shí)點(diǎn)掌握程度評(píng)估模型中，獲得目標(biāo)學(xué)生用戶在完整知識(shí)點(diǎn)分布中每個(gè)知識(shí)點(diǎn)上的掌握程度評(píng)分，再基于目標(biāo)學(xué)生用戶在所有知識(shí)點(diǎn)上的掌握程度評(píng)分計(jì)算知識(shí)點(diǎn)覆蓋度；

6、s3、從當(dāng)前題庫中抽取擬推薦給目標(biāo)學(xué)生的默認(rèn)試題集合，并分析所述默認(rèn)試題集合在所有知識(shí)點(diǎn)上的題目難度分布；將目標(biāo)學(xué)生用戶在所有知識(shí)點(diǎn)上的掌握程度評(píng)分，通過注意力機(jī)制轉(zhuǎn)換為每個(gè)知識(shí)點(diǎn)的注意力權(quán)重，再利用所述注意力權(quán)重對(duì)所述題目難度分布進(jìn)行動(dòng)態(tài)調(diào)整，將注意力權(quán)重超過權(quán)重閾值的知識(shí)點(diǎn)對(duì)應(yīng)的題目難度調(diào)高，將注意力權(quán)重低于權(quán)重閾值的知識(shí)點(diǎn)對(duì)應(yīng)的題目難度調(diào)低，獲得調(diào)整后的題目難度分布；

7、s4、將目標(biāo)學(xué)生的默認(rèn)試題、所述目標(biāo)學(xué)生用戶在所有知識(shí)點(diǎn)上的掌握程度評(píng)分、所述知識(shí)點(diǎn)覆蓋度、所述調(diào)整后的題目難度分布，結(jié)合提示詞模板構(gòu)造為提示詞文本，將提示詞文本輸入由大語言模型（llm）在出題任務(wù)上微調(diào)后得到的個(gè)性化出題模型中，由個(gè)性化出題模型輸出新的試題集合并推送給目標(biāo)學(xué)生用戶。

8、作為上述第一方面的優(yōu)選，所述學(xué)習(xí)方向引導(dǎo)信息包含針對(duì)目標(biāo)學(xué)生用戶給出的需要重點(diǎn)學(xué)習(xí)的學(xué)科和/或每個(gè)學(xué)科中需要重點(diǎn)學(xué)習(xí)的知識(shí)點(diǎn)。

9、作為上述第一方面的優(yōu)選，所述知識(shí)點(diǎn)掌握程度評(píng)估模型通過將多層感知機(jī)、隨機(jī)森林、支持向量機(jī)或卷積神經(jīng)網(wǎng)絡(luò)在標(biāo)注數(shù)據(jù)集上進(jìn)行監(jiān)督訓(xùn)練得到。

10、作為上述第一方面的優(yōu)選，所述知識(shí)點(diǎn)覆蓋度基于教師用戶預(yù)定義的知識(shí)點(diǎn)掌握程度期望分布以及目標(biāo)學(xué)生用戶在所有知識(shí)點(diǎn)上的掌握程度評(píng)分進(jìn)行計(jì)算，計(jì)算方式為：針對(duì)所述完整知識(shí)點(diǎn)分布中的每個(gè)知識(shí)點(diǎn)，將該知識(shí)點(diǎn)在知識(shí)點(diǎn)掌握程度期望分布中對(duì)應(yīng)的掌握程度期望分值與目標(biāo)學(xué)生用戶在該知識(shí)點(diǎn)上的掌握程度評(píng)分進(jìn)行比較，取較小者作為表征值，然后將所有知識(shí)點(diǎn)的表征值之和與所有知識(shí)點(diǎn)的掌握程度期望分值之和計(jì)算比值，計(jì)算得到的比值作為目標(biāo)學(xué)生用戶當(dāng)前的知識(shí)點(diǎn)覆蓋度。

11、作為上述第一方面的優(yōu)選，將所述大語言模型（llm）在出題任務(wù)上進(jìn)行微調(diào)時(shí)，以知識(shí)點(diǎn)覆蓋度和知識(shí)點(diǎn)難度匹配度之和最大化為優(yōu)化目標(biāo)對(duì)所述大語言模型的模型參數(shù)進(jìn)行優(yōu)化，得到個(gè)性化出題模型。

12、作為上述第一方面的優(yōu)選，所述知識(shí)點(diǎn)難度匹配度為輸入模型的調(diào)整后的題目難度分布與模型輸出的新的試題集合的題目難度分布的均方誤差。

13、作為上述第一方面的優(yōu)選，所述個(gè)性化出題模型在實(shí)際應(yīng)用過程中，需通過收集反饋數(shù)據(jù)構(gòu)建增量學(xué)習(xí)數(shù)據(jù)集，以知識(shí)點(diǎn)覆蓋度和知識(shí)點(diǎn)難度匹配度之和最大化為優(yōu)化目標(biāo)，通過貝葉斯優(yōu)化算法對(duì)個(gè)性化出題模型的模型參數(shù)進(jìn)行定期更新優(yōu)化。

14、第二方面，本發(fā)明提供了一種基于大語言模型的個(gè)性化動(dòng)態(tài)出題系統(tǒng)，其包括：

15、信息采集模塊，用于記錄在線學(xué)習(xí)平臺(tái)上各個(gè)學(xué)生用戶的多維度信息數(shù)據(jù)；

16、目標(biāo)用戶選擇模塊，用于供用戶選擇需要進(jìn)行個(gè)性化推送試題的目標(biāo)學(xué)生用戶；

17、個(gè)性化推送模塊，用于根據(jù)所述信息采集模塊中記錄的多維度信息數(shù)據(jù)，按照如上述第一方面任一方案所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法，針對(duì)用戶選擇的目標(biāo)學(xué)生用戶執(zhí)行個(gè)性化試題推送。

18、第三方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上述第一方面任一方案所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法。

19、第四方面，本發(fā)明提供了一種計(jì)算機(jī)電子設(shè)備，其包括存儲(chǔ)器和處理器；

20、所述存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；

21、所述處理器，用于當(dāng)執(zhí)行所述計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)如上述第一方面任一方案所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法。

22、本發(fā)明相對(duì)于現(xiàn)有技術(shù)而言，具有以下有益效果：

23、本發(fā)明提供了一種基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法及系統(tǒng)。本發(fā)明通過多維度數(shù)據(jù)驅(qū)動(dòng)的動(dòng)態(tài)出題機(jī)制，結(jié)合學(xué)生的歷史答題記錄、各學(xué)科歷史成績(jī)及學(xué)習(xí)方向引導(dǎo)等多源信息，構(gòu)建了智能化、個(gè)性化的動(dòng)態(tài)出題模型。該方法利用大語言模型的強(qiáng)大語義理解與生成能力，可以分析學(xué)生的學(xué)習(xí)軌跡，動(dòng)態(tài)調(diào)整題目難度、題型分布及知識(shí)點(diǎn)覆蓋范圍，從而實(shí)現(xiàn)精準(zhǔn)化、個(gè)性化的題目推薦。

技術(shù)特征：

1.一種基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法，其特征在于，所述學(xué)習(xí)方向引導(dǎo)信息包含針對(duì)目標(biāo)學(xué)生用戶給出的需要重點(diǎn)學(xué)習(xí)的學(xué)科和/或每個(gè)學(xué)科中需要重點(diǎn)學(xué)習(xí)的知識(shí)點(diǎn)。

3.如權(quán)利要求1所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法，其特征在于，所述知識(shí)點(diǎn)掌握程度評(píng)估模型通過將多層感知機(jī)、隨機(jī)森林、支持向量機(jī)或卷積神經(jīng)網(wǎng)絡(luò)在標(biāo)注數(shù)據(jù)集上進(jìn)行監(jiān)督訓(xùn)練得到。

4.如權(quán)利要求1所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法，其特征在于，所述知識(shí)點(diǎn)覆蓋度基于教師用戶預(yù)定義的知識(shí)點(diǎn)掌握程度期望分布以及目標(biāo)學(xué)生用戶在所有知識(shí)點(diǎn)上的掌握程度評(píng)分進(jìn)行計(jì)算，計(jì)算方式為：針對(duì)所述完整知識(shí)點(diǎn)分布中的每個(gè)知識(shí)點(diǎn)，將該知識(shí)點(diǎn)在知識(shí)點(diǎn)掌握程度期望分布中對(duì)應(yīng)的掌握程度期望分值與目標(biāo)學(xué)生用戶在該知識(shí)點(diǎn)上的掌握程度評(píng)分進(jìn)行比較，取較小者作為表征值，然后將所有知識(shí)點(diǎn)的表征值之和與所有知識(shí)點(diǎn)的掌握程度期望分值之和計(jì)算比值，計(jì)算得到的比值作為目標(biāo)學(xué)生用戶當(dāng)前的知識(shí)點(diǎn)覆蓋度。

5.如權(quán)利要求1所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法，其特征在于，將所述大語言模型在出題任務(wù)上進(jìn)行微調(diào)時(shí)，以知識(shí)點(diǎn)覆蓋度和知識(shí)點(diǎn)難度匹配度之和最大化為優(yōu)化目標(biāo)對(duì)所述大語言模型的模型參數(shù)進(jìn)行優(yōu)化，得到個(gè)性化出題模型。

6.如權(quán)利要求5所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法，其特征在于，所述知識(shí)點(diǎn)難度匹配度為輸入模型的調(diào)整后的題目難度分布與模型輸出的新的試題集合的題目難度分布的均方誤差。

7.如權(quán)利要求5所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法，其特征在于，所述個(gè)性化出題模型在實(shí)際應(yīng)用過程中，需通過收集反饋數(shù)據(jù)構(gòu)建增量學(xué)習(xí)數(shù)據(jù)集，以知識(shí)點(diǎn)覆蓋度和知識(shí)點(diǎn)難度匹配度之和最大化為優(yōu)化目標(biāo)，通過貝葉斯優(yōu)化算法對(duì)個(gè)性化出題模型的模型參數(shù)進(jìn)行定期更新優(yōu)化。

8.一種基于大語言模型的個(gè)性化動(dòng)態(tài)出題系統(tǒng)，其特征在于，包括：

9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1~7任一所述的基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法。

10.一種計(jì)算機(jī)電子設(shè)備，其特征在于，包括存儲(chǔ)器和處理器；

技術(shù)總結(jié)
本發(fā)明公開了一種基于大語言模型的個(gè)性化動(dòng)態(tài)出題方法及系統(tǒng)。該方法的步驟如下：S1、采集學(xué)生歷史答題記錄、學(xué)科成績(jī)和學(xué)習(xí)方向等多源數(shù)據(jù)，構(gòu)建結(jié)構(gòu)化特征向量；S2、通過預(yù)訓(xùn)練模型評(píng)估學(xué)生對(duì)完整知識(shí)體系的掌握程度，并計(jì)算知識(shí)點(diǎn)覆蓋度；S3、從題庫抽取默認(rèn)試題集，利用注意力機(jī)制將學(xué)生的知識(shí)點(diǎn)掌握評(píng)分轉(zhuǎn)換為權(quán)重，動(dòng)態(tài)調(diào)整題目難度分布，強(qiáng)化薄弱環(huán)節(jié)訓(xùn)練；S4、融合學(xué)生特征、掌握評(píng)分、覆蓋度及調(diào)整后的難度分布，通過大語言模型微調(diào)的個(gè)性化出題模型生成試題并推送。本發(fā)明利用大語言模型的強(qiáng)大語義理解與生成能力，可以分析學(xué)生的學(xué)習(xí)軌跡，動(dòng)態(tài)調(diào)整題目難度、題型分布及知識(shí)點(diǎn)覆蓋范圍，從而實(shí)現(xiàn)精準(zhǔn)化、個(gè)性化的題目推薦。

技術(shù)研發(fā)人員：肖俊,蔣云良,黃昌勤,王士進(jìn),朱雁來
受保護(hù)的技術(shù)使用者：浙江大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/28