本發明涉及教育學習，具體為基于強化學習的英語詞匯智能學習路徑規劃系統及方法。

背景技術：

1、在全球化進程加速與教育理念革新的雙重驅動下，英語詞匯學習正經歷從機械記憶到能力培養的范式轉型。認知科學研究揭示了人類記憶與理解的深層機制，強調通過語義網絡構建、情境化聯覺及分布式練習提升詞匯活化率，而非單純依賴重復背誦。同時，通過系統化分級體系、真實語境模擬及任務型輸出設計，幫助學習者在動態語言環境中實現從知識積累到交際能力的自然轉化，最終形成可持續的自主學習生態。

2、例如公告號為cn112149994b的發明專利，為一種基于統計分析的英語個人能力追蹤學習系統，包括英語個人能力測試與分析模塊、學習路徑規劃模塊、學員能力與課程匹配模塊、輔導資源模塊和學員能力追蹤模塊、真題檢驗模塊；該申請以學員考試樣本的統計分析為基礎，以英語能力測試為起點，以針對學員設定學習目標的路徑規劃為導向，對學員每一步的學習過程和進步，進行追蹤和評估，計算學員的進步值和離學習目標的距離，并輔以真題檢驗對評估的進步值、能力值、學習路徑推算的精準性，進行不斷循環修正；系統對課程和輔導資源進行了詳細的標簽說明，學員學習中所產生的數據，都將進入系統中的學員個人數據庫，反映出每天的學習進步情況。

3、例如公告號為cn112734142b的發明專利，為基于深度學習的資源學習路徑規劃方法及裝置，涉及人工智能技術，包括先實時采集虛擬對象的學習數據點擊記錄，并存儲至虛擬對象數據庫；之后在虛擬對象數據庫中根據篩選條件獲取目標數據組成樣本集，以進行模型訓練得到預測模型；最后若接收到當前課程子軌跡信息初始輸入特征，將其輸入至預測模型進行運算得到輸出結果。

4、但本技術在實現本技術技術方案的過程中，發現上述技術至少存在如下技術問題：當前學習者的學習效果僅依靠測試結果進行反映，然而學習者在實際學習中會受到外界因素干擾，導致測試結果無法準確反映學習者的真實學習情況，進而影響到個性化學習路徑的動態調整，降低學習者的學習效率。

技術實現思路

1、針對現有技術的不足，本發明提供了基于強化學習的英語詞匯智能學習路徑規劃系統及方法，能夠有效解決上述背景技術中涉及的問題。

2、為實現以上目的，本發明通過以下技術方案予以實現：本發明第一方面提供了基于強化學習的英語詞匯智能學習路徑規劃系統，包括：學習路徑初步規劃模塊，用于獲取學習者個體特征信息，進行詞匯學習路徑初步規劃，所述詞匯學習路徑初步規劃包括詞庫匹配、學習起點設置和學習任務劃分；學習設備反饋模塊，用于實時采集學習者的學習設備性能數據，并將學習設備性能數據對學習效果的干擾程度進行量化處理，得到學習設備干擾量化指標，判斷學習設備性能是否會對學習效果產生干擾并進行反饋；學習效果分析模塊，用于對學習者的學習環境進行監測，并實時采集學習者交互數據，結合學習設備干擾量化指標評估學習者的詞匯學習效果檢測結果參考價值；學習路徑更新模塊，用于獲取詞匯學習效果，并根據詞匯學習效果檢測結果參考價值，判斷詞匯學習任務是否完成，根據詞匯學習任務完成情況進行學習路徑更新。

3、作為進一步的方法，所述進行詞匯學習路徑初步規劃，具體過程為：所述學習者個體特征信息，包括學習者基礎詞匯測試結果、設定的學習時間和學習目標；根據學習者設定的學習目標匹配得到學習詞庫；根據學習者基礎詞匯測試結果設置學習者的學習起點；所述學習任務包括各待學習詞匯和各詞匯練習方式。

4、作為進一步的方法，所述將學習設備性能數據對學習效果的干擾程度進行量化處理，具體過程為：所述學習設備性能數據包括cpu占用率、內存占用率和詞匯刷新響應延遲；對于cpu占用率和內存占用率，根據設備硬件規格設定最大理論占用率作為基準值，將實際占用率轉換為相對于基準值的比例，對于詞匯刷新響應延遲，基于歷史學習任務中學習設備響應的最低響應延遲和最高響應延遲設定動態基準范圍，將詞匯刷新響應延遲映射至所述基準范圍內的標準化數值，并按照預設的設備干擾權重系數進行加權處理，生成學習設備干擾量化指標，所述學習設備干擾量化指標用于量化評估學習設備性能對學習者學習效果的干擾程度。

5、作為進一步的方法，所述判斷學習設備性能是否會對學習效果產生干擾并進行反饋，具體過程為：從詞匯學習數據庫中獲取預設的學習設備干擾量化指標閾值；將學習設備干擾量化指標與學習設備干擾量化指標閾值進行比對，若學習設備干擾量化指標小于學習設備干擾量化指標閾值，則將學習設備干擾標記為可忽視干擾，不納入詞匯學習效果檢測結果參考價值評估；若學習設備干擾量化指標不小于學習設備干擾量化指標閾值，則將學習設備干擾標記為顯著干擾，并向學習者推送學習設備干擾提示，將學習設備干擾納入詞匯學習效果檢測結果參考價值評估。

6、作為進一步的方法，所述評估學習者的詞匯學習效果檢測結果參考價值，具體過程為：對學習者交互數據進行處理得到學習者各詞匯的綜合交互異常評估參量；通過融合學習環境監測數據、學習設備干擾量化指標以及學習者各詞匯的綜合交互異常評估參量，構建各詞匯多維可信度評估模型，得到各詞匯多維可信度評估值，所述詞匯多維可信度評估值用于量化評估詞匯學習效果檢測結果參考價值；所述學習環境監測數據包括各監測時間點的光照強度、噪聲分貝值和設備傾斜角度。

7、作為進一步的方法，所述對學習者交互數據進行處理得到學習者各詞匯的綜合交互異常評估參量，具體過程為：基于歷史任務中全體用戶的交互數據，建立詞匯學習時長、練習類型耗時比例及交互頻率的群體基準數據集；針對當前學習者的交互數據，分別處理得到各詞匯學習時長與基準時長的偏差比例、各練習類型的耗時比例與基準比例的偏離幅度，以及各詞匯學習過程的交互頻率與基準頻率的差異系數；采用動態加權對上述偏差進行聚合，生成學習者各詞匯的綜合交互異常評估參量，所述學習者各詞匯的綜合交互異常評估參量用于表征當前學習者交互行為與群體標準的整體偏離程度；所述學習者交互數據，包括各詞匯學習時長、各詞匯各練習類型的耗時比例和各詞匯學習過程的交互頻率。

8、作為進一步的方法，所述判斷詞匯學習任務是否完成，根據詞匯學習任務完成情況進行學習路徑更新，具體過程為：所述詞匯學習效果包括各詞匯練習正確率；將各詞匯多維可信度評估值與詞匯學習數據庫中預設的各詞匯多維可信度評估值區間對應的詞匯練習正確率閾值進行匹配，并將各詞匯練習正確率與各詞匯練習正確率閾值進行對比；若某詞匯練習正確率不小于該詞匯練習正確率閾值，則將該詞匯標記為有效學習詞匯，反之，則將該詞匯標記為無效學習詞匯，并統計無效學習詞匯個數；根據無效學習詞匯個數和各詞匯多維可信度評估值，處理得到詞匯學習任務完成度，并根據詞匯學習任務完成度進行學習路徑更新。

9、作為進一步的方法，所述根據詞匯學習任務完成度進行學習路徑更新，包括：將詞匯學習任務完成度與詞匯學習數據庫中預設的詞匯學習任務完成度閾值進行對比，若詞匯學習任務完成度小于詞匯學習任務完成度閾值，則將詞匯學習任務標記為未完成學習任務，強化學習模型獲取未完成學習任務重新進行練習任務分配。

10、作為進一步的方法，所述根據詞匯學習任務完成度進行學習路徑更新，還包括：若詞匯學習任務完成度不小于詞匯學習任務完成度閾值，則強化學習模型對詞匯學習任務進行復習任務分配，并獲取該詞匯學習任務中的無效學習詞匯，針對無效學習詞匯重新進行練習任務分配。

11、本發明第二方面提供了基于強化學習的英語詞匯智能學習路徑規劃方法，包括：s1.獲取學習者個體特征信息，進行詞匯學習路徑初步規劃，所述詞匯學習路徑初步規劃包括詞庫匹配、學習起點設置和學習任務劃分；s2.實時采集學習者的學習設備性能數據，并將學習設備性能數據對學習效果的干擾程度進行量化處理，得到學習設備干擾量化指標，判斷學習設備性能是否會對學習效果產生干擾并進行反饋；s3.對學習者的學習環境進行監測，并實時采集學習者交互數據，結合學習設備干擾量化指標評估學習者的詞匯學習效果檢測結果參考價值；s4.獲取詞匯學習效果，并根據詞匯學習效果檢測結果參考價值，判斷詞匯學習任務是否完成，根據詞匯學習任務完成情況進行學習路徑更新。

12、相對于現有技術，本發明的實施例至少具有如下有益效果：

13、（1）本發明通過提供基于強化學習的英語詞匯智能學習路徑規劃系統及方法，獲取學習者的基礎詞匯測試結果、計劃學習時間及目標，結合動態詞庫匹配與學習起點設置，實現了學習路徑的個性化規劃。采用強化學習模型對詞匯任務進行動態劃分，將詞匯難度梯度、使用頻率與多模態練習方式融合至階段性任務中，解決了傳統方法中學習路徑僵化、任務分配與用戶能力脫節的問題，從而在保障學習目標達成率的同時，顯著提升了詞匯練習的針對性和時間資源利用率。

14、（2）本發明通過分析學習設備干擾并與預設閾值進行比對，觸發分級響應策略，在數據源頭過濾因設備性能劣化導致的低可信度學習效果數據，實現了設備干擾的精準感知與動態補償，有助于在復雜硬件環境下維持學習路徑規劃的一致性與穩定性，尤其在高并發任務或低性能設備場景中，可以幫助降低因設備卡頓引發的誤判率，提升個性化學習路徑更新的可靠性與抗干擾容錯能力。

15、（3）本發明通過融合學習環境監測數據、學習設備干擾量化指標及學習者各詞匯的綜合交互異常評估參量，構建多維可信度評估模型，解決了傳統方案中單一依賴用戶行為或設備指標的局限性。同時提高學習效果參考價值的判定準確率，尤其在設備與環境干擾未直接反映至用戶顯性行為的復雜場景中，確保學習路徑動態更新的魯棒性與抗干擾性。

16、當然，實施本發明的任一產品并不一定需要同時達到以上所述的所有優點。