本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種基于多ai模型的學生指導數(shù)據(jù)處理方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)教學模式存在著忽視學生個體差異、缺乏個性化支持和限制學生主動性等弊端。而個性化教學以學生為中心，注重滿足學生的學習需求和提高學習效果。它通過個性化的教學資源、自主學習和參與度的培養(yǎng)以及個性化反饋的提供，能夠更好地滿足學生的學習特點和需求，并培養(yǎng)學生的終身學習能力。個性化教學的實施將為學生提供更有針對性和有效性的教育，促進他們?nèi)姘l(fā)展和取得更好的學習成果?，F(xiàn)有的技術(shù)方案在實現(xiàn)對學生的個性化指導時仍然很大程度上依賴人工對學生的性格和學習情況進行分析來確定指導方案，沒有考慮到多個科目對應(yīng)的ai模型來實現(xiàn)對學生指導方案的全面預測，因此其無法全面分析學生的學習情況，指導效果有所欠缺。可見，現(xiàn)有技術(shù)存在缺陷，亟待解決。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于，提供一種基于多ai模型的學生指導數(shù)據(jù)處理方法及系統(tǒng)，能夠基于多科目或多策略的ai模型來實現(xiàn)對學生的學習情況的全面分析，實現(xiàn)更有針對性的學習指導，提高學習指導效果。

2、為了解決上述技術(shù)問題，本發(fā)明第一方面公開了一種基于多ai模型的學生指導數(shù)據(jù)處理方法，所述方法包括：

3、獲取待指導學生對應(yīng)的學生參數(shù)和考試數(shù)據(jù)；

4、將所述學生參數(shù)輸入至多個關(guān)聯(lián)科目或關(guān)聯(lián)學習策略對應(yīng)的多個方案預測ai模型中，以得到多個推薦學習方案；

5、將所述考試數(shù)據(jù)輸入至多個關(guān)聯(lián)科目或關(guān)聯(lián)學習策略對應(yīng)的多個成績分析ai模型中，以得到多個成績分析結(jié)果；

6、根據(jù)所述多個成績分析結(jié)果對所述多個推薦學習方案進行整合和校正，以得到所述待指導學生對應(yīng)的下一階段的學習指導方案。

7、作為一個可選的實施方式，在本發(fā)明第一方面中，所述學生參數(shù)包括學生年級、學生年齡、學生班級、學生性別和學生生理參數(shù)。

8、作為一個可選的實施方式，在本發(fā)明第一方面中，所述將所述學生參數(shù)輸入至多個關(guān)聯(lián)科目或關(guān)聯(lián)學習策略對應(yīng)的多個方案預測ai模型中，以得到多個推薦學習方案，包括：

9、根據(jù)預設(shè)的學生參數(shù)和學習科目或?qū)W習策略的對應(yīng)規(guī)則，確定出所述學生參數(shù)對應(yīng)的多個關(guān)聯(lián)科目和多個關(guān)聯(lián)學習策略；

10、在預設(shè)的預測模型庫中確定出每一所述關(guān)聯(lián)科目對應(yīng)的方案預測ai模型和每一所述關(guān)聯(lián)學習策略對應(yīng)的方案預測ai模型；

11、將所述學生參數(shù)輸入至每一所述方案預測ai模型中，以得到多個所述方案預測ai模型輸出的多個推薦學習方案。

12、作為一個可選的實施方式，在本發(fā)明第一方面中，所述關(guān)聯(lián)學習策略為認知策略、元認知策略或資源管理策略；所述認知策略為復述策略、精加工策略或組織策略；所述元認知策略為計劃策略、監(jiān)視策略或調(diào)節(jié)策略；所述方案預測ai模型為llm模型，通過包括有對應(yīng)的關(guān)聯(lián)科目或關(guān)聯(lián)學習策略相關(guān)的多個訓練學習參數(shù)和對應(yīng)的推薦學習方案的訓練數(shù)據(jù)集訓練得到。

13、作為一個可選的實施方式，在本發(fā)明第一方面中，所述將所述考試數(shù)據(jù)輸入至多個關(guān)聯(lián)科目或關(guān)聯(lián)學習策略對應(yīng)的多個成績分析ai模型中，以得到多個成績分析結(jié)果，包括：

14、將所述考試數(shù)據(jù)輸入至預設(shè)的類型分類器算法模型中，以得到所述考試數(shù)據(jù)中的多個不同考試類型的數(shù)據(jù)部分；所述考試類型為預習考試、復習考試、期中考試、期末考試、單科考試或交叉科目考試；

15、在預設(shè)的預測模型庫中確定出每一所述關(guān)聯(lián)科目對應(yīng)的成績分析ai模型和每一所述關(guān)聯(lián)學習策略對應(yīng)的成績分析ai模型；所述成績分析ai模型為llm模型，通過包括有多個考試數(shù)據(jù)和對應(yīng)的成績分析結(jié)論標注的訓練數(shù)據(jù)集訓練得到；

16、將所述數(shù)據(jù)部分輸入至每一所述成績分析ai模型中，以得到多個所述成績分析ai模型輸出的多個成績分析結(jié)果。

17、作為一個可選的實施方式，在本發(fā)明第一方面中，所述將所述數(shù)據(jù)部分輸入至每一所述成績分析ai模型中，以得到多個所述成績分析ai模型輸出的多個成績分析結(jié)果，包括：

18、對于每一所述成績分析ai模型，獲取該成績分析ai模型的歷史訓練記錄和歷史分析記錄；

19、計算每一所述數(shù)據(jù)部分對應(yīng)的所述考試類型和所述歷史訓練記錄中的所有考試數(shù)據(jù)中的考試類型標注之間的第一相似度；

20、計算每一所述數(shù)據(jù)部分對應(yīng)的所述考試類型和所述歷史分析記錄中的所有分析輸入考試數(shù)據(jù)中的考試類型信息之間的第二相似度；

21、計算每一所述數(shù)據(jù)部分對應(yīng)的所述第一相似度和所述第二相似度的成績，得到每一所述數(shù)據(jù)部分對應(yīng)的匹配度；

22、將所述匹配度高于預設(shè)的匹配度閾值的所有所述數(shù)據(jù)部分的并集，確定為該成績分析ai模型對應(yīng)的待分析考試數(shù)據(jù)；

23、將對應(yīng)的所述待分析考試數(shù)據(jù)輸入至每一所述成績分析ai模型中，以得到多個所述成績分析ai模型輸出的多個成績分析結(jié)果。

24、作為一個可選的實施方式，在本發(fā)明第一方面中，所述根據(jù)所述多個成績分析結(jié)果對所述多個推薦學習方案進行整合和校正，以得到所述待指導學生對應(yīng)的下一階段的學習指導方案，包括：

25、計算所述多個成績分析結(jié)果中的分析結(jié)論的交集，得到所述待指導學生對應(yīng)的分析結(jié)論集合；

26、計算所述分析結(jié)論集合中的每一分析結(jié)論和每一所述推薦學習方案之間的指導匹配程度；

27、對于每一所述推薦學習方案，計算該推薦學習方案對應(yīng)的所有所述指導匹配程度的加權(quán)求和平均值，得到該推薦學習方案對應(yīng)的匹配參數(shù)；

28、計算該推薦學習方案的方案內(nèi)容和所有其他的所述推薦學習方案的方案內(nèi)容之間的相似度的平均值，得到該推薦學習方案對應(yīng)的方案合理參數(shù)；

29、計算所述匹配參數(shù)和所述方案合理參數(shù)的乘積，得到該推薦學習方案的推薦參數(shù)；

30、根據(jù)所述推薦參數(shù)從高到低對所有所述推薦學習方案進行排序得到方案序列；

31、將所述方案序列中第一位的所述推薦學習方案確定為基礎(chǔ)學習方案，將所述方案序列前預設(shè)數(shù)量個除所述基礎(chǔ)學習方案以外的所述推薦學習方案確定為校正學習方案；

32、將所有所述校正學習方案組成用于校正指示的提示語，與所述基礎(chǔ)學習方案輸入至預設(shè)的llm模型中，以得到輸出的所述待指導學生對應(yīng)的下一階段的學習指導方案。

33、作為一個可選的實施方式，在本發(fā)明第一方面中，所述計算所述分析結(jié)論集合中的每一分析結(jié)論和每一所述推薦學習方案之間的指導匹配程度，包括：

34、對于所述分析結(jié)論結(jié)合中的每一分析結(jié)論和每一所述推薦學習方案，將該分析結(jié)論輸入至該推薦學習方案對應(yīng)的所述方案預測ai模型中，以得到輸出的再次推薦方案；

35、計算該推薦學習方案和所述再次推薦方案之間的第一相似度；

36、將該推薦學習方案對應(yīng)的歷史應(yīng)用記錄中的所有應(yīng)用前考試數(shù)據(jù)輸入至該分析結(jié)論對應(yīng)的所述成績分析ai模型中，以得到輸出的再次分析結(jié)果；

37、計算該分析結(jié)論和所述再次分析結(jié)果之間的第二相似度；

38、計算所述第一相似度和所述第二相似度的乘積，以得到該分析結(jié)論和該推薦學習方案之間的指導匹配程度。

39、本發(fā)明實施例第二方面公開了一種基于多ai模型的學生指導數(shù)據(jù)處理系統(tǒng)，所述系統(tǒng)包括：

40、獲取模塊，用于獲取待指導學生對應(yīng)的學生參數(shù)和考試數(shù)據(jù)；

41、推薦模塊，用于將所述學生參數(shù)輸入至多個關(guān)聯(lián)科目或關(guān)聯(lián)學習策略對應(yīng)的多個方案預測ai模型中，以得到多個推薦學習方案；

42、分析模塊，用于將所述考試數(shù)據(jù)輸入至多個關(guān)聯(lián)科目或關(guān)聯(lián)學習策略對應(yīng)的多個成績分析ai模型中，以得到多個成績分析結(jié)果；

43、指導模塊，用于根據(jù)所述多個成績分析結(jié)果對所述多個推薦學習方案進行整合和校正，以得到所述待指導學生對應(yīng)的下一階段的學習指導方案。

44、作為一個可選的實施方式，在本發(fā)明第二方面中，所述學生參數(shù)包括學生年級、學生年齡、學生班級、學生性別和學生生理參數(shù)。

45、作為一個可選的實施方式，在本發(fā)明第二方面中，所述推薦模塊將所述學生參數(shù)輸入至多個關(guān)聯(lián)科目或關(guān)聯(lián)學習策略對應(yīng)的多個方案預測ai模型中，以得到多個推薦學習方案的具體方式，包括：

46、根據(jù)預設(shè)的學生參數(shù)和學習科目或?qū)W習策略的對應(yīng)規(guī)則，確定出所述學生參數(shù)對應(yīng)的多個關(guān)聯(lián)科目和多個關(guān)聯(lián)學習策略；

47、在預設(shè)的預測模型庫中確定出每一所述關(guān)聯(lián)科目對應(yīng)的方案預測ai模型和每一所述關(guān)聯(lián)學習策略對應(yīng)的方案預測ai模型；

48、將所述學生參數(shù)輸入至每一所述方案預測ai模型中，以得到多個所述方案預測ai模型輸出的多個推薦學習方案。

49、作為一個可選的實施方式，在本發(fā)明第二方面中，所述關(guān)聯(lián)學習策略為認知策略、元認知策略或資源管理策略；所述認知策略為復述策略、精加工策略或組織策略；所述元認知策略為計劃策略、監(jiān)視策略或調(diào)節(jié)策略；所述方案預測ai模型為llm模型，通過包括有對應(yīng)的關(guān)聯(lián)科目或關(guān)聯(lián)學習策略相關(guān)的多個訓練學習參數(shù)和對應(yīng)的推薦學習方案的訓練數(shù)據(jù)集訓練得到。

50、作為一個可選的實施方式，在本發(fā)明第二方面中，所述分析模塊將所述考試數(shù)據(jù)輸入至多個關(guān)聯(lián)科目或關(guān)聯(lián)學習策略對應(yīng)的多個成績分析ai模型中，以得到多個成績分析結(jié)果的具體方式，包括：

51、將所述考試數(shù)據(jù)輸入至預設(shè)的類型分類器算法模型中，以得到所述考試數(shù)據(jù)中的多個不同考試類型的數(shù)據(jù)部分；所述考試類型為預習考試、復習考試、期中考試、期末考試、單科考試或交叉科目考試；

52、在預設(shè)的預測模型庫中確定出每一所述關(guān)聯(lián)科目對應(yīng)的成績分析ai模型和每一所述關(guān)聯(lián)學習策略對應(yīng)的成績分析ai模型；所述成績分析ai模型為llm模型，通過包括有多個考試數(shù)據(jù)和對應(yīng)的成績分析結(jié)論標注的訓練數(shù)據(jù)集訓練得到；

53、將所述數(shù)據(jù)部分輸入至每一所述成績分析ai模型中，以得到多個所述成績分析ai模型輸出的多個成績分析結(jié)果。

54、作為一個可選的實施方式，在本發(fā)明第二方面中，所述分析模塊將所述數(shù)據(jù)部分輸入至每一所述成績分析ai模型中，以得到多個所述成績分析ai模型輸出的多個成績分析結(jié)果的具體方式，包括：

55、對于每一所述成績分析ai模型，獲取該成績分析ai模型的歷史訓練記錄和歷史分析記錄；

56、計算每一所述數(shù)據(jù)部分對應(yīng)的所述考試類型和所述歷史訓練記錄中的所有考試數(shù)據(jù)中的考試類型標注之間的第一相似度；

57、計算每一所述數(shù)據(jù)部分對應(yīng)的所述考試類型和所述歷史分析記錄中的所有分析輸入考試數(shù)據(jù)中的考試類型信息之間的第二相似度；

58、計算每一所述數(shù)據(jù)部分對應(yīng)的所述第一相似度和所述第二相似度的成績，得到每一所述數(shù)據(jù)部分對應(yīng)的匹配度；

59、將所述匹配度高于預設(shè)的匹配度閾值的所有所述數(shù)據(jù)部分的并集，確定為該成績分析ai模型對應(yīng)的待分析考試數(shù)據(jù)；

60、將對應(yīng)的所述待分析考試數(shù)據(jù)輸入至每一所述成績分析ai模型中，以得到多個所述成績分析ai模型輸出的多個成績分析結(jié)果。

61、作為一個可選的實施方式，在本發(fā)明第二方面中，所述指導模塊根據(jù)所述多個成績分析結(jié)果對所述多個推薦學習方案進行整合和校正，以得到所述待指導學生對應(yīng)的下一階段的學習指導方案的具體方式，包括：

62、計算所述多個成績分析結(jié)果中的分析結(jié)論的交集，得到所述待指導學生對應(yīng)的分析結(jié)論集合；

63、計算所述分析結(jié)論集合中的每一分析結(jié)論和每一所述推薦學習方案之間的指導匹配程度；

64、對于每一所述推薦學習方案，計算該推薦學習方案對應(yīng)的所有所述指導匹配程度的加權(quán)求和平均值，得到該推薦學習方案對應(yīng)的匹配參數(shù)；

65、計算該推薦學習方案的方案內(nèi)容和所有其他的所述推薦學習方案的方案內(nèi)容之間的相似度的平均值，得到該推薦學習方案對應(yīng)的方案合理參數(shù)；

66、計算所述匹配參數(shù)和所述方案合理參數(shù)的乘積，得到該推薦學習方案的推薦參數(shù)；

67、根據(jù)所述推薦參數(shù)從高到低對所有所述推薦學習方案進行排序得到方案序列；

68、將所述方案序列中第一位的所述推薦學習方案確定為基礎(chǔ)學習方案，將所述方案序列前預設(shè)數(shù)量個除所述基礎(chǔ)學習方案以外的所述推薦學習方案確定為校正學習方案；

69、將所有所述校正學習方案組成用于校正指示的提示語，與所述基礎(chǔ)學習方案輸入至預設(shè)的llm模型中，以得到輸出的所述待指導學生對應(yīng)的下一階段的學習指導方案。

70、作為一個可選的實施方式，在本發(fā)明第二方面中，所述指導模塊計算所述分析結(jié)論集合中的每一分析結(jié)論和每一所述推薦學習方案之間的指導匹配程度的具體方式，包括：

71、對于所述分析結(jié)論結(jié)合中的每一分析結(jié)論和每一所述推薦學習方案，將該分析結(jié)論輸入至該推薦學習方案對應(yīng)的所述方案預測ai模型中，以得到輸出的再次推薦方案；

72、計算該推薦學習方案和所述再次推薦方案之間的第一相似度；

73、將該推薦學習方案對應(yīng)的歷史應(yīng)用記錄中的所有應(yīng)用前考試數(shù)據(jù)輸入至該分析結(jié)論對應(yīng)的所述成績分析ai模型中，以得到輸出的再次分析結(jié)果；

74、計算該分析結(jié)論和所述再次分析結(jié)果之間的第二相似度；

75、計算所述第一相似度和所述第二相似度的乘積，以得到該分析結(jié)論和該推薦學習方案之間的指導匹配程度。

76、本發(fā)明第三方面公開了另一種基于多ai模型的學生指導數(shù)據(jù)處理系統(tǒng)，所述系統(tǒng)包括：

77、存儲有可執(zhí)行程序代碼的存儲器；

78、與所述存儲器耦合的處理器；

79、所述處理器調(diào)用所述存儲器中存儲的所述可執(zhí)行程序代碼，執(zhí)行本發(fā)明第一方面公開的基于多ai模型的學生指導數(shù)據(jù)處理方法中的部分或全部步驟。

80、本發(fā)明第四方面公開了一種計算機存儲介質(zhì)，所述計算機存儲介質(zhì)存儲有計算機指令，所述計算機指令被調(diào)用時，用于執(zhí)行本發(fā)明第一方面公開的基于多ai模型的學生指導數(shù)據(jù)處理方法中的部分或全部步驟。

81、與現(xiàn)有技術(shù)相比，本發(fā)明實施例具有以下有益效果：

82、本發(fā)明能夠基于多個關(guān)聯(lián)科目或關(guān)聯(lián)學習策略對應(yīng)的方案預測ai模型和成績分析ai模型來實現(xiàn)方案推薦和成績分析，并綜合基于分析結(jié)果和推薦結(jié)果來整合得到學生最全面和匹配的學習指導方案，從而能夠基于多科目或多策略的ai模型來實現(xiàn)對學生的學習情況的全面分析，實現(xiàn)更有針對性的學習指導，提高學習指導效果。