【技术实现步骤摘要】
本专利技术属于教学领域，具体涉及一种基于ai的学生课后习题个性化推荐方法、系统。
技术介绍
1、目前的中小学，学生课后习题的作业都是由各科的科任老师统一布置的，并且学科种类较多，
2、但是学生对课程的掌握参差不齐，如果按照统一布置的作业去做习题，学生每天的课后习题量大，需要花费大量的时间去完成，对于课程内容掌握的很好的学生，花费了大量的时间去重复完成自己已经掌握得很好的学习内容，造成了时间的浪费，这就相当于就浪费了进一步提升自己的时间，对于课程内容掌握的不好的学生，如果按照统一布置的作业去做习题，会造成题量大，难度高，难以实现对知识的掌握，因此，现有的按照统一布置的作业去做习题，难以实现因材施教，有鉴于此，提出本专利技术。
技术实现思路
1、本专利技术的目的在于提供一种基于ai的学生课后习题个性化推荐方法、系统，以解决上述
技术介绍
中提出的问题。
2、为了解决上述技术问题，本专利技术提供如下技术方案：
3、基于ai的学生课后习题个性化推荐方法，包括步骤：
4、s1.获取学生课堂状态，根据学生课堂状态和综合素质评价对学生学习效果进行评价，生成当期的学生评价表，然后对学生评价表进行分级；
5、s2.获取各科老师的教学计划，针对每一期的教学计划匹配对应的课后习题，将课后习题进行难度分级，将难度分级后的课后习题进行分包，形成若干个课后习题包；
6、s3.根据学生评价表匹配相适应的课后习题包。
7、进一步，获取
8、进一步，通过输入学生的面部表情识别数据、眼部追踪数据、头部姿态检测数据，可以使用机器学习算法来训练和预测学生的专注力，步骤：
9、收集的学生面部表情识别数据、眼部追踪数据、头部姿态检测数据；
10、对收集到的数据进行预处理，包括清洗、标准化和归一化步骤；从面部表情识别数据、眼部追踪数据和头部姿态检测数据中提取有用的特征；这些特征可以包括面部表情的强度、眼部运动的幅度和频率、头部姿态的稳定性；
11、模型选择：选择适合的机器学习算法进行训练和预测；可以使用监督学习算法，如支持向量机(svm)、神经网络，或者无监督学习算法，如聚类算法；
12、训练和测试：使用训练集对模型进行训练，并使用测试集对模型进行评估；根据评估结果调整模型参数，优化模型性能；
13、使用训练好的模型对学生专注力进行预测；可以根据模型输出的分数或概率来判断学生的专注力水平。
14、进一步，通过输入学生的面部表情识别数据、眼部追踪数据、头部姿态检测数据，可以使用深度学习算法来训练和预测学生的专注力，步骤：
15、收集的学生面部表情识别数据、眼部追踪数据、头部姿态检测数据；
16、数据预处理：对收集到的数据进行预处理，包括清洗、标准化和归一化步骤；
17、将面部表情识别数据、眼部追踪数据和头部姿态检测数据整合到一个深度学习模型中；可以使用迁移学习技术作为基础模型，并对其进行微调以适应特定的任务；
18、使用训练集对深度学习模型进行训练，并使用测试集对模型进行评估；根据评估结果调整模型参数，优化模型性能；使用训练好的深度学习模型对学生专注力进行预测。
19、进一步，综合素质评价具体为：
20、学习态度：评价学生对待学习的态度是否认真、积极，以及在学习过程中的自律性和专注度；课堂表现：评价学生在课堂上的参与程度，回答问题、参与讨论、提出问题的积极性等；作业完成情况：评价学生作业的完成度、正确率以及作业的整洁度；考试成绩：根据学生的考试成绩，评价学生对所学内容的掌握程度和应试能力；学习能力：评价学生的学习方法和策略，以及自主学习和解决问题的能力；综合素质：评价学生在课堂外的综合素质表现。
21、进一步，根据学生课堂状态和综合素质评价对学生学习效果进行评价具体为：
22、首先需要制定一个评价标准，包括课堂表现、综合素质、学习成果多个方面；根据评价标准，可以确定各个方面的权重；将课堂状态和综合素质的权重分别设置为50％、30％或40％、30％；
23、可以采用专家评估法、层次分析法、德尔菲法科学的方法来分配权重；在确定了权重后，可以按照评价标准对学生进行评价；在评价过程中，应该注重过程评价和结果评价相结合，关注学生的全面发展，同时也要关注学生的个体差异，给予个性化的指导和支持。
24、进一步，学生评价表具体包括以下项目：
25、课堂表现：包括学生在课堂上的表现；
26、知识掌握情况：包括学生对课堂知识的掌握程度、理解程度；
27、技能应用能力：包括学生应用所学知识解决实际问题的能力、动手操作能力；
28、学习态度：包括学生对待学习的态度、积极性、主动性；
29、课堂反馈：包括学生对课堂的反馈意见。
30、进一步，将难度分级后的课后习题进行分包具体为，每一个习题包包括有若干个不同等级难度的题目，具体的题目组合根据学生评价表分级之后进行个性化推荐。
31、基于ai的学生课后习题个性化推荐系统，包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述基于ai的学生课后习题个性化推荐方法。
32、有益效果
33、本申请能够根据学生的表现对学生评价表进行分级，根据学生评价表分级之后进行个性化推荐学生课后习题，每一个习题包包括有若干个不同等级难度的题目并且通过机器学习或深度学习算法进行训练和预测，可以提高学生专注状态识别的准确率即对于学生评价表进行分级更准。
本文档来自技高网...【技术保护点】
1.基于AI的学生课后习题个性化推荐方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于AI的学生课后习题个性化推荐方法，其特征在于，获取学生课堂状态具体为：通过摄像头对学生进行专注力的识别并记录，包括面部表情识别、眼部追踪、头部姿态检测、多模态数据融合；对每个学生每堂课程分析面部表情的变化，从而推断出学生的专注程度；眼部追踪：眼动追踪技术从而用来检测眼睛的运动，从而判断学生的注意力是否集中在某个物体或区域上；头部姿态检测：通过学生检测头部姿态的变化，从而判断学生的专注状态；多模态数据融合：结合学生面部表情、眼动和头部姿态多模态数据，通过机器学习或深度学习算法进行训练和预测，从而提高学生专注状态识别的准确率。
3.根据权利要求2所述的基于AI的学生课后习题个性化推荐方法，其特征在于，通过输入学生的面部表情识别数据、眼部追踪数据、头部姿态检测数据，使用机器学习算法来训练和预测学生的专注力，包括步骤：
4.根据权利要求2所述的基于AI的学生课后习题个性化推荐方法，其特征在于，通过输入学生的面部表情识别数据、眼部追踪数据、头部姿态检测数据，使用
5.根据权利要求1所述的基于AI的学生课后习题个性化推荐方法，其特征在于，综合素质评价的项目包括，学习态度：评价学生对待学习的态度是否认真、积极，以及在学习过程中的自律性和专注度；课堂表现：评价学生在课堂上的参与程度，回答问题、参与讨论、提出问题的积极性等；作业完成情况：评价学生作业的完成度、正确率以及作业的整洁度；考试成绩：根据学生的考试成绩，评价学生对所学内容的掌握程度和应试能力；学习能力：评价学生的学习方法和策略，以及自主学习和解决问题的能力；综合素质：评价学生在课堂外的综合素质表现。
6.根据权利要求1所述的基于AI的学生课后习题个性化推荐方法，其特征在于，根据学生课堂状态和综合素质评价对学生学习效果进行评价具体为：
7.根据权利要求1所述的基于AI的学生课后习题个性化推荐方法，其特征在于，学生评价表具体包括以下项目：
8.根据权利要求1所述的基于AI的学生课后习题个性化推荐方法，其特征在于，将难度分级后的课后习题进行分包具体为，每一个习题包包括有若干个不同等级难度的题目，具体的题目组合根据学生评价表分级之后进行个性化推荐。
9.基于AI的学生课后习题个性化推荐系统，包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行权利要求1-8任一权利要求所述的基于AI的学生课后习题个性化推荐方法。
...【技术特征摘要】
1.基于ai的学生课后习题个性化推荐方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于ai的学生课后习题个性化推荐方法，其特征在于，获取学生课堂状态具体为：通过摄像头对学生进行专注力的识别并记录，包括面部表情识别、眼部追踪、头部姿态检测、多模态数据融合；对每个学生每堂课程分析面部表情的变化，从而推断出学生的专注程度；眼部追踪：眼动追踪技术从而用来检测眼睛的运动，从而判断学生的注意力是否集中在某个物体或区域上；头部姿态检测：通过学生检测头部姿态的变化，从而判断学生的专注状态；多模态数据融合：结合学生面部表情、眼动和头部姿态多模态数据，通过机器学习或深度学习算法进行训练和预测，从而提高学生专注状态识别的准确率。
3.根据权利要求2所述的基于ai的学生课后习题个性化推荐方法，其特征在于，通过输入学生的面部表情识别数据、眼部追踪数据、头部姿态检测数据，使用机器学习算法来训练和预测学生的专注力，包括步骤：
4.根据权利要求2所述的基于ai的学生课后习题个性化推荐方法，其特征在于，通过输入学生的面部表情识别数据、眼部追踪数据、头部姿态检测数据，使用深度学习算法来训练和预测学生的专注力，包括步骤：
5.根据权利要求1所述的基于ai的学生课后习题个性化推荐方...
【专利技术属性】
技术研发人员：郭丽娟，曾泳锋，陈文霞，郭智乐，
申请(专利权)人：广州铭德教育投资有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。