一种基于大语言模型的智慧教学系统及教学方法

本发明涉及智慧教学，尤其是一种基于大语言模型的智慧教学系统及教学方法。

背景技术：

1、随着人工智能技术的飞速发展，新时代智慧教育技术成为教育领域的瞩目焦点。这一技术的革新为教学提供了更全面、高效的支持，标志着教育模式正在经历一场深刻的变革。新时代智慧教育技术以人工智能技术为基础，利用深度学习、数据挖掘等先进手段，为教育带来了前所未有的便利。

2、然而，尽管技术的进步为个性化学习奠定了基础，但目前的智慧教育仍未能解决个性化学习方面的挑战。个性化教学的关键在于了解每位学生的独特需求和学习习惯，以便为他们量身定制最适合的教育方案。然而，在实际教学中，学生的情况千差万别，单一的数据收集和分析方式往往难以全面把握每位学生的特点。这使得系统难以为每个学生提供真正针对性的教学安排。例如，一些学生在某一学科可能有强烈的兴趣和天赋，但在另一学科可能需要更多的支持和指导。然而，目前的智慧教育系统往往只能基于一般性的数据进行整体规划，难以满足个性化学习的需求。

技术实现思路

1、为了克服现有技术中存在的上述问题，本发明提出一种基于大语言模型的智慧教学系统及教学方法。

2、本发明解决其技术问题所采用的技术方案是：一种基于大语言模型的智慧教学方法，包括如下步骤：

3、步骤1，通过大语言模型将知识图谱转换成向量数据库，并对向量数据库进行完善，为大语言模型学习提供资料；

4、步骤2，通过步骤1所得的大语言模型对学生进行学习路径推荐；

5、步骤3，根据步骤2所得的学习路径进行预习；

6、步骤4，根据步骤2所得的学习路径和步骤3所得的预习情况进行引导式教学；

7、步骤5，使用大语言模型分析已学知识、掌握程度、课堂表现、步骤2所得的学习路径，对学生实力进行评估，根据评估结果分组讨论；

8、步骤6，整合步骤3所得的预习、步骤4所得的引导式教学数据，使用大语言模型分析学生的学科实力、学习偏好和弱点，进行测试；

9、步骤7，针对步骤6测试结果，通过大语言模型辅助教师评价；

10、步骤8，整合步骤2、步骤3、步骤5、步骤6、步骤7的学业数据，制定课后复习方案，设定定期课后复习测评，评估学生对薄弱点的掌握情况，调整后续复习方案；

11、步骤9，教师提供本节课的知识点、授课方式、采用的设计模式，通过大语言模型生成智能辅助备课方案。

12、上述的一种基于大语言模型的智慧教学方法，所述步骤1具体包括：

13、步骤1.1，从知识图谱中获取实体、关系、属性信息，使用大语言模型生成对应的文字描述，将生成的文本描述使用预训练的文本向量化模型转化为相应的向量；将生成的向量存储到向量数据库中；

14、步骤1.2，通过大语言模型将问题提取不同的特征值或关键字，并生成与上述特征值或关键字语义相似的文本，将上述特征值或关键字以及生成的相似文本也进行向量化，在向量数据库中使用最大内积搜索，查询相关向量，判断查询到的向量与问题是否相关，若不相关则排除重新搜索；

15、步骤1.3，将问题及步骤1.2所得的文本输入到大语言模型生成答案；

16、步骤1.4，将问题的上下文向量化到向量数据库中，供后续查找。

17、上述的一种基于大语言模型的智慧教学方法，所述步骤2具体包括：

18、步骤2.1，大语言模型基于模型的预先编程和动态生成设计问题，学生对问题进行回答；

19、步骤2.2，大语言模型通过自然语言处理技术分析学生的回答，提取学生想要学习内容的实体信息，并且对学生的掌握情况进行打分；

20、步骤2.3，根据步骤2.2获取到的实体信息在知识图谱中查找该实体信息对应的节点以及该节点的前驱节点和后继结点，并不断的查找前驱节点的前驱结点和后继节点的后继结点，直到大语言模型判断出当前节点与步骤2.2中提取的实体信息无关；

21、步骤2.4，根据步骤2.3查询到的节点实体信息，生成学习路径，确保在学习路径中，学习一个节点内容的前提条件就是该节点的前驱节点已经全部学习完毕；

22、步骤2.5，通过定期的跟踪问卷调整学习路径，以适应学生的进展和需求变化。

23、上述的一种基于大语言模型的智慧教学方法，所述步骤3具体包括：

24、步骤3.1，通过步骤2建立的学习路径以及在向量数据库中查到上次学习进度来确定预习的内容；

25、步骤3.2，根据预习内容，使用相似度搜索在向量数据库查找相关向量，并将这些向量解码为对应的信息；

26、步骤3.3，大语言模型利用步骤3.2查找到的信息，为学生生成包括文本、代码示例和视频链接在内的信息；

27、步骤3.4，预习结束后，大语言模型生成问题，检验学生对基础概念的理解和掌握程度，同时解释正确答案并纠正错误；

28、步骤3.5，大语言模型生成一道思考题，学生进行课前深入思考和探究，并在课上解答；同时将此次预习进度存入向量数据库中。

29、上述的一种基于大语言模型的智慧教学方法，所述步骤5具体包括：

30、步骤5.1，设定专业知识评分标准，以学生课上对话内容为数据，通过大语言模型给学生打分，将分数接近的学生分成一个小组；

31、步骤5.2，根据上课的内容，在向量数据库中找相似度高的主题；

32、步骤5.3，使用大语言模型的语义理解功能实时监测学生的讨论内容；

33、步骤5.4，大语言模型记录学生在讨论中的表现，使用大语言模型针对每个学生生成评估报告。

34、上述的一种基于大语言模型的智慧教学方法，所述步骤7具体包括：在测试中，让大语言模型比对学生答案与标准答案的相似性，相似度越高评分越高。

35、上述的一种基于大语言模型的智慧教学方法，所述步骤9具体包括：

36、步骤9.1，教师提供本节课的知识点、授课方式、采用的设计模式；结合知识图谱，通过大语言模型语义理解功能分析教师提供的相关信息，在向量数据库中查询与知识点相似度高的向量；

37、步骤9.2，智能助教模块以步骤9.1查到的向量为基础生成教学资源，调用其他工具生成ppt；

38、步骤9.3，大语言模型根据理解到的课堂设计模式特点生成教案生成教案，包括详细的授课过程描述；

39、步骤9.4，教师查阅智能助教模块生成的教案和资源，进行编辑和调整，智能助教模块接收教师的反馈，优化调整备课资源。

40、一种基于大语言模型的智慧教学系统，应用于上述的一种基于大语言模型的智慧教学方法，包括智能导师模块、智能助教模块、智能学伴模块，所述智能导师模块提供学习路径推荐及引导式教学功能，所述智能助教模块提供智能辅助备课、测试、智能辅助评价功能，所述智能学伴模块提供预习、分组讨论、课后复习功能。

41、本发明的有益效果是：（1）个性化预习和学习路径推荐，系统为每位学生量身定制适合其特点的学习路径。提供个性化的学习指导，使学生在预习阶段能够更有针对性地进行学习，提高学科的理解度。

42、（2）引导式教学优化，系统通过监测学生的互动和表现，及时调整引导方向和问题难度，使教学更加贴近学生的实际学习情况。

43、（3）智能分组讨论辅助，智能学伴讨论助手功能通过分析学生的学科水平和讨论需求，将学生分组，提供相应的讨论主题和资源，引导学生展开深入的讨论和交流。使学生对知识有更深一步的理解。

44、（4）个性化课后评价，系统帮助教师生成针对性的智能辅助评价，为学生提供及时、具体的反馈和建议。在主观题评判方面，系统提供智能辅助，帮助教师更客观、准确地评价学生的作答。

45、（5）增强学生学习体验，学生可以根据个人兴趣和学习节奏进行自主学习，体验到更为灵活和个性化的学习方式，增强了学习的主动性和积极性。

46、（6）减轻教师工作负担，智慧教学系统的智能辅助功能减轻了教师备课、评价等工作的压力。

47、（7）一定程度上解决了大语言模型的幻觉问题。