本技術涉及人工智能，具體涉及一種職業(yè)院校教學ai大模型訓練方法及其系統(tǒng)。

背景技術：

1、在職業(yè)院校教學中，現(xiàn)有ai大模型通?；谕ㄓ媒虒W數(shù)據進行訓練，缺乏對教師個性化學習特征（如交互習慣、教學場景和等）的適配。這導致模型輸出的教學課程與教師實際需求匹配度不足，難以滿足當前職業(yè)院校教學改革的精準性要求。此外，傳統(tǒng)訓練方法未能充分結合用戶歷史交互數(shù)據中的動態(tài)調整需求，導致模型訓練效率低下。

2、因此，開發(fā)一種職業(yè)院校教學ai大模型訓練方法及其系統(tǒng)，具有重要的現(xiàn)實意義和廣闊的應用前景。

技術實現(xiàn)思路

1、本技術的目的是提供一種職業(yè)院校教學ai大模型訓練方法及其系統(tǒng)，不僅可以提高教學課程與教師實際的需求匹配度，更好地滿足教學資源的個性化適配能力，并且可以提高模型訓練效率。

2、第一方面，本技術實施例提供了一種職業(yè)院校教學ai大模型訓練方法，包括以下步驟：

3、獲取終端設備對預設知識場景教學資源庫中的知識場景教學資源進行訓練時的歷史交互數(shù)據；

4、根據歷史交互數(shù)據進行特征提取得到歷史交互數(shù)據對應的教師特征信息；其中，教師特征信息包括教師交互特征和教師知識場景教學特征；

5、根據教師交互特征獲取訓練調整系數(shù)；

6、生成與知識場景教學資源相關的思維導圖，并從思維導圖中提取思維導圖特征；

7、將教師交互特征、教師知識場景教學特征、思維導圖特征和訓練調整系數(shù)輸入至預設智能訓練模型中進行訓練得到ai大模型；

8、其中，預設智能訓練模型包括特征數(shù)據處理模塊、教師知識場景教學特征計算模塊、思維導圖特征計算模塊、教師交互特征計算模塊、綜合分析模塊和訓練結果輸出模塊；

9、特征數(shù)據處理模塊用于對教師交互特征進行特征提取和數(shù)據標準化處理，得到教師交互特征的第一特征標準化數(shù)據值和教師交互特征的第二特征標準化數(shù)據值；

10、教師知識場景教學特征計算模塊用于對教師知識場景教學特征進行特征提取和數(shù)據標準化處理，得到教師知識場景教學特征的第三特征標準化數(shù)據值；

11、思維導圖特征計算模塊包括樣本表征組件、時間表征組件和拼接組件；所述樣本表征組件用于提取節(jié)點特征、邊特征和結構特征，所述時間表征組件用于從歷史交互數(shù)據中提取時間序列特征和時間依賴特征，所述拼接組件用于將樣本表征組件提取的節(jié)點特征、邊特征和結構特征與時間表征組件提取的時間序列特征、時間依賴特征進行拼接，形成特征向量，并將特征向量作為合并數(shù)據值；

12、教師交互特征計算模塊用于根據第一特征標準化數(shù)據值和第二特征標準化數(shù)據值計算，得到教師交互特征的綜合特征訓練值；

13、綜合分析模塊用于對第三特征標準化數(shù)據值、綜合特征訓練值和合并數(shù)據值進行綜合處理，得到最優(yōu)訓練數(shù)據值；

14、訓練結果輸出模塊用于根據最優(yōu)訓練數(shù)據值，獲取預設ai大模型訓練數(shù)據信息，訓練得到ai大模型。

15、可選地，所述根據歷史交互數(shù)據進行特征提取得到歷史交互數(shù)據對應的教師特征信息具體包括以下步驟：

16、對歷史交互數(shù)據進行數(shù)據分類，得到歷史交互數(shù)據對應的交互信息集合；其中，交互信息集合包括教師交互信息和教師知識場景教學特征集合；

17、對交互信息集合中的教師交互信息進行特征提取，得到歷史交互數(shù)據對應的教師交互特征；

18、對交互信息集合中的教師知識場景教學特征集合進行特征提取，得到歷史交互數(shù)據對應的教師知識場景教學特征集合。

19、可選地，所述根據教師交互特征獲取訓練調整系數(shù)具體包括以下步驟：

20、根據教師交互特征獲取教師交互特征對應的交互標準匹配系數(shù)；

21、根據教師交互特征對應的交互標準匹配系數(shù)獲取教師交互特征對應的交互綜合匹配度；

22、將教師交互特征對應的交互綜合匹配度和交互閾值進行比較，若教師交互特征對應的交互綜合匹配度小于交互閾值，則生成教師交互特征對應的交互調整修正請求；

23、根據交互調整修正請求計算得到訓練調整系數(shù)。

24、可選地，所述根據交互調整修正請求計算得到訓練調整系數(shù)，具體包括以下步驟：

25、識別交互調整修正請求并獲取交互調整修正請求對應的終端設備交互特征；其中，終端設備交互特征包括終端設備交互習慣和/或終端設備交互時間；

26、根據交互調整修正請求對應的終端設備交互特征計算得到交互調整修正請求對應的終端交互特征識別度；

27、將終端交互特征識別度和交互調節(jié)區(qū)間進行比較，若終端交互特征識別度位于第一預設調節(jié)區(qū)間，則生成第一調節(jié)指令；

28、若終端交互特征識別度位于第二預設調節(jié)區(qū)間，則生成第二調節(jié)指令；

29、若終端特征識別度超出第二預設調節(jié)區(qū)間，則生成第三調節(jié)指令；其中，第一調節(jié)指令是指不進行調節(jié)處理；第二調節(jié)指令是指進行部分調節(jié)處理；第三調節(jié)指令是指進行全部調節(jié)處理；

30、根據第一調節(jié)指令、第二調節(jié)指令和第三調節(jié)指令對應的調節(jié)度進行計算得到訓練調整系數(shù)。

31、可選地，所述綜合分析模塊對第三特征標準化數(shù)據值、綜合特征訓練值和合并數(shù)據值進行綜合處理，得到最優(yōu)訓練數(shù)據值，具體包括以下步驟：

32、獲取教師知識場景教學特征對應的知識場景教學特征權重；

33、根據知識場景教學特征權重和第三特征標準化數(shù)據值計算，得到教師知識場景教學特征對應的知識場景教學特征訓練值；

34、獲取教師交互特征對應的調整系數(shù)權重；

35、根據調整系數(shù)權重和綜合特征訓練值計算，得到教師交互特征對應的教師交互特征訓練值；

36、根據知識場景教學特征訓練值、教師交互特征訓練值和合并數(shù)據值進行綜合計算，得到最優(yōu)訓練數(shù)據值。

37、可選地，所述對交互信息集合中的教師交互信息進行特征提取，得到歷史交互數(shù)據對應的教師交互特征，具體包括以下步驟：

38、對交互信息集合進行數(shù)據分類，得到教師交互信息和知識場景教學特征集合；其中，知識場景教學特征集合是指教學場景下知識場景特征對應的教師學習特征信息；

39、將知識場景教學特征集合中知識場景特征對應的學習特征轉換為知識場景教學特征學習數(shù)值；

40、將教師交互信息和學習場景教學特征學習數(shù)值進行匹配處理，得到教師交互特征。

41、可選地，所述對教師知識場景教學特征進行特征提取，得到歷史交互數(shù)據對應的教師知識場景教學特征集合，具體包括以下步驟：

42、獲取知識場景教學特征集合中知識場景特征的數(shù)量和知識場景特征的學習使用次數(shù)；

43、根據知識場景特征的數(shù)量和知識場景特征的學習使用次數(shù)計算得到知識場景特征的綜合學習度；

44、若知識場景特征的綜合學習度滿足預設學習度，則獲取知識場景特征對應的學習場景教學特征集合，并生成教師知識場景教學特征集合。

45、可選地，所述方法，還包括：

46、教師通過vr場景編輯器獲取創(chuàng)建的虛擬教學場景數(shù)據；虛擬教學場景數(shù)據包括三維空間坐標數(shù)據、教學道具布局數(shù)據及動態(tài)交互事件配置數(shù)據；

47、獲取道具數(shù)量、交互節(jié)點密度和空間分割維度，并根據道具數(shù)量、交互節(jié)點密度和空間分割維度計算場景復雜度系數(shù)；

48、將場景復雜度系數(shù)與訓練調整系數(shù)進行動態(tài)耦合，生成環(huán)境適應度參數(shù)；

49、將教師交互特征、教師知識場景教學特征、思維導圖特征和環(huán)境適應度參數(shù)輸入至預設智能訓練模型中進行訓練得到ai大模型。

50、可選地，所述方法，還包括：

51、構建虛實融合訓練驗證模塊：

52、在vr場景中嵌入知識圖譜錨點，當學生與特定教學道具交互時觸發(fā)關聯(lián)知識點的多模態(tài)講解；

53、通過眼動追蹤和手勢識別采集學生的注意力分布數(shù)據；

54、將實時注意力熱力圖與預設的知識重要性分布圖對比，生成場景教學效能評估指標反饋至ai大模型。

55、第二方面，本技術實施例提供了一種職業(yè)院校教學ai大模型訓練系統(tǒng)，包括：

56、第一獲取單元，用于獲取終端設備對預設知識場景教學資源庫中的知識場景教學資源進行訓練時的歷史交互數(shù)據；

57、提取單元，用于根據歷史交互數(shù)據進行特征提取得到歷史交互數(shù)據對應的教師特征信息；其中，教師特征信息包括教師交互特征和教師知識場景教學特征；

58、第二獲取單元，用于根據教師交互特征獲取訓練調整系數(shù)；

59、生成單元，用于生成與知識場景教學資源相關的思維導圖，并從思維導圖中提取思維導圖特征；

60、訓練單元，將教師交互特征、教師知識場景教學特征、思維導圖特征和訓練調整系數(shù)輸入至預設智能訓練模型中進行訓練得到ai大模型；

61、其中，預設智能訓練模型包括特征數(shù)據處理模塊、教師知識場景教學特征計算模塊、思維導圖特征計算模塊、教師交互特征計算模塊、綜合分析模塊和訓練結果輸出模塊；

62、特征數(shù)據處理模塊用于對教師交互特征進行特征提取和數(shù)據標準化處理，得到教師交互特征的第一特征標準化數(shù)據值和教師交互特征的第二特征標準化數(shù)據值；

63、教師知識場景教學特征計算模塊用于對教師知識場景教學特征進行特征提取和數(shù)據標準化處理，得到教師知識場景教學特征的第三特征標準化數(shù)據值；

64、思維導圖特征計算模塊包括樣本表征組件、時間表征組件和拼接組件；所述樣本表征組件用于提取節(jié)點特征、邊特征和結構特征，所述時間表征組件用于從歷史交互數(shù)據中提取時間序列特征和時間依賴特征，所述拼接組件用于將樣本表征組件提取的節(jié)點特征、邊特征和結構特征與時間表征組件提取的時間序列特征、時間依賴特征進行拼接，形成特征向量，并將特征向量作為合并數(shù)據值；

65、教師交互特征計算模塊用于根據第一特征標準化數(shù)據值和第二特征標準化數(shù)據值計算，得到教師交互特征的綜合特征訓練值；

66、綜合分析模塊用于對第三特征標準化數(shù)據值、綜合特征訓練值和合并數(shù)據值進行綜合處理，得到最優(yōu)訓練數(shù)據值；

67、訓練結果輸出模塊用于根據最優(yōu)訓練數(shù)據值，獲取預設ai大模型訓練數(shù)據信息，訓練得到ai大模型。

68、相較于現(xiàn)有技術，本技術提供的一種職業(yè)院校教學ai大模型訓練方法，獲取終端設備對預設知識場景教學資源庫中的知識場景教學資源進行訓練時的歷史交互數(shù)據；根據歷史交互數(shù)據進行特征提取得到歷史交互數(shù)據對應的教師特征信息；其中，教師特征信息包括教師交互特征和教師知識場景教學特征；根據教師交互特征獲取訓練調整系數(shù)；生成與知識場景教學資源相關的思維導圖，并從思維導圖中提取思維導圖特征；將教師交互特征、教師知識場景教學特征、思維導圖特征和訓練調整系數(shù)輸入至預設智能訓練模型中進行訓練得到ai大模型；其中，預設智能訓練模型包括特征數(shù)據處理模塊、教師知識場景教學特征計算模塊、思維導圖特征計算模塊、教師交互特征計算模塊、綜合分析模塊和訓練結果輸出模塊；特征數(shù)據處理模塊用于對教師交互特征進行特征提取和數(shù)據標準化處理，得到教師交互特征的第一特征標準化數(shù)據值和教師交互特征的第二特征標準化數(shù)據值；教師知識場景教學特征計算模塊用于對教師知識場景教學特征進行特征提取和數(shù)據標準化處理，得到教師知識場景教學特征的第三特征標準化數(shù)據值；思維導圖特征計算模塊包括樣本表征組件、時間表征組件和拼接組件；所述樣本表征組件用于提取節(jié)點特征、邊特征和結構特征，所述時間表征組件用于從歷史交互數(shù)據中提取時間序列特征和時間依賴特征，所述拼接組件用于將樣本表征組件提取的節(jié)點特征、邊特征和結構特征與時間表征組件提取的時間序列特征、時間依賴特征進行拼接，形成特征向量，并將特征向量作為合并數(shù)據值；教師交互特征計算模塊用于根據第一特征標準化數(shù)據值和第二特征標準化數(shù)據值計算，得到教師交互特征的綜合特征訓練值；綜合分析模塊用于對第三特征標準化數(shù)據值、綜合特征訓練值和合并數(shù)據值進行綜合處理，得到最優(yōu)訓練數(shù)據值；訓練結果輸出模塊用于根據最優(yōu)訓練數(shù)據值，獲取預設ai大模型訓練數(shù)據信息，訓練得到ai大模型；通過以上方法不僅可以能夠準確預測以及更好地適應每個教師用戶的差異并動態(tài)適應不斷變化的數(shù)據條件，提高教學課程與教師實際的需求匹配度，更好地滿足教學資源的個性化適配能力，有助于提升ai大模型對職業(yè)院校教學場景的針對性，而且有效地優(yōu)化訓練效率，基于交互匹配度的動態(tài)調節(jié)機制，減少無效訓練數(shù)據，提高模型收斂速度，并通過知識場景特征的綜合學習度篩選，提升資源利用率，優(yōu)先使用高頻教學資源，優(yōu)化資源分配。