本發(fā)明涉及數(shù)據(jù)分析，尤其涉及基于數(shù)據(jù)分析的老年人研學(xué)決策系統(tǒng)。

背景技術(shù)：

1、數(shù)據(jù)分析技術(shù)領(lǐng)域涵蓋從基本的數(shù)據(jù)收集、處理到復(fù)雜的分析和預(yù)測的全過程，包括數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、統(tǒng)計分析和大數(shù)據(jù)技術(shù)的應(yīng)用，旨在從海量數(shù)據(jù)中提取有價值的信息以支持決策制定，數(shù)據(jù)分析在商業(yè)策略、健康科學(xué)、金融市場預(yù)測和客戶行為分析等多個領(lǐng)域中發(fā)揮著核心作用，隨著技術(shù)的發(fā)展，數(shù)據(jù)分析也越來越多地依賴于自動化工具和算法，以提高處理效率和分析準(zhǔn)確性。

2、其中，基于數(shù)據(jù)分析的老年人研學(xué)決策系統(tǒng)指的是使用數(shù)據(jù)分析技術(shù)來支持和優(yōu)化老年人教育和學(xué)習(xí)活動的決策過程，系統(tǒng)集成了用戶行為數(shù)據(jù)、學(xué)習(xí)成果數(shù)據(jù)以及環(huán)境因素數(shù)據(jù)，通過分析數(shù)據(jù)來提供定制的學(xué)習(xí)建議和活動安排，用途包括幫助教育提供者解析老年人的學(xué)習(xí)需求和偏好，從而設(shè)計更合適的教育課程和活動，同時也幫助老年人自己做出更適合的學(xué)習(xí)選擇。

3、傳統(tǒng)技術(shù)難以捕捉到用戶行為的細(xì)微差異，導(dǎo)致教育內(nèi)容的提供難以解析和滿足老年人的學(xué)習(xí)需求，數(shù)據(jù)處理的延遲和缺乏實(shí)時反饋也是一大短板，不利于提供及時更新的學(xué)習(xí)內(nèi)容，不能滿足老年用戶的即時學(xué)習(xí)需求，如數(shù)據(jù)更新的不及時導(dǎo)致推薦內(nèi)容不再適合用戶的實(shí)際學(xué)習(xí)狀態(tài)，影響學(xué)習(xí)動力和效果，現(xiàn)有技術(shù)在針對性學(xué)習(xí)內(nèi)容生成方面依賴于較為靜態(tài)的算法，缺乏動態(tài)適應(yīng)性，在快速變化的教育環(huán)境中導(dǎo)致用戶與最佳學(xué)習(xí)材料之間的錯位，從而降低學(xué)習(xí)滿意度和效率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是解決現(xiàn)有技術(shù)中存在的缺點(diǎn)，而提出的基于數(shù)據(jù)分析的老年人研學(xué)決策系統(tǒng)。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：基于數(shù)據(jù)分析的老年人研學(xué)決策系統(tǒng)，所述系統(tǒng)包括：

3、學(xué)習(xí)行為分析模塊基于老年用戶的學(xué)習(xí)活動記錄，通過云計算和邊緣計算，采集學(xué)習(xí)時間長度、內(nèi)容瀏覽量與互動頻率，為每項(xiàng)活動創(chuàng)建對應(yīng)的時間戳，并記錄每項(xiàng)學(xué)習(xí)活動的屬性和時間信息，生成行為特征概覽；

4、學(xué)習(xí)效果監(jiān)控模塊基于所述行為特征概覽，運(yùn)用數(shù)據(jù)清洗技術(shù)剔除異常記錄，對學(xué)習(xí)進(jìn)度進(jìn)行線性分析，量化評估用戶理解深度和記憶保持率，生成效果定量分析信息；

5、研學(xué)內(nèi)容適配模塊基于所述效果定量分析信息，結(jié)合用戶偏好和歷史行為，識別匹配的學(xué)習(xí)主題和材料，通過nlp模型自動生成針對性的研學(xué)內(nèi)容，并格式化內(nèi)容為文本、圖像或視頻，得到內(nèi)容匹配指標(biāo)；

6、決策優(yōu)化支持模塊基于所述內(nèi)容匹配指標(biāo)，分析用戶學(xué)習(xí)效果和行為模式，優(yōu)化研學(xué)內(nèi)容推薦流程，減少用戶選擇范圍，并匹配最符合內(nèi)容選項(xiàng)，得到細(xì)化的內(nèi)容推薦結(jié)果。

7、本發(fā)明改進(jìn)有，所述行為特征概覽的獲取步驟具體為：

8、基于老年用戶的學(xué)習(xí)活動記錄，通過云計算和邊緣計算收集老年用戶的學(xué)習(xí)數(shù)據(jù)，包括學(xué)習(xí)時間長度、內(nèi)容瀏覽量和互動頻率，采用公式：

9、di＝(ti,vi,fi,ti)

10、得到第i項(xiàng)活動的數(shù)據(jù)元組di，其中，ti表示第i項(xiàng)活動的學(xué)習(xí)時間長度，vi表示第i項(xiàng)活動的內(nèi)容瀏覽量，fi表示第i項(xiàng)活動的互動頻率，ti表示第i項(xiàng)活動的時間戳；

11、對所述數(shù)據(jù)元組進(jìn)行聚合分析，計算活動的加權(quán)平均，采用公式：

12、

13、和

14、

15、和

16、

17、得到加權(quán)平均的學(xué)習(xí)時間長度內(nèi)容瀏覽量和互動頻率其中，wt、wv和wf分別代表學(xué)習(xí)時間長度、內(nèi)容瀏覽量和互動頻率的權(quán)重參數(shù)，ti表示第i項(xiàng)活動的學(xué)習(xí)時間長度，vi表示第i項(xiàng)活動的內(nèi)容瀏覽量，fi表示第i項(xiàng)活動的互動頻率；

18、基于所述加權(quán)平均的學(xué)習(xí)時間長度、內(nèi)容瀏覽量和互動頻率，結(jié)合活動時間屬性，得到行為特征概覽。

19、本發(fā)明改進(jìn)有，所述對學(xué)習(xí)進(jìn)度進(jìn)行線性分析的步驟具體為：

20、基于所述行為特征概覽，整合清洗后的學(xué)習(xí)數(shù)據(jù)，提取每個用戶的學(xué)習(xí)時間和課程完成數(shù)量，采用公式：

21、

22、得到初步學(xué)習(xí)進(jìn)度數(shù)據(jù)pd，其中，是第i個數(shù)據(jù)點(diǎn)的學(xué)習(xí)時間，是對應(yīng)的課程完成數(shù)量；

23、基于所述初步學(xué)習(xí)進(jìn)度數(shù)據(jù)，進(jìn)行線性回歸分析，計算最適擬合直線參數(shù)，采用公式：

24、

25、和

26、

27、得到線性模型參數(shù)，其中，ad是斜率，bd是截距，nd是數(shù)據(jù)點(diǎn)總數(shù)，是第i個數(shù)據(jù)點(diǎn)的學(xué)習(xí)時間，是對應(yīng)的課程完成數(shù)量；

28、利用所述線性模型參數(shù)，預(yù)測未來或未完成數(shù)據(jù)的學(xué)習(xí)進(jìn)度，采用公式：

29、cpredicted＝ad·td+bd

30、得到預(yù)測學(xué)習(xí)進(jìn)度結(jié)果，其中，ad是斜率，bd是截距，cpredicted是根據(jù)用戶未來學(xué)習(xí)時間td預(yù)測的課程完成數(shù)量。

31、本發(fā)明改進(jìn)有，所述效果定量分析信息的獲取步驟具體為：

32、基于所述學(xué)習(xí)進(jìn)度信息，計算每個用戶的預(yù)測學(xué)習(xí)成果，從中提取每個用戶的理解深度和記憶保持率預(yù)估值，得到初步評估結(jié)果集；

33、基于所述初步評估結(jié)果集，對每個用戶的預(yù)測結(jié)果進(jìn)行分析，采用公式：

34、

35、計算理解深度和記憶保持率，得到量化的評估結(jié)果qr，并獲得效果定量分析信息，其中，rs是用戶的預(yù)測學(xué)習(xí)成果，αr是靈敏度系數(shù)，γr是線性影響系數(shù)，δr是平滑參數(shù)。

36、本發(fā)明改進(jìn)有，所述學(xué)習(xí)主題和材料的識別步驟具體為：

37、基于所述效果定量分析信息，提取每個用戶的學(xué)習(xí)成果，結(jié)合用戶偏好數(shù)據(jù)和歷史行為，計算每個學(xué)習(xí)主題的適配性評分，采用公式：

38、

39、得到用戶的主題匹配得分esi，其中，egi表示學(xué)習(xí)成果得分，epi表示偏好得分，ehi表示歷史行為得分，ax、bx和cx是權(quán)重參數(shù)；

40、對所述用戶的主題匹配得分進(jìn)行篩選，選取得分最優(yōu)的學(xué)習(xí)主題，使用nlp模型從內(nèi)容庫中自動提取與主題關(guān)聯(lián)的學(xué)習(xí)材料，使用公式：

41、

42、得到匹配的學(xué)習(xí)材料列表lx，其中，nlp_scorej是nlp模型給出的關(guān)聯(lián)性評分，是材料關(guān)聯(lián)性得分的權(quán)重系數(shù)，nx是材料數(shù)量；

43、基于所述匹配的學(xué)習(xí)材料列表，優(yōu)化材料選擇，匹配教育需求，采用公式：

44、

45、得到學(xué)習(xí)主題和材料清單，其中，ox表示優(yōu)化評分，diversity_scorek和depth_scorek分別是材料的多樣性和深度得分，λx和μx是調(diào)節(jié)多樣性和深度的影響力，m是經(jīng)過篩選和評估后的材料數(shù)量。

46、本發(fā)明改進(jìn)有，所述內(nèi)容匹配指標(biāo)的獲取步驟具體為：

47、收集和整理用戶交互數(shù)據(jù)和用戶反饋數(shù)據(jù)，初始化匹配指標(biāo)的計算，使用公式：

48、

49、得到初步指標(biāo)集iy，其中，uy是用戶互動數(shù)據(jù)，fy是用戶反饋數(shù)據(jù)，和是權(quán)重參數(shù)，用于控制數(shù)據(jù)源對得分的影響；

50、基于所述初步指標(biāo)集，與質(zhì)量標(biāo)準(zhǔn)進(jìn)行對比，迭代調(diào)整和細(xì)化匹配指標(biāo)，采用公式：

51、my＝ρy·(iy+qy)

52、得到內(nèi)容匹配指標(biāo)my，其中，qy是質(zhì)量控制參數(shù)，iy是初步指標(biāo)集，ρy是調(diào)節(jié)系數(shù)，用于平衡初始指標(biāo)與質(zhì)量標(biāo)準(zhǔn)的關(guān)系。

53、本發(fā)明改進(jìn)有，所述用戶學(xué)習(xí)效果和行為模式的分析步驟具體為：

54、基于所述內(nèi)容匹配指標(biāo)，整合用戶互動數(shù)據(jù)，計算交互得分，采用公式：

55、scoreinteract＝fwt·tl+fwc·cl

56、得到用戶交互得分scoreinteract，其中，tl是停留時間，cl是點(diǎn)擊次數(shù)，fwt和fwc分別是時間和點(diǎn)擊的權(quán)重系數(shù)；

57、基于所述用戶交互得分，識別學(xué)習(xí)行為模式，使用公式：

58、

59、得到交互得分和學(xué)習(xí)成果之間的關(guān)系表示slope，其中，xi是交互得分的個體值，yi是對應(yīng)的學(xué)習(xí)成果，和是交互得分和學(xué)習(xí)成果的平均值。

60、本發(fā)明改進(jìn)有，所述細(xì)化的內(nèi)容推薦結(jié)果的獲取步驟具體為：

61、根據(jù)用戶互動數(shù)據(jù)，調(diào)整研學(xué)內(nèi)容的推薦邏輯，優(yōu)化針對性和準(zhǔn)確性，并分析用戶行為與內(nèi)容喜好之間的關(guān)聯(lián)，采用公式：

62、

63、得到優(yōu)化后的推薦邏輯，其中，gex表示用戶特征向量，θ是邏輯回歸模型的參數(shù)向量，p(yx＝1|gex)是給定用戶特征gex下，喜好某內(nèi)容的預(yù)測概率，θtgex是參數(shù)向量和特征向量的點(diǎn)積；

64、基于所述優(yōu)化后的推薦邏輯，計算推薦得分，確定內(nèi)容排名，采用公式：

65、dscore＝αb·pdy+βb·rlc

66、得到細(xì)化的內(nèi)容推薦結(jié)果dscore，其中，pdy表示內(nèi)容的流行度，rlc是內(nèi)容與用戶喜好的關(guān)聯(lián)性，αb和βb是調(diào)節(jié)參數(shù)。

67、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)和積極效果在于：

68、本發(fā)明中，通過云計算和邊緣計算對老年用戶學(xué)習(xí)活動的實(shí)時監(jiān)控和分析，不僅提高了數(shù)據(jù)的準(zhǔn)確收集，還加強(qiáng)了異常數(shù)據(jù)的即時剔除，保證了數(shù)據(jù)分析的質(zhì)量，針對性學(xué)習(xí)內(nèi)容的自動化生成有效應(yīng)對了用戶需求的多樣性，使得教育內(nèi)容更具吸引力，增強(qiáng)了用戶的學(xué)習(xí)體驗(yàn)，優(yōu)化的推薦流程減少了用戶在選擇學(xué)習(xí)內(nèi)容時的負(fù)擔(dān)，提高了決策效率和滿意度，使得能更精準(zhǔn)地調(diào)整教育計劃，幫助老年人作出更適合自己的學(xué)習(xí)選擇，從而提升整體的教育效果。