基于人工智能的英语教学交互方法及系统

摘要

本发明涉及一种基于人工智能的英语教学交互方法及系统，其是通过计算任意两学生的发音互补特征，将发音互补特征作为节点的大小，构建图数据结构一，从而确定所有极大团对应的集合，从中提取出同时属于多个集合的学生，组成集合X，去掉集合X中的学生后，重新构建图数据结构二，获取集合Y，计算计算学生与集合Y的适配度，获取集合X中每个学生的分组集合，分别从每个分组集合中随机选取一个元素，构成分组策略，计算所述分组策略中的多个元素的适配度的和，选取适配度之和的最大值对应的分组策略作为最优的分组策略，并制定相应的教学交互策略。即本发明的方案能够更好地进行学生的分组，提高教学效率。

说明书

技术领域

本发明涉及教学系统技术领域，具体涉及基于人工智能的英语教学交互方法及系统。

背景技术

随着互联网技术的发展，在线教育日益成为一种新的教学方法，在线教育具有教学地点不受限制、教育资源实现公平共享、上课时间较为灵活等优点。但是，相对于传统的面授教育，在线教育普遍存在互动效果较差、学生注意力不容易集中、老师难以发现学生上课的学习效果。此外，目前无论是传统教育还是在线教育，全班学生跟随所在班级的进度进行整体的授课，缺少个体针对性，比如一节课传授的知识点中，如英语单词的学习中，一部分学生对某些单词已经熟悉掌握，那么根据班级教学进度还是重复性学习，显然是降低了学习效率；而一部分学习对某些单词则还不能正确发音，其在进行重复性学习时，老师在进行在线教育时没有针对性；同时由于每个学生的学习效果不同，老师难以兼顾所有学生，导致学习效果不佳。

发明内容

本发明的目的在于提供一种基于人工智能的英语教学交互方法及系统，用以解决针对目标词学习时，学习效率和效果低下的问题。

本发明提供的一种基于人工智能的英语教学交互方法，包括以下步骤：

步骤1，构建标准模型数据库，所述标准模型数据库包括目标词的标准发音特征，其中的目标词的标准发音特征包括口型标准变化特征和/或舌型的标准弯曲变化特征以及标准伸展变化特征；

步骤2，获取同一目标词的学生发音特征，并将所述发音特征与所述标准发音特征比较，计算两者的差异程度，根据所述差异程度确定各学生的跟读特征；

步骤3，根据所述跟读特征，获取同一目标词下每个学生的异常发音特征和任意两学生之间的辅助特征，进而确定各学生不同目标词的异常发音特征序列以及任意两学生之间的辅助特征序列；

步骤4，对于任意两个学生，根据所述辅助特征序列和异常发音特征序列，计算任意两个学生的发音互补特征，将任意两个学生作为一个节点，对节点进行密度聚类，获得不同的类别，当节点属于同一类别，则节点之间相互不连接，当节点不属于同一类别，则进行连接，该连接边的边权值为两节点的余弦距离，构成图数据结构一；

步骤5，获取所述图数据结构一的所有极大团，所有极大团对应的集合为

步骤6，遍历集合X获得多个分组集合，分别从每个分组集合中随机选取一个学生分组，构成分组策略，计算所述分组策略中的多个学生分组的适配度的和，选取适配度之和的最大值对应的分组策略作为最优的分组策略，并制定相应的教学交互策略。

进一步地，集合X中的学生x分配到集合Y中的适配度f(x,Y)的计算方法为：

其中，P2为将学生x分配到集合Y的学习收益，P1为集合Y的学习收益，Py

进一步地，所述学习收益的计算方法为：

1)构建集合的图数据结构，计算图数据结构的全局收益特征，所述全局收益特征为图数据结构的节点均值与边权值均值的乘积；所述集合包括集合

2)获取图数据结构中的每个极大团的节点个数与所有节点的比值，将所述比值与对应极大团边权值之和相乘，得到局部收益特征；

3)根据全局收益特征与局部收益特征，计算集合的学习收益。

进一步地，所述的适配度为：

其中，p2为学生x分配到集合Y后的发展潜力特征，p1为集合Y的发展潜力特征，p

进一步地，所述发展潜力特征的获取方法为：

获取集合中的节点的发音互补特征，将获取的发音互补特征构成一个矩阵，其中的行表示同一节点的不同目标词的发音互补特征，列表示同一目标词不同节点所对应的发音互补特征；并对每一列进行归一化处理，然后计算所述矩阵的均值，将所述均值作为集合的发展潜力特征；其中所述集合包括集合

进一步地，采用舌型变化特征计算跟读特征方法：

获取学生的弯曲特征序列与标准弯曲特征序列的弯曲差异程度V1以及伸展特征序列的伸展差异程度V2，将两差异程度进行加权求和，得到学生的跟读特征。

进一步地，所述辅助特征为任意两个学生在读取同一目标词时的跟读特征的差值与两学生中的跟读特征最大值的乘积。

进一步地，所述异常发音特征序列的获取方法为：

根据获取的各学生对同一单词的跟读特征，获取每个学生的同一单词不同时刻的跟读特征序列，根据特征序列获取各学生的异常发音的概率，进而获取每个学生的不同单词的异常发音特征序列；其中的异常发音是指跟读特征小于预设阈值的目标词发音。

进一步地，所述任意两个学生的发音互补特征为：将辅助特征序列与异常发音特征序列对应元素相乘，再与辅助特征序列进行求和。

本发明还提供了一种基于人工智能的英语教学交互系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述的基于人工智能的英语教学交互方法的技术方案。

本发明的有益效果为：

本发明的方案通过学生的课堂发音学习情况能够更好的对学生进行分组，使得评估指标高的分组内的学生相互学习，以此来提高发音学习效果，对于评估指标低的分组内的学生，教师能够进行个性化教学，即减轻了教师的教学负担，又提高学生的学习效率和成果，最终提高课堂的教学质量。

同时，本发明通过引入发展潜力特征，能够进一步更准确地进行学生的分组。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：

图1是本发明的基于人工智能的英语教学交互方法实施例的方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。

本发明的一种基于人工智能的英语教学交互方法，其是为了有针对性且效率高的对学生进行教学而提出的一种技术方案，具体地，如图1所示，包括以下步骤：

步骤1，构建标准模型数据库，所述标准模型数据库包括目标词的标准发音特征，其中的目标词的标准发音特征包括口型标准变化特征和/或舌型的标准弯曲变化特征和标准伸展变化特征；

本实施例中构建的标准模型数据库，可以根据获取教师读取的目标词的标准发音，利用计算机模拟出发音过程，获得发音序列口型变化特征和/或舌型变化特征。

作为其他实施方式，在获取教师的标准读音时，对于同一目标词，由于不同人声色和音调不同，存在模糊对应，就会造成发音与舌型的模糊对应，为了更准确地确定发音与口型和/或舌型的对应信息，本实施例通过训练一个神经网络，确定发音与口型和/或舌型的准确对应关系，这样可以剔除掉不同人的音色和声调的特征，提取声音与口型和/或舌型的映射特征。

需要说明的是，其中的舌型变化特征中的伸展变化特征为获取的舌尖与门齿的位移(a,b,c)，那么将位移(a，b，c)作为伸展变化特征向量，

其中的弯曲变化特征获取方法为：

获取舌型的所有网格点的坐标，获取舌型中线上的网格点，将这些网格点输入DNN网络中，输出舌头的弯曲特征，得到每个单词发音时舌头的弯曲程度的变化序列；根据舌尖的网格点与上下门齿的位移获取舌头的伸展特征向量，得到每个单词发音时舌头的伸展特征向量的变化序列，由于此处是现有技术，具体方法不再过多赘述。

步骤2，获取同一目标词的学生发音特征，并将所述发音特征与所述标准发音特征比较，计算两者的差异程度，根据所述差异程度确定各学生的跟读特征；

其中，上述实施例中的跟读特征，是根据获取的各学生的目标词的发音特征，将其与所述标准发音特征进行比较，确定两个序列的差异程度，作为各学生的跟读特征；

需要说明的是，上述的发音特征、标准发音特征等是针对同一目标词在进行读取时,其持续时间内的特征序列，即上述特征是具有一定的时序的。

具体地，将口型标准变化特征序列与获取的学生的口型变化特征序列，输入TCN网络中，获取两个序列的差异程度，将该差异程度作为学生的跟读特征。

需要说明的是，本实施例中是将口型标准变化特征序列当成正确的发音，将所有学生的发音和标准的发音进行比较来确定学生发音的准确性。

当然作为其他实施方式，本发明中还可以采用舌型变化特征进行学生跟读特征的计算，具体地：

获取学生的弯曲特征序列与标准弯曲特征序列的弯曲差异程度V1以及伸展特征序列的伸展差异程度V2，将两差异程度进行加权求和，得到学生的跟读特征。

需要说明的是，在进行加权求和时，弯曲差异程度V1和伸展差异程度V2的权重的设置，是与目标词相关，不同单词对应的权重不同，有的单词更关注舌型的弯曲情况，有的更加关注舌型的伸展情况，因此，对于具体的权重的设置，其是可以根据目标词的发音与对应的舌型的变化事先进行确定，并进行存储。

步骤3，根据所述跟读特征，获取同一目标词下每个学生的异常发音特征和任意两学生之间的辅助特征，进而确定各学生不同目标词的异常发音特征序列以及任意两学生之间的辅助特征序列；

其中，辅助特征序列的获取方法为：通过任意两个学生在读取同一目标词时的跟读特征的差值与两学生中的跟读特征最大值的乘积，获取每个学生的同一目标词下的辅助特征，进而获取定每个学生不同目标词下的辅助特征序列。

上述实施例中，辅助特征指的是两个学生对同一目标词的跟读特征的差别，当两者的差别越大时，则两个学生是可以进行相互辅导，也就是说，两个学生对多个目标词的掌握程度不同，其中一同学掌握了前n个，另一同学掌握了后N-n个，那么该两个同学可以对对方进行辅导，无需老师利用大量的时间进行辅导，提高了教学效率。

其中的学生异常发音特征序列的获取方法为，根据获取的各学生对同一单词的跟读特征，获取每个学生的同一单词不同时刻的跟读特征序列，根据特征序列获取各学生的异常发音的概率，进而获取每个学生的不同单词的异常发音特征序列；其中的异常发音是指跟读特征小于预设阈值的目标词发音。

步骤4，对于任意两个学生，根据所述辅助特征序列和异常发音特征序列，计算任意两个学生的发音互补特征，将任意两个学生作为一个节点，对节点进行密度聚类，获得不同的类别，当节点属于同一类别，则节点之间相互不连接，当节点不属于同一类别，则进行连接，该连接边的边权值为两节点的余弦距离，构成图数据结构一；

其中，任意两个学生的发音互补特征的计算方法为：将辅助特征序列与异常发音特征序列对应元素相乘，再与辅助特征序列进行求和。

上述实施例中，根据任意两学生的辅助特征序列以及异常发音特征序列，确定任意两学生的发音互补特征，将发音互补特征对应的两学生作为一节点，将发音互补特征作为节点的大小，并对各节点进行聚类，获取节点聚类后的类别，当节点属于同一类别，则节点与节点之间的边权值的大小为0，当各节点不属于同一类别，则节点之间的连接边的边权值的大小为两个节点发音互补特征的余弦距离。

本实施例中的每两个节点的余弦距离＝1-余弦相似度，其中的余弦相似度，为两个序列(向量)间的夹角的余弦值。

步骤5，获取所述图数据结构一的所有极大团，所有极大团对应的集合为

需要说明的是，集合Y是将集合X剔除后，将剩余的学生进行两两组合，以学生对为节点，构成图数据结构二，节点大小为对应的两学生的发音互补特征，边权值大小为节点之间的余弦距离。

其中，集合X中的学生x与集合Y的适配度的计算方法为：

其中，P2为将学生x分配到集合Y的学习收益，P1为集合Y的学习收益，Py

需要说明的是，当P2-P1越大，说明将x分到集合y后学习收益的增量大；(P2-Py

上述实施例中的集合Y的学习收益P1的计算方法为：

1)根据集合Y的构建图数据结构二，计算图数据结构二上节点均值与边权值均值的乘积a1，其中a1为全局收益特征；

2)获取图数据结构二中的每个极大团的节点个数与所有节点的比值，将所述比值与对应极大团边权值之和相乘，得到局部收益特征；

需要说明的是，本发明在计算局部收益时必须先把图数据结构二中的节点的边权值阈值化处理，阈值化的目的就是把那些边权值小的节点断开，没断开的边权值表示对应的学习收益会更加大；同时，采用节点的个数进行局部收益特征的计算，表示的是极大团内的节点数目占比的多少，占比越大说明在阈值之后学习收益更大的学生占的多。

3)根据全局收益特征与局部收益特征，计算集合Y的学习收益P1。

需要说明的是，本实施例中是从整体和局部进行收益特征的分析，即从全局收益特征来看，值越大说明整体上而言，这些学生之间的互补能力和相互学习的收益就越大；然后从局部上表述这些学生是否可以由较强的互补能力，越大越好。

按照上述的学习收益的计算方法，分别计算集合

进一步地，本发明还考虑了另外一因素-发展潜力特征，该发展潜力特征指的是一个学生集合内，对于学过的每个目标词是否任意一对学生都能互相学习、互相辅助，该值越大则表示集合内学生对目标词学的越快越好，同时也说明所有学过的单词都存在较大的互补能力，组内学生互助能力越强，越能够使组内的学生更快的学好单词。

本实施例中的发展潜力特征的计算方法为：

在学生集合内，获取所有学生组合对应的f，构成一个矩阵，矩阵的每一行表示一个学生组合的f，每一列都表示每个目标词在不同学生组合上所对应的发音互补特征，对每一列进行归一化处理，然后计算该矩阵的均值，这个均值作为学生集合的发展潜力特征，其中，学生x分配到集合Y之后的发展潜力特征为p2。

按照上述方法，当学生x未分配到集合Y时，集合Y所具有的发展潜力特征为p1，集合y

那么，相应的适配度为：

步骤6，遍历集合X获得多个分组集合，分别从每个分组集合中随机选取一个学生分组，构成分组策略，计算所述分组策略中的多个学生分组的适配度的和，选取适配度之和的最大值对应的分组策略作为最优的分组策略，并制定相应的教学交互策略。

需要说明的是，本实施例中，集合X中有多少个学生就对应多少个分组集合，从这些分组集合中的每个分组集合中分别随机选取一个学生分组，构成分组策略，如学生x对应的学生分组为集合S

当遍历集合X后获得多个集合，分别从每个集合中随机选择一个学生分组，构成一种分组策略，对应多个适配度；计算出这些适配度之和F；获取适配度之和F的最大值的分组策略作为最终的分组方法，实现对学生的分组。

上述实施例中，对最优的分组策略进行学习收益的计算，当计算出的学习收益大于第一阈值时，则为第一类别，当学习收益小于第一阈值且大于第二阈值时，则为第二类别；当学习收益小于第二阈值时，则为第三类别，即将每个分组进行归类，其中的归类包括第一类别、第二类别和第三类别。

其中第一类别中的学生，可以在小组内进行相互学习发音技巧和总结发音经验；第二类别中的学生，可以在小组内相互学习，并结合教师的教授进行学习；第三类别中的学生，直接由教师进行目标词发音的教学。

需要说明的是，上述实施例中的第一阈值、第二阈值是根据计算的学习收益进行确定的，如获取的学习收益的最大的收益为max，则第一阈值为2/3×max，第二阈值为1/3×max。

基于与方法同样的发明构思，本发明还提供了一种基于人工智能的英语教学交互系统，包括存储器和处理器，处理器执行存储器存储的上述基于人工智能的英语教学交互方法的程序，由于一种基于人工智能的英语教学交互方法已在上述实施例中进行详细介绍，此处不再过多赘述。

需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员是可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。