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

背景技術：

1、數(shù)據(jù)分析技術領域涵蓋從基本的數(shù)據(jù)收集、處理到復雜的分析和預測的全過程，包括數(shù)據(jù)挖掘、機器學習、統(tǒng)計分析和大數(shù)據(jù)技術的應用，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、金融市場預測和客戶行為分析等多個領域中發(fā)揮著核心作用，隨著技術的發(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確性。

2、其中，基于數(shù)據(jù)分析的老年人研學決策系統(tǒng)指的是使用數(shù)據(jù)分析技術來支持和優(yōu)化老年人教育和學習活動的決策過程，系統(tǒng)集成了用戶行為數(shù)據(jù)、學習成果數(shù)據(jù)以及環(huán)境因素數(shù)據(jù)，通過分析數(shù)據(jù)來提供定制的學習建議和活動安排，用途包括幫助教育提供者解析老年人的學習需求和偏好，從而設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習選擇。

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

技術實現(xiàn)思路

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

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

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

4、學習效果監(jiān)控模塊基于所述行為特征概覽，運用數(shù)據(jù)清洗技術剔除異常記錄，對學習進度進行線性分析，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、研學內(nèi)容適配模塊基于所述效果定量分析信息，結合用戶偏好和歷史行為，識別匹配的學習主題和材料，通過nlp模型自動生成針對性的研學內(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；

6、決策優(yōu)化支持模塊基于所述內(nèi)容匹配指標，分析用戶學習效果和行為模式，優(yōu)化研學內(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，得到細化的內(nèi)容推薦結果。

7、本發(fā)明改進有，所述行為特征概覽的獲取步驟具體為：

8、基于老年用戶的學習活動記錄，通過云計算和邊緣計算收集老年用戶的學習數(shù)據(jù)，包括學習時間長度、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項活動的數(shù)據(jù)元組di，其中，ti表示第i項活動的學習時間長度，vi表示第i項活動的內(nèi)容瀏覽量，fi表示第i項活動的互動頻率，ti表示第i項活動的時間戳；

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

12、

13、和

14、

15、和

16、

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

18、基于所述加權平均的學習時間長度、內(nèi)容瀏覽量和互動頻率，結合活動時間屬性，得到行為特征概覽。

19、本發(fā)明改進有，所述對學習進度進行線性分析的步驟具體為：

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

21、

22、得到初步學習進度數(shù)據(jù)pd，其中，是第i個數(shù)據(jù)點的學習時間，是對應的課程完成數(shù)量；

23、基于所述初步學習進度數(shù)據(jù)，進行線性回歸分析，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)點總數(shù)，是第i個數(shù)據(jù)點的學習時間，是對應的課程完成數(shù)量；

28、利用所述線性模型參數(shù)，預測未來或未完成數(shù)據(jù)的學習進度，采用公式：

29、cpredicted＝ad·td+bd

30、得到預測學習進度結果，其中，ad是斜率，bd是截距，cpredicted是根據(jù)用戶未來學習時間td預測的課程完成數(shù)量。

31、本發(fā)明改進有，所述效果定量分析信息的獲取步驟具體為：

32、基于所述學習進度信息，計算每個用戶的預測學習成果，從中提取每個用戶的理解深度和記憶保持率預估值，得到初步評估結果集；

33、基于所述初步評估結果集，對每個用戶的預測結果進行分析，采用公式：

34、

35、計算理解深度和記憶保持率，得到量化的評估結果qr，并獲得效果定量分析信息，其中，rs是用戶的預測學習成果，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)明改進有，所述學習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，提取每個用戶的學習成果，結合用戶偏好數(shù)據(jù)和歷史行為，計算每個學習主題的適配性評分，采用公式：

38、

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

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

41、

42、得到匹配的學習材料列表lx，其中，nlp_scorej是nlp模型給出的關聯(lián)性評分，是材料關聯(lián)性得分的權重系數(shù)，nx是材料數(shù)量；

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

44、

45、得到學習主題和材料清單，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)明改進有，所述內(nèi)容匹配指標的獲取步驟具體為：

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

48、

49、得到初步指標集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、基于所述初步指標集，與質(zhì)量標準進行對比，迭代調(diào)整和細化匹配指標，采用公式：

51、my＝ρy·(iy+qy)

52、得到內(nèi)容匹配指標my，其中，qy是質(zhì)量控制參數(shù)，iy是初步指標集，ρy是調(diào)節(jié)系數(shù)，用于平衡初始指標與質(zhì)量標準的關系。

53、本發(fā)明改進有，所述用戶學習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，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是點擊次數(shù)，fwt和fwc分別是時間和點擊的權重系數(shù)；

57、基于所述用戶交互得分，識別學習行為模式，使用公式：

58、

59、得到交互得分和學習成果之間的關系表示slope，其中，xi是交互得分的個體值，yi是對應的學習成果，和是交互得分和學習成果的平均值。

60、本發(fā)明改進有，所述細化的內(nèi)容推薦結果的獲取步驟具體為：

61、根據(jù)用戶互動數(shù)據(jù)，調(diào)整研學內(nèi)容的推薦邏輯，優(yōu)化針對性和準確性，并分析用戶行為與內(nèi)容喜好之間的關聯(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)容的預測概率，θtgex是參數(shù)向量和特征向量的點積；

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

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

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