基于图卷积神经网络的个性化体育训练路径规划与动态评估方法

《Scientific Reports》：GCN-based learner movement feature network modeling for personalized training path planning and dynamic evaluation

　　

摘要

个性化训练路径规划已成为智能体育教育领域的热点议题，但现有方法往往难以捕捉不同动作特征之间的依赖关系。本研究提出一种图卷积神经网络（GCN）方法，通过学习者动作特征网络来实现个性化路径规划与动态评估。我们构建了异质图，将运动技能和学习者画像作为节点，并通过混合加权策略在边上编码技能关联与学习者相似度。在此基础上，一种具有注意力机制和残差连接的GCN架构学习判别性嵌入表示；路径规划模块随后将这些嵌入与强化学习相结合，以生成满足先修约束并平衡多目标冲突的训练轨迹。动态评估组件监控学习者表现，并通过增量式嵌入细化触发自适应路径调整。在单一机构高校体育数据集上，经过五次仅随机种子不同的运行取平均，所提方法的路径推荐准确率达到83.67% ± 0.29%，训练效果提升率为24.35% ± 0.38%；相较于我们测试的最强基线方法，性能优势为4.76个百分点，bootstrap 95%置信区间为4.26至5.22个百分点，配对t检验结果显示p < 0.001。动态评估模块的掌握预测准确率为87.92% ± 0.35%，而静态评估对应为71.24% ± 0.58%。该提升率基于按课表分配而非随机分配的教学班组间比较得出，因此以关联性结果予以报告。我们将这些结果解读为：基于图的结构表示能够捕捉运动技能领域中有用的关系结构，而非广泛跨运动项目适用性的证明。本文的研究范围有意加以限定：该框架面向以层级化技能依赖为组织形式的运动项目——体操、游泳、田径以及结构化球类技能进阶——且评估是在单一机构语料上进行的域内评估，而非跨运动项目的泛化测试。