本发明涉及智能分析，特别涉及一种生成式人工智能错题分析系统。
背景技术：
1、传统意义上的错题集,都是由学生手工摘抄或剪贴而成的纸质错题本，但是在教育信息化2.0时代，这种耗时费力且难以模块化管理的纸质错题本,必然要发展成为便捷高效且易于分类处理的智能错题库。
2、然而，在发展成智能错题库的过程中，如果单纯的依赖人工对错误知识的统计与分析在一定程度上存在样本缺失及人工知识不充分所导致的低精准度分析结果。
3、因此，本发明提出一种生成式人工智能错题分析系统。
技术实现思路
1、本发明提供一种生成式人工智能错题分析系统，用以通过智能调取对目标作业的作业答复信息及检索来构建矩阵，不仅保证样本的大量存在，还能保证后续错误确定的精准性，且从单独与连贯两方面分析设置标签来构建分析树，提高错误分析精度，进而为后续作业辅助提供便利。
2、本发明提供一种生成式人工智能错题分析系统，包括：
3、矩阵构建模块，用于从作业数据库中调取同个目标作业下的所有作业答复信息，并依次对每条作业答复信息进行检索，构建得到针对所述同个目标作业的作业矩阵；
4、逻辑确定模块，用于解析所述作业矩阵且与标准答复信息进行比较，确定每个预设指定关键描述的单独错误逻辑以及连贯指定关键描述的连贯错误逻辑；
5、标签设置模块，用于按照所述单独错误逻辑以及连贯错误逻辑，向所述作业矩阵中的每行向量设置逻辑标签；
6、树构建模块，用于对所有逻辑标签进行智能分析构建得到所述同个目标作业的错误分析树；
7、关联分析模块，用于对所有目标作业的错误分析树进行关联分析，得到总分析树，且结合按照目标对象的历史错题库得到针对所述目标对象的作业辅助方案并输出展示。
8、优选的，所述矩阵构建模块，包括：
9、向量构建单元，用于按照目标作业的预设指定关键描述依次对每条作业答复信息进行检索，得到每条作业答复信息的答复向量；
10、向量排布单元，用于对所述同个目标作业下的每个答复向量进行依次排布，得到作业矩阵，其中，所述作业矩阵中每列向量对应一个预设指定关键描述。
11、优选的，所述逻辑确定模块，包括：
12、答复比较单元，用于将所述标准答复信息与所述作业矩阵中的每个答复向量进行比较，得到对应答复向量中的内容错误分布以及逻辑错误分布；
13、质量确定单元，用于按照所述内容错误分布以及逻辑错误分布，得到对应答复向量中每个答复元素的答复质量；
14、划分单元，用于按照所述答复质量的有效范围对相应答复向量进行第一划分，同时，按照预设指定关键描述的描述关联范围以及内容关联范围对相应答复向量进行第二划分；
15、级别确定单元，用于根据第一划分结果以及第二划分结果，得到对应答复向量中每个答复元素的逻辑错误级别；
16、单独确定单元，用于对所述作业矩阵中同列向量涉及到的所有逻辑错误级别以及每个逻辑错误原因，得到对应预设指定关键描述的单独错误逻辑；
17、连贯分析单元，用于按照所述描述关联范围对所述预设指定关键描述进行连贯分析，得到每个预设指定关键描述的连贯多种可能性；
18、初始分析单元，用于分别按照同个预设指定关键描述下的每个连贯可能性进行多列向量的初始组合分析，得到对应的初始连贯逻辑；
19、优先分析单元，用于从同个预设指定关键描述下的所有初始连贯逻辑进行优先排序，得到连贯组合；
20、最后标注单元，用于从每个预设指定关键描述下的连贯组合且结合连贯最优分析函数，向每个预设指定关键描述标注最后连贯符号；
21、最终分析单元，用于根据标注结果对所述作业矩阵中的相关列进行最终组合分析，得到连贯错误逻辑。
22、优选的，所述质量确定单元，包括：
23、系数计算子单元，用于根据比较结果分别确定每个答复元素的错误系数；
24、
25、其中，c1j1表示第j1个答复元素的错误系数；nwj1表示第j1个答复元素的错误内容的错误覆盖系数；lwj1表示第j1个答复元素的错误逻辑的错误覆盖系数；
26、同时，从描述权重映射表中分别确定对应预设指定关键描述的描述权重；
27、质量计算子单元，用于基于所述错误系数以及描述权重，计算每个答复元素的答复质量；
28、
29、其中，g(r1)表示基于内容错误分布r1的分布密度；g(r2)表示基于逻辑错误分布r2的分布密度；n1表示内容错误分布r1中存在的错误个数；n2表示逻辑错误分布r2中存在的错误个数；w1j1表示第j1个答复元素与内容错误分布r1的位置关联系数；w2j1表示第j1个答复元素与逻辑错误分布r2的位置关联系数；z1j1表示第j1个答复元素的答复质量；c1j1表示第j1个答复元素的错误系数；q1j1表示第j1个答复元素所对应预设指定关键描述的描述权重；表示针对位置关联系数的标准化系数；ln表示对数函数符号；max表示最大值符号；z1j1表示第j1个答复元素的答复质量。
30、优选的，所述级别确定单元，包括：
31、
32、其中，jnj1表示第j1个答复元素的逻辑错误级别；g1(z1j1,y0)表示第j1个答复元素的答复质量z1j1基于有效范围y0的范围有效函数；g2(g01,g0j1,g11,g1j1)表示第j1个答复元素所对应预设指定关键描述基于描述关联范围g01以及第j1个答复元素的答复内容基于内容关联范围g02的范围关联函数；γ1表示质量范围标准化系数；γ2表示关联范围标准化系数；m01表示第一划分结果的划分总数量；m02表示第二划分结果的划分总数量。
33、优选的，所述标签设置模块，包括：
34、系数统计单元，用于统计对应行向量中单独错误逻辑的第一错误覆盖系数以及对应行向量中连贯错误逻辑的第二错误覆盖系数；
35、标签设置单元，用于根据第一错误覆盖系数的系数分布以及第二错误覆盖系数的系数分布，向对应行设置逻辑标签。
36、优选的，所述树构建模块，包括：
37、输入单元，用于将同个目标作业的所有逻辑标签依次输入到标签分析模型中；
38、输出单元，用于基于所述标签分析模型输出得到错误分析树。
39、优选的，所述关联分析模块，包括：
40、失效单元，用于基于挖掘模型对所述错误分析树中每个树分支进行n1个分析要素的深度挖掘得到每个树分支的错误标注字段，并对同个错误分析树中涉及到的错误标注字段进行失效分析得到单独失效分析函数以及失效趋势；
41、联合分析单元，用于对所有单独失效分析函数进行第一联合分析，同时，对所有失效趋势进行第二联合分析；
42、树构建单元，用于基于第一联合分析结果以及第二联合分析结果，得到总分析树；
43、根据所述目标对象的历史错题库建立目标矩阵，进而构建目标树；
44、相似分析单元，用于获取所述目标树的第一向量集并映射到向量分析空间中，来与所述总分析树的第二向量集映射到向量分析空间中的映射结果进行相似关联分析，得到初始错误信息；
45、记录单元，用于记录所述第一向量集基于向量分析空间的第一映射轨迹以及确定所述第一向量集在映射过程中的第一映射接口，同时，记录所述第二向量集基于向量分析空间的第二映射轨迹以及确定所述第二向量集在映射过程中的第二映射接口；
46、信息优化单元，用于基于第一映射接口以及第二映射接口、第一映射轨迹以及第二映射轨迹，对所述初始错误信息进行优化，得到作业错误信息；
47、方案获取单元，用于从方案数据库中获取对于所述作业错误信息的作业辅助方案，并输出展示。
48、与现有技术相比，本技术的有益效果如下：
49、通过智能调取对目标作业的作业答复信息及检索来构建矩阵，不仅保证样本的大量存在，还能保证后续错误确定的精准性，且从单独与连贯两方面分析设置标签来构建分析树，提高错误分析精度，进而为后续作业辅助提供便利。
50、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
51、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
1.生成式人工智能错题分析系统，其特征在于，包括：
2.根据权利要求1所述的生成式人工智能错题分析系统，其特征在于，所述矩阵构建模块，包括：
3.根据权利要求1所述的生成式人工智能错题分析系统，其特征在于，所述逻辑确定模块，包括：
4.根据权利要求3所述的生成式人工智能错题分析系统，其特征在于，所述质量确定单元，包括：
5.根据权利要求4所述的生成式人工智能错题分析系统，其特征在于，所述级别确定单元，包括：
6.根据权利要求1所述的生成式人工智能错题分析系统，其特征在于，所述标签设置模块，包括：
7.根据权利要求6所述的生成式人工智能错题分析系统，其特征在于，所述树构建模块，包括：
8.根据权利要求1所述的生成式人工智能错题分析系统，其特征在于，所述关联分析模块，包括：
