本发明涉及人工智能技术、教育技术及认知科学的，尤其是涉及基于标准化表现增量与动态基线的双层自适应训练推荐系统及方法，是用于面向儿童认知能力训练（如自控力、反应力、记忆力等）的个性化推荐系统及训练方法，能够基于用户即时表现状态与长期历史趋势，动态适配训练负荷、内容类型及难度等级，实现精准化、高效化的认知训练。
背景技术：
1、儿童认知能力训练是促进其大脑发育与综合素质提升的关键途径，而个性化推荐技术是保障训练效果与用户参与度的核心支撑。然而，现有认知训练系统在个性化推荐环节存在诸多缺陷，严重影响训练质量与用户体验：
2、1、现有系统普遍依赖用户历史表现数据构建推荐模型，新用户首次使用时因无数据积累，无法获得个性化推荐，仅能接收固定标准化内容，导致初始体验差，难以建立训练兴趣。
3、2、采用固定分数阈值（如50分及格、90分优秀）作为评估标准，忽略了不同训练游戏的难度曲线差异、得分上限差异，导致跨游戏的表现评估结果失真，无法反映用户真实认知水平。
4、3、部分改进系统采用最近k次表现的平均值作为评估依据，无法区分两种截然不同的用户状态；水平较高但处于疲劳下降趋势的用户，与水平较低但处于快速进步趋势的用户，二者可能具有相同的平均值，但所需的训练方案完全相反，导致推荐结果与用户实际需求不匹配。
5、4、传统短板训练逻辑机械重复推荐用户表现不佳的游戏，缺乏内容轮换与新鲜感设计，尤其针对儿童用户，枯燥重复的训练内容易引发抵触心理，降低训练持续性与参与积极性。
6、因此，需要一种能够解决上述缺陷，实现新用户平滑过渡、科学评估、个性化内容推荐及动态负荷调整的认知训练推荐系统及方法。
技术实现思路
1、本发明为克服上述情况不足，提供了一种能解决上述问题的技术方案。
2、一种基于标准化表现增量与动态基线的双层自适应训练推荐系统，包括：
3、动态游戏基线模块，用于存储并根据用户年龄、游戏id与关卡等级，获取对应的同龄人历史平均分作为动态游戏基线dgb；
4、标准化表现评估模块，用于根据用户游戏得分与对应dgb计算标准化表现增量npd，并根据npd与该类游戏历史表现分计算标准化表现分sps；
5、状态切换模块，用于根据用户已完成的游戏记录数量，在初始化状态与动态自适应状态之间进行切换；
6、自适应训练决策模块，当处于动态自适应状态时，基于用户最近连续多场游戏的sps序列，通过加权平均计算标准化表现水平sps_level，并通过线性回归计算标准化表现趋势sps_trend，并根据所述sps_level和所述sps_trend的组合情况输出可变的训练负荷值n；
7、游戏疲劳度管理模块，用于为每一个游戏维护游戏疲劳度gfs分数，所述gfs分数根据游戏被游玩次数、时间衰减规则及用户达到预设精熟阈值时的精熟惩罚规则进行更新；
8、课时生成模块，用于根据所述训练负荷值n和用户的能力短板选择游戏类型，从对应的游戏类型中优先选择gfs分数最低的游戏，生成包含n个游戏的训练课包；
9、游戏内调控模块，用于根据用户当前关卡的得分与基于dgb计算的挣扎线和精熟线的比较结果，动态调整下一关卡的难度等级。
10、标准化表现增量npd的计算方式为：npd=（用户得分-dgb）/dgb；
11、所述标准化表现分sps的计算方式为：sps=（用户npd-μ）/σ；
12、其中：μ代表特定游戏类型中，历史数据库里所有用户所产生的npd数值平均值；σ代表该特定游戏类型中，历史数据库里所有用户所产生的npd数值的标准差。
13、sps_level为最近k个sps值的加权平均值，权重随游戏时间由远及近递增；
14、sps_trend为最近k个npd数据点的一元线性回归斜率m。
15、一元线性回归斜率m代表每玩一次游戏，相对于平均分的增幅比例，引入一个常量ψ，其中：
16、m＞ψ，代表用户近期的综合认知状态处于明显进步趋势；
17、m＜-ψ，代表用户近期的综合认知状态处于明显下降趋势；
18、-ψ≤m≤ψ，代表用户近期的综合认知状态处于巩固稳定时期。
19、所述状态切换模块在用户游戏记录数k小于预设阈值k时处于初始化状态，否则切换至动态自适应状态。
20、训练负荷值n根据以下逻辑确定：
21、若sps_level高于第一阈值，则输出减负训练负荷；
22、若sps_level低于第二阈值且sps_trend大于零，则输出加量训练负荷；
23、若sps_level低于第二阈值且sps_trend小于零，则输出减负训练负荷；
24、其余情况输出标准训练负荷。
25、gfs分数更新规则包括：
26、规则a：每次游戏被游玩后增加第一预设值；
27、规则b：每隔预设时间对所有gfs大于零的游戏减少第二预设值；
28、规则c：当用户在该游戏中首次达到预设精熟阈值时，增加第三预设值作为精熟惩罚，且此后不再触发所述规则a。
29、所述游戏内调控模块中，挣扎线和精熟线均通过dgb和预设浮动百分比p计算得到。
30、所述游戏内调控模块的调控逻辑包括：
31、若得分高于精熟线，则下次从当前关卡跳级开始；
32、若得分介于挣扎线与精熟线之间，则下次从当前关卡升级开始；
33、若得分低于挣扎线，则下次从当前关卡降级开始；
34、若连续多次得分低于挣扎线，则中止当前游戏并引导用户至课包的下一游戏。
35、一种基于标准化表现增量与动态基线的双层自适应训练推荐方法，包括：
36、步骤s1、根据用户总游戏的历史记录数量，判断系统应处于初始化状态或动态自适应状态；
37、步骤s2、当处于动态自适应状态时，提取用户最近连续k场游戏的sps序列，通过加权平均计算表现水平sps_level，并通过线性回归计算表现趋势sps_trend；
38、步骤s3、根据sps_level和sps_trend的组合情况，确定并输出训练负荷值n；
39、步骤s4、根据每一游戏的游戏疲劳度gfs分数、训练负荷值n及用户能力短板，从对应类型的游戏中优先选择gfs分数最低的游戏，生成包含多个游戏的训练课包；
40、步骤s5、根据用户当前关卡得分与基于dgb计算的挣扎线和精熟线的比较结果，实时调整下一关卡的难度等级。
41、与现有技术相比，本发明的有益效果是：
42、1、具有双态切换机制，为新用户提供了清晰的初始化路径，并在数据充足后自动切换到高级自适应模式，确保了从0到n的完整用户体验。
43、2、引入了标准化表现分（sps），其通过均值和方差校准，解决了跨游戏类型不可比的缺陷，使得后续的趋势分析建立在科学、可信的数据之上；采用基于标准化表现水平（sps_level）和标准化表现趋势（sps_trend）的双变量模型；这使得系统不仅能看到用户现在的水平，更能看到其变化的方向，是在进步还是在疲劳，使得评估更具前瞻性。
44、3、游戏疲劳度（gfs）模型在保证训练效率的同时，极大避免了儿童因重复而厌倦，提高了训练的趣味性。
45、4、跳级提供了即时激励，疲劳切换则提供了保护性制动，避免了儿童在某一关卡上保持不变，有效保护了其积极性。
46、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。