1.一种学习者动态交互中的心理状态监测模型构建方法，其特征在于，包括：

语义理解与注意力机制模块在不同文本层级上分配注意力权重，使监测系统能够聚焦学习者关键信息，通过加权平均或线性变换等方式，将低层的细节特征和高层的抽象特征进行融合，提升监测系统对复杂语义的理解和情感状态的识别能力，使模型能更好地理解学生在多轮对话中的情感表达和心理状态变化；

长序列建模模块采用稀疏注意力机制通过有选择地关注关键信息，滑动窗口注意力在长序列上滑动，捕捉局部上下文信息，层次化注意力从不同层次对序列进行分析，结合局部和全局信息，构建确保心理状态监测模型，模型在多轮对话中有效传递情感信息，精准识别学生情感状态的变化；

通过调整任务目标和损失函数，专注于提升模型在情感分类，使用多样化的训练数据集进行微调，涵盖不同学科的作业分析数据以及不同类型学习者的对话数据，确保模型能够适应不同学科的作业分析，为不同领域的学习者提供精准的情感分类和学习干预建议，实现对心理状态监测模型优化。

2.如权利要求1所述的一种学习者动态交互中的心理状态监测模型构建方法，其特征在于，语义理解与注意力机制模块在不同文本层级上分配注意力权重，所述不同文本层级至少包括词、短语、句子、段落。

3.如权利要求1所述的一种学习者动态交互中的心理状态监测模型构建方法，其特征在于，在词层级，关注“焦虑”“兴奋”情感关键词以及“作业”“考试”与学习相关的词汇；在短语层级，聚焦于“作业太多做不完”“对考试充满信心”表达学习状态和情感的短语；句子层级上，把握“我最近学习压力很大，感觉快崩溃了”这类完整句子所传达的情感和学习状况；

段落层级则结合整个对话段落，理解学生在多轮交流中的情感变化趋势。

4.如权利要求1所述的一种学习者动态交互中的心理状态监测模型构建方法，其特征在于，在词层级，设词汇表V中词wi的词向量为xwi，通过训练参数矩阵Ww1和Ww2计算注意力权重 其中，bw1和bw2为偏置项，以此聚焦情感和学习相关词汇，提取关键信息；在短语层级，将词向量组合为短语向量xpi，利用参数矩阵Wp1和Wp2计算注意力权重 其中P为短语集合，关注表达学习状态和情感的短语；句子层级，以句子向量xsi通过类似方式计算注意力权重αsi，把握句子情感与事件；段落层级，综合段落内信,息计算注意力权重，将各层级提取特征融合，经多层感知机转换，提升模型对复杂语义理解和情感识别能力。

5.如权利要求1所述的一种学习者动态交互中的心理状态监测模型构建方法，其特征在于，在稀疏注意力机制中，设输入序列为X＝[x1，x2，...，xn]，计算注意力得分Wq为查询矩阵，dk为缩放因子，经softmax函数得到注意力权重，删选出关键信息，降低计算量。

6.如权利要求1所述的一种学习者动态交互中的心理状态监测模型构建方法，其特征在于，在滑动窗口注意力方面，设窗口大小为m，以当前轮次t为中心，关注t‑2/m到t+2/m轮次信息，对于窗口序列 计算注意力权重αw，更好理解局部语境情感意图。

7.如权利要求1所述的一种学习者动态交互中的心理状态监测模型构建方法，其特征在于，对于层化注意力机制，先在局部轮次内通过αl关注情感语义，在全局层面综合所有轮次信息，经αg把握主题和情感走向，其中， 全局层面 有效识别情感信息，精准识别情感变化。

8.如权利要求1所述的一种学习者动态交互中的心理状态监测模型构建方法，其特征在于，通过调整任务目标和损失函数，专注于提升模型在情感分类，使用多样化的训练数据集进行微调，具体方法包括：基于ERNIE模型进行基于任务的微调和微调数据集与任务评估，优化其在教育领域的特定任务表现，利用ERNIE‑Multilevel模型的相关特性，通过情感分析、学习障碍识别、学术不诚实检测方法，需要模型能够精准适应不同任务需求。

9.如权利要求1所述的一种学习者动态交互中的心理状态监测模型构建方法，其特征在于，采用多任务学习策略，整合情感分析、学习障碍识别、学术不诚实检测任务，共享任务目标，在学习障碍识别任务中，学生频繁出现计算错误、概念混淆等情况，所述特征与情感分析中的焦虑、沮丧等情绪特征相关联，使模型能够利用其他任务的特征信息提升对学生情感波动的敏感度；同时，使用多样化的训练数据集进行微调，涵盖不同学科的作业分析数据以及不同类型学生的对话数据，确保模型能够适应不同学科的作业分析，为不同领域的学生提供精准的情感分类和学习干预建议，对于数学学科中因难题而产生焦虑情绪的学生，模型能准确识别并建议教师提供针对性的辅导；对于语文写作中缺乏自信的学生，模型建议给予鼓励和写作技巧指导。

10.一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述心理状态监测模型构建方法。