即使这不是真正的人工智能，最简单的方法可能是在每个问题上加上系数

例如，您的问题将类似于

grammar=0.55
vocabulary=0.45
if(won){
  success=-1
}else{
  success=1
}

级别越低，此类问题出现的越少

在关卡结束时，您将每个问题与玩家成功的次数相加

player.level 是一个实数数组

for each question{
   player.level["grammar"]=player.level["grammar"]+question.grammar*question.success
   player.level["vocabulary"]=player.level["vocabulary"]+question.vocabulary*question.success
}

然后当你初始化关卡时，根据玩家的关卡选择生成问题是一个介于0和所有player.level总和之间的随机实数（偏移到0以上）

for each player.level{
   if choice>player.level{
      choice=choice-player.level
   }else{
      return question_type=player.level.type
   }
}

尽管“真正的”人工智能可以做出相同或更好的问题选择，但它可能会比这样的简单算法更慢，并且需要更多的数据。

您可以根据她/他的答案构建一个 MLC（机器学习分类器），并将其应用于大型问题数据库，以查看哪种类型的问题可能会产生不正确的答案。

然后提供这些问题（假设一个人会从解决她/他的弱点中学到更多）以提供更陡峭的学习曲线，不断适应 MLC。

http://www.deeplearningbook.org/第 5 章，也可以在 github 上找到，对如何构建基本的 MLC 以及应用程序中可能存在的问题/关键问题/参数有一个非常清晰且相对简单的解释。

您可以通过以下方面实现强化学习代理：

行动空间

添加或删除某个类别的问题的动作，例如添加语法问题，删除语法问题，添加词汇问题等。

状态空间

使用流模型，您可以为每个主题构建一个流特征向量。这样该向量中的每个元素要么是具有挑战性的，要么是正常的，要么是无聊的

这样

其中-1 很无聊，0 正好，+1 有挑战性，反之亦然

然后你把这个向量展平成一个标量整数

其中 n 是主题数，Z 是整数集

奖励信号

使用以下组合：

• 参与时间
• 球员得分
• 离平衡点的距离

定义奖励信号。并使模型学习该用户的最佳流程。

这就是每个主题的用户得分和

是一个距离函数，定义了该用户距离学习技能平衡的距离

算法

使用上述模型，您可以构建一个简单的 Q-Learning 代理，在添加和删除问题或某个主题的挑战方面，尝试通过选择最佳动作来最大化奖励信号。

当然，奖励信号取决于玩家玩游戏的时间、玩家的挑战或无聊程度以及玩家离最佳学习目标的距离

其中 v 是某个状态的值，Q 是状态/动作对的值

祝你好运

一个简单的决策树将是合适的，它代表了最简单的人工智能形式之一。 不要把简单的问题过度复杂化。

最简单的方法可能会运行得更快，并且需要更少的系统资源，因此，除非这个项目被设计为机器学习的主菜，否则这种方法对于这个简单的问题来说太过分了。