CN108764757A - 基于大数据与人工智能的精准教学评价方法和机器人系统 - Google Patents
基于大数据与人工智能的精准教学评价方法和机器人系统 Download PDFInfo
- Publication number
- CN108764757A CN108764757A CN201810632338.7A CN201810632338A CN108764757A CN 108764757 A CN108764757 A CN 108764757A CN 201810632338 A CN201810632338 A CN 201810632338A CN 108764757 A CN108764757 A CN 108764757A
- Authority
- CN
- China
- Prior art keywords
- teaching
- teacher
- portrait
- evaluation unit
- checked
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013473 artificial intelligence Methods 0.000 title abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 185
- 230000008569 process Effects 0.000 claims abstract description 32
- 230000009471 action Effects 0.000 claims description 96
- 230000000694 effects Effects 0.000 claims description 45
- 235000013399 edible fruits Nutrition 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于大数据与人工智能的精准教学评价方法和机器人系统,包括:根据教学过程大数据建立每一老师的教学效果画像,从待查询的老师的教学效果画像获取待查询的评价单元的教学效果。上述方法和系统通过教学过程大数据中学生在课程上的反应来对教师的教学效果进行画像并将所述画像用于教学评价,更为真实和客观地反映出老师的教学效果,能极大提高教学画像和教学评价的客观性和准确性。
Description
技术领域
本发明涉及信息技术领域,特别是涉及一种基于大数据与人工智能的精准教学评价方法和机器人系统。
背景技术
现有教学效果评价是学生在期末的时候对老师进行评分而形成的。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:学生对老师的评价不仅仅取决于这个老师讲课讲的如何,还取决于这个学生的喜好,学生对自己喜好的老师总会给更高的评价,例如有的学生喜好男老师,有的学生喜好女老师,有的老师喜好严格的老师,有的老师喜好宽松的老师,而这些喜好跟教学效果没有直接关系,而且有的没有得到理想分数或被老师批评的学生存在恶性报复现象,故意在教学效果评价中给老师差评。因此现有教学效果评价不能客观地评价教学效果,而是受到学生主观影响,而导致了教学效果评价的准确率低。
因此,现有技术还有待于改进和发展。
发明内容
基于此,有必要针对现有技术中教学效果评价的缺陷或不足,提供基于大数据与人工智能的精准教学评价方法和机器人系统,以解决教学效果评价的主观性强、准确率低的缺点。
第一方面,提供一种教学评价方法,所述方法包括如下步骤:
建立画像步骤,根据教学过程大数据建立每一老师的教学效果画像;
使用画像步骤,从待查询的老师的教学效果画像获取待查询的评价单元的教学效果。
优选地,所述的建立画像步骤包括:
获取数据步骤,获取教学过程大数据,所述教学过程大数据包括每一老师的每一评价单元对应的教学录像;
预设动作步骤,获取预设的认真听课的动作,作为第一预设动作;
效果画像步骤,将每一老师的每一评价单元作为所述每一老师的教学效果画像的一个评价单元标签,从所述每一老师的每一评价单元对应的教学录像中识别出的所有学生的第一预设动作的总时长占所述每一评价单元的总时长的比例,作为所述每一老师的教学效果画像的所述一个评价单元标签的值,存入教学效果画像知识库。
优选地,所述的使用画像步骤包括:
接受查询步骤,获取待查询的老师及待查询的评价单元;
搜索评价步骤,从教学效果画像知识库中搜索并获取所述待查询的老师的教学效果画像,从所述待查询的老师的教学效果画像中获取属于所述待查询的评价单元的所有评价单元标签的值;
效果计算步骤,获取属于所述待查询的评价单元的所有评价单元的权重,将所述所有评价单元标签的值根据所述所有评价单元的权重进行加权平均后得到的值,作为所述待查询的老师的评价单元的教学效果。
优选地,所述评价单元包括预设时段的课程。
优选地,所述预设的认真听课的动作包括学生抬头眼睛向前看或/和动手做笔记。
第二方面,提供一种教学评价系统,所述系统包括如下模块:
建立画像模块,用于根据教学过程大数据建立每一老师的教学效果画像;
使用画像模块,用于从待查询的老师的教学效果画像获取待查询的评价单元的教学效果。
优选地,所述的建立画像模块包括:
获取数据单元,用于获取教学过程大数据,所述教学过程大数据包括每一老师的每一评价单元对应的教学录像;
预设动作单元,用于获取预设的认真听课的动作,作为第一预设动作;
效果画像单元,用于将每一老师的每一评价单元作为所述每一老师的教学效果画像的一个评价单元标签,从所述每一老师的每一评价单元对应的教学录像中识别出的所有学生的第一预设动作的总时长占所述每一评价单元的总时长的比例,作为所述每一老师的教学效果画像的所述一个评价单元标签的值,存入教学效果画像知识库。
优选地,所述的使用画像模块包括:
接受查询单元,获取待查询的老师及待查询的评价单元;
搜索评价单元,从教学效果画像知识库中搜索并获取所述待查询的老师的教学效果画像,从所述待查询的老师的教学效果画像中获取属于所述待查询的评价单元的所有评价单元标签的值;
效果计算单元,获取属于所述待查询的评价单元的所有评价单元的权重,将所述所有评价单元标签的值根据所述所有评价单元的权重进行加权平均后得到的值,作为所述待查询的老师的评价单元的教学效果。
优选地,所述评价单元包括预设时段的课程;所述预设的认真听课的动作包括学生抬头眼睛向前看或/和动手做笔记。
第三方面,提供一种教学评价机器人系统,所述机器人系统中分别配置有第二方面所述的教学评价系统。
本发明的实施例具有如下优点和有益效果:
本发明的实施例提供的基于大数据与人工智能的精准教学评价方法和机器人系统,根据教学过程大数据建立每一老师的教学效果画像,从待查询的老师的教学效果画像获取待查询的评价单元的教学效果,从而通过教学过程大数据中学生在课程上的反应来对教师的教学效果进行画像并将所述画像用于教学评价,更为真实和客观地反映出老师的教学效果,能极大提高教学画像和教学评价的客观性和准确性。
附图说明
图1为本发明的一个实施例提供的教学评价方法的流程图;
图2为本发明的一个实施例提供的建立画像步骤的流程图;
图3为本发明的一个实施例提供的使用画像步骤的流程图;
图4为本发明的一个实施例提供的教学评价系统的原理框图;
图5为本发明的一个实施例提供的建立画像模块的原理框图;
图6为本发明的一个实施例提供的使用画像模块的原理框图。
具体实施方式
下面结合本发明实施方式,对本发明实施例中的技术方案进行详细地描述。
本发明的实施例提供基于大数据与人工智能的精准教学评价方法和机器人系统。大数据技术包含教学过程大数据的获取、处理技术,人工智能技术包含识别技术、教学效果画像技术。
(一)基于大数据与人工智能的精准教学评价方法
如图1所示,一个实施例提供的教学评价方法,包括如下步骤:
建立画像步骤S100,根据教学过程大数据建立每一老师的教学效果画像;优选地,所述的教学效果画像是一种用户画像。其中,用户画像是人工智能的核心技术。
使用画像步骤S200,从待查询的老师的教学效果画像获取待查询的评价单元的教学效果。
所述实施例提供的教学评价方法将基于过程大数据的教学效果画像作为教学效果评价的标准,并将所述教学效果画像用于教学效果的评价,从而降低或摆脱了以人为评委的评价的主观性。一方面,可以用于全自动的教学评价;另一方面可以用于辅助评委进行教学评价,例如将本发明实施例提供的教学效果画像或教学评价的结果提供给评委参考。
1、建立画像步骤
如图2所示,在一个优选的实施例中,所述的建立画像步骤S100包括:
获取数据步骤S110,获取教学过程大数据,所述教学过程大数据包括每一老师的每一评价单元对应的教学录像。优选地,所述的教学录像包括对学生听课、做实验、练习、记笔记、回答问题、朗读等课堂教学过程情况的录像。优选地,录像中具有时间信息、时段信息。
预设动作步骤S120,获取预设的认真听课的动作,作为第一预设动作;
效果画像步骤S130,将每一老师的每一评价单元作为所述每一老师的教学效果画像的一个评价单元标签,从所述每一老师的每一评价单元对应的教学录像中识别出的所有学生的第一预设动作的总时长占所述每一评价单元的总时长的比例,作为所述每一老师的教学效果画像的所述一个评价单元标签的值,存入教学效果画像知识库。
所述的建立画像步骤S100通过教学过程中的录像进行识别,得到教学效果的画像,而不是仅仅以学生的主观打分、或评委的主动打分、或学生的考试成绩来进行教学效果的画像,从而使得所述教学效果的画像能客观地反映教学过程的实际效果。
(1)在一个进一步优选的实施例中,获取数据步骤S110包括:
S111,获取每一个老师包括姓名、编号(例如张三、2018002;李四、2018003;王五、2018005;等等),存入大数据存储库(例如Hbase)。
S112,获取每一个评价单元包括课程名称、起止时间(例如高等数学、2018-5-23至2018-8-12;英语、2018学年;化学、2017年上学期;化学、2017年下学期;美术、2016年上学期前三个周;等等),存入大数据存储库。
S113,获取每一老师的每一评价单元(例如,张三、2018002、高等数学、2018-5-23至2018-8-12;张三、2018002、英语、2018学年;李四、2018003、化学、2017年上学期;等等),存入大数据存储库。
S114,获取每一老师的每一评价单元的教学录像(例如,张三在2018-5-23至2018-8-12期间上高等数学的所有教学录像;张三在2018学年上英语的所有教学录像;李四在2017年上学期上化学的所有教学录像;等等),存入大数据存储库(例如Hdfs)。
(2)在一个进一步优选的实施例中,预设动作步骤S120包括:
S121,提示用户对认真听课的动作,包括动作的名称、动作的特征(例如,发言、头向前且嘴巴动;记笔记、低头且手握笔写字;等等),进行预先设置。
S122,提示用户对不认真听课的动作,包括动作的名称、动作的特征(例如,睡觉、闭眼且时间超过1分钟;玩手机、低头看手机且时间超过1分钟;等等),进行预先设置。
S123,接受用户的输入,将预设的认真听课的动作的集合、预设的不认真听课的动作的集合的补集,加入第一预设动作的集合,存入教学效果识别知识库。
(3)在一个进一步优选的实施例中,效果画像步骤S130包括:
S131,从大数据存储系统中读取每一老师的每一评价单元(例如张三、2018002、高等数学、2018-5-23至2018-8-12;张三、2018002、英语、2018学年;李四、2018003、化学、2017年上学期;等等)。
S132,为每一老师建立一个教学效果画像(例如张三的教学效果画像;李四的教学效果画像;等等)。
S133,将每一老师的每一评价单元作为所述每一老师的教学效果画像的一个评价单元标签(例如,张三、2018002、高等数学、2018-5-23至2018-8-12作为张三的教学效果画像的一个评价单元标签;张三、2018002、英语、2018学年作为张三的教学效果画像的一个评价单元标签;李四、2018003、化学、2017年上学期作为李四的教学效果画像的一个评价单元标签;等等)。
S134,从所述每一老师的每一评价单元对应的教学录像中通过人脸识别技术,识别出每一个学生,并将其中学生进行编码。
S135,从教学效果识别知识库中获取预设的第一动作的集合,从所述集合中获取预设的认真听课的动作集合、预设的不认真听课的动作集合。
S136,在所述每一老师的每一评价单元对应的教学录像中识别每一个学生的动作并与预设的认真听课的动作的集合中每一个动作进行匹配(如果预设的认真听课的动作的特征中含有时长,则需要结合所述识别的动作的前后相邻的视频帧或照片中对应动作进行匹配),获得至少一个第一匹配度(例如,认真听课的动作的集合中有2个动作,则能获得2个第一匹配度),如果有一个第一匹配度大于或等于第一预设匹配度,则所述识别的动作为第一预设动作,如果第一匹配度小于第一预设匹配度,则将所述识别的动作与预设的不认真听课的动作集合中的每一个动作进行匹配(如果预设的不认真听课的动作的特征中含有时长,则需要结合所述识别的动作的前后相邻的视频帧或照片中对应动作进行匹配),获得至少一个第二匹配度,如果每一个第二匹配度都小于第二预设匹配度,则所述识别的动作为第一预设动作。例如,张三、2018002、高等数学、2018-5-23至2018-8-12的教学录像的视频或抓拍的照片集中从左到右、从上到下识别每一个学生,并将每一个学生在每一帧视频或每一张照片的动作与发言、记笔记、等等预设的认真听课的动作进行匹配,有一个匹配度例如与发言的匹配度为0.7大于第一预设匹配度例如0.6,则可判定所述识别的动作为认真听课的动作。又例如,张三、2018002、英语、2018学年的教学录像的视频或抓拍的照片集中从左到右、从上到下识别每一个学生,并将每一个学生在每一帧视频或每一张照片的动作与发言、记笔记、等等预设的认真听课的动作进行匹配,所有匹配度都小于第一预设匹配度例如0.6,则将所述识别的动作与睡觉、玩手机等预设的不认真听课的动作进行匹配,所有匹配度都小于第二预设匹配度例如0.8,则所述识别的动作为第一预设动作。又例如,李四、2018003、化学、2017年上学期的教学录像的视频或抓拍的照片集中从左到右、从上到下识别每一个学生,并将每一个学生在每一帧视频或每一张照片的动作与发言、记笔记、等等预设的认真听课的动作进行匹配,所有匹配度都小于第一预设匹配度例如0.6,则将所述识别的动作与睡觉、玩手机等预设的不认真听课的动作进行匹配,有一个匹配度例如与玩手机的匹配度为0.82大于第二预设匹配度例如0.8,则所述识别的动作不是第一预设动作。
S137,统计所述每一老师的每一评价单元对应的教学录像中(例如,张三、2018002、高等数学、2018-5-23至2018-8-12的教学录像的视频或抓拍的照片集)中识别出的每一个学生的第一预设动作所占的时长或视频帧数或照片数(例如,编号为001的学生具有第一预设动作的录像视频中识别出所述001号学生做笔记时长为150分钟,发言时长为50分钟,睡觉时长为200分钟,玩手机时长为1000分钟,其余时长为600分钟,可以得到所述001号学生的第一预设动作所占的时长为1000分钟)占所述每一评价单元的总时长或视频帧数或照片数(例如所述教学录像时长为2000分钟)的比例(例如50%)。
S138,将所述每一老师的每一评价单元对应的教学录像中(例如,张三、2018002、高等数学、2018-5-23至2018-8-12的教学录像的视频或抓拍的照片集)中每一个学生的第一预设动作所占的时长或视频帧数或照片数占所述每一评价单元的总时长的比例相加求平均(例如,所述教学录像中共有5个学生,所述比例分别为50%、20%、30%、60%、40%,则相加求平均为(50%+20%+30%+60%+40%)/5=40%),作为所述每一老师的教学效果画像的所述一个评价单元标签的值(例如,张三的教学效果画像的评价单元标签″张三、2018002、高等数学、2018-5-23至2018-8-12″的值为40%)。
S139,所述每一老师的教学效果画像的所述一个评价单元标签的值将存入教学效果画像知识库(例如,张三的教学效果画像的评价单元标签″张三、2018002、高等数学、2018-5-23至2018-8-12″的值为40%;张三的教学效果画像的评价单元标签″张三、2018002、英语、2018学年″的值为80%;李四的教学效果画像的评价单元标签″李四、2018003、化学、2017年上学期″的值为30%;等等)。
2、使用画像步骤
如图3所示,在一个优选的实施例中,所述的使用画像步骤S200包括:
接受查询步骤S210,获取待查询的老师及待查询的评价单元;
搜索评价步骤S220,从教学效果画像知识库中搜索并获取所述待查询的老师的教学效果画像,从所述待查询的老师的教学效果画像中获取属于所述待查询的评价单元的所有评价单元标签的值;
效果计算步骤S230,获取属于所述待查询的评价单元的所有评价单元的权重,将所述所有评价单元标签的值根据所述所有评价单元的权重进行加权平均后得到的值,作为所述待查询的老师的评价单元的教学效果。然后将所述待查询的老师的评价单元的教学效果输出给用户。
在效果计算步骤S230中,所述加权平均后得到的值越高,则所述待查询的老师的评价单元的教学效果越好。所述加权平均后得到的值越低,则所述待查询的老师的评价单元的教学效果越差。通过比较不同所述加权平均后得到的值的大小,可以判断不同所述待查询的老师的评价单元的教学效果的相对优劣。例如,甲老师A评价单元的所述加权平均后得到的值为70%,甲老师B评价单元的所述加权平均后得到的值为30%,乙老师B评价单元的所述加权平均后得到的值为50%,乙老师C评价单元的所述加权平均后得到的值为10%,则教学效果从好到差的排序为甲老师A评价单元>乙老师B评价单元>甲老师B评价单元>乙老师C评价单元。
所述的使用画像步骤S200通过从教学效果的画像中搜索待查询的老师的评价单元的标签值,来得到所述待查询的老师的评价单元的教学效果,从而使得教学评价是基于教学效果画像进行的,而教学效果画像又是基于教学过程大数据进行的,所以使得基于本实施例的教学评价能够客观地反映出教学过程中的教学效果,而传统的教学评价只是在学期结束时由学生评分,所以传统的教学评价一方面过于主观,另一方面忽略了教学过程。
(1)在一个进一步优选的实施例中,接受查询步骤S210包括:
S211,获取待查询的老师包括姓名、编号(例如张三、2018002);
S212,获取待查询的评价单元包括课程名称、起止时间(例1,高等数学、2018-5-23至2018-8-12;例2,所有课程、2018年度);
(2)在一个进一步优选的实施例中,搜索评价步骤S220包括:
S221,从教学效果画像知识库中搜索并获取所述待查询的老师包括姓名、编号(例如张三、2018002)的教学效果画像(例如张三的教学效果画像)。
S222,从所述待查询的老师的教学效果画像(例如张三的教学效果画像)中获取每一个评价单元标签(张三、2018002、高等数学、2018-5-23至2018-8-12;张三、2018002、英语、2018学年;等等),然后从中选出属于所述待查询的评价单元(在例1中,高等数学、2018-5-23至2018-8-12;在例2中,所有课程、2018年度)的所有评价单元标签(在例1中,为张三、2018002、高等数学、2018-5-23至2018-8-12;在例2中,为张三、2018002、高等数学、2018-5-23至2018-8-12;张三、2018002、英语、2018学年)。
S223,从教学效果画像知识库中检索并获取所述待查询的老师的教学效果画像中属于所述待查询的评价单元的所有评价单元标签的值(在例1中,张三的教学效果画像的评价单元标签″张三、2018002、高等数学、2018-5-23至2018-8-12″的值为40%;在例2中,张三的教学效果画像的评价单元标签″张三、2018002、高等数学、2018-5-23至2018-8-12″的值为40%;张三的教学效果画像的评价单元标签″张三、2018002、英语、2018学年″的值为80%)。
(3)在一个进一步优选的实施例中,效果计算步骤S230包括:
S231,获取属于所述待查询的评价单元的所有评价单元的课程对应的学分作为权重(在例1中,高等数学、2018-5-23至2018-8-12的课程学分为1个学分则对应评价单元″张三、2018002、高等数学、2018-5-23至2018-8-12″的权重设置为1;在例2中,高等数学、2018-5-23至2018-8-12的课程学分为1个学分,则对应评价单元″张三、2018002、高等数学、2018-5-23至2018-8-12″的权重设置为1;英语、2018学年的课程学分为3个学分,则对应评价单元″张三、2018002、英语、2018学年″的权重设置为3)。
S232,将所述所有评价单元标签的值根据所述所有评价单元的权重进行加权平均(在例1中,标签的值为40%和对应的权重为1,加权平均为40%×1;在例2中,标签的值分别为40%、80%,对应的权重分别为1、3,加权平均为(40%×1+80%×3)/4=70%)。
S233,将所述加权平均后得到的值(在例1中,40%;在例2中,70%),作为所述待查询的老师的评价单元的教学效果。
3、评价单元
在一个优选的实施例中,所述评价单元包括预设时段的课程。
(1)在一个进一步优选的实施例中,预设时段的课程包括:课程名称、开始时间和结束时间,或课程名称、所属学年,或课程名称、所属学期。
(2)在一个进一步优选的实施例中,预设时段的课程还包括非正式课程,例如讲座、沙龙、实验等等。
所述的评价单元通过涵盖课程及其时间段,从而使得评价单元可以根据需要进行个性化的设置,可以用于各种各样类型的课程及非正式课程的评价,还可以推广到与课程类似的场合进行评价。
4、预设动作
在一个优选的实施例中,所述预设的认真听课的动作包括学生抬头眼睛向前看或/和动手做笔记。
(1)在一个进一步优选的实施例中,预设的认真听课的动作还包括预设的不认真听课的动作以外的动作,在识别时采用排除法,如果不是预设的不认真听课的动作,那么就判定为是预设的认真听课的动作。
(2)在一个进一步优选的实施例中,预设的认真听课的动作还包括表情、声音、口型、瞳孔等变化。
所述的预设动作通过接受用户设置,并且可以随时更新,使得所述实施例可以采用能够判断教学效果的动作;同时所述的预设动作通过多种认真听课的动作及多种不认真听课的动作的组合,提高了通过听课动作判断教学效果的准确度和精度。
(二)基于大数据与人工智能的教学评价系统
如图4所示,一个实施例提供的一种教学评价系统,包括如下模块:
建立画像模块100,用于根据教学过程大数据建立每一老师的教学效果画像。
使用画像模块200,用于从待查询的老师的教学效果画像获取待查询的评价单元的教学效果。
所述教学评价系统具有与前面所述教学评价方法同样的有益效果,在此不再赘述。
1、建立画像模块
如图5所示,在一个优选的实施例中,所述的建立画像模块100包括:
获取数据单元110,用于获取教学过程大数据,所述教学过程大数据包括每一老师的每一评价单元对应的教学录像。
预设动作单元120,用于获取预设的认真听课的动作,作为第一预设动作。
效果画像单元130,用于将每一老师的每一评价单元作为所述每一老师的教学效果画像的一个评价单元标签,从所述每一老师的每一评价单元对应的教学录像中识别出的所有学生的第一预设动作的总时长占所述每一评价单元的总时长的比例,作为所述每一老师的教学效果画像的所述一个评价单元标签的值,存入教学效果画像知识库。
所述建立画像模块100具有与前面所述建立画像步骤S100同样的有益效果,在此不再赘述。
(1)在一个进一步优选的实施例中,获取数据单元110又包括单元111、112、113、114。单元111、112、113、114分别与前面所述优选的实施例中所述步骤S111、S112、S113、S114一一对应,在此不再重复赘述。单元111、112、113、114分别用于执行所述S111、S112、S113、S114。
(2)在一个进一步优选的实施例中,预设动作单元120又包括单元121、122、123。单元121、122、123分别与前面所述优选的实施例中所述步骤S121、S122、S123一一对应,在此不再重复赘述。单元121、122、123分别用于执行所述S121、S122、S123。
(3)在一个进一步优选的实施例中,效果画像单元130又包括单元131、132、133、134、135、136、137、138、139。单元131、132、133、134、135、136、137、138、139分别与前面所述优选的实施例中所述步骤S131、S132、S133、S134、S135、S136、S137、S138、S139一一对应,在此不再重复赘述。单元131、132、133、134、135、136、137、138、139分别用于执行所述S131、S132、S133、S134、S135、S136、S137、S138、S139。
2、使用画像模块
如图6所示,在一个优选的实施例中,所述的使用画像模块200包括:
接受查询单元210,获取待查询的老师及待查询的评价单元。
搜索评价单元220,从教学效果画像知识库中搜索并获取所述待查询的老师的教学效果画像,从所述待查询的老师的教学效果画像中获取属于所述待查询的评价单元的所有评价单元标签的值。
效果计算单元230,获取属于所述待查询的评价单元的所有评价单元的权重,将所述所有评价单元标签的值根据所述所有评价单元的权重进行加权平均后得到的值,作为所述待查询的老师的评价单元的教学效果。
所述使用画像模块200具有与前面所述使用画像模块S200同样的有益效果,在此不再赘述。
(1)在一个进一步优选的实施例中,接受查询单元210又包括单元211、212。单元211、212分别与前面所述优选的实施例中所述步骤S211、S212一一对应,在此不再重复赘述。单元211、212分别用于执行所述S211、S212。
(2)在一个进一步优选的实施例中,搜索评价单元220又包括单元221、222、223。单元221、222、223分别与前面所述优选的实施例中所述步骤S221、S222、S223一一对应,在此不再重复赘述。单元221、222、223分别用于执行所述S221、S222、S223。
(3)在一个进一步优选的实施例中,效果计算单元230又包括单元231、232、233。单元231、232、233分别与前面所述优选的实施例中所述步骤S231、S232、S233一一对应,在此不再重复赘述。单元231、232、233分别用于执行所述S231、S232、S233。
3、评价单元和预设动作
在一个优选的实施例中,所述评价单元包括预设时段的课程;所述预设的认真听课的动作包括学生抬头眼睛向前看或/和动手做笔记。
所述评价单元和预设动作的有益效果如前所述。
(三)基于大数据与人工智能的教学评价机器人系统
一个实施例提供的一种教学评价机器人系统,所述机器人系统中配置有所述的教学评价系统。
所述教学评价机器人系统具有与前面所述教学评价系统同样的有益效果,在此不再赘述。
本发明的实施例提供的基于大数据与人工智能的精准教学评价方法和机器人系统,根据教学过程大数据建立每一老师的教学效果画像,从待查询的老师的教学效果画像获取待查询的评价单元的教学效果,从而通过教学过程大数据中学生在课程上的反应来对教师的教学效果进行画像并将所述画像用于教学评价,更为真实和客观地反映出老师的教学效果,能极大提高教学画像和教学评价的客观性和准确性。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种教学评价方法,其特征在于,所述方法包括:
建立画像步骤,根据教学过程大数据建立每一老师的教学效果画像;
使用画像步骤,从待查询的老师的教学效果画像获取待查询的评价单元的教学效果。
2.根据权利要求1所述的教学评价方法,其特征在于,所述的建立画像步骤包括:
获取数据步骤,获取教学过程大数据,所述教学过程大数据包括每一老师的每一评价单元对应的教学录像;
预设动作步骤,获取预设的认真听课的动作,作为第一预设动作;
效果画像步骤,将每一老师的每一评价单元作为所述每一老师的教学效果画像的一个评价单元标签,从所述每一老师的每一评价单元对应的教学录像中识别出的所有学生的第一预设动作的总时长占所述每一评价单元的总时长的比例,作为所述每一老师的教学效果画像的所述一个评价单元标签的值,存入教学效果画像知识库。
3.根据权利要求1所述的教学评价方法,其特征在于,所述的使用画像步骤包括:
接受查询步骤,获取待查询的老师及待查询的评价单元;
搜索评价步骤,从教学效果画像知识库中搜索并获取所述待查询的老师的教学效果画像,从所述待查询的老师的教学效果画像中获取属于所述待查询的评价单元的所有评价单元标签的值;
效果计算步骤,获取属于所述待查询的评价单元的所有评价单元的权重,将所述所有评价单元标签的值根据所述所有评价单元的权重进行加权平均后得到的值,作为所述待查询的老师的评价单元的教学效果。
4.根据权利要求1所述的教学评价方法,其特征在于,所述评价单元包括预设时段的课程。
5.根据权利要求2所述的教学评价方法,其特征在于,所述预设的认真听课的动作包括学生抬头眼睛向前看或/和动手做笔记。
6.一种教学评价系统,其特征在于,所述系统包括:
建立画像模块,用于根据教学过程大数据建立每一老师的教学效果画像;
使用画像模块,用于从待查询的老师的教学效果画像获取待查询的评价单元的教学效果。
7.根据权利要求6所述的教学评价系统,其特征在于,所述的建立画像模块包括:
获取数据单元,用于获取教学过程大数据,所述教学过程大数据包括每一老师的每一评价单元对应的教学录像;
预设动作单元,用于获取预设的认真听课的动作,作为第一预设动作;
效果画像单元,用于将每一老师的每一评价单元作为所述每一老师的教学效果画像的一个评价单元标签,从所述每一老师的每一评价单元对应的教学录像中识别出的所有学生的第一预设动作的总时长占所述每一评价单元的总时长的比例,作为所述每一老师的教学效果画像的所述一个评价单元标签的值,存入教学效果画像知识库。
8.根据权利要求6所述的教学评价系统,其特征在于,所述的使用画像模块包括:
接受查询单元,获取待查询的老师及待查询的评价单元;
搜索评价单元,从教学效果画像知识库中搜索并获取所述待查询的老师的教学效果画像,从所述待查询的老师的教学效果画像中获取属于所述待查询的评价单元的所有评价单元标签的值;
效果计算单元,获取属于所述待查询的评价单元的所有评价单元的权重,将所述所有评价单元标签的值根据所述所有评价单元的权重进行加权平均后得到的值,作为所述待查询的老师的评价单元的教学效果。
9.根据权利要求7所述的教学评价系统,其特征在于,所述评价单元包括预设时段的课程;所述预设的认真听课的动作包括学生抬头眼睛向前看或/和动手做笔记。
10.一种教学评价机器人系统,其特征在于,所述机器人系统中分别配置有如权利要求6-9任一项所述的教学评价系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810632338.7A CN108764757A (zh) | 2018-06-20 | 2018-06-20 | 基于大数据与人工智能的精准教学评价方法和机器人系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810632338.7A CN108764757A (zh) | 2018-06-20 | 2018-06-20 | 基于大数据与人工智能的精准教学评价方法和机器人系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764757A true CN108764757A (zh) | 2018-11-06 |
Family
ID=63978945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810632338.7A Pending CN108764757A (zh) | 2018-06-20 | 2018-06-20 | 基于大数据与人工智能的精准教学评价方法和机器人系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764757A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711263A (zh) * | 2018-11-29 | 2019-05-03 | 国政通科技有限公司 | 考试系统及其处理方法 |
CN113743748A (zh) * | 2021-08-19 | 2021-12-03 | 陈占斌 | 一种基于ai技术的销售工作表现评价系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485964A (zh) * | 2016-10-19 | 2017-03-08 | 深圳市鹰硕技术有限公司 | 一种课堂教学的录制和点播的方法及系统 |
CN107085721A (zh) * | 2017-06-26 | 2017-08-22 | 厦门劢联科技有限公司 | 一种基于人像识别的智能巡课管理系统 |
CN107124653A (zh) * | 2017-05-16 | 2017-09-01 | 四川长虹电器股份有限公司 | 电视用户画像的构建方法 |
-
2018
- 2018-06-20 CN CN201810632338.7A patent/CN108764757A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485964A (zh) * | 2016-10-19 | 2017-03-08 | 深圳市鹰硕技术有限公司 | 一种课堂教学的录制和点播的方法及系统 |
CN107124653A (zh) * | 2017-05-16 | 2017-09-01 | 四川长虹电器股份有限公司 | 电视用户画像的构建方法 |
CN107085721A (zh) * | 2017-06-26 | 2017-08-22 | 厦门劢联科技有限公司 | 一种基于人像识别的智能巡课管理系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711263A (zh) * | 2018-11-29 | 2019-05-03 | 国政通科技有限公司 | 考试系统及其处理方法 |
CN113743748A (zh) * | 2021-08-19 | 2021-12-03 | 陈占斌 | 一种基于ai技术的销售工作表现评价系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108281052B (zh) | 一种在线教学系统及在线教学方法 | |
CN110992741B (zh) | 一种基于课堂情绪和行为分析的学习辅助方法及系统 | |
CN108648757B (zh) | 一种基于多维度课堂信息的分析方法 | |
Abdulaziz Al Fadda | Determining how social media affects learning English: An investigation of mobile applications instagram and snap chat in TESOL classroom | |
CN109359215A (zh) | 视频智能推送方法和系统 | |
CN109872587A (zh) | 多维教学数据的处理系统 | |
CN106599881A (zh) | 学生状态的确定方法、装置及系统 | |
CN107958351A (zh) | 教学质量评估云服务平台 | |
CN107203953A (zh) | 一种基于互联网、表情识别和语音识别的教学系统及其实现方法 | |
CN108829842A (zh) | 基于大数据与人工智能的学习表现画像方法和机器人系统 | |
CN108765229A (zh) | 基于大数据与人工智能的学习表现评价方法和机器人系统 | |
CN108171414A (zh) | 教学质量评估系统 | |
CN108629715A (zh) | 基于大数据与人工智能的精准教学方法和机器人系统 | |
Papadopoulos et al. | The dimensionality of phonological abilities in Greek | |
CN110427977B (zh) | 一种课堂互动行为的检测方法 | |
CN109933650B (zh) | 一种作业中图片题目的理解方法及系统 | |
CN109446891A (zh) | 一种基于图像识别的语言学习方法、电子设备及存储介质 | |
CN114219224B (zh) | 一种用于智慧教室的教学质量检测方法和系统 | |
CN108876677A (zh) | 基于大数据与人工智能的教学效果评价方法和机器人系统 | |
CN108764757A (zh) | 基于大数据与人工智能的精准教学评价方法和机器人系统 | |
Buckingham | Television literacy: A critique | |
CN108921405A (zh) | 基于大数据与人工智能的精准学习评价方法和机器人系统 | |
CN109800880B (zh) | 基于动态学习风格信息的自适应学习特征提取系统及应用 | |
CN108805770A (zh) | 基于大数据与人工智能的教学内容画像方法和机器人系统 | |
CN112052686A (zh) | 一种用户交互式教育的语音学习资源推送方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |