CN108765229B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108765229B CN108765229B CN201810637456.7A CN201810637456A CN108765229B CN 108765229 B CN108765229 B CN 108765229B CN 201810637456 A CN201810637456 A CN 201810637456A CN 108765229 B CN108765229 B CN 108765229B
- Authority
- CN
- China
- Prior art keywords
- learning
- student
- preset
- evaluation
- action
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 273
- 230000007786 learning performance Effects 0.000 title claims abstract description 93
- 238000013473 artificial intelligence Methods 0.000 title abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000009471 action Effects 0.000 claims description 159
- 230000000875 corresponding effect Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 description 5
- 235000021018 plums Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 239000008678 sanqi Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000001747 pupil Anatomy 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
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,包括:从学习表现画像知识库中搜索并获取所述待查询的学生的学习表现画像,从所述待查询的学生的学习表现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。上述方法和系统通过基于大数据与人工智能的学习表现画像来对学生的学习表现进行评价,更为真实和客观地评价出学生的学习表现,能极大提高教学画像和对学生的学习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学习表现评价方法和机器人系统。
背景技术
现有学习表现评价是在期末的时候老师对学生的学习表现进行评分而形成的。
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:现有学生课堂表现的评估都是基于老师自己的印象,而一个班级的学生数非常多,老师无法记忆和区分那么多学生的课堂表现,因此主观性和不准确性太大。同时,老师对学生的评价不仅仅取决于这个学生的学习表现如何,还取决于这个老师的喜好,老师对自己喜好的学生总会给更高的评价,而这些喜好跟学生的学习表现没有直接关系。因此现有学习表现评价不能客观地评价学生的学习表现,而是受到老师主观影响,而导致了对学生的学习表现的评价的准确率低。
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学习表现评价的缺陷或不足,提供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,以解决学习表现评价的主观性强、准确率低的缺点。
第一方面,提供一种学习表现评价方法,所述方法包括:
获取画像步骤,从学习表现画像知识库中搜索并获取所述待查询的学生的学习表现画像;
获取评价步骤,从所述待查询的学生的学习表现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。
优选地,所述的获取画像步骤之前还包括:
接受查询步骤,获取待查询的学生及待查询的评价单元。
优选地,所述的获取评价步骤之后还包括:
表现计算步骤,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,作为所述待查询的学生的评价单元的学习表现。
优选地,所述的获取画像步骤之前还包括:
获取数据步骤,获取学习过程大数据,所述学习过程大数据包括每一学生的每一评价单元对应的教学录像;
预设动作步骤,获取预设的认真学习的动作,作为第一预设动作;
学习表现画像步骤,将每一学生的每一评价单元作为所述每一学生的学习表现画像的一个评价单元标签,从所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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,作为所述每一学生的学习表现画像的所述一个评价单元标签的值,存入学习表现画像知识库。
优选地,所述评价单元包括预设时段的课程;所述第一预设动作包括学生抬头眼睛向前看或/和动手做笔记。
第二方面,提供二种学习表现评价系统,所述系统包括:
获取画像模块,用于从学习表现画像知识库中搜索并获取所述待查询的学生的学习表现画像;
获取评价模块,用于从所述待查询的学生的学习表现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。
优选地,所述系统还包括:
接受查询模块,用于获取待查询的学生及待查询的评价单元。
所述的搜索评价之后还包括:
表现计算模块,用于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,作为所述待查询的学生的评价单元的学习表现。
优选地,所述系统还包括:
获取数据模块,用于获取学习过程大数据,所述学习过程大数据包括每一学生的每一评价单元对应的教学录像;
预设动作模块,用于获取预设的认真学习的动作,作为第一预设动作;
学习表现画像模块,用于将每一学生的每一评价单元作为所述每一学生的学习表现画像的一个评价单元标签,从所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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,作为所述每一学生的学习表现画像的所述一个评价单元标签的值,存入学习表现画像知识库。
优选地,所述评价单元包括预设时段的课程;所述第一预设动作包括学生抬头眼睛向前看或/和动手做笔记。
第三方面,提供一种学习表现评价机器人系统,所述机器人系统中分别配置有第二方面所述的学习表现评价系统。
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学习表现评价方法和机器人系统,将每一学生的每一评价单元作为所述每一学生的学习表现画像的一个评价单元标签,从所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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,将所述比例作为所述每一学生的学习表现画像的所述一个评价单元标签的值,从而通过基于大数据与人工智能的学习表现画像来对学生的学习表现进行评价,更为真实和客观地评价出学生的学习表现,能极大提高教学画像和对学生的学习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学习表现评价方法的流程图;
图2为本发明的一个优选实施例提供的学习表现评价方法的流程图;
图3为本发明的一个实施例提供的学习表现评价系统的原理框图;
图4为本发明的一个优选实施例提供的学习表现评价系统的原理框图。
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的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。大数据技术包含学习过程大数据的获取、处理技术,人工智能技术包含识别技术、学习表现画像技术。
(一)基于大数据与人工智能的学习表现评价方法
如图1所示,一个实施例提供的一种学习表现评价方法,所述方法包括:
获取画像步骤S500,从学习表现画像知识库中搜索并获取所述待查询的学生的学习表现画像。优选地,所述的学习表现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。
获取评价步骤S600,从所述待查询的学生的学习表现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。
所述的学习表现评价方法通过从学习表现的画像中搜索待查询的学生的评价单元的标签值,来得到所述待查询的学生的评价单元的学习表现,从而使得对学生的学习评价是基于学习表现画像进行的,而学习表现画像又是基于学习过程大数据进行的,所以使得基于本实施例的对学生的学习评价能够客观地反映出学习过程中的学习表现,而传统的对学生的学习评价只是在学期结束时由学生评分,所以传统的对学生的学习评价一方面过于主观,另一方面忽略了学习过程。
1、获取画像步骤
在一个优选的实施例中,所述的获取画像步骤S500包括:
S501,从学习表现画像知识库中搜索并获取所述待查询的学生包括姓名、编号(例如张三、2018002)的学习表现画像(例如张三的学习表现画像)。
所述的获取画像步骤S500通过从学习表现画像知识库中获取待查询学生的画像,从而使得对学习表现的评价可以基于客观的所述画像来进行。
2、获取评价步骤
在一个优选的实施例中,所述的获取评价步骤S600包括:
S601,从所述待查询的学生的学习表现画像(例如张三的学习表现画像)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),并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)。
S602,从学习表现画像知识库中检索并获取所述待查询的学生的学习表现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,张三的学习表现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,张三的学习表现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%;张三的学习表现画像的评价单元标签″张三、2018002、英语、2018学年″的值为80%)。
所述的获取评价步骤S600通过从学习表现画像中获取待查询学生的评价单元的标签值,从而使得基于大数据与人工智能的所述画像可以被用于对学习表现的客观评价。
3、获取评价步骤之后
在一个优选的实施例中,所述的获取评价步骤S600之后还包括:
表现计算步骤S700,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,作为所述待查询的学生的评价单元的学习表现。然后将所述待查询的学生的评价单元的学习表现输出给用户。
在表现计算步骤S700中,所述加权平均后得到的值越高,则所述待查询的学生的评价单元的学习表现越好。所述加权平均后得到的值越低,则所述待查询的学生的评价单元的学习表现越差。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学生的评价单元的学习表现的相对优劣。例如,甲学生A评价单元的所述加权平均后得到的值为70%,甲学生B评价单元的所述加权平均后得到的值为30%,乙学生B评价单元的所述加权平均后得到的值为50%,乙学生C评价单元的所述加权平均后得到的值为10%,则学习表现从好到差的排序为甲学生A评价单元>乙学生B评价单元>甲学生B评价单元>乙学生C评价单元。
所述的获取评价步骤S600之后通过综合属于所述待查询的评价单元的所有评价单元的标签值来计算得到加权平均值,从而使得不仅仅可以评价所述画像中已有的评价单元对应的学习表现,还可以评价所述画像中多个评价单元组合而成的评价单元对应的学习表现,从而提高了学习表现评价的使用范围。
(1)在一个进一步优选的实施例中,表现计算步骤S700包括:
S701,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)。
S702,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%)。
S703,将所述加权平均后得到的值(在例1中,40%;在例2中,70%),作为所述待查询的学生的评价单元的学习表现。
4、获取画像步骤之前
如图2所示,在一个优选的实施例中,所述的获取画像步骤S500之前还包括:
获取数据步骤S100,获取学习过程大数据,所述学习过程大数据包括每一学生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S200,获取预设的认真学习的动作,作为第一预设动作;
学习表现画像步骤S300,将每一学生的每一评价单元作为所述每一学生的学习表现画像的一个评价单元标签,从所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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,作为所述每一学生的学习表现画像的所述一个评价单元标签的值,存入学习表现画像知识库。
接受查询步骤S400,获取待查询的学生及待查询的评价单元。
所述的获取画像步骤S500之前通过学习过程中的录像进行识别,得到学习表现的画像,而不是仅仅以老师对学生的主观打分、或评委的主动打分、或学生的考试成绩来进行学习表现的画像,从而使得所述学习表现的画像能客观地反映学习过程的实际效果。
(1)在一个进一步优选的实施例中,获取数据步骤S100包括:
S101,获取每一个学生包括姓名、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)。
S102,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。
S103,获取每一学生的每一评价单元(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。
S104,获取每一学生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S200包括:
S201,提示用户对认真学习的动作,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。
S202,提示用户对不认真学习的动作,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。
S203,接受用户的输入,将预设的认真学习的动作的集合、预设的不认真学习的动作的集合的补集,加入第一预设动作的集合,存入学习表现识别知识库。
(3)在一个进一步优选的实施例中,学习表现画像步骤S300包括:
S301,从大数据存储系统中读取每一学生的每一评价单元(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)。
S302,为每一学生建立一个学习表现画像(例如张三的学习表现画像;李四的学习表现画像;等等)。
S303,将每一学生的每一评价单元作为所述每一学生的学习表现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作为张三的学习表现画像的一个评价单元标签;张三、2018002、英语、2018学年作为张三的学习表现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学习表现画像的一个评价单元标签;等等)。
S304,从所述每一学生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。
S305,从学习表现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学习的动作集合、预设的不认真学习的动作集合。
S306,在所述每一学生的每一评价单元对应的教学录像中识别所述每一学生的动作并与预设的认真学习的动作的集合中每一个动作进行匹配(如果预设的认真学习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,认真学习的动作的集合中有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学习的动作集合中的每一个动作进行匹配(如果预设的不认真学习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、从上到下识别出张三,并将张三在每一帧视频或每一张照片的动作与发言、记笔记、等等预设的认真学习的动作进行匹配,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学习的动作。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、从上到下识别出张三,并将张三在每一帧视频或每一张照片的动作与发言、记笔记、等等预设的认真学习的动作进行匹配,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学习的动作进行匹配,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、从上到下识别出李四,并将李四在每一帧视频或每一张照片的动作与发言、记笔记、等等预设的认真学习的动作进行匹配,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学习的动作进行匹配,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。
S307,统计所述每一学生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)中识别出的所述每一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,张三具有第一预设动作的录像视频中识别出张三做笔记时长为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,可以得到张三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%)。
S308,将所述每一学生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)中所述每一学生(在所述例子中为张三)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(例如40%),作为所述每一学生的学习表现画像的所述一个评价单元标签的值(例如,张三的学习表现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%)。
S309,所述每一学生的学习表现画像的所述一个评价单元标签的值将存入学习表现画像知识库(例如,张三的学习表现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%;张三的学习表现画像的评价单元标签″张三、2018002、英语、2018学年″的值为80%;李四的学习表现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)。
(4)在一个进一步优选的实施例中,接受查询步骤S400包括:
S401,获取待查询的学生包括姓名、编号(例如张三、2018002)。
S402,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)。
5、评价单元和预设动作
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;所述第一预设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(包括自习课、实验课、实践课等等),例如讲座、沙龙、实验等等。
(3)在一个进一步优选的实施例中,预设的认真学习的动作还包括预设的不认真学习的动作以外的动作,在识别时采用排除法,如果不是预设的不认真学习的动作,那么就判定为是预设的认真学习的动作。
(4)在一个进一步优选的实施例中,预设的认真学习的动作还包括表情、声音、口型、瞳孔等变化。
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(包括自习课、实验课、实践课等等)的评价,还可以推广到与课程类似的场合进行评价。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学习表现的动作;同时所述的预设动作通过多种认真学习的动作及多种不认真学习的动作的组合,提高了通过学习时的动作判断学习表现的准确度和精度。
(二)基于大数据与人工智能的学习表现画像系统
如图3所示,一个实施例提供的一种学习表现评价系统,所述系统包括:
获取画像模块500,用于从学习表现画像知识库中搜索并获取所述待查询的学生的学习表现画像。
获取评价模块600,用于从所述待查询的学生的学习表现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。
所述学习表现评价系统具有与前面所述学习表现评价方法同样的有益效果,在此不再赘述。
1、获取画像模块
在一个优选的实施例中,所述的获取画像模块500包括单元501。单元501与前面所述优选的实施例中所述步骤S501对应,在此不再重复赘述。单元501用于执行所述S501。
所述获取画像模块500具有与前面所述获取画像步骤S500同样的有益效果,在此不再赘述。
2、获取评价模块
在一个优选的实施例中,所述的获取评价模块600包括单元601、602。单元601、602分别与前面所述优选的实施例中所述步骤S601、S602一一对应,在此不再重复赘述。单元601、602分别用于执行所述S601、S602。
所述获取评价模块600具有与前面所述获取评价步骤S600同样的有益效果,在此不再赘述。
3、获取评价模块之后
在一个优选的实施例中,所述的获取评价模块600之后还包括:
表现计算模块700,用于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,作为所述待查询的学生的评价单元的学习表现。
表现计算单元700又包括单元701、702、703。单元701、702、703分别与前面所述优选的实施例中所述步骤S701、S702、S703一一对应,在此不再重复赘述。单元701、702、703分别用于执行所述S701、S702、S703。
所述获取评价模块600之后模块具有与前面所述获取评价步骤S600步骤之后同样的有益效果,在此不再赘述。
4、获取画像模块之前
如图4所示,在一个优选的实施例中,所述的获取画像模块500之前还包括:
获取数据模块100,用于获取学习过程大数据,所述学习过程大数据包括每一学生的每一评价单元对应的教学录像。
预设动作模块200,用于获取预设的认真学习的动作,作为第一预设动作;
学习表现画像模块300,用于将每一学生的每一评价单元作为所述每一学生的学习表现画像的一个评价单元标签,从所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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,作为所述每一学生的学习表现画像的所述一个评价单元标签的值,存入学习表现画像知识库。
接受查询模块400,用于获取待查询的学生及待查询的评价单元。
所述获取画像模块500之前模块具有与前面所述获取画像步骤S500之前步骤之后同样的有益效果,在此不再赘述。
(1)在一个进一步优选的实施例中,获取数据模块100包括单元101、102、103、104。单元101、102、103、104分别与前面所述优选的实施例中所述步骤S101、S102、S103、S104一一对应,在此不再重复赘述。单元101、102、103、104分别用于执行所述S101、S102、S103、S104。
(2)在一个进一步优选的实施例中,预设动作模块200包括单元201、202、203。单元201、202、203分别与前面所述优选的实施例中所述步骤S201、S202、S203一一对应,在此不再重复赘述。单元201、202、203分别用于执行所述S201、S202、S203。
(3)在一个进一步优选的实施例中,学习表现画像模块300又包括单元301、302、303、304、305、306、307、308、309。单元301、302、303、304、305、306、307、308、309分别与前面所述优选的实施例中所述步骤S301、S302、S303、S304、S305、S306、S307、S308、S309一一对应,在此不再重复赘述。单元301、302、303、304、305、306、307、308、309分别用于执行所述S301、S302、S303、S304、S305、S306、S307、S308、S309。
(4)在一个进一步优选的实施例中,接受查询步骤S400包括:
S401,获取待查询的学生包括姓名、编号(例如张三、2018002)。
S402,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)。
6、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;所述第一预设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学习表现评价机器人系统
一个实施例提供的一种学习表现评价机器人系统,所述机器人系统中配置有所述的学习表现评价系统。
所述学习表现画像机器人系统具有与前面所述学习表现画像系统同样的有益效果,在此不再赘述。
所述实施例提供的学习表现画像方法和机器人系统将基于过程大数据的学习表现画像作为学习表现评价的标准,并将所述学习表现画像用于学习表现的评价,从而降低或摆脱了以人为评委的评价的主观性。一方面,可以用于全自动的对学生的学习评价;另一方面可以用于辅助评委进行对学生的学习评价,例如将本发明实施例提供的学习表现画像或对学生的学习评价的结果提供给评委参考。
本发明的实施例提供的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,将每一学生的每一评价单元作为所述每一学生的学习表现画像的一个评价单元标签,从所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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,将所述比例作为所述每一学生的学习表现画像的所述一个评价单元标签的值,从而通过基于大数据与人工智能的学习表现画像来对学生的学习表现进行评价,更为真实和客观地评价出学生的学习表现,能极大提高教学画像和对学生的学习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)
1.一种学习表现评价方法,其特征在于,所述方法包括:
获取数据步骤,获取学习过程大数据,所述学习过程大数据包括每一学生的每一评价单元对应的教学录像;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、朗读的课堂教学过程情况的录像;录像中具有时间信息、时段信息;从所述每一学生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;
预设动作步骤,获取预设的认真学习的动作,作为第一预设动作;提示用户对认真学习的动作,包括动作的名称、动作的特征,进行预先设置;提示用户对不认真学习的动作,包括动作的名称、动作的特征,进行预先设置;接受用户的输入,将预设的认真学习的动作的集合、预设的不认真学习的动作的集合的补集,加入第一预设动作的集合,存入学习表现识别知识库;预设动作通过接受用户设置,并且随时更新;动作的特征包括时长范围;
从学习表现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学习的动作集合、预设的不认真学习的动作集合;在所述每一学生的每一评价单元对应的教学录像中识别所述每一学生的动作并与预设的认真学习的动作的集合中每一个动作进行匹配;如果预设的认真学习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;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学习的动作集合中的每一个动作进行匹配;如果预设的不认真学习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;统计所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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或视频帧数或照片数的比例;将所述每一学生的每一评价单元对应的教学录像中中所述每一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,作为所述每一学生的学习表现画像的一个评价单元标签的值;所述每一学生的学习表现画像的所述一个评价单元标签的值将存入学习表现画像知识库;
获取画像步骤,从学习表现画像知识库中搜索并获取待查询的学生的学习表现画像;所述画像用于对学习表现的客观评价;
获取评价步骤,从所述待查询的学生的学习表现画像中获取属于待查询的评价单元的所有评价单元标签的值;
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,作为所述待查询的学生的评价单元的学习表现;将所述待查询的学生的评价单元的学习表现输出给用户;所述加权平均后得到的值越高,则所述待查询的学生的评价单元的学习表现越好;所述加权平均后得到的值越低,则所述待查询的学生的评价单元的学习表现越差;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学生的评价单元的学习表现的相对优劣;
通过综合属于所述待查询的评价单元的所有评价单元的标签值来计算得到加权平均值,评价所述画像中已有的评价单元对应的学习表现,评价所述画像中多个评价单元组合而成的评价单元对应的学习表现。
2.根据权利要求1所述的学习表现评价方法,其特征在于,所述的获取画像步骤之前还包括:
接受查询步骤,获取待查询的学生及待查询的评价单元。
3.根据权利要求1所述的学习表现评价方法,其特征在于,所述的获取评价步骤之后还包括:
表现计算步骤,获取属于所述待查询的评价单元的所有评价单元的权重。
4.根据权利要求1至3任一项所述的学习表现评价方法,其特征在于,所述的获取画像步骤之前还包括:
学习表现画像步骤,将每一学生的每一评价单元作为所述每一学生的学习表现画像的一个评价单元标签,从所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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,作为所述每一学生的学习表现画像的所述一个评价单元标签的值,存入学习表现画像知识库。
5.根据权利要求4所述的学习表现评价方法,其特征在于,所述评价单元包括预设时段的课程;所述第一预设动作包括学生抬头眼睛向前看或/和动手做笔记。
6.一种学习表现评价系统,其特征在于,所述系统包括:
获取数据模块,获取学习过程大数据,所述学习过程大数据包括每一学生的每一评价单元对应的教学录像;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、朗读的课堂教学过程情况的录像;录像中具有时间信息、时段信息;从所述每一学生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;
预设动作模块,获取预设的认真学习的动作,作为第一预设动作;提示用户对认真学习的动作,包括动作的名称、动作的特征,进行预先设置;提示用户对不认真学习的动作,包括动作的名称、动作的特征,进行预先设置;接受用户的输入,将预设的认真学习的动作的集合、预设的不认真学习的动作的集合的补集,加入第一预设动作的集合,存入学习表现识别知识库;预设动作通过接受用户设置,并且随时更新;
从学习表现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学习的动作集合、预设的不认真学习的动作集合;在所述每一学生的每一评价单元对应的教学录像中识别所述每一学生的动作并与预设的认真学习的动作的集合中每一个动作进行匹配;如果预设的认真学习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;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学习的动作集合中的每一个动作进行匹配;如果预设的不认真学习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;统计所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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或视频帧数或照片数的比例;将所述每一学生的每一评价单元对应的教学录像中中所述每一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,作为所述每一学生的学习表现画像的一个评价单元标签的值;所述每一学生的学习表现画像的所述一个评价单元标签的值将存入学习表现画像知识库;
获取画像模块,用于从学习表现画像知识库中搜索并获取待查询的学生的学习表现画像;所述画像用于对学习表现的客观评价;
获取评价模块,用于从所述待查询的学生的学习表现画像中获取属于待查询的评价单元的所有评价单元标签的值;
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,作为所述待查询的学生的评价单元的学习表现;将所述待查询的学生的评价单元的学习表现输出给用户;所述加权平均后得到的值越高,则所述待查询的学生的评价单元的学习表现越好;所述加权平均后得到的值越低,则所述待查询的学生的评价单元的学习表现越差;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学生的评价单元的学习表现的相对优劣;
通过综合属于所述待查询的评价单元的所有评价单元的标签值来计算得到加权平均值,评价所述画像中已有的评价单元对应的学习表现,评价所述画像中多个评价单元组合而成的评价单元对应的学习表现。
7.根据权利要求6所述的学习表现评价系统,其特征在于,所述系统还包括:
接受查询模块,用于获取待查询的学生及待查询的评价单元;
表现计算模块,用于获取属于所述待查询的评价单元的所有评价单元的权重。
8.根据权利要求6至7任一项所述的学习表现评价系统,其特征在于,所述系统还包括:
学习表现画像模块,用于将每一学生的每一评价单元作为所述每一学生的学习表现画像的一个评价单元标签,从所述每一学生的每一评价单元对应的教学录像中识别出的所述每一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,作为所述每一学生的学习表现画像的所述一个评价单元标签的值,存入学习表现画像知识库。
9.根据权利要求8所述的学习表现评价系统,其特征在于,所述评价单元包括预设时段的课程;所述第一预设动作包括学生抬头眼睛向前看或/和动手做笔记。
10.一种学习表现评价机器人系统,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任一项所述的学习表现评价系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637456.7A CN108765229B (zh) | 2018-06-20 | 2018-06-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637456.7A CN108765229B (zh) | 2018-06-20 | 2018-06-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765229A CN108765229A (zh) | 2018-11-06 |
CN108765229B true CN108765229B (zh) | 2023-11-24 |
Family
ID=63979323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810637456.7A Active CN108765229B (zh) | 2018-06-20 | 2018-06-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765229B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008658B (zh) * | 2019-11-30 | 2023-06-30 | 南京森林警察学院 | 一种基于监督式学习的警务人员学习分析系统 |
CN111832921B (zh) * | 2020-06-30 | 2023-09-26 | 佛山科学技术学院 | 基于机器学习的工业机器人性能指标评价设备及方法 |
CN111985817A (zh) * | 2020-08-21 | 2020-11-24 | 扬州大学 | 一种在线直播教学监控学生的监控方法 |
CN116738371B (zh) * | 2023-08-14 | 2023-10-24 | 广东信聚丰科技股份有限公司 | 基于人工智能的用户学习画像构建方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007018176A (ja) * | 2005-07-06 | 2007-01-25 | Sharp Corp | 学習装置、学習方法、学習プログラム、記録媒体、パターン認識装置およびパターン認識方法 |
JP2007249394A (ja) * | 2006-03-14 | 2007-09-27 | Nippon Hoso Kyokai <Nhk> | 顔画像認識装置及び顔画像認識プログラム |
JP2009300890A (ja) * | 2008-06-16 | 2009-12-24 | Hitachi Information Academy Co Ltd | 遠隔教育支援装置、遠隔教育支援方法、及び遠隔教育支援プログラム |
CN104993962A (zh) * | 2015-04-27 | 2015-10-21 | 广东小天才科技有限公司 | 获取终端使用状态的方法和系统 |
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 |
CN107229708A (zh) * | 2017-05-27 | 2017-10-03 | 科技谷(厦门)信息技术有限公司 | 一种个性化出行服务大数据应用系统及方法 |
CN108182541A (zh) * | 2018-01-10 | 2018-06-19 | 张木华 | 一种混合学习效果评估与干预方法与装置 |
CN108829842A (zh) * | 2018-06-20 | 2018-11-16 | 华南师范大学 | 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 |
CN108876677A (zh) * | 2018-06-20 | 2018-11-23 | 大国创新智能科技(东莞)有限公司 | 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 |
CN108921405A (zh) * | 2018-06-20 | 2018-11-30 | 大国创新智能科技(东莞)有限公司 | 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 |
-
2018
- 2018-06-20 CN CN201810637456.7A patent/CN108765229B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007018176A (ja) * | 2005-07-06 | 2007-01-25 | Sharp Corp | 学習装置、学習方法、学習プログラム、記録媒体、パターン認識装置およびパターン認識方法 |
JP2007249394A (ja) * | 2006-03-14 | 2007-09-27 | Nippon Hoso Kyokai <Nhk> | 顔画像認識装置及び顔画像認識プログラム |
JP2009300890A (ja) * | 2008-06-16 | 2009-12-24 | Hitachi Information Academy Co Ltd | 遠隔教育支援装置、遠隔教育支援方法、及び遠隔教育支援プログラム |
CN104993962A (zh) * | 2015-04-27 | 2015-10-21 | 广东小天才科技有限公司 | 获取终端使用状态的方法和系统 |
CN107229708A (zh) * | 2017-05-27 | 2017-10-03 | 科技谷(厦门)信息技术有限公司 | 一种个性化出行服务大数据应用系统及方法 |
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 |
CN108182541A (zh) * | 2018-01-10 | 2018-06-19 | 张木华 | 一种混合学习效果评估与干预方法与装置 |
CN108829842A (zh) * | 2018-06-20 | 2018-11-16 | 华南师范大学 | 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 |
CN108876677A (zh) * | 2018-06-20 | 2018-11-23 | 大国创新智能科技(东莞)有限公司 | 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 |
CN108921405A (zh) * | 2018-06-20 | 2018-11-30 | 大国创新智能科技(东莞)有限公司 | 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 |
Non-Patent Citations (2)
Title |
---|
Using videos to improve teaching practice;Armando Loera Varela;ResearchGate;1-91 * |
基于大数据的高校个性化画像教学模型构建研究;曾志宏;陈振武;黄婷;;赤峰学院学报(自然科学版)(第20期);234-235 * |
Also Published As
Publication number | Publication date |
---|---|
CN108765229A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765229B (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 | |
CN108829842B (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 | |
Arrow et al. | Explicit linguistic knowledge is necessary, but not sufficient, for the provision of explicit early literacy instruction | |
CN109215632A (zh) | 一种语音评测方法、装置、设备及可读存储介质 | |
CN106780212A (zh) | 在线考试方法、装置及考试系统 | |
CN108876677B (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 | |
US20120156659A1 (en) | Foreign language learning method based on stimulation of long-term memory | |
CN111428686A (zh) | 一种学生兴趣偏好评估方法、装置及系统 | |
CN110753256B (zh) | 录像回放的方法、装置、存储介质及计算机设备 | |
CN108648524A (zh) | 一种英语单词学习装置及方法 | |
CN110852073A (zh) | 一种为用户定制学习内容的语言学习系统及学习方法 | |
CN110796911A (zh) | 一种自动产生测试题目的语言学习系统及其语言学习方法 | |
CN111586493A (zh) | 一种多媒体文件的播放方法及装置 | |
JP2015219247A (ja) | 看護学習システム、看護学習サーバ、プログラム | |
CN110826796A (zh) | 成绩预测方法 | |
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 | |
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 | |
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 | |
CN108776794B (zh) | 基于大数据与人工智能的教学效果画像方法和机器人系统 | |
Rachmat et al. | “I USE MULTIPLE-CHOICE QUESTION IN MOST ASSESSMENT I PREPARED”: EFL TEACHERS’VOICE ON SUMMATIVE ASSESSMENT | |
JP7427906B2 (ja) | 情報処理装置、制御方法及びプログラム | |
CN114863448A (zh) | 答题统计方法、装置、设备及存储介质 | |
KR101023901B1 (ko) | 학습 관리 시스템 및 방법 | |
CN113570227A (zh) | 一种在线教育质量评估方法、系统、终端及存储介质 | |
RU2649289C1 (ru) | Способ коррекции содержания и количества информации учебного материала |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |