CN108829842A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108829842A CN108829842A CN201810632877.0A CN201810632877A CN108829842A CN 108829842 A CN108829842 A CN 108829842A CN 201810632877 A CN201810632877 A CN 201810632877A CN 108829842 A CN108829842 A CN 108829842A
- Authority
- CN
- China
- Prior art keywords
- student
- portrait
- evaluation unit
- learning performance
- learning
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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,包括: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。上述方法和系统通过学习过程大数据中学生在课程上的反应来对教师的学习表现进行画像,更为真实和客观地反映出学生的学习表现,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画像方法和机器人系统。
背景技术
现有学习表现画像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画像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画像的准确率低。
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画像的缺陷或不足,提供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,以解决学习表现画像的主观性强、准确率低的缺点。
第一方面,提供一种学习表现画像方法,所述方法包括:
评价标签步骤,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;
录像识别步骤,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;
标签赋值步骤,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。
优选地,所述的评价标签步骤之前还包括:
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,将获取预设的认真学习的动作,作为第一预设动作;
优选地,所述的标签赋值步骤之后还包括:
存入知识库步骤,将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,所述的标签赋值步骤之后还包括:
接受查询步骤,获取待查询的学生及待查询的评价单元;
搜索评价步骤,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,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;
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,提供一种学习表现画像系统,所述系统包括:
评价标签模块,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;
录像识别模块,用于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;
标签赋值模块,用于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。
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。
优选地,所述系统还包括:
存入知识库模块,用于将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,用于获取待查询的学生及待查询的评价单元;
搜索评价模块,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,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;
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,所述评价单元包括预设时段的课程;所述预设的认真学习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,提供一种学习表现画像机器人系统,所述机器人系统中分别配置有第二方面所述的学习表现画像系统。
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画像方法和机器人系统,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,从而通过学习过程大数据中学生在课程上的反应来对教师的学习表现进行画像,更为真实和客观地反映出学生的学习表现,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画像方法的流程图;
图2为本发明的一个优选实施例提供的学习表现画像方法的流程图;
图3为本发明的一个实施例提供的学习表现画像系统的原理框图;
图4为本发明的一个优选实施例提供的学习表现画像系统的原理框图。
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。大数据技术包含大数据的获取、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画像方法
如图1所示,一个实施例提供的一种学习表现画像方法,所述方法包括:
评价标签步骤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。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。
录像识别步骤S400,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。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。
标签赋值步骤S500,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。
所述的画像方法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、评价标签步骤
在一个优选的实施例中,所述的评价标签步骤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)。
所述评价标签步骤S300通过为每一个老师每一个评价单元都建立一个标签,从而使得学习表现的画像更为精细化,为基于画像的学习表现的评价奠定了客观的基础。
2、录像识别步骤
在一个优选的实施例中,所述的录像识别步骤S400包括:
S401,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。
S402,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。
S403,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。
S404,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%)。
S405,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%)。
所述的录像识别步骤S400通过对教学录像的识别,并从中判断出各种学习表现对应的动作,例如认真学习的动作对应着好的学习表现,而不认真学习的动作对应着差的学习表现,从而使得所述的画像能作为学习表现的评价的客观依据。
3、标签赋值步骤
在一个优选的实施例中,所述的标签赋值步骤S500包括:
S501,将所述加权平均值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%)。
所述的标签赋值步骤S500通过将学习表现的加权平均值作为所述画像的标签值,从而使得基于所述画像的评价更为客观。
4、评价标签步骤之前
在一个优选的实施例中,所述的评价标签步骤S300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,录像中具有时间信息、时段信息。
预设动作步骤S200,将获取预设的认真学习的动作,作为第一预设动作;
所述的评价标签步骤S300之前的各个步骤通过获取教学大数据和预设动作,从而为所述画像的建立提供客观的数据基础和学习表现判断的客观标准。
(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。
5、标签赋值步骤之后
如图2所示,在一个优选的实施例中,所述的标签赋值步骤S500之后还包括:
存入知识库步骤S600,将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S700,获取待查询的学生及待查询的评价单元。
搜索评价步骤S800,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。
表现计算步骤S900,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S900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。
所述的评价标签步骤S300之后的各个步骤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)在一个进一步优选的实施例中,存入知识库步骤S600包括:
S601,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)。
(2)在一个进一步优选的实施例中,接受查询步骤S700包括:
S701,获取待查询的学生包括姓名、编号(例如张三、2018002);
S702,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)。
(3)在一个进一步优选的实施例中,搜索评价步骤S800包括:
S801,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)。
S802,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),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)。
S803,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%)。
(4)在一个进一步优选的实施例中,表现计算步骤S900包括:
S901,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)。
S902,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%)。
S903,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。
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。
(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。
(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画像系统,所述系统包括:
评价标签模块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。
录像识别模块400,用于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。
标签赋值模块500,用于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。
所述学习表现画像系统具有与前面所述学习表现画像方法同样的有益效果,在此不再赘述。
1、评价标签模块
在一个优选的实施例中,所述的评价标签模块300包括单元301、302、303。单元301、302、303分别与前面所述优选的实施例中所述步骤S301、S302、S303一一对应,在此不再重复赘述。单元301、302、303分别用于执行所述S301、S302、S303。
所述评价标签模块300具有与前面所述评价标签步骤S300同样的有益效果,在此不再赘述。
2、录像识别模块
在一个优选的实施例中,所述的录像识别模块400包括单元401、402、403、404、405。单元401、402、403、404、405分别与前面所述优选的实施例中所述步骤S401、S402、S403、S404、S405一一对应,在此不再重复赘述。单元401、402、403、404、405分别用于执行所述S401、S402、S403、S404、S405。
所述录像识别模块400具有与前面所述录像识别步骤S400同样的有益效果,在此不再赘述。
3、标签赋值模块
在一个优选的实施例中,所述的标签赋值模块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。
所述标签赋值模块500具有与前面所述标签赋值模块S500同样的有益效果,在此不再赘述。
4、评价标签模块之前
在一个优选的实施例中,所述的评价标签模块300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。
所述评价标签模块300之前模块具有与前面所述评价标签步骤S300之前步骤同样的有益效果,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。
5、标签赋值模块之后
如图4所示,在一个优选的实施例中,所述的标签赋值模块500之后还包括:
存入知识库模块600,用于将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700,用于获取待查询的学生及待查询的评价单元。
搜索评价模块800,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,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。
表现计算模块900,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。
所述标签赋值模块500之后模块具有与前面所述标签赋值模块S500之后步骤同样的有益效果,在此不再赘述。
(1)在一个进一步优选的实施例中,存入知识库步骤600包括单元601。单元601与前面所述优选的实施例中所述步骤S601对应,在此不再重复赘述。单元601用于执行所述S601。
(2)在一个进一步优选的实施例中,接受查询步骤S700包括单元701、702。单元701、702分别与前面所述优选的实施例中所述步骤S701、S702一一对应,在此不再重复赘述。单元701、702分别用于执行所述S701、S702。
(3)在一个进一步优选的实施例中,接受查询步骤S800包括单元801、802、803。单元801、802、803分别与前面所述优选的实施例中所述步骤S801、S802、S803一一对应,在此不再重复赘述。单元801、802、803分别用于执行所述S801、S802、S803。
(3)在一个进一步优选的实施例中,接受查询步骤S900包括单元901、902、903。单元901、902、903分别与前面所述优选的实施例中所述步骤S801、S901、S902、S903一一对应,在此不再重复赘述。单元901、902、903分别用于执行所述S901、S902、S903。
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;所述预设的认真学习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学习表现画像机器人系统
一个实施例提供的一种学习表现画像机器人系统,所述机器人系统中配置有所述的学习表现画像系统。
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画像方法和机器人系统,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,从而通过学习过程大数据中学生在课程上的反应来对教师的学习表现进行画像,更为真实和客观地反映出学生的学习表现,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)
1.一种学习表现画像方法,其特征在于,所述方法包括:
评价标签步骤,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;
录像识别步骤,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;
标签赋值步骤,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。
2.根据权利要求1所述的学习表现画像方法,其特征在于,所述的评价标签步骤之前还包括:
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,将获取预设的认真学习的动作,作为第一预设动作。
3.根据权利要求1所述的学习表现画像方法,其特征在于,所述的标签赋值步骤之后还包括:
存入知识库步骤,将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。
4.根据权利要求1至3任一项所述的学习表现画像方法,其特征在于,所述的标签赋值步骤之后还包括:
接受查询步骤,获取待查询的学生及待查询的评价单元;
搜索评价步骤,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,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;
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。
5.根据权利要求1至3任一项所述的学习表现画像方法,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。
6.一种学习表现画像系统,其特征在于,所述系统包括:
评价标签模块,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;
录像识别模块,用于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;
标签赋值模块,用于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。
7.根据权利要求6所述的学习表现画像系统,其特征在于,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。
8.根据权利要求6所述的学习表现画像系统,其特征在于,所述系统还包括:
存入知识库模块,用于将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,用于获取待查询的学生及待查询的评价单元;
搜索评价模块,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,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;
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。
9.根据权利要求7所述的学习表现画像系统,其特征在于,所述评价单元包括预设时段的课程;所述预设的认真学习的动作包括学生抬头眼睛向前看或/和动手做笔记。
10.一种学习表现画像机器人系统,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画像系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810632877.0A CN108829842B (zh) | 2018-06-20 | 2018-06-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810632877.0A CN108829842B (zh) | 2018-06-20 | 2018-06-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829842A true CN108829842A (zh) | 2018-11-16 |
CN108829842B CN108829842B (zh) | 2023-07-21 |
Family
ID=64142738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810632877.0A Active CN108829842B (zh) | 2018-06-20 | 2018-06-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829842B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765229A (zh) * | 2018-06-20 | 2018-11-06 | 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学习表现评价方法和机器人系统 |
CN111723288A (zh) * | 2020-06-08 | 2020-09-29 | 上海乂学教育科技有限公司 | 智适应学习检测系统及方法 |
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 |
CN112418658A (zh) * | 2020-11-19 | 2021-02-26 | 兰州大方电子有限责任公司 | 一种基于云计算技术的中高职一体化管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012012206A1 (de) * | 2012-06-21 | 2013-12-24 | Ronald Weiss | Monitoringsystem und Verfahren zur Bestimmung von Aufmerksamkeits- und/oder Aktivitätsstörungen |
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 |
CN106778539A (zh) * | 2016-11-25 | 2017-05-31 | 鲁东大学 | 教学效果信息获取方法及装置 |
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 |
WO2018098734A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳益强信息科技有限公司 | 一种用于教育平台的数据处理方法及装置 |
-
2018
- 2018-06-20 CN CN201810632877.0A patent/CN108829842B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012012206A1 (de) * | 2012-06-21 | 2013-12-24 | Ronald Weiss | Monitoringsystem und Verfahren zur Bestimmung von Aufmerksamkeits- und/oder Aktivitätsstörungen |
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 |
CN106778539A (zh) * | 2016-11-25 | 2017-05-31 | 鲁东大学 | 教学效果信息获取方法及装置 |
WO2018098734A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳益强信息科技有限公司 | 一种用于教育平台的数据处理方法及装置 |
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 |
Non-Patent Citations (1)
Title |
---|
马秀麟: "移动学习环境中注意力保持及学习行为", 《远程教育杂志》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765229A (zh) * | 2018-06-20 | 2018-11-06 | 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学习表现评价方法和机器人系统 |
CN108765229B (zh) * | 2018-06-20 | 2023-11-24 | 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学习表现评价方法和机器人系统 |
CN111723288A (zh) * | 2020-06-08 | 2020-09-29 | 上海乂学教育科技有限公司 | 智适应学习检测系统及方法 |
CN111723288B (zh) * | 2020-06-08 | 2021-06-29 | 上海松鼠课堂人工智能科技有限公司 | 智适应学习检测系统及方法 |
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 |
CN112418658A (zh) * | 2020-11-19 | 2021-02-26 | 兰州大方电子有限责任公司 | 一种基于云计算技术的中高职一体化管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108829842B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109801525B (zh) | 一种用于网络教学的师生多维匹配方法和系统 | |
WO2020082566A1 (zh) | 基于生物识别的远程教学方法、装置、设备及存储介质 | |
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 | |
Roth | Learning science: A singular plural perspective | |
CN109359215A (zh) | 视频智能推送方法和系统 | |
CN108281052A (zh) | 一种在线教学系统及在线教学方法 | |
CN106228982A (zh) | 一种基于教育服务机器人的交互式学习系统与交互方法 | |
CN109885595A (zh) | 基于人工智能的课程推荐方法、装置、设备及存储介质 | |
CN106547815B (zh) | 一种基于大数据的针对性作业生成方法与系统 | |
CN109754655A (zh) | 一种基于校园网的在线教育系统 | |
CN109584648A (zh) | 数据生成方法及装置 | |
CN110580470A (zh) | 基于人脸识别的监测方法、装置、存储介质及计算机设备 | |
CN110753256B (zh) | 录像回放的方法、装置、存储介质及计算机设备 | |
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 | |
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 | |
CN109933650B (zh) | 一种作业中图片题目的理解方法及系统 | |
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 | |
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 | |
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 | |
Byczkowska-Owczarek et al. | Sociology of the body—teaching embodied approach through autoethnography | |
Jong et al. | Dynamic grouping strategies based on a conceptual graph for cooperative learning | |
CN112836945A (zh) | 一种师范生教态量化评价体系 | |
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 | |
CN109447863A (zh) | 一种4mat实时分析方法及系统 |
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 |