CN108921748A - 基于大数据分析的教学规划方法及计算机可读介质 - Google Patents
基于大数据分析的教学规划方法及计算机可读介质 Download PDFInfo
- Publication number
- CN108921748A CN108921748A CN201810784295.4A CN201810784295A CN108921748A CN 108921748 A CN108921748 A CN 108921748A CN 201810784295 A CN201810784295 A CN 201810784295A CN 108921748 A CN108921748 A CN 108921748A
- Authority
- CN
- China
- Prior art keywords
- student
- information
- curriculum
- evaluation index
- quality evaluation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- 238000013441 quality evaluation Methods 0.000 claims abstract description 107
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims abstract description 33
- 230000009471 action Effects 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004883 computer application Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1091—Recording time for administrative or management purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Technology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了一种基于大数据分析的教学规划方法及计算机可读介质,教学规划方法包括如下步骤:利用摄像头捕捉教室中的课堂活动图像;基于课堂活动图像,生成实到学生人数信息以及学生上课状态信息;收集读卡器发送的学生签到信息;基于学生签到信息统计签到学生人数信息;收集选课人数信息;基于实到学生人数信息与选课人数信息的比较,生成第一课程质量评价指标,基于实到学生人数信息与签到学生人数信息的比较,生成第二课程质量评价指标,基于学生上课状态信息,生成第三课程质量评价指标;基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告;及基于不同的课程质量等级,分别进行不同的处理。
Description
技术领域
本发明是关于计算机应用领域,特别是关于一种基于大数据分析的教学规划方法及计算机可读介质。
背景技术
计算机是一种用于高速计算的电子计算机器,可以进行数值计算,又可以进行逻辑计算,还具有存储记忆功能。是能够按照程序运行,自动、高速处理海量数据的现代化智能电子设备。随着科技的进步,各种计算机技术、网络技术的飞速发展,计算机的发展已经进入了一个快速而又崭新的时代,计算机已经从功能单一、体积较大发展到了功能复杂、体积微小、资源网络化等。
特别是随着信息技术和计算机的快速发展,高校校园环境也发生了根本变化。无论校园里的生活环境还是教学环境都存在着各种各样的多媒体产品,如手机、计算机、PAD等,种类繁多的网上信息围绕在学生周围。信息技术的发展既给教学和校园生活带来了便利,同样也给教学带来了很多干扰。学生课外睡眠不足导致出勤率下降、课堂上被移动设备吸引导致课抬头率不高等问题,都给学校和相关教育机构带来了极大的管理难题。伴随学生出勤率和抬头率问题而来的是教学质量评价方法问题。传统的教学质量评价方式仅根据最终的教学成果进行考核,这种评估方式往往不能反映整个教学过程中发生的诸多问题。上述问题引起了各大高校和教育主管部门的重点关注。教学管理系统是一个拥有完整体系的数据库系统,包括教师信息、学生信息、课程信息等几大板块,能把从教务处各业务部门收集的大量数据,集中在数据库服务器上存储、管理与维护。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于大数据分析的教学规划方法,其能够克服现有技术的缺点。
为实现上述目的,本发明提供了一种基于大数据分析的教学规划方法,包括如下步骤:利用摄像头捕捉教室中的课堂活动图像;基于课堂活动图像,生成实到学生人数信息以及学生上课状态信息;收集读卡器发送的学生签到信息;基于学生签到信息统计签到学生人数信息;收集选课人数信息;基于实到学生人数信息与选课人数信息的比较,生成第一课程质量评价指标,基于实到学生人数信息与签到学生人数信息的比较,生成第二课程质量评价指标,基于学生上课状态信息,生成第三课程质量评价指标;基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告;如果课程质量等级评价报告中的课程质量等级低于第一门限,则生成报警消息,并将报警消息发送给教学管理人员;以及如果课程质量等级评价报告中的课程质量等级高于第一门限但小于第二门限,则更换上课地点,并将经过更新的上课地点利用授课教师以及参与该课程的学生的移动终端通知给授课教师以及参与该课程的学生。
在一优选的实施方式中,基于课堂活动图像,生成学生上课状态信息包括如下步骤:将捕捉到的课堂活动图像进行图像处理;基于图像处理之后的课堂活动图像,生成学生的动作模式;将学生的动作模式与标准动作模式进行比较,其中,标准动作模式至少包括:听讲状态下的标准动作模式、书写状态下的标准动作模式以及其它状态下的标准动作模式;以及统计学生的动作模式与听讲状态下的标准动作模式或书写状态下的标准动作模式符合的比例。
在一优选的实施方式中,其中,标准动作模式通过以下步骤生成:收集课堂教学历史图像;标识课堂教学历史图像中的听讲状态的学生以及书写状态的学生;以及将课堂教学历史图像中所有学生的图像作为训练样本,基于机器学习算法,建立学生的图像与听讲状态的学生以及书写状态的学生之间的关联。
在一优选的实施方式中,基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告具体包括如下步骤:收集历史实到学生人数信息、历史选课人数信息、历史实到学生人数信息、历史学生上课状态信息以及学生考试成绩信息;基于历史实到学生人数信息与历史选课人数信息的比较,生成第一课程质量评价指标样本,基于历史实到学生人数信息与历史签到学生人数信息的比较,生成第二课程质量评价指标样本,基于历史学生上课状态信息,生成第三课程质量评价指标样本;以第一课程质量评价指标样本、第二课程质量评价指标样本以及第三课程质量评价指标样本为输入参数,以学生成绩为输出参数,利用有监督学习方法进行机器学习,生成课程质量评价指标与学生考试成绩之间的关联关系;基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标以及课程质量评价指标与学生考试成绩之间的关联关系,生成预测的学生考试成绩;以及基于预测的学生考试成绩,生成课程质量等级评价报告。
在一优选的实施方式中,基于大数据分析的教学规划方法还包括如下步骤:如果课程质量等级评价报告中的课程质量等级高于第二门限,则生成教室占用信息,并将教室占用信息利用未参与该课程的学生的移动终端通知给未参与该课程的学生。
本发明还提供了一种用于基于大数据分析进行教学规划的计算机可读介质,该计算机可读介质包括用于进行以下操作的代码:利用摄像头捕捉教室中的课堂活动图像;基于课堂活动图像,生成实到学生人数信息以及学生上课状态信息;收集读卡器发送的学生签到信息;基于学生签到信息统计签到学生人数信息;收集选课人数信息;基于实到学生人数信息与选课人数信息的比较,生成第一课程质量评价指标,基于实到学生人数信息与签到学生人数信息的比较,生成第二课程质量评价指标,基于学生上课状态信息,生成第三课程质量评价指标;基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告;如果课程质量等级评价报告中的课程质量等级低于第一门限,则生成报警消息,并将报警消息发送给教学管理人员;以及如果课程质量等级评价报告中的课程质量等级高于第一门限但小于第二门限,则更换上课地点,并将经过更新的上课地点利用授课教师以及参与该课程的学生的移动终端通知给授课教师以及参与该课程的学生。
在一优选的实施方式中,基于课堂活动图像,生成学生上课状态信息包括如下步骤:将捕捉到的课堂活动图像进行图像处理;基于图像处理之后的课堂活动图像,生成学生的动作模式;将学生的动作模式与标准动作模式进行比较,其中,标准动作模式至少包括:听讲状态下的标准动作模式、书写状态下的标准动作模式以及其它状态下的标准动作模式;以及统计学生的动作模式与听讲状态下的标准动作模式或书写状态下的标准动作模式符合的比例。
在一优选的实施方式中,其中,标准动作模式通过以下步骤生成:收集课堂教学历史图像;标识课堂教学历史图像中的听讲状态的学生以及书写状态的学生;以及将课堂教学历史图像中所有学生的图像作为训练样本,基于机器学习算法,建立学生的图像与听讲状态的学生以及书写状态的学生之间的关联。
在一优选的实施方式中,基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告具体包括如下步骤:收集历史实到学生人数信息、历史选课人数信息、历史实到学生人数信息、历史学生上课状态信息以及学生考试成绩信息;基于历史实到学生人数信息与历史选课人数信息的比较,生成第一课程质量评价指标样本,基于历史实到学生人数信息与历史签到学生人数信息的比较,生成第二课程质量评价指标样本,基于历史学生上课状态信息,生成第三课程质量评价指标样本;以第一课程质量评价指标样本、第二课程质量评价指标样本以及第三课程质量评价指标样本为输入参数,以学生成绩为输出参数,利用有监督学习方法进行机器学习,生成课程质量评价指标与学生考试成绩之间的关联关系;基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标以及课程质量评价指标与学生考试成绩之间的关联关系,生成预测的学生考试成绩;以及基于预测的学生考试成绩,生成课程质量等级评价报告。
在一优选的实施方式中,计算机可读介质包括用于进行以下操作的代码:如果课程质量等级评价报告中的课程质量等级高于第二门限,则生成教室占用信息,并将教室占用信息利用未参与该课程的学生的移动终端通知给未参与该课程的学生。
与现有技术相比,本发明具有如下优点:我国正在大力推行智能校园的建设。但是目前我国大部分所谓的“智能校园”系统仅仅具备线上选课、线上提交作业的功能,而实际上并不具备“智能”的特点。在大数据、人工智能等新兴技术尚未走入学校管理时,传统的教学评估和规划方法正在面临极大的挑战。传统方法通过学生打分和专家评议相结合的方式进行教学质量评估。众所周知的是,学生打分实际上难以做到客观公正,专家评议也无法完全考虑整个学期的教学过程和质量。这就造成了教学质量评估的困难。为了实现客观公正并且高效的评价,需要借助计算机系统、大数据分析以及人工智能的帮助。本发明设计了一种新的基于计算机系统、大数据分析以及人工智能的教学规划系统,本发明的系统融合了教学评估、教学规划、资源整合等多种功能。实现了客观评价教师业务水平、按需分配稀缺教育资源、提高资源利用率、提高管理效率降低管理成本的技术效果。
附图说明
图1是根据本发明一实施方式的方法流程图。
图2是根据本发明一实施方式的方法流程图。
图3是根据本发明一实施方式的方法流程图。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
实施例1
图1是根据本发明一实施方式的方法流程图。如图所示,基于大数据分析的教学规划方法包括如下步骤:
步骤101:利用摄像头捕捉教室中的课堂活动图像;
步骤102:基于课堂活动图像,生成实到学生人数信息以及学生上课状态信息;
步骤103:收集读卡器发送的学生签到信息;
步骤104:基于学生签到信息统计签到学生人数信息;
步骤105:收集选课人数信息;
步骤106:基于实到学生人数信息与选课人数信息的比较,生成第一课程质量评价指标,基于实到学生人数信息与签到学生人数信息的比较,生成第二课程质量评价指标,基于学生上课状态信息,生成第三课程质量评价指标;
步骤107:基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告;
步骤108:如果课程质量等级评价报告中的课程质量等级低于第一门限,则生成报警消息,并将报警消息发送给教学管理人员;以及
步骤109:如果课程质量等级评价报告中的课程质量等级高于第一门限但小于第二门限,则更换上课地点,并将经过更新的上课地点利用授课教师以及参与该课程的学生的移动终端通知给授课教师以及参与该课程的学生。
实施例2
图2是根据本发明一实施方式的方法流程图。如图所示,基于课堂活动图像,生成学生上课状态信息包括如下步骤:
步骤201:将捕捉到的课堂活动图像进行图像处理;
步骤202:基于图像处理之后的课堂活动图像,生成学生的动作模式;
步骤203:将学生的动作模式与标准动作模式进行比较,其中,标准动作模式至少包括:听讲状态下的标准动作模式、书写状态下的标准动作模式以及其它状态下的标准动作模式;以及
步骤204:统计学生的动作模式与听讲状态下的标准动作模式或书写状态下的标准动作模式符合的比例。
实施例3
在一优选的实施方式中,其中,标准动作模式通过以下步骤生成:
收集课堂教学历史图像;
标识课堂教学历史图像中的听讲状态的学生以及书写状态的学生;
将课堂教学历史图像中所有学生的图像作为训练样本,基于机器学习算法,建立学生的图像与听讲状态的学生以及书写状态的学生之间的关联。
图3是根据本发明一实施方式的方法流程图。如图所示,基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告具体包括如下步骤:
步骤301:收集历史实到学生人数信息、历史选课人数信息、历史实到学生人数信息、历史学生上课状态信息以及学生考试成绩信息;
步骤302:基于历史实到学生人数信息与历史选课人数信息的比较,生成第一课程质量评价指标样本,基于历史实到学生人数信息与历史签到学生人数信息的比较,生成第二课程质量评价指标样本,基于历史学生上课状态信息,生成第三课程质量评价指标样本;
步骤303:以第一课程质量评价指标样本、第二课程质量评价指标样本以及第三课程质量评价指标样本为输入参数,以学生成绩为输出参数,利用有监督学习方法进行机器学习,生成课程质量评价指标与学生考试成绩之间的关联关系;
步骤304:基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标以及课程质量评价指标与学生考试成绩之间的关联关系,生成预测的学生考试成绩;以及
步骤305:基于预测的学生考试成绩,生成课程质量等级评价报告。
在一优选的实施方式中,基于大数据分析的教学规划方法还包括如下步骤:如果课程质量等级评价报告中的课程质量等级高于第二门限,则生成教室占用信息,并将教室占用信息利用未参与该课程的学生的移动终端通知给未参与该课程的学生。
实施例4
本发明还提供了一种用于基于大数据分析进行教学规划的计算机可读介质,其特征在于:计算机可读介质包括用于进行以下操作的代码:
利用摄像头捕捉教室中的课堂活动图像;
基于课堂活动图像,生成实到学生人数信息以及学生上课状态信息;
收集读卡器发送的学生签到信息;
基于学生签到信息统计签到学生人数信息;
收集选课人数信息;
基于实到学生人数信息与选课人数信息的比较,生成第一课程质量评价指标,基于实到学生人数信息与签到学生人数信息的比较,生成第二课程质量评价指标,基于学生上课状态信息,生成第三课程质量评价指标;
基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告;
如果课程质量等级评价报告中的课程质量等级低于第一门限,则生成报警消息,并将报警消息发送给教学管理人员;
如果课程质量等级评价报告中的课程质量等级高于第一门限但小于第二门限,则更换上课地点,并将经过更新的上课地点利用授课教师以及参与该课程的学生的移动终端通知给授课教师以及参与该课程的学生。
实施例5
在一优选的实施方式中,基于课堂活动图像,生成学生上课状态信息包括如下步骤:
将捕捉到的课堂活动图像进行图像处理;
基于图像处理之后的课堂活动图像,生成学生的动作模式;
将学生的动作模式与标准动作模式进行比较,其中,标准动作模式至少包括:听讲状态下的标准动作模式、书写状态下的标准动作模式以及其它状态下的标准动作模式;
统计学生的动作模式与听讲状态下的标准动作模式或书写状态下的标准动作模式符合的比例。
实施例6
在一优选的实施方式中,其中,标准动作模式通过以下步骤生成:
收集课堂教学历史图像;
标识课堂教学历史图像中的听讲状态的学生以及书写状态的学生;
将课堂教学历史图像中所有学生的图像作为训练样本,基于机器学习算法,建立学生的图像与听讲状态的学生以及书写状态的学生之间的关联。
在一优选的实施方式中,基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告具体包括如下步骤:
收集历史实到学生人数信息、历史选课人数信息、历史实到学生人数信息、历史学生上课状态信息以及学生考试成绩信息;
基于历史实到学生人数信息与历史选课人数信息的比较,生成第一课程质量评价指标样本,基于历史实到学生人数信息与历史签到学生人数信息的比较,生成第二课程质量评价指标样本,基于历史学生上课状态信息,生成第三课程质量评价指标样本;
以第一课程质量评价指标样本、第二课程质量评价指标样本以及第三课程质量评价指标样本为输入参数,以学生成绩为输出参数,利用有监督学习方法进行机器学习,生成课程质量评价指标与学生考试成绩之间的关联关系;
基于第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标以及课程质量评价指标与学生考试成绩之间的关联关系,生成预测的学生考试成绩;
基于预测的学生考试成绩,生成课程质量等级评价报告。
在一优选的实施方式中,计算机可读介质包括用于进行以下操作的代码:
如果课程质量等级评价报告中的课程质量等级高于第二门限,则生成教室占用信息,并将教室占用信息利用未参与该课程的学生的移动终端通知给未参与该课程的学生。
本发明设计了一种基于计算机系统、大数据分析以及人工智能的教学规划系统,本发明的系统融合了教学评估、教学规划、资源整合等多种功能。实现了客观评价教师业务水平、按需分配稀缺教育资源、提高资源利用率、提高管理效率降低管理成本的技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于大数据分析的教学规划方法,其特征在于:所述基于大数据分析的教学规划方法包括如下步骤:
利用摄像头捕捉教室中的课堂活动图像;
基于所述课堂活动图像,生成实到学生人数信息以及学生上课状态信息;
收集读卡器发送的学生签到信息;
基于所述学生签到信息统计签到学生人数信息;
收集选课人数信息;
基于所述实到学生人数信息与所述选课人数信息的比较,生成第一课程质量评价指标,基于所述实到学生人数信息与所述签到学生人数信息的比较,生成第二课程质量评价指标,基于所述学生上课状态信息,生成第三课程质量评价指标;
基于所述第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告;
如果所述课程质量等级评价报告中的课程质量等级低于第一门限,则生成报警消息,并将所述报警消息发送给教学管理人员;以及
如果所述课程质量等级评价报告中的课程质量等级高于第一门限但小于第二门限,则更换上课地点,并将经过更新的上课地点利用授课教师以及参与该课程的学生的移动终端通知给所述授课教师以及所述参与该课程的学生。
2.如权利要求1所述的基于大数据分析的教学规划方法,其特征在于:基于所述课堂活动图像,生成学生上课状态信息包括如下步骤:
将捕捉到的课堂活动图像进行图像处理;
基于图像处理之后的课堂活动图像,生成学生的动作模式;
将所述学生的动作模式与标准动作模式进行比较,其中,所述标准动作模式至少包括:听讲状态下的标准动作模式、书写状态下的标准动作模式以及其它状态下的标准动作模式;以及
统计所述学生的动作模式与所述听讲状态下的标准动作模式或所述书写状态下的标准动作模式符合的比例。
3.如权利要求2所述的基于大数据分析的教学规划方法,其特征在于:其中,所述标准动作模式通过以下步骤生成:
收集课堂教学历史图像;
标识所述课堂教学历史图像中的听讲状态的学生以及书写状态的学生;以及
将所述课堂教学历史图像中所有学生的图像作为训练样本,基于机器学习算法,建立学生的图像与听讲状态的学生以及书写状态的学生之间的关联。
4.如权利要求3所述的基于大数据分析的教学规划方法,其特征在于:
基于所述第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告具体包括如下步骤:
收集历史实到学生人数信息、历史选课人数信息、历史实到学生人数信息、历史学生上课状态信息以及学生考试成绩信息;
基于所述历史实到学生人数信息与所述历史选课人数信息的比较,生成第一课程质量评价指标样本,基于所述历史实到学生人数信息与所述历史签到学生人数信息的比较,生成第二课程质量评价指标样本,基于所述历史学生上课状态信息,生成第三课程质量评价指标样本;
以第一课程质量评价指标样本、第二课程质量评价指标样本以及第三课程质量评价指标样本为输入参数,以学生成绩为输出参数,利用有监督学习方法进行机器学习,生成课程质量评价指标与学生考试成绩之间的关联关系;
基于所述第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标以及所述课程质量评价指标与学生考试成绩之间的关联关系,生成预测的学生考试成绩;以及
基于所述预测的学生考试成绩,生成课程质量等级评价报告。
5.如权利要求4所述的基于大数据分析的教学规划方法,其特征在于:所述基于大数据分析的教学规划方法还包括如下步骤:
如果所述课程质量等级评价报告中的课程质量等级高于第二门限,则生成教室占用信息,并将所述教室占用信息利用未参与该课程的学生的移动终端通知给所述未参与该课程的学生。
6.一种用于基于大数据分析进行教学规划的计算机可读介质,其特征在于:所述计算机可读介质包括用于进行以下操作的代码:
利用摄像头捕捉教室中的课堂活动图像;
基于所述课堂活动图像,生成实到学生人数信息以及学生上课状态信息;
收集读卡器发送的学生签到信息;
基于所述学生签到信息统计签到学生人数信息;
收集选课人数信息;
基于所述实到学生人数信息与所述选课人数信息的比较,生成第一课程质量评价指标,基于所述实到学生人数信息与所述签到学生人数信息的比较,生成第二课程质量评价指标,基于所述学生上课状态信息,生成第三课程质量评价指标;
基于所述第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告;
如果所述课程质量等级评价报告中的课程质量等级低于第一门限,则生成报警消息,并将所述报警消息发送给教学管理人员;以及
如果所述课程质量等级评价报告中的课程质量等级高于第一门限但小于第二门限,则更换上课地点,并将经过更新的上课地点利用授课教师以及参与该课程的学生的移动终端通知给所述授课教师以及所述参与该课程的学生。
7.如权利要求6所述的计算机可读介质,其特征在于:基于所述课堂活动图像,生成学生上课状态信息包括如下步骤:
将捕捉到的课堂活动图像进行图像处理;
基于图像处理之后的课堂活动图像,生成学生的动作模式;
将所述学生的动作模式与标准动作模式进行比较,其中,所述标准动作模式至少包括:听讲状态下的标准动作模式、书写状态下的标准动作模式以及其它状态下的标准动作模式;以及
统计所述学生的动作模式与所述听讲状态下的标准动作模式或所述书写状态下的标准动作模式符合的比例。
8.如权利要求7所述的计算机可读介质,其特征在于:其中,所述标准动作模式通过以下步骤生成:
收集课堂教学历史图像;
标识所述课堂教学历史图像中的听讲状态的学生以及书写状态的学生;以及
将所述课堂教学历史图像中所有学生的图像作为训练样本,基于机器学习算法,建立学生的图像与听讲状态的学生以及书写状态的学生之间的关联。
9.如权利要求8所述的计算机可读介质,其特征在于:基于所述第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标,生成课程质量等级评价报告具体包括如下步骤:
收集历史实到学生人数信息、历史选课人数信息、历史实到学生人数信息、历史学生上课状态信息以及学生考试成绩信息;
基于所述历史实到学生人数信息与所述历史选课人数信息的比较,生成第一课程质量评价指标样本,基于所述历史实到学生人数信息与所述历史签到学生人数信息的比较,生成第二课程质量评价指标样本,基于所述历史学生上课状态信息,生成第三课程质量评价指标样本;
以第一课程质量评价指标样本、第二课程质量评价指标样本以及第三课程质量评价指标样本为输入参数,以学生成绩为输出参数,利用有监督学习方法进行机器学习,生成课程质量评价指标与学生考试成绩之间的关联关系;
基于所述第一课程质量评价指标、第二课程质量评价指标以及第三课程质量评价指标以及所述课程质量评价指标与学生考试成绩之间的关联关系,生成预测的学生考试成绩;以及
基于所述预测的学生考试成绩,生成课程质量等级评价报告。
10.如权利要求9所述的计算机可读介质,其特征在于:所述计算机可读介质包括用于进行以下操作的代码:如果所述课程质量等级评价报告中的课程质量等级高于第二门限,则生成教室占用信息,并将所述教室占用信息利用未参与该课程的学生的移动终端通知给所述未参与该课程的学生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784295.4A CN108921748B (zh) | 2018-07-17 | 2018-07-17 | 基于大数据分析的教学规划方法及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810784295.4A CN108921748B (zh) | 2018-07-17 | 2018-07-17 | 基于大数据分析的教学规划方法及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921748A true CN108921748A (zh) | 2018-11-30 |
CN108921748B CN108921748B (zh) | 2022-02-01 |
Family
ID=64414408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810784295.4A Active CN108921748B (zh) | 2018-07-17 | 2018-07-17 | 基于大数据分析的教学规划方法及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921748B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533333A (zh) * | 2019-09-02 | 2019-12-03 | 西南大学 | 一种教学评价方法及装置 |
CN111047224A (zh) * | 2019-12-31 | 2020-04-21 | 重庆工业职业技术学院 | 会计教学方法和会计教学装置 |
CN111081104A (zh) * | 2019-05-27 | 2020-04-28 | 广东小天才科技有限公司 | 一种基于课堂表现的听写内容选择方法及学习设备 |
CN111093240A (zh) * | 2019-12-24 | 2020-05-01 | 郑州大学体育学院 | 一种基于物联网的乒乓球远程课程的传输方法及系统 |
CN111093165A (zh) * | 2019-11-18 | 2020-05-01 | 郑州大学体育学院 | 基于大数据的收集体育运动监测数据的方法及系统 |
CN111311131A (zh) * | 2020-04-14 | 2020-06-19 | 康佳集团股份有限公司 | 一种智慧课堂教学行为分析方法、存储介质及智能电视 |
CN111353920A (zh) * | 2019-06-28 | 2020-06-30 | 鸿合科技股份有限公司 | 一种智能黑板 |
CN112598552A (zh) * | 2020-12-24 | 2021-04-02 | 贵州树精英教育科技有限责任公司 | 一种教育课堂数据分析系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808376A (zh) * | 2017-10-31 | 2018-03-16 | 上海交通大学 | 一种基于深度学习的举手检测方法 |
CN107958351A (zh) * | 2017-12-26 | 2018-04-24 | 重庆大争科技有限公司 | 教学质量评估云服务平台 |
CN108073888A (zh) * | 2017-08-07 | 2018-05-25 | 中国科学院深圳先进技术研究院 | 一种教学辅助方法及采用该方法的教学辅助系统 |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
-
2018
- 2018-07-17 CN CN201810784295.4A patent/CN108921748B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073888A (zh) * | 2017-08-07 | 2018-05-25 | 中国科学院深圳先进技术研究院 | 一种教学辅助方法及采用该方法的教学辅助系统 |
CN107808376A (zh) * | 2017-10-31 | 2018-03-16 | 上海交通大学 | 一种基于深度学习的举手检测方法 |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
CN107958351A (zh) * | 2017-12-26 | 2018-04-24 | 重庆大争科技有限公司 | 教学质量评估云服务平台 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111081104A (zh) * | 2019-05-27 | 2020-04-28 | 广东小天才科技有限公司 | 一种基于课堂表现的听写内容选择方法及学习设备 |
CN111081104B (zh) * | 2019-05-27 | 2021-12-21 | 广东小天才科技有限公司 | 一种基于课堂表现的听写内容选择方法及学习设备 |
CN111353920A (zh) * | 2019-06-28 | 2020-06-30 | 鸿合科技股份有限公司 | 一种智能黑板 |
CN110533333A (zh) * | 2019-09-02 | 2019-12-03 | 西南大学 | 一种教学评价方法及装置 |
CN110533333B (zh) * | 2019-09-02 | 2022-08-19 | 西南大学 | 一种教学评价方法及装置 |
CN111093165A (zh) * | 2019-11-18 | 2020-05-01 | 郑州大学体育学院 | 基于大数据的收集体育运动监测数据的方法及系统 |
CN111093165B (zh) * | 2019-11-18 | 2022-03-11 | 郑州大学体育学院 | 基于大数据的收集体育运动监测数据的方法及系统 |
CN111093240A (zh) * | 2019-12-24 | 2020-05-01 | 郑州大学体育学院 | 一种基于物联网的乒乓球远程课程的传输方法及系统 |
CN111093240B (zh) * | 2019-12-24 | 2021-08-13 | 郑州大学体育学院 | 一种基于物联网的乒乓球远程课程的传输方法及系统 |
CN111047224A (zh) * | 2019-12-31 | 2020-04-21 | 重庆工业职业技术学院 | 会计教学方法和会计教学装置 |
CN111311131A (zh) * | 2020-04-14 | 2020-06-19 | 康佳集团股份有限公司 | 一种智慧课堂教学行为分析方法、存储介质及智能电视 |
CN112598552A (zh) * | 2020-12-24 | 2021-04-02 | 贵州树精英教育科技有限责任公司 | 一种教育课堂数据分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108921748B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921748A (zh) | 基于大数据分析的教学规划方法及计算机可读介质 | |
Paige | Internationalization of higher education: Performance assessment and indicators | |
Uskov et al. | Smart university: a validation of “smartness features—main components” matrix by real-world examples and best practices from universities worldwide | |
Norman | Assessing accomplished teaching: Good strides, great challenges | |
Kocakaya et al. | Classifying the Standards via Revised Bloom's Taxonomy: A Comparison of Pre-Service and In-Service Teachers. | |
Basque et al. | Predictors of Mathematics Performance: The Impact of Prior Achievement, Socioeconomic Status and School Practices. | |
CN116777698A (zh) | 一种基于ai智能化的智慧教学的方法及系统 | |
Hovland | Numbers: Their relation to power and organization | |
Bahel et al. | Knowledge discovery in educational databases in indian educational system: A case study of ghrce, nagpur | |
CN108288124A (zh) | 教学质量评价方法及系统 | |
Proskurin et al. | Digitalization of energy facility management processes in the Voronezh region | |
Kezar et al. | Defining the evolving concept of public scholarship | |
Sirait et al. | Elementary school principals' learning leadership and innovative behavior in using school-based management | |
CN109829682A (zh) | 一种网络在线查班系统及方法 | |
CN109753855A (zh) | 教学场景状态的确定方法及装置 | |
Murugananthan et al. | Educational data mining life cycle model for student mental healthcare and education in Malaysia and India | |
Doctor | A predictive model using machine learning algorithm in identifying students probability on passing semestral course | |
Faisal | Dynamic Monitoring and Assessment for Digital Transformation in Higher Education | |
Kashinath et al. | Implementation of Efficient Online English Learning System and Student Performance Prediction Using Linear K-Nearest Neighbors (L-Knn) Method | |
Memmel et al. | AScore–Developing a Cockpit for Regional Pandemic Management in Germany with Agent-Based Social Simulation | |
Wahjusaputri et al. | Strategy for Implementing Artificial Based Learning Models in Improving Learning Quality | |
CN109064040A (zh) | 一种基于教师的教育管理方法、系统及其存储介质 | |
Liu et al. | Another approach to explore the factors affecting operational efficiency of school management from innovative teaching through digital mobile e-learning: DEA and grey relation analysis | |
Akazua et al. | FACTORS MILITATING AGAINST THE UTILIZATION OF INTERNET OF THINGS IN CLASSROOMS IN TERTIARY INSTITUTIONS IN RIVERS STATE | |
CN118537941B (zh) | 基于目标检测与人脸识别的考勤智能识别系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |