CN109035085A - 一种在线课程助教方法及计算机设备 - Google Patents
一种在线课程助教方法及计算机设备 Download PDFInfo
- Publication number
- CN109035085A CN109035085A CN201810751356.7A CN201810751356A CN109035085A CN 109035085 A CN109035085 A CN 109035085A CN 201810751356 A CN201810751356 A CN 201810751356A CN 109035085 A CN109035085 A CN 109035085A
- Authority
- CN
- China
- Prior art keywords
- information
- target
- equipment
- sent
- student
- 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 43
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000033001 locomotion Effects 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 27
- 230000014509 gene expression Effects 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000005291 magnetic effect Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000003813 thumb Anatomy 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008921 facial expression Effects 0.000 description 4
- 206010048232 Yawning Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 206010057315 Daydreaming Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 206010024642 Listless Diseases 0.000 description 1
- 241001282135 Poromitra oscitans Species 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual 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
- 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
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的目的是提供一种在线课程助教方法和设备，计算机设备基于目标用户设备发送的关于目标学员在一课程时间段内的动作检测信息生成所述目标学员的专注度信息，在所述课程时间段内基于所述目标用户设备发送的第一反馈信息确定第一评价信息，在所述课程时间段之后基于所述目标用户设备发送的第二反馈信息确定第二评价信息，以及基于所述专注度信息、所述第一评价信息和所述第二评价信息确定所述目标学员的总体评价信息。本申请能够综合考虑学员上课的各项反馈信息，让企业在规模化运作的情况下也能保证学员的学习效率和在线教育的服务质量。
Description
技术领域
本申请涉及计算机领域，尤其涉及一种在线课程助教技术。
背景技术
随着互联网教育的普及，在线学习课程逐渐走入大众视野。为了提高服务质量，在线课程一般都会配备人工助教角色，负责作业批改、答疑、课堂纪律的维护等；同时为了提高助教资源的利用效率，一个人工助教往往会同时服务于多个线上班级。由于单个助教精力有限，同时服务于多个班级势必会导致顾此失彼的局面，而减少服务的班级，同样也会增加企业成本压力。
目前大部分在线教育企业都是采用平衡的策略，在保证基本服务质量的前提下，尽可能的增加服务的班级数量，做到资源与服务质量的“平衡”。但是在规模化运作的背景下，所谓的“平衡”其实是企业发展的制约因素，特别是在服务对象的数量级跃迁过程中，涉及的不仅仅是人力成本的问题，找到一定数量的合适的人工助教本身就已经成为企业面临的难题。
发明内容
本申请的一个目的是提供一种在线课程助教方法。
根据本申请的一个方面，提供了一种在线课程助教方法，该方法包括以下步骤：
S100基于目标用户设备发送的关于目标学员在一课程时间段内的动作检测信息，生成所述目标学员的专注度信息；
S200在所述课程时间段内，基于所述目标用户设备发送的第一反馈信息确定第一评价信息；
S300在所述课程时间段之后基于所述目标用户设备发送的第二反馈信息确定第二评价信息；以及
S400基于所述专注度信息、所述第一评价信息和所述第二评价信息，确定所述目标学员的总体评价信息。
根据本申请的一个实施例，所述步骤S100包括：
S110从目标用户设备发送的关于目标学员在一课程时间段内的动作检测信息中，提取关于所述目标学员的表情信息；
S120基于所述表情信息，生成所述目标学员的专注度信息。
根据本申请的一个实施例，所述步骤S100还包括：
S111获取所述目标用户设备在所述课程时间段内所发送的即时通讯消息；
S113生成所述即时通讯消息与当前课程的相关度信息；
所述步骤S120包括：
基于所述表情信息和所述相关度信息，生成所述目标学员的专注度信息。
根据本申请的一个实施例，所述步骤S111包括：
获取所述目标用户设备在所述课程时间段内发送至即时通讯服务器的即时通讯消息，所述即时通讯服务器供所述目标用户设备和其他用户设备即时通讯；
所述步骤S100还包括：
S112当所述即时通讯消息满足预设拦截条件，向所述即时通讯服务器发送关于所述目标用户设备的通讯拦截指令。
根据本申请的一个实施例，所述步骤S400包括：
基于所述专注度信息、所述通讯拦截指令、所述第一评价信息和所述第二评价信息，确定所述目标学员的总体评价信息。
根据本申请的一个实施例，所述步骤S300包括：
S310在所述课程时间段之后，接收所述目标用户设备发送的第二反馈信息；
S320响应于至少一个其他用户设备关于所述第二反馈信息的访问请求，向所述至少一个其他用户设备发送所述第二反馈信息；
S330基于所述其他用户设备发送的关于所述第二反馈信息的第三反馈信息，确定关于所述第二反馈信息的第二评价信息。
根据本申请的一个实施例，所述步骤S300还包括：
S311在所述课程时间段之后，接收至少一个其他用户设备发送的第四反馈信息；
S321响应于所述目标用户设备关于所述第四反馈信息的访问请求，向所述目标用户设备发送所述第四反馈信息；
所述步骤S330包括：
基于所述其他用户设备发送的关于所述第二反馈信息的第三反馈信息，以及所述目标用户设备发送的关于所述第四反馈信息的第五反馈信息，确定关于所述第二反馈信息的第二评价信息。
根据本申请的一个实施例，所述方法还包括：
S510将所述目标用户设备所发送的问题信息进行预处理后，输入问题解答模型，以匹配关于所述问题信息的答案信息；
S520若匹配成功，向所述目标用户设备发送对应于所述问题信息的答案信息；
S530若匹配失败，向至少一个助教用户设备发送所述问题信息，接收所述助教用户设备关于所述问题信息所返回的新增答案信息，将所述新增答案信息发送至所述目标用户设备，并将所述问题信息和所述新增答案信息加入所述问题解答模型的训练集。
根据本申请的一个实施例，所述方法还包括：
S600向所述目标用户设备对应的监护用户设备发送所述总体评价信息。
根据本申请的另一个方面，提供了一种计算机设备，所述计算机设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以上任一项所述的方法。
与现有技术相比，本申请解决了在线课程中几大难题。现有技术在保证基本服务质量的前提下，尽可能的增加服务的班级数量，做到资源与服务质量的“平衡”，保证“所谓”的企业利益最大化。但是在规模化运作的大背景下，所谓的“平衡”其实是企业规模化扩张的制约因素，特别是服务对象在实现数量级跃迁的过程中影响很大。本申请解决了人工助教资源短缺及成本控制的难题。与此同时，本申请所提供的在线课程助教方法贯穿在线课程的全过程，对目标学员在上课时的专注度、对课程相关内容的反馈信息(例如课程时间段内的即时反馈、课程结束后的作业等)综合考虑，让企业在规模化运作的情况下也能保证学员的学习效率和在线教育的服务质量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个实施例的在线课程助教方法的流程；
图2示出根据本申请一个实施例的在线课程助教设备的结构；
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本申请所指设备包括但不限于用户设备、网络设备、或用户设备与网络设备通过网络相集成所构成的设备。所述用户设备包括但不限于任何一种可与用户进行人机交互(例如通过触摸板进行人机交互)的移动电子产品，例如智能手机、平板电脑等，所述移动电子产品可以采用任意操作系统，如android操作系统、iOS操作系统等。其中，所述网络设备包括一种能够按照事先设定或存储的指令，自动进行数值计算和信息处理的电子设备，其硬件包括但不限于微处理器、专用集成电路(ASIC)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、嵌入式设备等。所述网络设备包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云；在此，云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。所述网络包括但不限于互联网、广域网、城域网、局域网、VPN网络、无线自组织网络(Ad Hoc网络)等。优选地，所述设备还可以是运行于所述用户设备、网络设备、或用户设备与网络设备、网络设备、触摸终端或网络设备与触摸终端通过网络相集成所构成的设备上的程序。
当然，本领域技术人员应能理解上述设备仅为举例，其他现有的或今后可能出现的设备如可适用于本申请，也应包含在本申请保护范围以内，并在此以引用方式包含于此。
在本申请的描述中，“多个”的含义是两个或者更多，除非另有明确具体的限定。
根据本申请的一个方面，提供了一种在线课程助教方法，该方法包括步骤S100、步骤S200、步骤S300和步骤S400。以下以一种计算机设备(下称助教设备)为例，对该在线课程助教方法进行详细描述。
参考图1，在步骤S100中，助教设备基于目标用户设备发送的关于目标学员在一课程时间段内的动作检测信息，生成所述目标学员的专注度信息；在步骤S200中，在所述课程时间段内，助教设备基于所述目标用户设备发送的第一反馈信息确定第一评价信息；在步骤S300中，助教设备在所述课程时间段之后基于所述目标用户设备发送的第二反馈信息确定第二评价信息；而在步骤S400中，助教设备基于所述专注度信息、所述第一评价信息和所述第二评价信息，确定所述目标学员的总体评价信息。
具体而言，在步骤S100中，助教设备基于目标用户设备发送的关于目标学员在一课程时间段内的动作检测信息，生成所述目标学员的专注度信息。其中，目标用户设备对应于目标学员，例如该目标学员在该目标用户设备上登录自己的账号并接受网络授课。所述课程时间段可以是预先设置的时间段(例如预先设定的上课时刻、下课时刻之间的时间段)，也可以由进行网络授课的老师自行设置系统而触发上课/下课事件，则在上课事件、下课事件之间的时间段则为该课程时间段。目标用户设备采集该课程时间段内目标学员的动作检测信息(例如通过目标用户设备内置或者外置的图像采集设备，如摄像头等，拍摄目标学员的离散或者连续的图像)，并将该动作检测信息发送至助教设备；助教设备基于该动作检测信息，持续监测目标学员的学习状态。例如，助教设备基于上述动作检测信息进行表情识别，即提取关于所述目标学员的表情信息。其中，人脸表情识别是指通过计算设备对人脸的表情信息进行特征提取分析并加以归类，进而分析人的情绪并且做出相应的判断。在线课程中针对目标学员的表情数据进行分析，比如打哈欠、闭眼等表情，可以更深层的识别和评价学员的专注度并及时给予提醒。
本申请所采用的表情识别技术采用的是Caffe(Convolutional Architecturefor Fast Feature Embedding)深度学习框架，是一个清晰、可读性高和快速的深度学习框架，在视频、图像处理方面应用较多。在神经网络框架AlexNet基础上搭建卷积神经网络，通过人脸表情数据进行数据训模，得到一个最终模型，从而能够识别人脸表情。例如，在用户授权情况下，采集属于小学这个年龄段的孩子的海量表情数据，基于此构建庞大的训练集，使得针对这个特定年龄段孩子的表情识别正确率大大提高(可达5个百分点)，支持包括但不限于生气、厌恶、恐惧、开心、伤心、惊讶、普通、打哈欠、闭眼、走神等多种表情的识别。
此外，在一些实施例中，在上述表情识别的基础上，助教设备还可根据特定的表情向目标用户设备返回相应的提醒信息，以提示目标学员(例如参与教学活动的小学生)集中精力听课。例如，以助教设备基于目标用户设备内置的图像采集设备采集目标学员的连续图像以监测学员状态(但不限于此)为例，有以下三种类型的提醒情形：1)当助教设备检测到学员精神不佳(例如打哈欠)，语音和/或文字提醒“上课可不能发困哦”；2)当助教设备检测到学员闭眼时间过长，语音和/或文字提醒“你在闭目养神吗？”；3)当助教设备检测到学员走神(例如目光并未集中在目标用户设备的屏幕上)，语音和/或文字提醒“上课要专心”。特别地，在所述课程时间段内，当助教设备未检测到学员的存在，还可记录学员的缺勤状态，该缺勤状态可在课程结束后用于对学员进行总体评价；同时也可进行语音提示(例如“请赶紧回来上课”)以催促学员返回。
在一些实施例中，所述目标用户设备通过有线或者无线网络直接与助教设备通讯。而在另一些实施例中，上述目标用户设备、助教设备分别与一课程服务器通讯，学生(目标学员)的行为由目标用户设备(或称为客户端)采集并反馈至助教设备；在此情形下，目标用户设备和课程服务器之间通过WebSocket长连接进行通讯，而课程服务器和助教设备之间则通过HTTP接口通讯。其中，相对于HTTP这种非持久的协议来说，WebSocket是一种持久化的协议。HTTP协议为单向协议，即客户端只能向服务器请求资源，服务器才能将数据传送给客户端，而服务器不能主动向客户端传递数据，其分为长连接和短连接，短连接是每次HTTP请求时都需要三次握手才能发送自己的请求，每个request对应一个response；长连接则是短时间内保持连接。实际上，WebSocket解决客户端发起多个HTTP请求到服务器资源必须要经过长时间的轮询的问题，因而能够改善在线网络授课情境下的数据传输的及时性，在后续步骤中对学生状态的即时检测具有更好的表现。
随后，在步骤S200中，助教设备在所述课程时间段内，基于所述目标用户设备发送的第一反馈信息确定第一评价信息。例如，教师或系统在课程中通过目标用户设备为学员提供一些问题，学员通过目标用户设备回答这些问题。目标用户设备在学员作答后将答案(第一反馈信息)发送至助教设备。助教设备判断学员作答是否正确，从而确定第一评价信息(例如，正确或者错误)；在问题数量多于一个时，还可根据答对问题的数量确定正确率作为第一评价信息。
在步骤S300中，助教设备在所述课程时间段之后(即课后)基于所述目标用户设备发送的第二反馈信息确定第二评价信息。例如，针对一些客观类的题，目标学员作答，并将答案(第二反馈信息)发送至助教设备。助教设备自动批改，并告知学员答案正确与否(第二评价信息)，同时针对一些创作类的UGC作业除了完成分之外，还会有与此相关的行为分产生，通过助教设备可实现大部分作业的自动批改及分数的自动计算。其中，正确分通常指作业完成后，回答正确得到的分数；完成分通常指一些主观的创作类题，比如写一篇观后感、录一段演奏视频等，此类题只要完成就会有完成分；行为分通常指针对主观创作类题的点评和评论，例如点赞和评论行为，无论针对点赞、评论人还是被点赞及评论人都会产生分数；针对语音评测类作业，助教设备通过内置语音评测引擎完成对英语及语文作业的口语自动评测，极大的增加了的语音评测类作业的批改效率。
在步骤S400中，助教设备基于所述专注度信息、所述第一评价信息和所述第二评价信息，确定所述目标学员的总体评价信息(例如课程学习报告)，例如从多个维度来评价学员的课程表现，包括课堂专心度、课堂学分、课堂全勤率、课堂答题正确率、作业正确率、作业完成率、作业及时率等指标，必要时该总体评价信息还可发送至第三方(例如未成年人的监护人)设备，以便对学员的学习效果进行监督。
在网络授课的情境下，单纯的表情识别(例如判断学员是否专注)有时并不完全能够反映学员的真实学习状况。例如，网络课堂通常还会设置即时通讯功能供学员和教师之间互动，此时即使学员看上去聚精会神，也有可能是在通过即时通讯进行与课程完全不相关的闲聊。为避免此种情况发生，可以对目标学员的即时通讯信息进行监控。在一些实施例中，所述步骤S100包括两个子步骤，分别是步骤S111和步骤S113(均未示出)。在步骤S111中，助教设备获取所述目标用户设备在所述课程时间段内所发送的即时通讯消息；在步骤S113中，助教设备生成所述即时通讯消息与当前课程的相关度信息。相应地，在步骤S120中，助教设备基于所述表情信息和所述相关度信息，生成所述目标学员的专注度信息。例如，在步骤S113中，助教设备对目标用户在一定时间段内发送的即时通讯消息进行命名实体识别操作，具体可采用现有的命名实体识别方法进行，例如基于较大熵、隐马尔可夫模型、支持向量机等实现，抽取与课程内容(例如基于预先设置的字典)最相关的关键字，并将这些关键字与字典内容进行比较，确定相关度，该过程可以基于神经网络、支持向量机等实现。随后在步骤S120中，助教设备可以根据预设的规则，基于上述相关度信息和目标学员的表情信息计算生成该目标学员的专注度信息。
进一步地，在上述基础上，在一些实施例中，助教设备在上述步骤S111中获取所述目标用户设备在所述课程时间段内发送至即时通讯服务器的即时通讯消息，所述即时通讯服务器供所述目标用户设备和其他用户设备即时通讯；此时，步骤S100还包括子步骤S112(未示出)，在步骤S112中，当所述即时通讯消息满足预设拦截条件，向所述即时通讯服务器发送关于所述目标用户设备的通讯拦截指令。例如，学员在上课过程中可以通过即时通讯服务器进行提问或交流，所有消息都会由即时通讯服务器通知到助教设备，助教设备会判断消息的合法性并给予用户反馈，同时助教设备还会处理老师的禁言和用户的投诉消息，并根据情况对学员进行禁言惩罚。例如，当学员的上行消息涉黄、涉政或者涉暴，满足预设的拦截条件，对相应的学员的即时通讯消息进行拦截，例如直接禁言一整节课；又例如，当学员的上行消息过于频繁(发言过于频繁)或者发言内容被其他用户投诉超过一定的次数(例如3次)，在一定时间内(例如20分钟内)对相应的学员的即时通讯消息进行拦截。
在上述基础上，为了对目标学员进行更为全面的评估，提高在线教育的效率和用户体验，助教设备可以基于所述专注度信息、所述通讯拦截指令(例如该学员被拦截的次数、每次被拦截的时长或者被拦截的总时长等)、所述第一评价信息和所述第二评价信息，确定所述目标学员的总体评价信息。
在一些实施例中，上述步骤S300包括子步骤S310、子步骤S320和子步骤S330(均未示出)。在步骤S310中，助教设备在所述课程时间段之后，接收所述目标用户设备发送的第二反馈信息(例如对主观题或者客观题的答复)；在步骤S320中，助教设备响应于至少一个其他用户设备关于所述第二反馈信息的访问请求，向所述至少一个其他用户设备发送所述第二反馈信息，例如其他学员通过其相应的用户设备(称为其他用户设备)从助教设备读取并查看上述第二反馈信息(例如上述目标学员的答案)；在步骤S330中，助教设备基于所述其他用户设备发送的关于所述第二反馈信息的第三反馈信息(例如投票决定对错、对主观题答案的打分、对答案的评论或者点赞等)，确定关于所述第二反馈信息的第二评价信息；当然也可同时结合上述第一反馈信息(例如由系统判定的答案对错)。
在上述基础上，上述步骤S300还包括子步骤S311和子步骤S321(均未示出)。在步骤S311中，助教设备在所述课程时间段之后，接收至少一个其他用户设备发送的第四反馈信息，例如该第四反馈信息为其他学员对相同问题的作答；在步骤S321中，助教设备响应于所述目标用户设备关于所述第四反馈信息的访问请求，向所述目标用户设备发送所述第四反馈信息，例如目标学员读取上述其他学员对相同问题的作答。相应地，在步骤S330中，基于所述其他用户设备发送的关于所述第二反馈信息的第三反馈信息(例如其他用户对目标学员的答案的点评、点赞)，以及所述目标用户设备发送的关于所述第四反馈信息的第五反馈信息(例如目标学员对其他学员的答案的点评、点赞)，确定关于所述第二反馈信息的第二评价信息，例如收到点赞、点评或者发出点赞、点评均能得分。
为了进一步改善教学效果，可设置学生答疑环节。学生答疑是基于助教设备自动问答系统构建的业务场景，针对学生提问，系统会先从库中匹配问题解答，针对一般常规问题系统都能给出实时的解答，只有在问题无法找到答案的情况下，才会转入人工助教处理流程，但是人工助教的解答同时又会反向补充到系统的解答库中，使得助教设备的解答库越发完善，回答越发精准。从系统功能上讲，自动问答分为开放域自动问答和限定域自动问答。开放域是指不限定问题领域，用户随意提问，系统从海量数据中寻找答案；限定域是指系统事先声明，只能回答某一个领域的问题，其他领域问题无法回答。整个助教设备的自动问答系统是基于机器学习进行构建的。基于以上描述，在一些实施例中，所述方法还包括步骤S510、步骤S520、步骤S530(均未示出)。其中，在步骤S510中，助教设备将所述目标用户设备所发送的问题信息进行预处理(例如进行归一化)后，输入问题解答模型(例如基于神经网络、支持向量机、深度网络等)，以匹配关于所述问题信息的答案信息；在步骤S520中，若匹配成功，助教设备向所述目标用户设备发送对应于所述问题信息的答案信息；在步骤S530中，若匹配失败，向至少一个助教用户设备(供人工助教解答问题所用)发送所述问题信息，接收所述助教用户设备关于所述问题信息所返回的新增答案信息(一方面为提问的学员解答，另一方面可以扩充答案库，使系统自动解答越发精准)，将所述新增答案信息发送至所述目标用户设备，并将所述问题信息和所述新增答案信息加入所述问题解答模型的训练集，该训练集用于训练所述问题解答模型。
为实现第三方用户(例如监护人)对学员学习效果的监督，在一些实施例中，上述方法还包括步骤S600(未示出)。在步骤S600中，助教设备向所述目标用户设备对应的监护用户设备(例如监护人的用户设备)发送所述总体评价信息。例如，系统通过微信通知的方式推送给监护人用户，在孩子自主学习的情况下，家长也可以通过微信查看学习报告来及时了解孩子的学习情况，学习报告从多个维度来评价孩子的课程表现，包括课堂专心度、课堂学分、课堂全勤率、课堂答题正确率、作业正确率、作业完成率、作业及时率等指标。
根据本申请的另一个方面，提供了一种计算机设备，所述计算机设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：
基于目标用户设备发送的关于目标学员在一课程时间段内的动作检测信息，生成所述目标学员的专注度信息；
在所述课程时间段内，基于所述目标用户设备发送的第一反馈信息确定第一评价信息；
在所述课程时间段之后基于所述目标用户设备发送的第二反馈信息确定第二评价信息；以及
基于所述专注度信息、所述第一评价信息和所述第二评价信息，确定所述目标学员的总体评价信息。
下面参照图2来描述根据本申请的一个实施例的计算机设备600。其中，图2显示的设备600仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图2所示，设备600以通用计算设备的形式表现。设备600的组件可以包括但不限于：至少一个处理器610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理器610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理器610执行，使得所述处理器610执行本说明书上述电子处方流转处理方法部分中描述的根据本申请各种示例性实施方式的步骤。例如，所述处理器610可以执行以上所述方法中的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。本领域技术人员应能理解，计算机程序指令在计算机可读介质中的存在形式包括但不限于源文件、可执行文件、安装包文件等，相应地，计算机程序指令被计算机执行的方式包括但不限于：该计算机直接执行该指令，或者该计算机编译该指令后再执行对应的编译后程序，或者该计算机读取并执行该指令，或者该计算机读取并安装该指令后再执行对应的安装后程序。在此，计算机可读介质可以是可供计算机访问的任意可用的计算机可读存储介质或通信介质。
通信介质包括藉此包含例如计算机可读指令、数据结构、程序模块或其他数据的通信信号被从一个系统传送到另一系统的介质。通信介质可包括有导的传输介质(诸如电缆和线(例如，光纤、同轴等))和能传播能量波的无线(未有导的传输)介质，诸如声音、电磁、RF、微波和红外。计算机可读指令、数据结构、程序模块或其他数据可被体现为例如无线介质(诸如载波或诸如被体现为扩展频谱技术的一部分的类似机制)中的已调制数据信号。术语“已调制数据信号”指的是其一个或多个特征以在信号中编码信息的方式被更改或设定的信号。调制可以是模拟的、数字的或混合调制技术。
作为示例而非限制，计算机可读存储介质可包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。例如，计算机可读存储介质包括，但不限于，易失性存储器，诸如随机存储器(RAM,DRAM,SRAM)；以及非易失性存储器，诸如闪存、各种只读存储器(ROM,PROM,EPROM,EEPROM)、磁性和铁磁/铁电存储器(MRAM,FeRAM)；以及磁性和光学存储设备(硬盘、磁带、CD、DVD)；或其它现在已知的介质或今后开发的能够存储供计算机系统使用的计算机可读信息/数据。
在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (10)
1.一种在线课程助教方法，其中，该方法包括以下步骤：
S100基于目标用户设备发送的关于目标学员在一课程时间段内的动作检测信息，生成所述目标学员的专注度信息；
S200在所述课程时间段内，基于所述目标用户设备发送的第一反馈信息确定第一评价信息；
S300在所述课程时间段之后基于所述目标用户设备发送的第二反馈信息确定第二评价信息；以及
S400基于所述专注度信息、所述第一评价信息和所述第二评价信息，确定所述目标学员的总体评价信息。
2.根据权利要求1所述的方法，其中所述步骤S100包括：
S110从目标用户设备发送的关于目标学员在一课程时间段内的动作检测信息中，提取关于所述目标学员的表情信息；
S120基于所述表情信息，生成所述目标学员的专注度信息。
3.根据权利要求2所述的方法，其中所述步骤S100还包括：
S111获取所述目标用户设备在所述课程时间段内所发送的即时通讯消息；
S113生成所述即时通讯消息与当前课程的相关度信息；
所述步骤S120包括：
基于所述表情信息和所述相关度信息，生成所述目标学员的专注度信息。
4.根据权利要求3所述的方法，其中所述步骤S111包括：
获取所述目标用户设备在所述课程时间段内发送至即时通讯服务器的即时通讯消息，所述即时通讯服务器供所述目标用户设备和其他用户设备即时通讯；
所述步骤S100还包括：
S112当所述即时通讯消息满足预设拦截条件，向所述即时通讯服务器发送关于所述目标用户设备的通讯拦截指令。
5.根据权利要求4所述的方法，其中所述步骤S400包括：
基于所述专注度信息、所述通讯拦截指令、所述第一评价信息和所述第二评价信息，确定所述目标学员的总体评价信息。
6.根据权利要求1所述的方法，其中所述步骤S300包括：
S310在所述课程时间段之后，接收所述目标用户设备发送的第二反馈信息；
S320响应于至少一个其他用户设备关于所述第二反馈信息的访问请求，向所述至少一个其他用户设备发送所述第二反馈信息；
S330基于所述其他用户设备发送的关于所述第二反馈信息的第三反馈信息，确定关于所述第二反馈信息的第二评价信息。
7.根据权利要求6所述的方法，其中所述步骤S300还包括：
S311在所述课程时间段之后，接收至少一个其他用户设备发送的第四反馈信息；
S321响应于所述目标用户设备关于所述第四反馈信息的访问请求，向所述目标用户设备发送所述第四反馈信息；
所述步骤S330包括：
基于所述其他用户设备发送的关于所述第二反馈信息的第三反馈信息，以及所述目标用户设备发送的关于所述第四反馈信息的第五反馈信息，确定关于所述第二反馈信息的第二评价信息。
8.根据权利要求1所述的方法，其中所述方法还包括：
S510将所述目标用户设备所发送的问题信息进行预处理后，输入问题解答模型，以匹配关于所述问题信息的答案信息；
S520若匹配成功，向所述目标用户设备发送对应于所述问题信息的答案信息；
S530若匹配失败，向至少一个助教用户设备发送所述问题信息，接收所述助教用户设备关于所述问题信息所返回的新增答案信息，将所述新增答案信息发送至所述目标用户设备，并将所述问题信息和所述新增答案信息加入所述问题解答模型的训练集。
9.根据权利要求1所述的方法，其中所述方法还包括：
S600向所述目标用户设备对应的监护用户设备发送所述总体评价信息。
10.一种计算机设备，所述计算机设备包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行根据权利要求1至9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810751356.7A CN109035085A (zh) | 2018-07-10 | 2018-07-10 | 一种在线课程助教方法及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810751356.7A CN109035085A (zh) | 2018-07-10 | 2018-07-10 | 一种在线课程助教方法及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109035085A true CN109035085A (zh) | 2018-12-18 |
Family
ID=64640359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810751356.7A Pending CN109035085A (zh) | 2018-07-10 | 2018-07-10 | 一种在线课程助教方法及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109035085A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647807A (zh) * | 2019-08-14 | 2020-01-03 | 中国平安人寿保险股份有限公司 | 异常行为确定方法、装置、计算机设备和存储介质 |
| CN110675675A (zh) * | 2019-10-16 | 2020-01-10 | 北京爱论答科技有限公司 | 一种基于在线互动培训课堂培训的方法及装置 |
| CN110782718A (zh) * | 2019-11-11 | 2020-02-11 | 广东小天才科技有限公司 | 辅助学习方法、系统、家教机、计算机设备和存储介质 |
| CN110930789A (zh) * | 2019-09-04 | 2020-03-27 | 上海少立教育科技有限公司 | 一种网络学习教育系统 |
| CN110991788A (zh) * | 2019-10-17 | 2020-04-10 | 深圳国泰安教育技术有限公司 | 一种获取直播课程学习反馈信息的方法及装置 |
| CN111125657A (zh) * | 2019-12-25 | 2020-05-08 | 联想(北京)有限公司 | 学生使用电子设备的控制方法、装置及电子设备 |
| CN111698452A (zh) * | 2020-06-28 | 2020-09-22 | 中国银行股份有限公司 | 在线群体状态反馈方法、系统及装置 |
| CN112131977A (zh) * | 2020-09-09 | 2020-12-25 | 湖南新云网科技有限公司 | 学习监督方法、装置、智能设备及计算机可读存储介质 |
| CN112966498A (zh) * | 2021-02-08 | 2021-06-15 | 随锐科技集团股份有限公司 | 视频教学管理方法、系统、存储介质及电子设备 |
| CN113053403A (zh) * | 2021-03-19 | 2021-06-29 | 北京乐学帮网络技术有限公司 | 一种语音评测方法及装置 |
| CN113490002A (zh) * | 2021-05-26 | 2021-10-08 | 深圳点猫科技有限公司 | 一种在线教学的交互方法、装置、系统及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104240546A (zh) * | 2014-09-10 | 2014-12-24 | 步步高教育电子有限公司 | 一种网络答疑应用程序的监管方法及装置 |
| CN104575142A (zh) * | 2015-01-29 | 2015-04-29 | 上海开放大学 | 体验式数字化多屏无缝跨媒体互动开放教学实验室 |
| CN105407207A (zh) * | 2014-09-11 | 2016-03-16 | Tcl集团股份有限公司 | 一种移动终端管理方法 |
| CN106023693A (zh) * | 2016-05-25 | 2016-10-12 | 北京九天翱翔科技有限公司 | 一种基于虚拟现实技术和模式识别技术的教育系统及方法 |
| 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 |
| CN107909267A (zh) * | 2017-11-14 | 2018-04-13 | 国网山东省电力公司电力科学研究院 | 基于统计数据的营销服务移动交互式实训评价方法及系统 |
-
2018
- 2018-07-10 CN CN201810751356.7A patent/CN109035085A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104240546A (zh) * | 2014-09-10 | 2014-12-24 | 步步高教育电子有限公司 | 一种网络答疑应用程序的监管方法及装置 |
| CN105407207A (zh) * | 2014-09-11 | 2016-03-16 | Tcl集团股份有限公司 | 一种移动终端管理方法 |
| CN104575142A (zh) * | 2015-01-29 | 2015-04-29 | 上海开放大学 | 体验式数字化多屏无缝跨媒体互动开放教学实验室 |
| CN106023693A (zh) * | 2016-05-25 | 2016-10-12 | 北京九天翱翔科技有限公司 | 一种基于虚拟现实技术和模式识别技术的教育系统及方法 |
| 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 |
| CN107909267A (zh) * | 2017-11-14 | 2018-04-13 | 国网山东省电力公司电力科学研究院 | 基于统计数据的营销服务移动交互式实训评价方法及系统 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647807A (zh) * | 2019-08-14 | 2020-01-03 | 中国平安人寿保险股份有限公司 | 异常行为确定方法、装置、计算机设备和存储介质 |
| CN110930789A (zh) * | 2019-09-04 | 2020-03-27 | 上海少立教育科技有限公司 | 一种网络学习教育系统 |
| CN110675675A (zh) * | 2019-10-16 | 2020-01-10 | 北京爱论答科技有限公司 | 一种基于在线互动培训课堂培训的方法及装置 |
| CN110991788A (zh) * | 2019-10-17 | 2020-04-10 | 深圳国泰安教育技术有限公司 | 一种获取直播课程学习反馈信息的方法及装置 |
| CN110782718A (zh) * | 2019-11-11 | 2020-02-11 | 广东小天才科技有限公司 | 辅助学习方法、系统、家教机、计算机设备和存储介质 |
| CN111125657A (zh) * | 2019-12-25 | 2020-05-08 | 联想(北京)有限公司 | 学生使用电子设备的控制方法、装置及电子设备 |
| CN111698452A (zh) * | 2020-06-28 | 2020-09-22 | 中国银行股份有限公司 | 在线群体状态反馈方法、系统及装置 |
| CN112131977A (zh) * | 2020-09-09 | 2020-12-25 | 湖南新云网科技有限公司 | 学习监督方法、装置、智能设备及计算机可读存储介质 |
| CN112966498A (zh) * | 2021-02-08 | 2021-06-15 | 随锐科技集团股份有限公司 | 视频教学管理方法、系统、存储介质及电子设备 |
| CN112966498B (zh) * | 2021-02-08 | 2024-04-09 | 随锐科技集团股份有限公司 | 视频教学管理方法、系统、存储介质及电子设备 |
| CN113053403A (zh) * | 2021-03-19 | 2021-06-29 | 北京乐学帮网络技术有限公司 | 一种语音评测方法及装置 |
| CN113053403B (zh) * | 2021-03-19 | 2024-05-07 | 北京乐学帮网络技术有限公司 | 一种语音评测方法及装置 |
| CN113490002A (zh) * | 2021-05-26 | 2021-10-08 | 深圳点猫科技有限公司 | 一种在线教学的交互方法、装置、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035085A (zh) | 一种在线课程助教方法及计算机设备 | |
| Hariri | Unlocking the potential of ChatGPT: A comprehensive exploration of its applications, advantages, limitations, and future directions in natural language processing | |
| Maicher et al. | Developing a conversational virtual standardized patient to enable students to practice history-taking skills | |
| Joy et al. | SignQuiz: a quiz based tool for learning fingerspelled signs in indian sign language using ASLR | |
| Tchounikine et al. | Computer supported collaborative learning and intelligent tutoring systems | |
| Qaffas | Improvement of Chatbots semantics using wit. ai and word sequence kernel: Education Chatbot as a case study | |
| Lee et al. | Multimodality of ai for education: Towards artificial general intelligence | |
| US20220139245A1 (en) | Using personalized knowledge patterns to generate personalized learning-based guidance | |
| Hung et al. | Towards a method for evaluating naturalness in conversational dialog systems | |
| WO2020073533A1 (zh) | 自动问答方法及装置 | |
| Griol et al. | Incorporating android conversational agents in m‐learning apps | |
| Yuskovych-Zhukovska et al. | Application of artificial intelligence in education. Problems and opportunities for sustainable development | |
| US20210304339A1 (en) | System and a method for locally assessing a user during a test session | |
| US20220270505A1 (en) | Interactive Avatar Training System | |
| CN111753846A (zh) | 一种基于rpa和ai的网站验证方法、装置、设备及存储介质 | |
| Kumar et al. | Chatbot in Python | |
| Dengel et al. | Augmented human and human-machine co-evolution: Efficiency and ethics | |
| CN113379163B (zh) | 教学辅助方法、装置以及存储介质 | |
| Dam et al. | A complete survey on llm-based ai chatbots | |
| CN112446360A (zh) | 目标行为检测方法、装置及电子设备 | |
| Baek et al. | Implementation of a virtual assistant system based on deep multi-modal data integration | |
| Baothman | An Intelligent Big Data Management System Using Haar Algorithm‐Based Nao Agent Multisensory Communication | |
| CN116842143A (zh) | 基于人工智能的对话模拟方法、装置、电子设备及介质 | |
| Jeners et al. | Towards an integration of multiple process improvement reference models based on automated concept extraction | |
| Li et al. | Cultural psychology of english translation through computer vision-based robotic interpretation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |