CN109710931A - 一种基于智能分析技术的课堂教学内容评价系统及其方法 - Google Patents
一种基于智能分析技术的课堂教学内容评价系统及其方法 Download PDFInfo
- Publication number
- CN109710931A CN109710931A CN201811570698.5A CN201811570698A CN109710931A CN 109710931 A CN109710931 A CN 109710931A CN 201811570698 A CN201811570698 A CN 201811570698A CN 109710931 A CN109710931 A CN 109710931A
- Authority
- CN
- China
- Prior art keywords
- data
- text data
- text
- analysis
- intelligent
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000007405 data analysis Methods 0.000 claims abstract description 45
- 241000239290 Araneae Species 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 28
- 239000000284 extract Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003556 assay Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于智能分析技术的课堂教学内容评价系统及其方法,涉及智能分析技术。本系统包括文本分析服务器(10)、语音智能分析服务器(20)、视频智能分析服务器(30)和数据智能分析服务器连接(40);其连接关系是:文本分析服务器(10)、语音智能分析服务器(20)和视频智能分析服务器(30)分别与数据智能分析服务器(40)连接。本发明具有下列优点和积极效果:①性能稳定,能并行处理多路数据;②通用性强,适用于各个厂家的音频、视频采集设备;③可移植性强,扩展性灵活;④智能评价各门课程的课堂教学内容,促进教学质量提升。
Description
技术领域
本发明涉及智能分析技术,尤其涉及一种基于智能分析技术的课堂教学内容评价系统及其方法。
背景技术
各大高校对课堂教学内容管理越来越重视,但由于各管理部门人员有限,无法完全满足课堂教学内容管理的要求,应用智能分析技术革新课堂教学内容分析评价方法,改变传统的听课、评课的课堂教学内容评价模式,使课堂教学内容分析与评价更加客观、科学和规范,具有实用性和可操作性。
目前已有的课堂教学内容评估方法主要是:通过输入课程大纲文本获取标准知识点和标准重点知识点,通过记录教师课堂音频信息,通过教师课堂音频信息中知识点出现的频率获取教师课堂讲课的重点,经过与重点范围的比较判断教师课堂教学重点是否突出;通过知识点数量确定教师讲课范围,通过讲课范围与标准的知识点进行对比判断教师课堂教学知识点范围是否合理,及是否有知识点的适当延伸与拓展。
课程大纲文本中的标准知识、重点知识和难点知识仅仅是对知识的简单归纳和描述,对于标准知识、重点知识和难点知识等知识的具体内容描述、涵盖哪些章节及相关知识的具体描述和包含哪些扩展知识及其具体描述,都是无法从课程大纲中获取的。因此仅仅将教师课堂音频信息和课程大纲中标准知识、重点知识和难点知识的内容进行匹配和统计是无法准确地体现课堂教学内容的全部情况。
教师课堂的电子课件内容也是课堂教学内容的一部分,电子课件中包含的知识点,学生可以在听老师讲课的同时通过在课堂观看电子课件进行学习。
发明内容
本发明的目的在于克服现有技术存在的缺点和不足,提供一种基于智能分析技术的课堂教学内容评价系统及其方法。
本发明的目的是这样实现的:
采用本文数据语义分析技术、网页爬虫技术、语音识别技术和视频图像识别技术将教学大纲中课堂教学内容、教师课堂语音和课堂电子课件内容转换为相关的文本数据,并应用数据分析技术对爬虫文本数据信息、语音文本数据信息和电子课件文本数据信息语义进行匹配、对比和分析计算出课堂教学内容分值,能通过智能技术有效客观的评价课堂教学内容,促进教学质量提升。
一、一种基于智能分析技术的课堂教学内容评价系统(简称评价系统)
本评价系统包括文本分析服务器、语音智能分析服务器、视频智能分析服务器、数据智能分析服务器连接;
其连接关系是:文本分析服务器、语音智能分析服务器和视频智能分析服务器分别与数据智能分析服务器连接。
二、一种基于智能分析技术的课堂教学内容评价方法(简称评价方法)
本评价方法包括下列步骤:
①分3路进行
第1路:
A、输入教学大纲文本数据;
B、提取教学大纲关键字
采用文本语义提取分析方法,提取分析教学大纲要求、重点和难点内容的关键字;
C、网页爬虫关键字收集数据
采用网页爬虫技术对教学大纲中关键字涉及的具体内容、章节的知识及其扩展知识进行收集,并通过语义分析算法和对比算法去除网页爬虫数据中的重复和相似数据;
D、生成网页爬虫文本数据;
第2路:
a、语音采集设备-205
通过教室内话筒设备收集老师课堂的语音数据;
b、教师课堂语音提取及智能识别
对采集到的老师语音数据进行特征提取和识别;
c、生成语音文本数据;
第3路:
ⅰ、视频采集设备
通过教室内摄像头收集视频数据;
ⅱ、电子课件内容提取及智能识别
应用智能识别算法对视频中电子课件包含的中文、英文、公式及每门课程特殊字符进行提取和识别;
ⅲ、生成电子课件文本数据;
②将第1、2、3路归总:文本数据分析和计算课堂教学内容分值
应用数据分析技术将语音文本数据信息和电子课件文本数据信息进行合并,将合并后的文本数据信息与爬虫文本数据信息语义进行匹配、对比和分析,求出相似和重复的文本数据,生成分析文本数据,将分析文本数据占网页爬虫文本数据百分比×100作为课堂教学内容分值;
③输出课堂教学内容分值。
本发明具有下列优点和积极效果:
①性能稳定,能并行处理多路数据;
②通用性强,适用于各个厂家的音频、视频采集设备;
③可移植性强,扩展性灵活;
④智能评价各门课程的课堂教学内容,促进教学质量提升。
附图说明
图1是本评价系统的结构方框图,
图中:
10—文本分析服务器,
11—第1文本分析单元,
12—第2文本分析单元……
1N—第N文本分析单元,N是自然数,1≤N≤100;
20—语音智能分析服务器,
21—第1语音智能分析单元,
22—第2语音智能分析单元……
2N—第N语音智能分析单元,N是自然数,1≤N≤100;
30—视频智能分析服务器,
31—第1视频智能分析单元,
32—第2视频智能分析单元……
3N—第N视频智能分析单元,N是自然数,1≤N≤100;
40—数据智能分析服务器,
41—第1数据智能分析单元,
42—第2数据智能分析单元……
4N—第N数据智能分析单元,N是自然数,1≤N≤100。
图2是本评价方法的步骤图;
图3是教学大纲文本数据分析的流程图;
图4是建立语音样本模型的流程图;
图5是语音智能识别的流程图;。
图6是建立电子课件内容样本模型的流程图;
图7是视频智能识别的流程图;
图8是数据智能分析的流程图。
具体实施方式
下面结合附图和实施例详细说明:
一、评价系统
1、总体
如图1,本评价系统包括文本分析服务器10、语音智能分析服务器20、视频智能分析服务器30和数据智能分析服务器连接40;
其连接关系是:文本分析服务器10、语音智能分析服务器20和视频智能分析服务器30分别与数据智能分析服务器40连接。
2、功能部件
1)文本分析服务器10
文本分析服务器10是教学大纲文本数据分析功能的实体,物理分布上对应一台服务器;文本分析服务器10由多个文本解析单元组成,每个文本解析单元独立完成一门课程教学大纲文本数据分析。
文本分析服务器10包括第1、2……N文本分析单元11、12……1N,N是自然数,1≤N≤100。
主要功能为:
①为用户提供教学大纲文本数据导入功能;
②实现教学大纲文本数据用语义提取及网页爬虫算法;
③接入到数据智能分析服务器40,由数据智能分析服务器40集中对网页爬
虫文本数据进行收集、分析和管理。
2)语音智能分析服务器20
语音智能分析服务器20是教师课堂语音数据采集和分析功能的实体,物理分布上对应一台服务器;语音智能分析服务器20由多个语音智能分析单元组成,每个语音智能分析单元独立完成一门课程教师课堂语音数据分析。
语音智能分析服务器20包括第1、2……N语音智能分析单元21、22……2N,N是自然数,1≤N≤100。
主要功能为:
①采集和存储教师课堂语音数据;
②实现语音智能分析算法;
③接入到数据智能分析服务器40,由数据智能分析服务器40集中对语音文本数据进行收集、分析和管理。
3)视频智能分析服务器30
视频智能分析服务器30是课堂视频数据采集和分析功能的实体,物理分布上对应一台服务器;视频智能分析服务器30由多个视频智能分析单元组成,每个视频智能分析单元独立完成一门课程课堂视频数据分析。
视频智能分析服务器30包括第1、2……N视频智能分析单元31、32……3N,N是自然数,1≤N≤100。
主要功能为:
①采集和存储课堂视频数据;
②实现视频智能分析算法;
③接入到数据智能分析服务器40,由数据智能分析服务器40集中对电子课件文本数据进行收集、分析和管理。
4)数据智能分析服务器40
数据智能分析服务器40是数据智能分析的功能实体,在物理分布上对应一台服务器;数据智能分析服务器40由多个数据智能分析单元组成,每个数据智能分析单元可独立完成一路语音文本和电子课件文本数据的内容与网页爬虫文本数据内容分析。
数据智能分析服务器40包括第1、2……N数据智能分析分析单元41、42……4N,N是自然数,1≤N≤100。
主要功能为:
①采集和存储网页爬虫文本数据、语音文本数据和、电子课件文本数据;
②实现数据智能分析算法;
③智能输出课堂教学内容分值。
3、工作原理
1)文本分析服务器10连接到数据智能分析服务器40,文本分析服务器10通过对输入的教学大纲中课堂教学内容进行语义分析提取关键字,生成网页爬虫规则,应用网页爬虫技术收集教学内容知识的具体描述涉及的章节具体知识内容及相关扩展知识,通过语义分析算法和对比算法去除网页爬虫数据中的重复和相似数据,生成网页爬虫文本数据并将网页爬虫文本数据发送到数据智能分析服务器40;
2)语音智能分析服务器20连接到数据智能分析服务器40,语音智能分析服务器20通过对课堂教师的语音信息进行采集、存储、分析和识别生成语音文本数据,并将语音文本数据发送到数据智能分析服务器40;
3)视频智能分析服务器30连接到数据智能分析服务器40,视频智能分析服务器30通过对视频信息进行采集、存储、对视频中的电子课件内容进行分析和识别生成电子课件文本数据,并将电子课件文本数据发送到数据智能分析服务器40;
4)数据智能分析服务器40将语音文本数据信息和电子课件文本数据信息进行合并,将合并后的文本数据信息与爬虫文本数据信息语义进行匹配、对比和分析,求出内容相似和重复文本数据,生成分析文本数据,通过分析文本数据占爬虫文本数据的百分比计算出课堂教学内容分值。
二、评价方法
如图2,本评价方法包括下列步骤:
①分3路进行
第1路:
A、输入教学大纲文本数据-201
B、提取教学大纲关键字-202
采用文本语义提取分析方法,提取分析教学大纲要求、重点和难点内容的关键字;
C、网页爬虫关键字收集数据-203
采用网页爬虫技术对教学大纲中关键字涉及的具体内容、章节的知识及其扩展知识进行收集,并通过语义分析算法和对比算法去除网页爬虫数据中的重复和相似数据;
D、生成网页爬虫文本数据-204;
第2路:
a、语音采集设备-205
通过教室内话筒设备收集老师课堂的语音数据;
b、教师课堂语音提取及智能识别-206
对采集到的老师语音数据进行特征提取和识别;
c、生成语音文本数据-207;
第3路:
ⅰ、视频采集设备-208
通过教室内摄像头收集视频数据;
ⅱ、电子课件内容提取及智能识别-209
应用智能识别算法对视频中电子课件包含的中文、英文、公式及每门课程特殊字符进行提取和识别;
ⅲ、生成电子课件文本数据-210;
②将第1、2、3路归总:文本数据分析和计算课堂教学内容分值-211
应用数据分析技术将语音文本数据信息和电子课件文本数据信息进行合并,将合并后的文本数据信息与爬虫文本数据信息语义进行匹配、对比和分析,求出相似和重复的文本数据,生成分析文本数据,将分析文本数据占网页爬虫文本数据百分比×100作为课堂教学内容分值;
③输出课堂教学内容分值-212。
1、教学大纲文本数据分析
本方法主要是采用TF-IDF(词频-逆文本频率指数)算法与TextRank(文本排序算法)算法相结合算法提取教学大纲中课堂教学内容要求、重点和难点等内容的关键字,应用网页爬虫技术对教学大纲中关键字涉及的具体内容、章节的知识及其扩展知识进行收集,应用LDA(潜在狄利克雷分析)模型算法去除网页爬虫数据中的重复和相似数据,最终生成网页爬虫文本数据。
如图3,教学大纲文本数据分析的流程如下:
a、输入教学大纲文本数据-301;
b、搜索匹配教学大纲要求、重点和难点-302
应用词语匹配算法搜索匹配教学大纲要求、重点和难点,定位词汇在教学大纲文本中的位置;
c、TF-IDF和TextRank算法提取关键字-303
提取教学大纲要求、重点和难点内容的关键字;
d、网页爬虫关键字收集数据-304
根据关键字生成网页爬虫规则,爬取相关内容,应用LDA模型算法去除网页爬虫数据中的重复和相似数据;
e、生成爬虫文本数据-305。
2、语音智能分析
语音智能分析包括建立语音样本模型和语音智能识别。
1)建立语音样本模型
对教师课堂音频数据进行采集,对采集到的音频数据进行训练,采用MFCC(梅尔频率倒谱系数特征)算法提取语音数据特征,并应用CNN(卷积神经网络)算法训练生成语音样本模型。
如图4,建立语音样本模型的流程如下:
a、输入语音样本-401;
b、MFCC特征提取-402
对输入的语音样本进行MFCC特征提取,求出样本的特征向量;
c、CNN分类器-403
应用CNN分类器,对输入的特征向量进行训练;
d、建立语音样本模型-404。
2)语音智能识别
输入教师课堂音频数据,并采用MFCC(梅尔频率倒谱系数特征)算法提取语音数据特征,应用CNN(卷积神经网络)算法对语音数据特征进行识别,生成语音文本数据。
如图5,语音智能识别的流程如下:
a、输入课堂语音数据-501;
b、MFCC特征提取-502
对输入的语音数据进行MFCC特征提取,求出语音数据的特征向量;
c、CNN分类器识别-503
应用CNN算法对语音数据的特征向量匹配识别;
d、生成语音文本数据-504。
3、视频智能分析
视频智能分析包括建立电子课件内容样本模型和视频智能识别。
1)建立电子课件内容样本模型
对教师课堂视频数据进行采集,提取视频中电子课件图片的中文、英文、公式及每门课程特殊字符,并将其样本作为输入,采用Gabor特征(一种可以用来描述图像纹理信息的特征)提取方法提取特征,并应用 svm(支持向量机)算法训练生成电子课件内容样本模型。
如图6,建立电子课件内容样本模型的流程如下:
a、输入电子课件内容样本-601;
b、Gabor特征提取-602
对输入的中文、英文、公式及每门课程特殊字符采用Gabor特征提取方法求出特征向量;
c、svm分类器-603
应用svm分类器,对输入的特征向量进行训练;
d、建立电子课件内容样本模型-604。
2)视频智能识别
输入教师课堂视频数据,分析定位电子课件位置,提取电子课件内的中文、英文、公式及每门课程特殊字符的数据,并应用Gabor特征提取方法提取数据的特征,应用 svm分类器算法对数据进行识别,生成电子课件文本数据。
如图7,视频智能识别的流程如下:
a、输入课堂视频数据-701;
b、定位电子课件位置-702
应用局部阈值二值化算法和边缘处理算法定位视频中电子课件位置;
c、提取电子课件内容数据-703
应用八连通区域算法提取电子课件的文、英文、公式及每门课程特殊字符的数据;
d、Gabor特征提取-704
采用Gabor特征提取算法对中文、英文、公式及每门课程特殊字符数据进行特征提取,求出特征向量;
e、SVM分类器识别-705
应用SVM分类器对数据的特征向量匹配识别;
f、生成电子课件文本数据-706。
4、数据智能分析
数据智能分析是将语音文本数据和电子课件文本数据采用LDA模型算法去除相似和重复数据后进行合并,将合并后的文本数据与爬虫文本数据采用LDA模型算法,求出相似和重复的文本数据,生成分析文本数据,将分析文本数据占爬虫文本数据的百分比×100作为课堂教学内容分值。
如图8,数据智能分析的流程如下:
a、输入网页爬虫、音频和电子课件文本数据-801;
b、对文本数据分析,生成分析文本数据-802
语音文本数据和电子课件文本数据采用LDA模型算法去除相似和重复数据后进行合并,将合并后的文本数据信息与爬虫文本数据信息采用LDA模型算法,求出相似和重复的文本数据,生成分析文本数据;
c、计算课堂教师内容分值-803
将分析文本数据占爬虫文本数据的百分比×100作为课堂教学内容分值;
d、输出课堂教学内容分值-804。
Claims (8)
1.一种基于智能分析技术的课堂教学内容评价系统,其特征在于:
包括文本分析服务器(10)、语音智能分析服务器(20)、视频智能分析服务器(30)、数据智能分析服务器连接(40);
其连接关系是:
文本分析服务器(10)、语音智能分析服务器(20)和视频智能分析服务器(30)分别与数据智能分析服务器(40)连接。
2.基于权利要求1所述系统的课堂教学内容评价方法,其特征在于包括下列步骤:
①分3路进行
第1路:
A、输入教学大纲文本数据(201);
B、提取教学大纲关键字(202)
采用文本语义提取分析方法,提取分析教学大纲要求、重点和难点内容的关键字;
C、网页爬虫关键字收集数据(203)
采用网页爬虫技术对教学大纲中关键字涉及的具体内容、章节的知识及其扩展知识进行收集,并通过语义分析算法和对比算法去除网页爬虫数据中的重复和相似数据;
D、生成网页爬虫文本数据(204);
第2路:
a、语音采集设备(205)
通过教室内话筒设备收集老师课堂的语音数据;
b、教师课堂语音提取及智能识别(206)
对采集到的老师语音数据进行特征提取和识别;
c、生成语音文本数据(207);
第3路:
ⅰ、视频采集设备(208)
通过教室内摄像头收集视频数据;
ⅱ、电子课件内容提取及智能识别(209)
应用智能识别算法对视频中电子课件包含的中文、英文、公式及每门课程特殊字符进行提取和识别;
ⅲ、生成电子课件文本数据(210);
②将第1、2、3路归总:文本数据分析和计算课堂教学内容分值(211)
应用数据分析技术将语音文本数据信息和电子课件文本数据信息进行合并,将合并后的文本数据信息与爬虫文本数据信息语义进行匹配、对比和分析,求出相似和重复的文本数据,生成分析文本数据,将分析文本数据占网页爬虫文本数据百分比×100作为课堂教学内容分值;
③输出课堂教学内容分值(212)。
3.按权利要求2所述的课堂教学内容评价方法,其特征在于:
教学大纲文本数据分析的流程如下:
a、输入教学大纲文本数据(301);
b、搜索匹配教学大纲要求、重点和难点(302)
应用词语匹配算法搜索匹配教学大纲要求、重点和难点,定位词汇在教学大纲文本中的位置;
c、TF-IDF和TextRank算法提取关键字(303)
提取教学大纲要求、重点和难点内容的关键字;
d、网页爬虫关键字收集数据(304)
根据关键字生成网页爬虫规则,爬取相关内容,应用LDA模型算法去除网页爬虫数据中的重复和相似数据;
e、生成爬虫文本数据(305)。
4.按权利要求2所述的课堂教学内容评价方法,其特征在于:
建立语音样本模型的流程如下:
a、输入语音样本(401);
b、MFCC特征提取(402)
对输入的语音样本进行MFCC特征提取,求出样本的特征向量;
c、CNN分类器(403)
应用CNN分类器,对输入的特征向量进行训练;
d、建立语音样本模型(404)。
5.按权利要求2所述的课堂教学内容评价方法,其特征在于:
语音智能识别的流程如下:
a、输入课堂语音数据(501);
b、MFCC特征提取(502)
对输入的语音数据进行MFCC特征提取,求出语音数据的特征向量;
c、CNN分类器识别(503)
应用CNN算法对语音数据的特征向量匹配识别;
d、生成语音文本数据(504)。
6.按权利要求2所述的课堂教学内容评价方法,其特征在于:
建立电子课件内容样本模型的流程如下:
a、输入电子课件内容样本(601);
b、Gabor特征提取(602)
对输入的中文、英文、公式及每门课程特殊字符采用Gabor特征提取方法求出特征向量;
c、svm分类器(603)
应用svm分类器,对输入的特征向量进行训练;
d、建立电子课件内容样本模型(604)。
7.按权利要求2所述的课堂教学内容评价方法,其特征在于:
视频智能识别的流程如下:
a、输入课堂视频数据(701);
b、定位电子课件位置(702)
应用局部阈值二值化算法和边缘处理算法定位视频中电子课件位置;
c、提取电子课件内容数据(703)
应用八连通区域算法提取电子课件的文、英文、公式及每门课程特殊字符的数据;
d、Gabor特征提取(704)
采用Gabor特征提取算法对中文、英文、公式及每门课程特殊字符数据进行特征提取,求出特征向量;
e、SVM分类器识别(705)
应用SVM分类器对数据的特征向量匹配识别;
f、生成电子课件文本数据(706)。
8.按权利要求2所述的课堂教学内容评价方法,其特征在于:
数据智能分析的流程如下:
a、输入网页爬虫、音频和电子课件文本数据(801);
b、对文本数据分析,生成分析文本数据(802)
语音文本数据和电子课件文本数据采用LDA模型算法去除相似和重复数据后进行合并,将合并后的文本数据信息与爬虫文本数据信息采用LDA模型算法,求出相似和重复的文本数据,生成分析文本数据;
c、计算课堂教师内容分值(803)
将分析文本数据占爬虫文本数据的百分比×100作为课堂教学内容分值;
d、输出课堂教学内容分值(804)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811570698.5A CN109710931A (zh) | 2018-12-21 | 2018-12-21 | 一种基于智能分析技术的课堂教学内容评价系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811570698.5A CN109710931A (zh) | 2018-12-21 | 2018-12-21 | 一种基于智能分析技术的课堂教学内容评价系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109710931A true CN109710931A (zh) | 2019-05-03 |
Family
ID=66256098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811570698.5A Pending CN109710931A (zh) | 2018-12-21 | 2018-12-21 | 一种基于智能分析技术的课堂教学内容评价系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109710931A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246228A (zh) * | 2019-05-30 | 2019-09-17 | 中南民族大学 | 一种基于虚拟现实技术的化学实验评价系统及其方法 |
CN110705907A (zh) * | 2019-10-16 | 2020-01-17 | 江苏网进科技股份有限公司 | 一种基于音频语音处理技术的课堂教学辅助督导方法及系统 |
CN111179129A (zh) * | 2019-12-17 | 2020-05-19 | 广州视源电子科技股份有限公司 | 课件质量的评价方法、装置、服务器及存储介质 |
CN111898441A (zh) * | 2020-06-30 | 2020-11-06 | 华中师范大学 | 一种在线课程视频资源内容识别与评估方法及智能系统 |
CN111915111A (zh) * | 2019-05-08 | 2020-11-10 | 北京新唐思创教育科技有限公司 | 在线课堂的互动质量评价方法、装置及终端设备 |
CN112116181A (zh) * | 2019-06-20 | 2020-12-22 | 北京新唐思创教育科技有限公司 | 课堂质量模型的训练方法、课堂质量评价方法及装置 |
CN112241851A (zh) * | 2020-11-24 | 2021-01-19 | 蒋曙 | 一种基于大数据的教学内容评测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150097270A (ko) * | 2014-02-18 | 2015-08-26 | 홍익대학교 산학협력단 | 전문가 배경 영상데이터를 이용한 영상 촬영 시스템 및 방법 |
CN107545791A (zh) * | 2017-08-29 | 2018-01-05 | 广州思涵信息科技有限公司 | 一种利用课件自动生成课堂教学知识图谱的系统和方法 |
CN107633005A (zh) * | 2017-08-09 | 2018-01-26 | 广州思涵信息科技有限公司 | 一种基于课堂教学内容的知识图谱构建、对比系统及方法 |
-
2018
- 2018-12-21 CN CN201811570698.5A patent/CN109710931A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150097270A (ko) * | 2014-02-18 | 2015-08-26 | 홍익대학교 산학협력단 | 전문가 배경 영상데이터를 이용한 영상 촬영 시스템 및 방법 |
CN107633005A (zh) * | 2017-08-09 | 2018-01-26 | 广州思涵信息科技有限公司 | 一种基于课堂教学内容的知识图谱构建、对比系统及方法 |
CN107545791A (zh) * | 2017-08-29 | 2018-01-05 | 广州思涵信息科技有限公司 | 一种利用课件自动生成课堂教学知识图谱的系统和方法 |
Non-Patent Citations (4)
Title |
---|
伏玉琛,周洞汝: "《计算机图形学 原理、方法与应用》", 31 October 2003, 华中科技大学出版社 * |
刘晓敏: "《基于虹膜识别的商务会馆管理系统的实现》", 31 August 2015, 湖南师范大学出版社 * |
王慧琴: "《数字图像处理》", 30 November 2006, 北京邮电大学出版社 * |
黄孝平: "《基于语义约束主题模型的商品特征和情感词提取研究》", 30 November 2017, 电子科技大学出版社 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915111A (zh) * | 2019-05-08 | 2020-11-10 | 北京新唐思创教育科技有限公司 | 在线课堂的互动质量评价方法、装置及终端设备 |
CN110246228A (zh) * | 2019-05-30 | 2019-09-17 | 中南民族大学 | 一种基于虚拟现实技术的化学实验评价系统及其方法 |
CN110246228B (zh) * | 2019-05-30 | 2023-03-24 | 中南民族大学 | 一种基于虚拟现实技术的化学实验评价系统及其方法 |
CN112116181A (zh) * | 2019-06-20 | 2020-12-22 | 北京新唐思创教育科技有限公司 | 课堂质量模型的训练方法、课堂质量评价方法及装置 |
CN110705907A (zh) * | 2019-10-16 | 2020-01-17 | 江苏网进科技股份有限公司 | 一种基于音频语音处理技术的课堂教学辅助督导方法及系统 |
CN111179129A (zh) * | 2019-12-17 | 2020-05-19 | 广州视源电子科技股份有限公司 | 课件质量的评价方法、装置、服务器及存储介质 |
CN111898441A (zh) * | 2020-06-30 | 2020-11-06 | 华中师范大学 | 一种在线课程视频资源内容识别与评估方法及智能系统 |
CN111898441B (zh) * | 2020-06-30 | 2021-03-30 | 华中师范大学 | 一种在线课程视频资源内容识别与评估方法及智能系统 |
CN112241851A (zh) * | 2020-11-24 | 2021-01-19 | 蒋曙 | 一种基于大数据的教学内容评测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109710931A (zh) | 一种基于智能分析技术的课堂教学内容评价系统及其方法 | |
CN109359215B (zh) | 视频智能推送方法和系统 | |
CN106485984B (zh) | 一种钢琴的智能教学方法和装置 | |
CN109460488B (zh) | 一种辅助教学方法及系统 | |
US10515292B2 (en) | Joint acoustic and visual processing | |
CN107918821A (zh) | 基于人工智能技术的教师课堂教学过程分析方法和系统 | |
CN111709358A (zh) | 基于课堂视频的师生行为分析系统 | |
CN108121702B (zh) | 数学主观题评阅方法及系统 | |
Matsebula et al. | A big data architecture for learning analytics in higher education | |
CN102855317B (zh) | 一种基于演示视频的多模式索引方法及系统 | |
CN107609736A (zh) | 一种综合应用人工智能技术的教学诊断分析系统及方法 | |
CN110246228B (zh) | 一种基于虚拟现实技术的化学实验评价系统及其方法 | |
CN111651497A (zh) | 用户标签挖掘方法、装置、存储介质及电子设备 | |
CN116050892A (zh) | 一种基于人工智能的智能教育评价监督方法 | |
CN108710653B (zh) | 一种绘本朗读点播方法、装置及系统 | |
CN110992988A (zh) | 一种基于领域对抗的语音情感识别方法及装置 | |
CN110046271A (zh) | 一种基于声音指导的遥感图像描述方法 | |
CN107844531B (zh) | 答案输出方法、装置和计算机设备 | |
Hassani et al. | LVTIA: A new method for keyphrase extraction from scientific video lectures | |
CN115129934A (zh) | 一种多模态视频理解方法 | |
CN116049557A (zh) | 一种基于多模态预训练模型的教育资源推荐方法 | |
Krishnamoorthy et al. | E-Learning Platform for Hearing Impaired Students | |
CN116825288A (zh) | 孤独症康复课程记录方法、装置、电子设备及存储介质 | |
Kate et al. | An approach for automated video indexing and video search in large lecture video archives | |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190503 |