CN109919816A - 基于数据分析的排课方法及装置、存储介质及电子设备 - Google Patents
基于数据分析的排课方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN109919816A CN109919816A CN201910218680.7A CN201910218680A CN109919816A CN 109919816 A CN109919816 A CN 109919816A CN 201910218680 A CN201910218680 A CN 201910218680A CN 109919816 A CN109919816 A CN 109919816A
- Authority
- CN
- China
- Prior art keywords
- lesson
- class
- data
- class object
- scoring
- 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
Abstract
本公开涉及计算机技术领域,具体涉及一种基于数据分析的排课方法、基于数据分析的排课装置、存储介质及电子设备。所述方法包括:获取视频数据,并提取视频数据中目标对象的情绪数据和行为数据;根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分;根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合;基于各所述单位课节的参与者集合中所述目标对象的信息生成对应的排课数据。本公开的方法能够有效对学生、教师在课堂上的表现进行量化,使得排课结果更加合理,更加的符合学生及教师的兴趣和喜好,也避免了人工排课导致的课程安排不合理和教学资源的浪费。
Description
技术领域
本公开涉及计算机技术领域,具体涉及一种基于数据分析的排课方法、基于数据分析的排课装置、存储介质及电子设备。
背景技术
在学校或教育机构中,课程安排大多是根据教师以往的教学经验,或者根据学科数量、课时数量、教师数量以及学生数量等定量指标进行课程安排,具有较高的主观性。并且工作繁琐、工作效率低,容易浪费教学资源。此外,课程的安排中并没有考虑到授课过程中的一些客观因素,例如学生是否对课程感兴趣、教师的受欢迎程度等等。不利于教学资源的充分利用,容易导致课程安排不合理。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种基于数据分析的排课方法、一种基于数据分析的排课装置、存储介质及电子设备,进而避免人工排课程,且排课结果更加合理、高效。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种基于数据分析的排课方法,包括:
获取视频数据,并提取视频数据中目标对象的情绪数据和行为数据;
根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分;
根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合;
基于各所述单位课节的参与者集合中所述目标对象的信息生成对应的排课数据。
在本公开的一种示例性实施例中,所述提取视频数据中目标对象的情绪数据和行为数据包括:
提取所述视频数据中预设时刻的图像数据;
识别所述图像数据中所述目标对象的表情特征及行为特征,以根据所述表情特征及行为特征计算各所述目标对象的情绪评分和行为评分。
在本公开的一种示例性实施例中,所述目标对象包括第一类对象和第二类对象;
所述根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分包括:
根据所述第一类对象的情绪评分和行为评分计算各所述第一类对象的状态评分;
根据所述第一类对象的状态评分计算所述第一类对象的课节表现评分;以及
根据所述第二类对象的情绪评分和行为评分计算各所述第二类对象的状态评分和其对所述第一类对象的兴趣评分;
根据所述第二类对象的状态评分计算所述第二类对象的课节表现评分。
在本公开的一种示例性实施例中,所述根据所述第二类对象的情绪评分和行为评分计算各所述第二类对象的状态评分包括:
其中,n为所述第一类对象的数量;st_face_score(t)为所述第二类对象在t时刻的情绪评分;st_behavior_score(t)为所述第二类对象在t时刻的行为评分;st_state_score(t)为所述第二类对象在t时刻的状态评分;
所述根据所述第二类对象的情绪评分和行为评分计算其对所述第一类对象的兴趣评分包括:
其中,m为所述第二类对象的数量;th0为第一类对象;t为时刻;th_welcome_score(t)为第二类对象对第一类对象的兴趣评分。
在本公开的一种示例性实施例中,所述根据所述第二类对象的状态评分计算所述第二类对象的课节表现评分包括:
其中,st_mvp_score(s,d)为第二类对象在一单位课节中的课节表现评分。
在本公开的一种示例性实施例中,所述根据所述第一类对象在t时刻的情绪评分和行为评分计算各所述第一类对象在t时刻的状态评分包括:
th_state_score(t)=th_face_score(t)+th_behavior_score(t)
其中,th_face_score(t)为所述第一类对象的情绪评分;th_behavior_score(t)为所述第一类对象的行为评分;
根据所述第一类对象的状态评分计算所述第一类对象的课节表现评分包括:
其中,th_mvp_score(s,d)为第一类对象在一单位课节中的课节表现评分。
在本公开的一种示例性实施例中,所述目标对象包括第一类对象和第二类对象;
所述根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合包括:
在单位课节时间内,对所述第一类对象和第二类对象根据对应的课节表现评分进行排序;
筛选预设排名的第一类对象和第二类对象,以及各第二类对象对应的第一类对象,以生成单位课节的课节参与者集合。
在本公开的一种示例性实施例中,所述基于各所述单位课节的参与者集合中所述目标对象的信息生成对应的排课数据包括:
根据各所述课节参与者集合对应的课节时间信息,以及所述课节参与者集合中第一类对象和第二类对象对应的课程信息生成排课数据。
在本公开的一种示例性实施例中,在基于所述参与者集合生成对应的排课信息后,所述方法还包括:
若所述排课信息中各课程的课时数不满足预设阈值,则更新所述课节参与者集合以更新所述排课数据。
根据本公开的第二方面,提供一种基于数据分析的排课装置,包括:
基础数据提取模块,用于获取视频数据,并提取视频数据中目标对象的情绪数据和行为数据;
表现评分计算模块,用于根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分;
参与者集合生成模块,用于根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合;
排课数据生成模块,用于基于各所述单位课节的参与者集合中所述目标对象的信息生成对应的排课数据。
根据本公开的第三方面,提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的基于数据分析的排课方法。
根据本公开的第四方面,提供一种电子终端,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述的基于数据分析的排课方法。
本公开的一种实施例所提供的排课方法,通过提取目标对象的情绪数据和行为数据,根据情绪数据和行为数据对教师和学生在每一课节上的综合表现进行评分,通过对课节表现评分排序和筛选生成课节参与者集合,使得根据该集合中教师和学生对应课程及课时数量信息生成排课数据。能够有效对学生、教师在课堂上的表现进行量化,使得排课结果更加合理,更加的符合学生及教师的兴趣和喜好。也避免了人工排课导致的课程安排不合理,避免了教学资源的浪费。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出本公开示例性实施例中一种基于数据分析的排课方法的示意图;
图2示意性示出本公开示例性实施例中一种提取情绪数据和行为数据的方法示意图;
图3示意性示出本公开示例性实施例中一种计算目标对象在单位课节内的课节表现评分的方法示意图;
图4示意性示出本公开示例性实施例中一种基于数据分析的排课方法的示意图;
图5示意性示出本公开示例性实施例中一种基于数据分析的排课装置示意图;
图6示意性示出本公开示例性实施例中一种电子设备的框图。
图7示意性示出本公开示例性实施例中用于信息处理的一种程序产品。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施方式中首先提供了一种基于数据分析的排课方法,可以应用于学校或教育机构中的自动排课。参考图1所示,上述方法包括以下步骤:
S1,获取视频数据,并提取视频数据中目标对象的情绪数据和行为数据;
S2,根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分;
S3,根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合;
S4,基于各所述单位课节的参与者集合中所述目标对象的信息生成对应的排课数据。
本示例实施方式所提供的排课方法,通过提取目标对象的情绪数据和行为数据,根据情绪数据和行为数据对教师和学生在每一课节上的综合表现进行评分,通过对课节表现评分排序和筛选生成课节参与者集合,使得根据该集合中教师和学生对应课程及课时数量信息生成排课数据。能够有效对学生、教师在课堂上的表现进行量化,使得排课结果更加合理,更加的符合学生及教师的兴趣和喜好。也避免了人工排课导致的课程安排不合理,避免了教学资源的浪费。
下面,将结合附图及实施例对本示例实施方式中的基于数据分析的排课方法的各个步骤进行更详细的说明。
步骤S1,获取视频数据,并提取视频数据中目标对象的情绪数据和行为数据。
本示例实施方式中,上述的目标对象可以包括:第一类对象和第二类对象。例如,第一类对象为教师,第二类对象为学生。并可以通过课堂的视频来获取两类对象的情绪数据和行为数据。具体来说,参考图2所示,可以包括:
S101,提取所述视频数据中预设时刻的图像数据;
S102,识别所述图像数据中所述目标对象的表情特征及行为特征,以根据所述表情特征及行为特征计算各所述目标对象的情绪评分和行为评分。
举例来说,对于每一课节的视频数据,可以按一定的周期或时间戳等方式获取多张图像。例如,可以设置周期为3分钟或5分钟,或者对视频数据中每2分钟或每1分钟打一时间戳,从而获取对应的图像。利用图像抓取工具提取图像数据中的教师和学生的面部表情特征和肢体动作特征,并按照一定的规则根据面部表情特征计算该对象的情绪评分,以及根据肢体动作特征计算该对象的行为评分。
举例来说,可以对学生的表情特征进行预先定义:
st_face_score(t,th),表示学生在某一时刻t,某一种课程th中的情绪评分的分值。如将学生表情划分为:有笑容、皱眉或严肃、平静;对应的,分别记1、-1、0分。
还可以对学生的肢体行为特征进行预先定义:
st_behavior_score(t,th),表示学生在某一时刻t,某一种课程th中的行为评分的分值。如将学生的动作划分为:坐姿、趴桌埋头、交头接耳、手托下巴;对应的,分别记2、-1、-2、1分。
另外,还可以对教师的表情特征进行预先定义:
th_face_score(t),表示教师在教授对应课程时,某一时刻t的情绪评分的分值。如将教师表情划分为:有笑容、面色凝重、平静;对应的,分别记1、-1、0分。
还可以对教师的肢体行为特征进行预先定义:
st_behavior_score(t),表示教师在教授对应课程时,某一时刻t的行为评分的分支。如将教师动作划分为:干劲十足(如:站姿、跳跃)、动作慵懒、垂头丧气、坐立讲课,分别记2、-1、-2、1分。
当然,在本公开的其他示例性实施例中,也可以按照其他的规则对表情特征或肢体动作特征进行划分。例如,预先训练深度学习模型对每张图像进行识别,获取每张图像数据中教师和学生的情绪评分和行为评分。
步骤S2,根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分。
本示例实施方式中,在获取每张图像中第一类对象和第二类对象对应的情绪评分和行为评分,便可以根据情绪评分和行为评分计算各目标对象在单位课节内的综合的表现评分。具体来说,参考图3所示,上述的步骤S2可以包括:
S201,根据所述第一类对象的情绪评分和行为评分计算各所述第一类对象的状态评分;
S202,根据所述第一类对象的状态评分计算所述第一类对象的课节表现评分;以及
S203,根据所述第二类对象的情绪评分和行为评分计算各所述第二类对象的状态评分和其对所述第一类对象的兴趣评分;
S204,根据所述第二类对象的状态评分计算所述第二类对象的课节表现评分。
举例来说,对于第二类对象(学生)来说,其在课堂上的状态表现,可以根据该学生在课节内的情绪表现和行为表现来表达,包括:
st_state_score(t)表示学生在某一时刻多位老师授课时的自身表现分数;其中,n为所述第一类对象的数量;st_face_score(t)为所述第二类对象的情绪评分;st_behavior_score(t)为所述第二类对象的行为评分。
此外,根据学生的情绪评分和行为评分,还可以计算对应的教师受学生欢迎的程度,即第二类对象对第一类对象的兴趣评分,包括:
th_welcome_score(t)表示在某一时刻t学生对老师的欢迎度;其中,m为所述第二类对象的数量。th0为第一类对象;t为时刻。th_welcome_score(t)为第二类对象对第一类对象的兴趣评分
例如,刘老师受学生欢迎的程度可以表示为:
进一步的,根据第二类对象的状态评分还可以计算所述第二类对象的课节表现评分,包括:
表示某个学生在某一天d的某一节课程s中的综合表现总得分。从公式可以发现,学生状态分数st_state_score(t)越高,就越容易落到相应的课节参与者集合LessonSet(s,d)内。
对于第一类对象(教师)来说,其在课堂上的状态表现,可以根据该教师在课节内的情绪表现和行为表现来表达,包括:
th_state_score(t)=th_face_score(t)+th_behavior_score(t) (4)
th_state_score(t)表示教师在某一时刻t,老师的自身表现分数;其中,th_face_score(t)为所述第一类对象的情绪评分;th_behavior_score(t)为所述第一类对象的行为评分。
基于上述获取的教师的状态评分,以及第二类对象对第一类对象的兴趣评分(该教师的受学生的欢迎程度),可以进一步的计算该教师的课节表现评分,包括:
其中,th_mvp_score(s,d)为第一类对象在一单位课节中的课节表现评分,即表示某位教师在某一天d某一节课s的综合总得分。教师的受欢迎度th_welcome_score(t)作为教师状态总分th_behavior_score(t)的权重,计算其乘积在某一节课的总和(t表示课节的某个时刻)。从公式上可以发现,老师的受欢迎度和状态分数越高,教师在每节课的th_mvp_score(s,d)分数就越高。就越容易落到相应的课节参与者集合LessonSet(s,d)内。
举例来说,老师A,在上午9:00-10:00上课,通过摄像头实时的采集数图像据或者通过对视频数据进行图像截取,实时计算th_face_score(t)和th_behavior_score(t),得到老师A的状态评分th_state_score(t)。
对应的,学生m,在上午9:00-10:00上课,通过摄像头实时的采集数图像据或者通过对视频数据进行图像截取,实时计算st_face_score(t)和st_behavior_score(t),得到学生状态评分st_state_score(t)和老师A的受欢迎度(兴趣评分)th_welcome_score(t)。
在本公开的其他示例性实施例中,上述的计算各目标对象在单位课节内的综合的表现评分的过程也可以同步进行,并不需要限定其先后顺序。
步骤S3,根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合。
本示例实施方式中,在获取学生及教师的在各单位课节内的课节表现评分数据后,便可以对该些数据进行排序和筛选。具体来说,可以包括:
步骤S31,在单位课节时间内,对所述第一类对象和第二类对象根据对应的课节表现评分进行排序;
步骤S32,筛选预设排名的第一类对象和第二类对象,以及各第二类对象对应的第一类对象,以生成单位课节的课节参与者集合。
举例来说,假设在第d0天第s0节课,分别对th_mvp_score(s0,d0)和st_mvp_score(s0,d0)进行排序。取出最大值th_mvp_score(s0,d0)max,和排名前m位的st_mvp_score(s0,d0)对应的老师th0和学生st0,st1,st2,st3……st(m-1)放到集合中,得到LessonSet(s0,d0)={th0,st0,st1,st2,st3……st(m-1)}。
依次得出一个时间段内每天每节课的课节参与者集合LessonSet(s,d),例如某个学期的LessonSet(s,d)。
步骤S4,基于各所述单位课节的课节参与者集合中所述目标对象的信息生成对应的排课数据。
本示例实施方式中,对于各课节的参与者集合,可以根据各课节参与者集合对应的课节时间信息,以及所述课节参与者集合中第一类对象和第二类对象对应的课程信息生成排课数据。具体来说,基于上述步骤中获取的集合中的每天每节课的教师、学生数据,以及各教师、学生对应的课程信息,各集合对应的课节时间信息,便可以生成一段时间内每天每节课的课程、教师以及学生数据,从而生成一段时间内的排课数据。
基于上述内容,在本公开的其他示例性实施例中,为了使生成的排课数据更加合理、有效,还可以对排课数据进行验证。具体来说,参考图4所示,上述的方法还可以包括:
步骤S5,若所述排课信息中各课程的课时数不满足预设阈值,则更新所述课节参与者集合以更新所述排课数据。
本示例实施方式中,教育机构或高校会根据自身特点或教学任务安排预先设定不同课程的占比:P(c)表示课程c在一定时间段内上的课时数占总课时数的百分比。例如,学校A预设的课程占比为:语文P(yw)=5%~15%,数学P(sx)=12%~20%,英语P(yy)=10%~15%等等。
在此基础上,便可以对上述步骤获取的一个时间段内每天每节课的课节参与者集合LessonSet(s,d),对排课数据中的课程课时占比进行计算。进而判断课程的占比P(c)是否处于预设的相应课程的合理范围内。若验证通过,则排课数据校验通过,可以生成最终的课表;如果不通过,便可以排课数据进行调整。
具体来说,在调整排课数据时,可以通过更新课节参与者集合LessonSet(s,d)来实现。例如,可以根据课节参与者集合中th_mvp_score(s0,d0)从大到小的排序,调整对应分值对应老师的授课时间,使得课表校验通过。或者,可以根据排序筛选更多的教师加入课节参与者集合中,从而实现对课节参与者集合LessonSet(s,d)的更新,进而更新排课数据。
本公开所提供的排课方法,通过利用课堂的视频数据实时提取教师和学生的情绪数据和行为数据,并对该些数据进行准确的量化处理,能够更加真实、准确的获取教师和学生的在各课节中的真实状态。从而使得根据该些情绪数据和行为数据获取的排课数据更加的符合学生和教师的兴趣和需要,合理的为每个学生和老师制定上课时间表,排课结果更加合理。并且,通过数据分析得到每个老师的受欢迎度,结合学生和老师的上课状态,得到每节课的参与者集合,并通过预先制定的课程合理性占比的合理性校验,最终可产出科学合理的个人制定化课程表。还能够有效的避免的人工排课时由于排课工作人员的主观意识导致的课程安排不合理,浪费教学资源等情况的发生。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
进一步的,参考图5所示,本示例的实施方式中还提供了一种基于数据分析的排课装置5,包括:基础数据提取模块501、表现评分计算模块502、参与者集合生成模块503和排课数据生成模块504。其中:
所述基础数据提取模块501可以用于获取视频数据,并提取视频数据中目标对象的情绪数据和行为数据。
所述表现评分计算模块502可以用于根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分。
所述参与者集合生成模块503可以用于根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合。
所述排课数据生成模块504可以用于基于各所述单位课节的参与者集合中所述目标对象的信息生成对应的排课数据。
进一步的,在一示例性实施方式中,上述的装置还包括:排课数据验证模块(图中未示出)。
所述排课数据验证模块可以用于若所述排课信息中各课程的课时数不满足预设阈值,则更新所述课节参与者集合以更新所述排课数据。
上述基于数据分析的排课装置5中各模块的具体细节已经在对应的基于数据分析的排课方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。
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单元610执行,使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
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。
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、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备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用户能与该电子设备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。如图所示,网络适配器660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、冗余处理单元、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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图7所示,描述了根据本发明的实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (12)
1.一种基于数据分析的排课方法,其特征在于,包括:
获取视频数据,并提取视频数据中目标对象的情绪数据和行为数据;
根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分;
根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合;
基于各所述单位课节的参与者集合中所述目标对象的信息生成对应的排课数据。
2.根据权利要求1所述的方法,其特征在于,所述提取视频数据中目标对象的情绪数据和行为数据包括:
提取所述视频数据中预设时刻的图像数据;
识别所述图像数据中所述目标对象的表情特征及行为特征,以根据所述表情特征及行为特征计算各所述目标对象的情绪评分和行为评分。
3.根据权利要求2所述的方法,其特征在于,所述目标对象包括第一类对象和第二类对象;
所述根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分包括:
根据所述第一类对象的情绪评分和行为评分计算各所述第一类对象的状态评分;
根据所述第一类对象的状态评分计算所述第一类对象的课节表现评分;以及
根据所述第二类对象的情绪评分和行为评分计算各所述第二类对象的状态评分和其对所述第一类对象的兴趣评分;
根据所述第二类对象的状态评分计算所述第二类对象的课节表现评分。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二类对象的情绪评分和行为评分计算各所述第二类对象的状态评分包括:
其中,n为所述第一类对象的数量;st_face_score(t)为所述第二类对象在t时刻的情绪评分;st_behavior_score(t)为所述第二类对象在t时刻的行为评分;st_state_score(t)为所述第二类对象在t时刻的状态评分;
所述根据所述第二类对象的情绪评分和行为评分计算其对所述第一类对象的兴趣评分包括:
其中,m为所述第二类对象的数量;th0为第一类对象;t为时刻;th_welcome_score(t)为第二类对象对第一类对象的兴趣评分。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第二类对象的状态评分计算所述第二类对象的课节表现评分包括:
其中,st_mvp_score(s,d)为第二类对象在一单位课节中的课节表现评分。
6.根据权利要求3或4所述的方法,其特征在于,所述根据所述第一类对象的情绪评分和行为评分计算各所述第一类对象的状态评分包括:
th_state_score(t)=th_face_score(t)+th_behavior_score(t)
其中,th_face_score(t)为所述第一类对象在t时刻的情绪评分;th_behavior_score(t)为所述第一类对象在t时刻的行为评分;
根据所述第一类对象的状态评分计算所述第一类对象的课节表现评分包括:
其中,th_mvp_score(s,d)为第一类对象在一单位课节中的课节表现评分。
7.根据权利要求1所述的方法,其特征在于,所述目标对象包括第一类对象和第二类对象;
所述根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合包括:
在单位课节时间内,对所述第一类对象和第二类对象根据对应的课节表现评分进行排序;
筛选预设排名的第一类对象和第二类对象,以及各第二类对象对应的第一类对象,以生成单位课节的课节参与者集合。
8.根据权利要求7所述的方法,其特征在于,所述基于各所述单位课节的参与者集合中所述目标对象的信息生成对应的排课数据包括:
根据各所述课节参与者集合对应的课节时间信息,以及所述课节参与者集合中第一类对象和第二类对象对应的课程信息生成排课数据。
9.根据权利要求1所述的方法,其特征在于,在基于所述课节参与者集合生成对应的排课信息后,所述方法还包括:
若所述排课信息中各课程的课时数不满足预设阈值,则更新所述课节参与者集合以更新所述排课数据。
10.一种基于数据分析的排课装置,其特征在于,包括:
基础数据提取模块,用于获取视频数据,并提取视频数据中目标对象的情绪数据和行为数据;
表现评分计算模块,用于根据所述情绪数据和行为数据计算目标对象在单位课节内的课节表现评分;
参与者集合生成模块,用于根据所述课节表现评分对所述目标对象进行排序和筛选以获取各单位课节对应的课节参与者集合;
排课数据生成模块,用于基于各所述单位课节的参与者集合中所述目标对象的信息生成对应的排课数据。
11.一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1至9中任一项所述的基于数据分析的排课方法。
12.一种电子终端,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1至9中任一项所述的基于数据分析的排课方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218680.7A CN109919816A (zh) | 2019-03-21 | 2019-03-21 | 基于数据分析的排课方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910218680.7A CN109919816A (zh) | 2019-03-21 | 2019-03-21 | 基于数据分析的排课方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919816A true CN109919816A (zh) | 2019-06-21 |
Family
ID=66966097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910218680.7A Pending CN109919816A (zh) | 2019-03-21 | 2019-03-21 | 基于数据分析的排课方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919816A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598632A (zh) * | 2019-09-12 | 2019-12-20 | 深圳市商汤科技有限公司 | 目标对象的监测方法及装置、电子设备和存储介质 |
CN111056210A (zh) * | 2020-01-16 | 2020-04-24 | 北京旷视机器人技术有限公司 | 料箱位置调整方法及装置、仓储系统、介质和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318498A (zh) * | 2014-10-22 | 2015-01-28 | 北京悦活教育科技有限责任公司 | 基于意愿点数的选课方法和系统 |
CN106851216A (zh) * | 2017-03-10 | 2017-06-13 | 山东师范大学 | 一种基于人脸和语音识别的课堂行为监控系统及方法 |
CN108510307A (zh) * | 2018-02-25 | 2018-09-07 | 心触动(武汉)科技有限公司 | 一种课程推荐方法及系统 |
CN108596395A (zh) * | 2018-04-28 | 2018-09-28 | 北京比特智学科技有限公司 | 课程的分配方法和装置 |
CN108734412A (zh) * | 2018-05-28 | 2018-11-02 | 深圳市鹰硕技术有限公司 | 基于教学成绩的排课方法以及装置 |
CN109064122A (zh) * | 2018-07-13 | 2018-12-21 | 郑州轻工业学院 | 基于人工智能的课程安排方法及计算机可读介质 |
CN109360458A (zh) * | 2018-10-25 | 2019-02-19 | 重庆鲁班机器人技术研究院有限公司 | 趣味性辅助教学方法、装置及机器人 |
-
2019
- 2019-03-21 CN CN201910218680.7A patent/CN109919816A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318498A (zh) * | 2014-10-22 | 2015-01-28 | 北京悦活教育科技有限责任公司 | 基于意愿点数的选课方法和系统 |
CN106851216A (zh) * | 2017-03-10 | 2017-06-13 | 山东师范大学 | 一种基于人脸和语音识别的课堂行为监控系统及方法 |
CN108510307A (zh) * | 2018-02-25 | 2018-09-07 | 心触动(武汉)科技有限公司 | 一种课程推荐方法及系统 |
CN108596395A (zh) * | 2018-04-28 | 2018-09-28 | 北京比特智学科技有限公司 | 课程的分配方法和装置 |
CN108734412A (zh) * | 2018-05-28 | 2018-11-02 | 深圳市鹰硕技术有限公司 | 基于教学成绩的排课方法以及装置 |
CN109064122A (zh) * | 2018-07-13 | 2018-12-21 | 郑州轻工业学院 | 基于人工智能的课程安排方法及计算机可读介质 |
CN109360458A (zh) * | 2018-10-25 | 2019-02-19 | 重庆鲁班机器人技术研究院有限公司 | 趣味性辅助教学方法、装置及机器人 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598632A (zh) * | 2019-09-12 | 2019-12-20 | 深圳市商汤科技有限公司 | 目标对象的监测方法及装置、电子设备和存储介质 |
CN110598632B (zh) * | 2019-09-12 | 2022-09-09 | 深圳市商汤科技有限公司 | 目标对象的监测方法及装置、电子设备和存储介质 |
CN111056210A (zh) * | 2020-01-16 | 2020-04-24 | 北京旷视机器人技术有限公司 | 料箱位置调整方法及装置、仓储系统、介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9911352B2 (en) | Situated simulation for training, education, and therapy | |
CN109584648B (zh) | 数据生成方法及装置 | |
Greunke et al. | Taking immersive VR leap in training of landing signal officers | |
AlAwadhi et al. | Virtual reality application for interactive and informative learning | |
CN110531849A (zh) | 一种基于5g通信的增强现实的智能教学系统 | |
Chollet et al. | Assessing public speaking ability from thin slices of behavior | |
CN109919816A (zh) | 基于数据分析的排课方法及装置、存储介质及电子设备 | |
CN112289434A (zh) | 基于vr的医疗培训模拟方法、装置、设备及存储介质 | |
Chen et al. | Virtual, Augmented and Mixed Reality: Interaction, Navigation, Visualization, Embodiment, and Simulation: 10th International Conference, VAMR 2018, Held as Part of HCI International 2018, Las Vegas, NV, USA, July 15-20, 2018, Proceedings, Part I | |
US11682482B2 (en) | Method and apparatus for determining psychological counseling training scheme | |
Barmaki et al. | Gesturing and Embodiment in Teaching: Investigating the Nonverbal Behavior of Teachers in a Virtual Rehearsal Environment | |
Le Bellu | Learning the secrets of the craft through the real-time experience of experts: capturing and transferring experts’ tacit knowledge to novices | |
Gorlova et al. | Volunteers training for audio description service within the Sochi 2014 project as exemplified by activity of the Russian state social university volunteer center: research and findings | |
Lui et al. | A novel mobile application for training oral presentation delivery skills | |
Barmaki | Multimodal assessment of teaching behavior in immersive rehearsal environment-teachlive | |
Hensen | A Systematic Literature Review of Mixed Reality Learning Approaches | |
Bahreini et al. | Improved multimodal emotion recognition for better game-based learning | |
Afanasyev et al. | Application of virtual reality technology in the learning process | |
Buchem et al. | Perspectives on Wearable Enhanced Learning (WELL): Current Trends, Research, and Practice | |
Антощук et al. | Human action analysis models in artificial intelligence based proctoring systems and dataset for them | |
Helvert et al. | Observing, coaching and reflecting: A multi-modal natural language-based dialogue system in a learning context | |
CN111477055A (zh) | 基于虚拟现实技术的教师培训系统及方法 | |
Zhang | A virtual reality dance self-learning framework using Laban movement analysis | |
Faria et al. | Emotional adaptive platform for learning | |
Nagao et al. | Cyber Trainground: Building-Scale Virtual Reality for Immersive Presentation Training |
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 |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |