CN110070295B - 课堂教学质量的评析方法、装置和计算机设备 - Google Patents

课堂教学质量的评析方法、装置和计算机设备 Download PDF

Info

Publication number
CN110070295B
CN110070295B CN201910341815.9A CN201910341815A CN110070295B CN 110070295 B CN110070295 B CN 110070295B CN 201910341815 A CN201910341815 A CN 201910341815A CN 110070295 B CN110070295 B CN 110070295B
Authority
CN
China
Prior art keywords
teaching
course
attention
students
classroom
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.)
Active
Application number
CN201910341815.9A
Other languages
English (en)
Other versions
CN110070295A (zh
Inventor
李影
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910341815.9A priority Critical patent/CN110070295B/zh
Publication of CN110070295A publication Critical patent/CN110070295A/zh
Application granted granted Critical
Publication of CN110070295B publication Critical patent/CN110070295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • 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
    • G09B5/02—Electrically-operated educational appliances with visual presentation of the material to be studied, e.g. using film strip

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请提供了一种课堂教学质量的评析方法、装置、计算机设备和可存储介质，涉及深度学习技术领域，方法包括：获取教师当前次课程对应的课堂视频和课程完成量；解析课堂视频，得到学生的注意力信息和活跃度信息，并计算得到教师的教学效率；将注意力信息转化为注意力数值；从预先构建的第一教学效果库中分别获取对应的第一教学效果，并解析得到当前次课程的教学效果。本申请通过解析课堂视频得到各个学生在上课时的注意力信息、活跃度信息，以及通过获取教师的教学效率，综合分析后得到当前次课程中教师的教学效果。在评析过程中具有统一的评析标准，且由系统自动完成，能够有效提高教学效果的评估效率、公正性和全面性，节省大量人力资源。

Description

课堂教学质量的评析方法、装置和计算机设备
技术领域
本申请涉及深度学习技术领域，特别涉及一种课堂教学质量的评析方法、装置和计算机设备。
背景技术
课堂教学是高等教育最基础和重要的教学组织形式，同时也是实现人才培养目标、保证并提高教育质量的最重要环节。传统的教师教学质量评估方式一般有学生评估、同行评估、督导专家评估。在学生评估中，学生带着感情色彩打分的现象非常普遍。哪位老师平时管理不严、对学生不负责、但是考试容易通过，学生在打分时就会打高分。在专家评教中，由于评估中心的专家为了减轻自己的工作任务，往往以教师一节课的变现评判整门课程，无法从整体上对课程的教学效果进行评估，较为片面。这些传统的教学质量评估方法均是以人为主体进行主观评价，效率低下，且评估标准不一，缺乏公正性和全面性。
发明内容
本申请的主要目的为提供一种课堂教学质量的评析方法、装置和计算机设备，旨在解决现有课堂教学质量评估方法效率低下，缺乏公正性和全面性的弊端。
为实现上述目的，本申请提供了一种课堂教学质量的评析方法，包括：
获取教师当前次课程对应的课堂视频和课程完成量；
解析所述课堂视频中包含学生的视频帧，得到所述当前次课程中学生的注意力信息和活跃度信息，并根据所述课程完成量计算得到所述当前次课程中教师的教学效率；
将所述注意力信息转化为注意力数值；
从预先构建的第一教学效果库中分别获取所述注意力数值、所述活跃度信息和所述教学效率对应的第一教学效果，所述第一教学效果库中存储有注意力数值、活跃度信息、教学效率与第一教学效果映射关系表；
根据各所述第一教学效果对应的预设分数，计算得到所述当前次课程的课程总分；
从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果，其中，所述第二教学效果库中存储有课程总分与第二教学效果映射关系表。
进一步的，所述获取教师当前次课程对应的课堂视频和课程完成量的步骤，包括：
获取所述当前课程对应的教师的教学信息，所述教学信息包括教学地点和教学时间；
从预先构建的课程视频库中获取所述教学地点对应的课程视频数据，所述课程视频库中存储有教学地点和课程视频数据映射关系表，所述课程视频数据为所述教学地点的所有时间段的视频集合数据；
根据所述教学时间，从所述课堂视频数据中筛选得到所述课堂视频。
进一步的，所述解析所述课堂视频，得到所述当前次课程中学生的注意力信息的步骤，包括：
将所述课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态，所述注意力状态包括注意力集中状态；
获取所述课堂视频中各所述注意力集中状态对应的学生的位置信息，并将各所述位置信息组合得到所述当前次课程的注意力集中区域；
通过所述课堂视频的播放时间的记录，获取各所述注意力集中状态对应的学生进入注意力状态的开始时间和结束时间，并通过计算各个对应的所述结束时间和所述开始时间之间的差值之和确定各所述注意力集中状态对应的注意力集中时间；
计算各所述注意力集中状态对应的学生的总数量，得到注意力集中数量；
根据所述注意力集中区域、各所述注意力集中时间和所述注意力集中数量，生成所述注意力信息。
进一步的，所述解析所述课堂视频，得到所述当前次课程中学生的活跃度信息的步骤，包括：
将所述课堂视频输入预先构建的动作识别模型中，得到学生与教师的所有互动影像；
计算所述所有互动影像的数量，得到学生与教师的互动次数；并计算所述所有互动影像的播放时长，得到学生与教师的互动时长；
根据所述互动次数和所述互动时长，生成所述活跃度信息。
进一步的，所述根据所述课程完成量计算得到所述当前次课程中教师的教学效率的步骤，包括：
调取所述当前次课程对应的预设课程量；
计算所述教学课程量与所述预设课程量之间的比值，得到所述教学效率。
进一步的，所述将所述注意力信息转化为注意力数值的步骤，包括：
调取所述教学地点对应的教室面积，并获取所述当前次课程的学生总数量；
计算所述注意力集中区域与所述教室面积之间的比值，将所述比值作为注意力集中区域值；并将各所述注意力集中时间和所述学生总数量代入预设算法中，计算得到人均注意力集中时间；
根据所述注意力集中区域值、所述人均注意力集中时间和所述学生总数量，得到所述注意力数值。
进一步的，所述从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果的步骤之后，包括：
判断所述当前次课程的教学效果是否符合触发标记功能的条件；
若符合触发标记功能的条件，则将所述当前次课程进行标记，并更新标记课程数量，所述标记课程数量为所述教师在当前次学期中符合标记功能的所有课程的数量。
本申请还提供了一种课堂教学质量的评析装置，包括：
第一获取模块，用于获取教师当前次课程对应的课堂视频和课程完成量；
解析模块，用于解析所述课堂视频中包含学生的视频帧，得到所述当前次课程中学生的注意力信息和活跃度信息，并根据所述课程完成量计算得到所述当前次课程中教师的教学效率；
转化模块，用于将所述注意力信息转化为注意力数值；
第二获取模块，用于从预先构建的第一教学效果库中分别获取所述注意力数值、所述活跃度信息和所述教学效率对应的第一教学效果；
计算模块，用于根据各所述第一教学效果对应的预设分数，计算得到所述当前次课程的课程总分；
第三获取模块，用于从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果。
进一步的，所述第一获取模块，包括：
第一获取单元，用于获取所述当前课程对应的教师的教学信息；
第二获取单元，用于从预先构建的课程视频库中获取所述教学地点对应的课程视频数据；
筛选单元，用于根据所述教学时间，从所述课堂视频数据中筛选得到所述课堂视频。
进一步的，所述解析模块，包括：
第一匹配单元，用于将所述课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态；
第一确定单元，用于获取所述课堂视频中各所述注意力集中状态对应的学生的位置信息，并将各所述位置信息组合得到所述当前次课程的注意力集中区域；
第二确定单元，用于通过所述课堂视频的播放时间的记录，获取各所述注意力集中状态对应的学生进入注意力状态的开始时间和结束时间，并通过计算各个对应的所述结束时间和所述开始时间之间的差值之和确定各所述注意力集中状态对应的注意力集中时间；
第一计算单元，用于计算各所述注意力集中状态对应的学生的总数量，得到注意力集中数量；
第二生成单元，用于根据所述注意力集中区域、各所述注意力集中时间和所述注意力集中数量，生成所述注意力信息。
进一步的，所述解析模块，还包括：
第二匹配单元，用于将所述课堂视频输入预先构建的动作识别模型中，得到学生与教师的所有互动影像；
第二计算单元，用于计算所述所有互动影像的数量，得到学生与教师的互动次数；并计算所述所有互动影像的播放时长，得到学生与教师的互动时长；
第二生成单元，用于根据所述互动次数和所述互动时长，生成所述活跃度信息。
进一步的，所述解析模块，还包括：
第一调取单元，用于调取所述当前次课程对应的预设课程量；
第三计算单元，用于计算所述教学课程量与所述预设课程量之间的比值，得到所述教学效率。
进一步的，所述转化模块，包括：
第二调取单元，用于调取所述教学地点对应的教室面积，并获取所述当前次课程的学生总数量；
第四计算单元，用于计算所述注意力集中区域与所述教室面积之间的比值，将所述比值作为注意力集中区域值；并将各所述注意力集中时间和所述学生总数量代入预设算法中，计算得到人均注意力集中时间；
第三生成单元，用于根据所述注意力集中区域值、所述人均注意力集中时间和所述学生总数量，得到所述注意力数值。
进一步的，所述评析装置还包括：
判断模块，用于判断所述当期次课程的教学效果是否符合触发标记功能的条件；
标记模块，用于将所述当前次课程进行标记，并更新标记课程数量。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请中提供的一种课堂教学质量的评析方法、装置和计算机设备，通过解析当前次课程的课堂视频得到各个学生在上课时的注意力信息、活跃度信息，以及通过获取教师在当前次课程的课程完成量解析得到教学效率，通过第一教学效果库得到注意力信息、活跃度信息以及教学效率分别对应的第一教学效果，再根据各第一教学效果计算得到当前次课程的课程总分，并根据课程总分对应得到当前次课程中教师的教学效果。在评析过程中具有统一的评析标准，且由系统自动完成，能够有效提高教学效果的评估效率、公正性和全面性，节省大量人力资源。
附图说明
图1是本申请一实施例中课堂教学质量的评析方法步骤示意图；
图2是本申请一实施例中课堂教学质量的评析方法装置整体结构框图；
图3是本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例中提供了一种课堂教学质量的评析方法，包括：
S1：获取教师当前次课程对应的课堂视频和课程完成量；
S2：解析所述课堂视频中包含学生的视频帧，得到所述当前次课程中学生的注意力信息和活跃度信息，并根据所述课程完成量计算得到所述当前次课程中教师的教学效率；
S3：将所述注意力信息转化为注意力数值；
S4：从预先构建的第一教学效果库中分别获取所述注意力数值、所述活跃度信息和所述教学效率对应的第一教学效果，所述第一教学效果库中存储有注意力数值、活跃度信息、教学效率与第一教学效果映射关系表；
S5：根据各所述第一教学效果对应的预设分数，计算得到所述当前次课程的课程总分；
S6：从预先构建的第二第一教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果，其中，所述第二第一教学效果库中存储有课程总分与第二教学效果映射关系表。
本实施例中，各教学地点中安装有监控摄像头，以便录取各个教学地点的教学视频，并将录取后的视频传输到教学评析系统中进行存储。教学评析系统与教室中的教学电脑进行连接。因此，教学评析系统可以通过教师在教学电脑上实时播放的教学资料，得到教师在当前次课程完成的教学课程量。教学评析系统需要根据教师当前次课程的教学信息，从预先构建的课程视频库中筛选得到对应的课堂视频。其中，教学信息包括教学地点和教学时间，课程视频库中包括教学地点和课程视频数据一一对应的多组数据。教学评析系统首先将教师当前次课程的教学地点输入课程视频库中，并根据教学地点与课程视频数据映射关系表，匹配得到教学地点对应的课程视频数据。其中，课程教学视频为该教学地点的所有视频集合生成的数据。在得到课程视频数据后，教学评析系统根据当前次课程的教学时间，对课程视频数据进行筛选，截取得到与教学时间的时间段对应的部分课程视频作为当前次课程的课堂视频。教学评析系统将课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态。其中，微表情识别模型为通过深度学习后构建的表情识别模型；注意力状态包括注意力集中状态和注意力分散状态。教学评析系统根据课堂视频中，各个处于注意力集中状态的学生在教室的座位，即位置信息，确定当前次课程的注意力集中区域。并且根据课堂视频的播放时间，分别确定各个学生处于注意力集中状态时的注意力集中时间；以及统计当前次课程中，所有处于注意力集中状态的学生的数量，并将统计后的学生的数量作为注意力集中数量。教学评析系统综合上述的注意力集中区域、各个学生的注意力集中时间以及注意力集中数量，生成当前次课程的注意力信息。同时，将课堂视频输入预先构建的动作识别模型中，动作识别模型通过识别课堂视频中学生是否出现互动动作影像，从而筛选得到学生和教师的所有互动影像。每一段互动影像为学生与教师的一次互动过程，因此教学评析系统通过统计所有互动影像的数量，即可得到当前次课程中学生与教师的互动次数。并且，教学评析系统计算所有互动影像总的播放时长，得到学生与教师的互动时长。教学评析系统汇总上述的互动次数和互动时长，得到当前次课程中学生的活跃度信息。教学评析系统与教室中的教学电脑进行连接，因此可以通过教师在教学电脑上播放的教学资料，得到教师在当前次课程完成的教学课程量。然后调取当前次课程对应的预设课程量，并计算当前次课程完成的教学课程量和预设课程量之间的比值，得到该教师在当前次课程中的教学效率。教学评析系统在得到当前次课程中学生的注意力信息、学生的活跃度信息和教师的教学效率后，需要将注意力信息转化为对应的注意力数值。具体的转化过程为：调取教学地点对应的教室面积，并计算注意力集中区域与教室面积之间的比值，并将比值作为注意力集中区域值；并获取当前次课程的学生总数量，然后将各注意力集中时间和学生总数量代入预设算法中，计算得到人均注意力集中时间。其中，预设算法为：S＝(X1+X2+....+Xn)/Y，其中，X为各个注意力集中时间，Y为学生总数量，S为人均注意力集中时间。教学评析系统将注意力集中区域值、人均注意力集中时间和学生数量作为注意力数值。教学评析系统将注意力数值、活跃度信息和教学效率输入预先构建的第一教学效果库中，根据注意力数值、活跃度信息、教学效率与第一教学效果映射关系表，分别匹配到各数据对应的第一教学效果。其中，第一教学效果库中包括注意力区间、活跃度区间、教学效率区间与第一教学效果分别对应的多组数据。比如，注意力集中区域值区间：80％—100％，对应的第一教学效果为：优；注意力集中区域值区间：60％—80％，对应的第一教学效果为：良；注意力集中区域值区间：30％—60％，对应的第一教学效果为：中；注意力集中区域值区间：0％—30％，对应的第一教学效果为：差。其余各类型的数据与第一教学效果之间的对应关系类似上述例子。教学评析系统在匹配得到注意力数值、活跃度数值和教学效率分别对应的第一教学效果之后，根据各个第一教学效果对应的预设分数，计算得到当前次课程的课程总分，再根据课程总分与第二教学效果映射关系表，从预先构建的第二教学效果库中匹配得到对应的第二教学效果，并将该第二教学效果作为当前次课程的教学效果。比如，教学评析系统设定的第一教学效果与预设分数的对应关系为：“优”对应的预设分数为20，“良”对应的预设分数为15，“中”对应的预设分数为10，“差”对应的预设分数为10。当课程总分为90—120时，对应的第二教学效果为：优；课程总分为60—90时，对应的第二教学效果为：良；课程总分为30—60时，对应的第二教学效果为：中；课程总分为0—30时，对应的第二教学效果为：差。
进一步的，所述获取教师当前次课程对应的课堂视频和课程完成量的步骤，包括：
S101：获取所述当前课程对应的教师的教学信息，所述教学信息包括教学地点和教学时间；
S102：从预先构建的课程视频库中获取所述教学地点对应的课程视频数据，所述课程视频库中存储有教学地点和课程视频数据映射关系表，所述课程视频数据为所述教学地点的所有时间段的视频集合数据；
S103：根据所述教学时间，从所述课堂视频数据中筛选得到所述课堂视频。
本实施例中，教学评析系统根据教师的名称和当前次课程的名称，从预先设定的课程表中查询得到对应的教学信息。其中，教学信息包括当前次课程的教学地点和教学时间。教学评析系统将教师当前次课程的教学地点输入课程视频库中，并根据教学地点与课程视频数据映射关系表，匹配得到教学地点对应的课程视频数据。其中，教学视频库由教学地点和课程视频数据一一对应的多组数据组成，课程教学视频为该教学地点的所有视频集合生成的数据。比如，当前次课程的教学地点为教室A，则教学评析系统筛选教室A所有通过监控摄像头拍摄的视频，即课程视频数据。在得到课程视频数据后，教学评析系统根据当前次课程的教学时间，对课程视频数据进行筛选，截取得到与教学时间的时间段一致的部分课程视频作为当前次课程的课堂视频。比如，当前次课程的教学时间为：2018年11月20日10:00—10:45，则教学评析系统从教室A的课程视频数据中，根据教学时间截取时间段为：2018年11月20日10:00—10:45的部分课程视频数据作为当前次课程的课堂视频。
进一步的，所述解析所述课堂视频，得到所述当前次课程中学生的注意力信息的步骤，包括：
S201：将所述课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态，所述注意力状态包括注意力集中状态；
S202：获取所述课堂视频中各所述注意力集中状态对应的学生的位置信息，并将各所述位置信息组合得到所述当前次课程的注意力集中区域；
S203：通过所述课堂视频的播放时间的记录，获取各所述注意力集中状态对应的学生进入注意力状态的开始时间和结束时间，并通过计算各个对应的所述结束时间和所述开始时间之间的差值之和确定各所述注意力集中状态对应的注意力集中时间；
S204：计算各所述注意力集中状态对应的学生的总数量，得到注意力集中数量；
S205：根据所述注意力集中区域、各所述注意力集中时间和所述注意力集中数量，生成所述注意力信息。
本实施例中，教学评析系统将课堂视频输入预先构建的微表情识别模型中，通过对各学生脸部图像特征的提取、比对，得到各个学生的注意力状态。其中，微表情识别模型为采用大量人在不同的注意力状态时的表情图片，经过深度学习后构建的表情识别模型；注意力状态包括注意力集中状态和注意力分散状态。教学评析系统根据课堂视频中，各个处于注意力集中状态的学生在教室的座位，即位置信息，确定当前次课程的注意力集中区域。并且根据课堂视频的播放时间，识别各个学生进入注意力集中状态的开始时间和退出注意力集中状态的结束时间，从而分别确定各个学生处于注意力集中状态时的注意力集中时间。教学评析系统统计当前次课程中，所有处于注意力集中状态的学生的数量，并将统计后的学生的数量作为注意力集中数量。教学评析系统综合上述的注意力集中区域、各个学生的注意力集中时间以及注意力集中数量，生成当前次课程的注意力信息。
进一步的，微表情识别模型还可以识别出学生不同的注意力状态，比如注意力分散状态。教学评析系统可以根据上述相同的方法，根据课堂视频的播放时间，确定各个学生在不同注意力状态的对应时间。
进一步的，所述解析所述课堂视频，得到所述当前次课程中学生的活跃度信息的步骤，包括：
S206：将所述课堂视频输入预先构建的动作识别模型中，得到学生与教师的所有互动影像；
S207：计算所述所有互动影像的数量，得到学生与教师的互动次数；并计算所述所有互动影像的播放时长，得到学生与教师的互动时长；
S208：根据所述互动次数和所述互动时长，生成所述活跃度信息。
本实施例中，教学评析系统将课堂视频输入预先构建的动作识别模型中，动作识别模型通过对课程视频中各个学生的动作图片特征的提取，比对，识别课堂视频中学生是否出现互动动作影像，从而筛选得到学生和教师的所有互动影像。比如，动作识别模型识别到学生有举手和站起来的动作时，则判定为学生与老师互动开始；识别到学生坐下时，则判定学生与老师的互动结束，整个过程为一段互动影像。每一段互动影像为学生与教师的一次互动过程，因此教学评析系统通过计算所有互动影像的数量，即可得到当前次课程中学生与教师的互动次数。并且，教学评析系统计算所有互动影像总的播放时长，得到学生与教师的互动时长。比如，当前次课程中共有5段互动影像，互动影像A时长为2分钟，互动影像B时长为1分钟，互动影像C时长为1分25秒，互动影像D时长为2分25秒，互动影像E时长为3分钟，则当前次课程的互动时长为9分50秒。教学评析系统汇总上述的互动次数和互动时长，得到当前次课程中学生的活跃度信息。
进一步的，所述根据所述课程完成量计算得到所述当前次课程中教师的教学效率的步骤，包括：
S209：调取所述当前次课程对应的预设课程量；
S2010：计算所述教学课程量与所述预设课程量之间的比值，得到所述教学效率。
本实施例中，教学评析系统与教室中的教学电脑进行连接。因此，教学评析系统可以通过教师在教学电脑上实时播放的教学资料，得到教师在当前次课程完成的教学课程量。比如，在当前次课程开始前，教学电脑上的教学资料显示的是：第一章第3节；在课程结束是时，教学资料显示的是：第一章第5节，则说明当前次课程完成教学课程量为：两节。然后调取当前次课程对应的预设课程量，并计算当前次课程完成的教学课程量和预设课程量之间的比值，得到该教师在当前次课程中的教学效率。其中，预设课程量由学校的相关人员进行设定，作为教师在每次课程中的基础完成量。
进一步的，所述将所述注意力信息转化为注意力数值的步骤，包括：
S301：调取所述教学地点对应的教室面积，并获取所述当前次课程的学生总数量；
S302：计算所述注意力集中区域与所述教室面积之间的比值，将所述比值作为注意力集中区域值；并将各所述注意力集中时间和所述学生总数量代入预设算法中，计算得到人均注意力集中时间；
S303：根据所述注意力集中区域值、所述人均注意力集中时间和所述学生总数量，得到所述注意力数值。
本实施例中，教学评析系统中预先录入有各个教学地点的面积，即教室面积。在将注意力信息转化为对应的注意力数值时，教学评析系统根据教学地点，调取对应的教室面积。然后计算注意力集中区域与教室面积之间的比值，并将该比值作为注意力集中区域值。教学评析系统获取当前次课程的学生总数量，然后将各注意力集中时间和学生总数量代入预设算法中，计算得到人均注意力集中时间。其中，预设算法为：S＝(X1+X2+....+Xn)/Y，其中，X为各个注意力集中时间，Y为学生总数量，S为人均注意力集中时间。教学评析系统将注意力集中区域值、人均注意力集中时间和学生数量按照数据类型的不同依次排列，作为注意力数值。
进一步的，所述从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果的步骤之后，包括：
S7：判断所述当前次课程的教学效果是否符合触发标记功能的条件；
S8：若符合触发标记功能的条件，则将所述当前次课程进行标记，并更新标记课程数量，所述标记课程数量为所述教师在当前次学期中符合标记功能的所有课程的数量。
本实施例中，教学评析系统在得到当前次课程的教学效果之后，调取预先设置的触发标记功能的条件，并将教学效果与触发标记功能的条件进行比对，判断当前次课程的教学效果是否符合触发标记功能的条件。其中，触发标记功能的条件由学校的相关负责人员设定，比如：当教学效果的等级为“良”或“良”以上时，则满足触发标记功能的条件。若当前次课程的教学效果满足触发标记功能的条件，则对当前次课程进行标记，并将当前次课程的相关教学信息录入标记课程库，并根据标记课程库中的标记课程数量。其中，标记课程库与当期次课程的教师相关联。
进一步的，所述将所述当前次课程进行标记，并更新标记课程数量的步骤之后，包括:
S9：分别获取所述教师当前次学期的课程总数量和更新后的标记课程数量；
S10：计算所述更新后的标记课程数量和所述课程总数量之间的比值，得到所述教师在所述当前次学期的教学评分。
本实施例中，在每个学期结束后，教学评析系统会自动对每个教师在本学期的教学质量进行评分。教学评析系统根据教师的名称，调取预先录入的该教师在当前次学期的所有课程的总数量，即课程总数量；以及在学期结束时标记课程库中的标记课程的总数量，即更新后的标记课程数量。教学评析系统计算更新后的标记课程数量和课程总数量之间的比值，得到该教师在当期次学期的教学评分。具体为：Z＝A/B*100，其中，Z为教学评分，A为更新后的标记课程数量，B为课程总数量。比如，更新后的标记课程数量为85，课程总数量为100，则教学评分为85。
本实施例提供的一种课堂教学质量的评析方法，通过解析当前次课程的课堂视频得到各个学生在上课时的注意力信息、活跃度信息，以及通过获取教师在当前次课程的课程完成量解析得到教学效率，综合分析后得到当前次课程中教师的教学效果。在评析过程中具有统一的评析标准，且由系统自动完成，能够有效提高教学效果的评估效率、公正性和全面性，节省大量人力资源。
参照图2，本申请一实施例中还提供了一种课堂教学质量的评析装置，包括：
第一获取模块1，用于获取教师当前次课程对应的课堂视频和课程完成量；
解析模块2，用于解析所述课堂视频中包含学生的视频帧，得到所述当前次课程中学生的注意力信息和活跃度信息，并根据所述课程完成量计算得到所述当前次课程中教师的教学效率；
转化模块3，用于将所述注意力信息转化为注意力数值；
第二获取模块4，用于从预先构建的第一教学效果库中分别获取所述注意力数值、所述活跃度信息和所述教学效率对应的第一教学效果；
计算模块5，用于根据各所述第一教学效果对应的预设分数，计算得到所述当前次课程的课程总分；
第三获取模块，用于从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果。
本实施例中，各教学地点中安装有监控摄像头，以便录取各个教学地点的教学视频，并将录取后的视频传输到教学评析系统中进行存储。教学评析系统与教室中的教学电脑进行连接。因此，教学评析系统可以通过教师在教学电脑上实时播放的教学资料，得到教师在当前次课程完成的教学课程量。教学评析系统需要根据教师当前次课程的教学信息，从预先构建的课程视频库中筛选得到对应的课堂视频。其中，教学信息包括教学地点和教学时间，课程视频库中包括教学地点和课程视频数据一一对应的多组数据。教学评析系统首先将教师当前次课程的教学地点输入课程视频库中，并根据教学地点与课程视频数据映射关系表，匹配得到教学地点对应的课程视频数据。其中，课程教学视频为该教学地点的所有视频集合生成的数据。在得到课程视频数据后，教学评析系统根据当前次课程的教学时间，对课程视频数据进行筛选，截取得到与教学时间的时间段对应的部分课程视频作为当前次课程的课堂视频。教学评析系统将课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态。其中，微表情识别模型为通过深度学习后构建的表情识别模型；注意力状态包括注意力集中状态和注意力分散状态。教学评析系统根据课堂视频中，各个处于注意力集中状态的学生在教室的座位，即位置信息，确定当前次课程的注意力集中区域。并且根据课堂视频的播放时间，分别确定各个学生处于注意力集中状态时的注意力集中时间；以及统计当前次课程中，所有处于注意力集中状态的学生的数量，并将统计后的学生的数量作为注意力集中数量。教学评析系统综合上述的注意力集中区域、各个学生的注意力集中时间以及注意力集中数量，生成当前次课程的注意力信息。同时，将课堂视频输入预先构建的动作识别模型中，动作识别模型通过识别课堂视频中学生是否出现互动动作影像，从而筛选得到学生和教师的所有互动影像。每一段互动影像为学生与教师的一次互动过程，因此教学评析系统通过统计所有互动影像的数量，即可得到当前次课程中学生与教师的互动次数。并且，教学评析系统计算所有互动影像总的播放时长，得到学生与教师的互动时长。教学评析系统汇总上述的互动次数和互动时长，得到当前次课程中学生的活跃度信息。教学评析系统与教室中的教学电脑进行连接，因此可以通过教师在教学电脑上播放的教学资料，得到教师在当前次课程完成的教学课程量。然后调取当前次课程对应的预设课程量，并计算当前次课程完成的教学课程量和预设课程量之间的比值，得到该教师在当前次课程中的教学效率。教学评析系统在得到当前次课程中学生的注意力信息、学生的活跃度信息和教师的教学效率后，需要将注意力信息转化为对应的注意力数值。具体的转化过程为：调取教学地点对应的教室面积，并计算注意力集中区域与教室面积之间的比值，并将比值作为注意力集中区域值；并获取当前次课程的学生总数量，然后将各注意力集中时间和学生总数量代入预设算法中，计算得到人均注意力集中时间。其中，预设算法为：S＝(X1+X2+....+Xn)/Y，其中，X为各个注意力集中时间，Y为学生总数量，S为人均注意力集中时间。教学评析系统将注意力集中区域值、人均注意力集中时间和学生数量作为注意力数值。教学评析系统将注意力数值、活跃度信息和教学效率输入预先构建的第一教学效果库中，根据注意力数值、活跃度信息、教学效率与第一教学效果映射关系表，分别匹配到各数据对应的第一教学效果。其中，第一教学效果库中包括注意力区间、活跃度区间、教学效率区间与第一教学效果分别对应的多组数据。比如，注意力集中区域值区间：80％—100％，对应的第一教学效果为：优；注意力集中区域值区间：60％—80％，对应的第一教学效果为：良；注意力集中区域值区间：30％—60％，对应的第一教学效果为：中；注意力集中区域值区间：0％—30％，对应的第一教学效果为：差。其余各类型的数据与第一教学效果之间的对应关系类似上述例子。教学评析系统在匹配得到注意力数值、活跃度数值和教学效率分别对应的第一教学效果之后，根据各个第一教学效果对应的预设分数，计算得到当前次课程的课程总分，再根据课程总分与第二教学效果映射关系表，从预先构建的第二教学效果库中匹配得到对应的第二教学效果，并将该第二教学效果作为当前次课程的教学效果。比如，教学评析系统设定的第一教学效果与预设分数的对应关系为：“优”对应的预设分数为20，“良”对应的预设分数为15，“中”对应的预设分数为10，“差”对应的预设分数为10。当课程总分为90—120时，对应的第二教学效果为：优；课程总分为60—90时，对应的第二教学效果为：良；课程总分为30—60时，对应的第二教学效果为：中；课程总分为0—30时，对应的第二教学效果为：差。。
进一步的，所述第一获取模块1，包括：
第一获取单元，用于获取所述当前课程对应的教师的教学信息；
第二获取单元，用于从预先构建的课程视频库中获取所述教学地点对应的课程视频数据；
筛选单元，用于根据所述教学时间，从所述课堂视频数据中筛选得到所述课堂视频。
本实施例中，教学评析系统根据教师的名称和当前次课程的名称，从预先设定的课程表中查询得到对应的教学信息。其中，教学信息包括当前次课程的教学地点和教学时间。教学评析系统将教师当前次课程的教学地点输入课程视频库中，并根据教学地点与课程视频数据映射关系表，匹配得到教学地点对应的课程视频数据。其中，教学视频库由教学地点和课程视频数据一一对应的多组数据组成，课程教学视频为该教学地点的所有视频集合生成的数据。比如，当前次课程的教学地点为教室A，则教学评析系统筛选教室A所有通过监控摄像头拍摄的视频，即课程视频数据。在得到课程视频数据后，教学评析系统根据当前次课程的教学时间，对课程视频数据进行筛选，截取得到与教学时间的时间段一致的部分课程视频作为当前次课程的课堂视频。比如，当前次课程的教学时间为：2018年11月20日10:00—10:45，则教学评析系统从教室A的课程视频数据中，根据教学时间截取时间段为：2018年11月20日10:00—10:45的部分课程视频数据作为当前次课程的课堂视频。
进一步的，所述解析模块2，包括：
第一匹配单元，用于将所述课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态；
第一确定单元，用于获取所述课堂视频中各所述注意力集中状态对应的学生的位置信息，并将各所述位置信息组合得到所述当前次课程的注意力集中区域；
第二确定单元，用于通过所述课堂视频的播放时间的记录，获取各所述注意力集中状态对应的学生进入注意力状态的开始时间和结束时间，并通过计算各个对应的所述结束时间和所述开始时间之间的差值之和确定各所述注意力集中状态对应的注意力集中时间；
第一计算单元，用于计算各所述注意力集中状态对应的学生的总数量，得到注意力集中数量；
第二生成单元，用于根据所述注意力集中区域、各所述注意力集中时间和所述注意力集中数量，生成所述注意力信息。
本实施例中，教学评析系统将课堂视频输入预先构建的微表情识别模型中，通过对各学生脸部图像特征的提取、比对，得到各个学生的注意力状态。其中，微表情识别模型为采用大量人在不同的注意力状态时的表情图片，经过深度学习后构建的表情识别模型；注意力状态包括注意力集中状态和注意力分散状态。教学评析系统根据课堂视频中，各个处于注意力集中状态的学生在教室的座位，即位置信息，确定当前次课程的注意力集中区域。并且根据课堂视频的播放时间，识别各个学生进入注意力集中状态的开始时间和退出注意力集中状态的结束时间，从而分别确定各个学生处于注意力集中状态时的注意力集中时间。教学评析系统统计当前次课程中，所有处于注意力集中状态的学生的数量，并将统计后的学生的数量作为注意力集中数量。教学评析系统综合上述的注意力集中区域、各个学生的注意力集中时间以及注意力集中数量，生成当前次课程的注意力信息。
进一步的，微表情识别模型还可以识别出学生不同的注意力状态，比如注意力分散状态。教学评析系统可以根据上述相同的方法，根据课堂视频的播放时间，确定各个学生在不同注意力状态的对应时间。
进一步的，所述解析模块2，还包括：
第二匹配单元，用于将所述课堂视频输入预先构建的动作识别模型中，得到学生与教师的所有互动影像；
第二计算单元，用于计算所述所有互动影像的数量，得到学生与教师的互动次数；并计算所述所有互动影像的播放时长，得到学生与教师的互动时长；
第二生成单元，用于根据所述互动次数和所述互动时长，生成所述活跃度信息。
本实施例中，教学评析系统将课堂视频输入预先构建的动作识别模型中，动作识别模型通过对课程视频中各个学生的动作图片特征的提取，比对，识别课堂视频中学生是否出现互动动作影像，从而筛选得到学生和教师的所有互动影像。比如，动作识别模型识别到学生有举手和站起来的动作时，则判定为学生与老师互动开始；识别到学生坐下时，则判定学生与老师的互动结束，整个过程为一段互动影像。每一段互动影像为学生与教师的一次互动过程，因此教学评析系统通过计算所有互动影像的数量，即可得到当前次课程中学生与教师的互动次数。并且，教学评析系统计算所有互动影像总的播放时长，得到学生与教师的互动时长。比如，当前次课程中共有5段互动影像，互动影像A时长为2分钟，互动影像B时长为1分钟，互动影像C时长为1分25秒，互动影像D时长为2分25秒，互动影像E时长为3分钟，则当前次课程的互动时长为9分50秒。教学评析系统汇总上述的互动次数和互动时长，得到当前次课程中学生的活跃度信息。
进一步的，所述解析模块2，还包括：
第一调取单元，用于调取所述当前次课程对应的预设课程量；
第三计算单元，用于计算所述教学课程量与所述预设课程量之间的比值，得到所述教学效率。
本实施例中，教学评析系统与教室中的教学电脑进行连接。因此，教学评析系统可以通过教师在教学电脑上实时播放的教学资料，得到教师在当前次课程完成的教学课程量。比如，在当前次课程开始前，教学电脑上的教学资料显示的是：第一章第3节；在课程结束是时，教学资料显示的是：第一章第5节，则说明当前次课程完成教学课程量为：两节。然后调取当前次课程对应的预设课程量，并计算当前次课程完成的教学课程量和预设课程量之间的比值，得到该教师在当前次课程中的教学效率。其中，预设课程量由学校的相关人员进行设定，作为教师在每次课程中的基础完成量。
进一步的，所述转化模块3，包括：
第二调取单元，用于调取所述教学地点对应的教室面积，并获取所述当前次课程的学生总数量；
第四计算单元，用于计算所述注意力集中区域与所述教室面积之间的比值，将所述比值作为注意力集中区域值；并将各所述注意力集中时间和所述学生总数量代入预设算法中，计算得到人均注意力集中时间；
第三生成单元，用于根据所述注意力集中区域值、所述人均注意力集中时间和所述学生总数量，得到所述注意力数值。
本实施例中，教学评析系统中预先录入有各个教学地点的面积，即教室面积。在将注意力信息转化为对应的注意力数值时，教学评析系统根据教学地点，调取对应的教室面积。然后计算注意力集中区域与教室面积之间的比值，并将该比值作为注意力集中区域值。教学评析系统获取当前次课程的学生总数量，然后将各注意力集中时间和学生总数量代入预设算法中，计算得到人均注意力集中时间。其中，预设算法为：S＝(X1+X2+....+Xn)/Y，其中，X为各个注意力集中时间，Y为学生总数量，S为人均注意力集中时间。教学评析系统将注意力集中区域值、人均注意力集中时间和学生数量按照数据类型的不同依次排列，作为注意力数值。
进一步的，所述评析装置还包括：
判断模块7，用于判断所述当前次课程的教学效果是否符合触发标记功能的条件；
标记模块8，用于将所述当前次课程进行标记，并更新标记课程数量。
本实施例中，教学评析系统在得到当前次课程的教学效果之后，调取预先设置的触发标记功能的条件，并将教学效果与触发标记功能的条件进行比对，判断当前次课程的教学效果是否符合触发标记功能的条件。其中，触发标记功能的条件由学校的相关负责人员设定，比如：当教学效果的等级为“良”或“良”以上时，则满足触发标记功能的条件。若当前次课程的教学效果满足触发标记功能的条件，则对当前次课程进行标记，并将当前次课程的相关教学信息录入标记课程库，并根据标记课程库中的标记课程数量。其中，标记课程库与当期次课程的教师相关联。
本实施例提供的一种课堂教学质量的评析装置，通过解析当前次课程的课堂视频得到各个学生在上课时的注意力信息、活跃度信息，以及通过获取教师在当前次课程的课程完成量解析得到教学效率，综合分析后得到当前次课程中教师的教学效果。在评析过程中具有统一的评析标准，且由系统自动完成，能够有效提高教学效果的评估效率、公正性和全面性，节省大量人力资源。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储第一教学效果库等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种课堂教学质量的评析方法。
上述处理器执行上述课堂教学质量的评析方法的步骤：
S1：获取教师当前次课程对应的课堂视频和课程完成量；
S2：解析所述课堂视频中包含学生的视频帧，得到所述当前次课程中学生的注意力信息和活跃度信息，并根据所述课程完成量计算得到所述当前次课程中教师的教学效率；
S3：将所述注意力信息转化为注意力数值；
S4：从预先构建的第一教学效果库中分别获取所述注意力数值、所述活跃度信息和所述教学效率对应的第一教学效果，所述第一教学效果库中存储有注意力数值、活跃度信息、教学效率与第一教学效果映射关系表；
S5：根据各所述第一教学效果对应的预设分数，计算得到所述当前次课程的课程总分；
S6：从预先构建的第二第一教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果，其中，所述第二第一教学效果库中存储有课程总分与第二教学效果映射关系表。
进一步的，所述获取教师当前次课程对应的课堂视频和课程完成量的步骤，包括：
S101：获取所述当前课程对应的教师的教学信息，所述教学信息包括教学地点和教学时间；
S102：从预先构建的课程视频库中获取所述教学地点对应的课程视频数据，所述课程视频库中存储有教学地点和课程视频数据映射关系表，所述课程视频数据为所述教学地点的所有时间段的视频集合数据；
S103：根据所述教学时间，从所述课堂视频数据中筛选得到所述课堂视频。
进一步的，所述解析所述课堂视频，得到所述当前次课程中学生的注意力信息的步骤，包括：
S201：将所述课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态，所述注意力状态包括注意力集中状态；
S202：获取所述课堂视频中各所述注意力集中状态对应的学生的位置信息，并将各所述位置信息组合得到所述当前次课程的注意力集中区域；
S203：通过所述课堂视频的播放时间的记录，获取各所述注意力集中状态对应的学生进入注意力状态的开始时间和结束时间，并通过计算各个对应的所述结束时间和所述开始时间之间的差值之和确定各所述注意力集中状态对应的注意力集中时间；
S204：计算各所述注意力集中状态对应的学生的总数量，得到注意力集中数量；
S205：根据所述注意力集中区域、各所述注意力集中时间和所述注意力集中数量，生成所述注意力信息。
进一步的，所述解析所述课堂视频，得到所述当前次课程中学生的活跃度信息的步骤，包括：
S206：将所述课堂视频输入预先构建的动作识别模型中，得到学生与教师的所有互动影像；
S207：计算所述所有互动影像的数量，得到学生与教师的互动次数；并计算所述所有互动影像的播放时长，得到学生与教师的互动时长；
S208：根据所述互动次数和所述互动时长，生成所述活跃度信息。
进一步的，所述根据所述课程完成量计算得到所述当前次课程中教师的教学效率的步骤，包括：
S209：调取所述当前次课程对应的预设课程量；
S2010：计算所述教学课程量与所述预设课程量之间的比值，得到所述教学效率。
进一步的，所述将所述注意力信息转化为注意力数值的步骤，包括：
S301：调取所述教学地点对应的教室面积，并获取所述当前次课程的学生总数量；
S302：计算所述注意力集中区域与所述教室面积之间的比值，将所述比值作为注意力集中区域值；并将各所述注意力集中时间和所述学生总数量代入预设算法中，计算得到人均注意力集中时间；
S303：根据所述注意力集中区域值、所述人均注意力集中时间和所述学生总数量，得到所述注意力数值。
进一步的，所述从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果的步骤之后，包括：
S7：判断所述当前次课程的教学效果是否符合触发标记功能的条件；
S8：若符合触发标记功能的条件，则将所述当前次课程进行标记，并更新标记课程数量，所述标记课程数量为所述教师在当前次学期中符合标记功能的所有课程的数量。
进一步的，所述将所述当前次课程进行标记，并更新标记课程数量的步骤之后，包括:
S9：分别获取所述教师当前次学期的课程总数量和更新后的标记课程数量；
S10：计算所述更新后的标记课程数量和所述课程总数量之间的比值，得到所述教师在所述当前次学期的教学评分。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种课堂教学质量的评析方法，具体为：
S1：获取教师当前次课程对应的课堂视频和课程完成量；
S2：解析所述课堂视频中包含学生的视频帧，得到所述当前次课程中学生的注意力信息和活跃度信息，并根据所述课程完成量计算得到所述当前次课程中教师的教学效率；
S3：将所述注意力信息转化为注意力数值；
S4：从预先构建的第一教学效果库中分别获取所述注意力数值、所述活跃度信息和所述教学效率对应的第一教学效果，所述第一教学效果库中存储有注意力数值、活跃度信息、教学效率与第一教学效果映射关系表；
S5：根据各所述第一教学效果对应的预设分数，计算得到所述当前次课程的课程总分；
S6：从预先构建的第二第一教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果，其中，所述第二第一教学效果库中存储有课程总分与第二教学效果映射关系表。
进一步的，所述获取教师当前次课程对应的课堂视频和课程完成量的步骤，包括：
S101：获取所述当前课程对应的教师的教学信息，所述教学信息包括教学地点和教学时间；
S102：从预先构建的课程视频库中获取所述教学地点对应的课程视频数据，所述课程视频库中存储有教学地点和课程视频数据映射关系表，所述课程视频数据为所述教学地点的所有时间段的视频集合数据；
S103：根据所述教学时间，从所述课堂视频数据中筛选得到所述课堂视频。
进一步的，所述解析所述课堂视频，得到所述当前次课程中学生的注意力信息的步骤，包括：
S201：将所述课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态，所述注意力状态包括注意力集中状态；
S202：获取所述课堂视频中各所述注意力集中状态对应的学生的位置信息，并将各所述位置信息组合得到所述当前次课程的注意力集中区域；
S203：通过所述课堂视频的播放时间的记录，获取各所述注意力集中状态对应的学生进入注意力状态的开始时间和结束时间，并通过计算各个对应的所述结束时间和所述开始时间之间的差值之和确定各所述注意力集中状态对应的注意力集中时间；
S204：计算各所述注意力集中状态对应的学生的总数量，得到注意力集中数量；
S205：根据所述注意力集中区域、各所述注意力集中时间和所述注意力集中数量，生成所述注意力信息。
进一步的，所述解析所述课堂视频，得到所述当前次课程中学生的活跃度信息的步骤，包括：
S206：将所述课堂视频输入预先构建的动作识别模型中，得到学生与教师的所有互动影像；
S207：计算所述所有互动影像的数量，得到学生与教师的互动次数；并计算所述所有互动影像的播放时长，得到学生与教师的互动时长；
S208：根据所述互动次数和所述互动时长，生成所述活跃度信息。
进一步的，所述根据所述课程完成量计算得到所述当前次课程中教师的教学效率的步骤，包括：
S209：调取所述当前次课程对应的预设课程量；
S2010：计算所述教学课程量与所述预设课程量之间的比值，得到所述教学效率。
进一步的，所述将所述注意力信息转化为注意力数值的步骤，包括：
S301：调取所述教学地点对应的教室面积，并获取所述当前次课程的学生总数量；
S302：计算所述注意力集中区域与所述教室面积之间的比值，将所述比值作为注意力集中区域值；并将各所述注意力集中时间和所述学生总数量代入预设算法中，计算得到人均注意力集中时间；
S303：根据所述注意力集中区域值、所述人均注意力集中时间和所述学生总数量，得到所述注意力数值。
进一步的，所述从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果的步骤之后，包括：
S7：判断所述当前次课程的教学效果是否符合触发标记功能的条件；
S8：若符合触发标记功能的条件，则将所述当前次课程进行标记，并更新标记课程数量，所述标记课程数量为所述教师在当前次学期中符合标记功能的所有课程的数量。
进一步的，所述将所述当前次课程进行标记，并更新标记课程数量的步骤之后，包括:
S9：分别获取所述教师当前次学期的课程总数量和更新后的标记课程数量；
S10：计算所述更新后的标记课程数量和所述课程总数量之间的比值，得到所述教师在所述当前次学期的教学评分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种课堂教学质量的评析方法，其特征在于，包括：
获取教师当前次课程对应的课堂视频和课程完成量；
解析所述课堂视频中包含学生的视频帧，得到所述当前次课程中学生的注意力信息和活跃度信息，并根据所述课程完成量计算得到所述当前次课程中教师的教学效率；
将所述注意力信息转化为注意力数值；
从预先构建的第一教学效果库中分别获取所述注意力数值、所述活跃度信息和所述教学效率对应的第一教学效果，所述第一教学效果库中存储有注意力数值、活跃度信息、教学效率与第一教学效果映射关系表；
根据各所述第一教学效果对应的预设分数，计算得到所述当前次课程的课程总分；
从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果，其中，所述第二教学效果库中存储有课程总分与第二教学效果映射关系表；
所述获取教师当前次课程对应的课堂视频和课程完成量的步骤，包括：
获取所述当前次课程对应的教师的教学信息，所述教学信息包括教学地点和教学时间；
从预先构建的课程视频库中获取所述教学地点对应的课程视频数据，所述课程视频库中存储有教学地点和课程视频数据映射关系表，所述课程视频数据为所述教学地点的所有时间段的视频集合数据；
根据所述教学时间，从所述课堂视频数据中筛选得到所述课堂视频；
所述解析所述课堂视频，得到所述当前次课程中学生的注意力信息的步骤，包括：
将所述课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态，所述注意力状态包括注意力集中状态；
获取所述课堂视频中各所述注意力集中状态对应的学生的位置信息，并将各所述位置信息组合得到所述当前次课程的注意力集中区域；
通过所述课堂视频的播放时间的记录，获取各所述注意力集中状态对应的学生进入注意力状态的开始时间和结束时间，并通过计算各个对应的所述结束时间和所述开始时间之间的差值之和确定各所述注意力集中状态对应的注意力集中时间；
计算各所述注意力集中状态对应的学生的总数量，得到注意力集中数量；
根据所述注意力集中区域、各所述注意力集中时间和所述注意力集中数量，生成所述注意力信息；
所述将所述注意力信息转化为注意力数值的步骤，包括：
调取所述教学地点对应的教室面积，并获取所述当前次课程的学生总数量；
计算所述注意力集中区域与所述教室面积之间的比值，将所述比值作为注意力集中区域值；并将各所述注意力集中时间和所述学生总数量代入预设算法中，计算得到人均注意力集中时间；
根据所述注意力集中区域值、所述人均注意力集中时间和所述学生总数量，得到所述注意力数值。
2.根据权利要求1所述的课堂教学质量的评析方法，其特征在于，所述解析所述课堂视频，得到所述当前次课程中学生的活跃度信息的步骤，包括：
将所述课堂视频输入预先构建的动作识别模型中，得到学生与教师的所有互动影像；
计算所述所有互动影像的数量，得到学生与教师的互动次数；并计算所述所有互动影像的播放时长，得到学生与教师的互动时长；
根据所述互动次数和所述互动时长，生成所述活跃度信息。
3.根据权利要求1所述的课堂教学质量的评析方法，其特征在于，所述根据所述课程完成量计算得到所述当前次课程中教师的教学效率的步骤，包括：
调取所述当前次课程对应的预设课程量；
计算所述教学课程量与所述预设课程量之间的比值，得到所述教学效率。
4.根据权利要求1所述的课堂教学质量的评析方法，其特征在于，所述从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果的步骤之后，包括：
判断所述当前次课程的教学效果是否符合触发标记功能的条件；
若符合触发标记功能的条件，则将所述当前次课程进行标记，并更新标记课程数量，所述标记课程数量为所述教师在当前次学期中符合标记功能的所有课程的数量。
5.一种课堂教学质量的评析装置，其特征在于，包括：
第一获取模块，用于获取教师当前次课程对应的课堂视频和课程完成量；
解析模块，用于解析所述课堂视频中包含学生的视频帧，得到所述当前次课程中学生的注意力信息和活跃度信息，并根据所述课程完成量计算得到所述当前次课程中教师的教学效率；
转化模块，用于将所述注意力信息转化为注意力数值；
第二获取模块，用于从预先构建的第一教学效果库中分别获取所述注意力数值、所述活跃度信息和所述教学效率对应的第一教学效果；
计算模块，用于根据各所述第一教学效果对应的预设分数，计算得到所述当前次课程的课程总分；
第三获取模块，用于从预先构建的第二教学效果库中获取所述课程总分对应的第二教学效果作为所述当前次课程的教学效果；
所述获取教师当前次课程对应的课堂视频和课程完成量，包括：
获取所述当前次课程对应的教师的教学信息，所述教学信息包括教学地点和教学时间；
从预先构建的课程视频库中获取所述教学地点对应的课程视频数据，所述课程视频库中存储有教学地点和课程视频数据映射关系表，所述课程视频数据为所述教学地点的所有时间段的视频集合数据；
根据所述教学时间，从所述课堂视频数据中筛选得到所述课堂视频；
所述解析所述课堂视频，得到所述当前次课程中学生的注意力信息，包括：
将所述课堂视频输入预先构建的微表情识别模型中，得到各个学生的注意力状态，所述注意力状态包括注意力集中状态；
获取所述课堂视频中各所述注意力集中状态对应的学生的位置信息，并将各所述位置信息组合得到所述当前次课程的注意力集中区域；
通过所述课堂视频的播放时间的记录，获取各所述注意力集中状态对应的学生进入注意力状态的开始时间和结束时间，并通过计算各个对应的所述结束时间和所述开始时间之间的差值之和确定各所述注意力集中状态对应的注意力集中时间；
计算各所述注意力集中状态对应的学生的总数量，得到注意力集中数量；
根据所述注意力集中区域、各所述注意力集中时间和所述注意力集中数量，生成所述注意力信息；
所述将所述注意力信息转化为注意力数值，包括：
调取所述教学地点对应的教室面积，并获取所述当前次课程的学生总数量；
计算所述注意力集中区域与所述教室面积之间的比值，将所述比值作为注意力集中区域值；并将各所述注意力集中时间和所述学生总数量代入预设算法中，计算得到人均注意力集中时间；
根据所述注意力集中区域值、所述人均注意力集中时间和所述学生总数量，得到所述注意力数值。
6.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN201910341815.9A 2019-04-25 2019-04-25 课堂教学质量的评析方法、装置和计算机设备 Active CN110070295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910341815.9A CN110070295B (zh) 2019-04-25 2019-04-25 课堂教学质量的评析方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910341815.9A CN110070295B (zh) 2019-04-25 2019-04-25 课堂教学质量的评析方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN110070295A CN110070295A (zh) 2019-07-30
CN110070295B true CN110070295B (zh) 2024-03-05

Family

ID=67369044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910341815.9A Active CN110070295B (zh) 2019-04-25 2019-04-25 课堂教学质量的评析方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN110070295B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443487A (zh) * 2019-07-31 2019-11-12 浙江工商职业技术学院 一种教学评价方法及设备
CN110533335A (zh) * 2019-09-02 2019-12-03 西南大学 一种课堂认知负荷测量方法及系统
CN110533336A (zh) * 2019-09-02 2019-12-03 西南大学 一种教学决策匹配方法及装置
CN110610310A (zh) * 2019-09-10 2019-12-24 北京字节跳动网络技术有限公司 一种教学考核的方法、装置、介质和电子设备
CN110675676A (zh) * 2019-10-14 2020-01-10 江苏食品药品职业技术学院 一种基于微信小程序的课堂教学及时评分方法
CN112669177A (zh) * 2019-10-16 2021-04-16 北京三好互动教育科技有限公司 一种提问人数统计方法和装置
CN110782185A (zh) * 2019-11-09 2020-02-11 上海光数信息科技有限公司 一种课堂行为识别分析方法
CN111626252B (zh) * 2020-06-02 2023-04-07 北京中广上洋科技股份有限公司 一种教学视频分析方法及装置
CN111681144B (zh) * 2020-06-04 2023-03-28 雷昊 一种直播教学过程中检测学生听课状态的方法及装置
CN111862706A (zh) * 2020-07-27 2020-10-30 联想(北京)有限公司 一种基于在线教学的信息处理方法、系统及电子设备
CN112270231A (zh) * 2020-10-19 2021-01-26 北京大米科技有限公司 一种确定目标视频属性特征的方法、存储介质、电子设备
CN114971425B (zh) * 2022-07-27 2022-10-21 深圳市必提教育科技有限公司 数据库信息监控方法、装置、设备及存储介质
CN115186014B (zh) * 2022-09-13 2022-12-02 江苏巨信众汇数字科技有限公司 用于教育实训的数据处理方法
CN115983556B (zh) * 2022-12-08 2023-09-29 北京布局未来教育科技有限公司 一种教师排课优化方法、系统及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072390A1 (zh) * 2016-10-19 2018-04-26 深圳市鹰硕技术有限公司 一种课堂教学的录制和点播的方法及系统
CN108108903A (zh) * 2017-12-26 2018-06-01 重庆大争科技有限公司 课堂教学质量评估系统
CN109284944A (zh) * 2018-12-12 2019-01-29 范例 一种基于机器视觉的课堂教学互动活跃度评价系统
CN109657529A (zh) * 2018-07-26 2019-04-19 台州学院 基于面部表情识别的课堂教学效果评价系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016106414A1 (en) * 2014-12-27 2016-06-30 Fried Moshe Educational system with real time behavior tracking
US20180233057A1 (en) * 2017-02-13 2018-08-16 Microsoft Technology Licensing, Llc Proactive content recommendation in teaching space
US11217109B2 (en) * 2017-09-19 2022-01-04 Minerva Project, Inc. Apparatus, user interface, and method for authoring and managing lesson plans and course design for virtual conference learning environments

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072390A1 (zh) * 2016-10-19 2018-04-26 深圳市鹰硕技术有限公司 一种课堂教学的录制和点播的方法及系统
CN108108903A (zh) * 2017-12-26 2018-06-01 重庆大争科技有限公司 课堂教学质量评估系统
CN109657529A (zh) * 2018-07-26 2019-04-19 台州学院 基于面部表情识别的课堂教学效果评价系统
CN109284944A (zh) * 2018-12-12 2019-01-29 范例 一种基于机器视觉的课堂教学互动活跃度评价系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于流媒体的学生课堂行为视频图像采集和识别系统研究;王熹;史朝群;;数字通信世界;20190401(第04期);第255-256页 *
学生课堂行为视频图像采集和识别系统;王熹;;发明与创新(中学生)(第06期);第36-37页 *
王熹 ; .学生课堂行为视频图像采集和识别系统.发明与创新(中学生).2018,(第06期),第36-37页. *

Also Published As

Publication number Publication date
CN110070295A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
CN110070295B (zh) 课堂教学质量的评析方法、装置和计算机设备
Ruipérez-Valiente et al. ALAS-KA: A learning analytics extension for better understanding the learning process in the Khan Academy platform
CN105679122A (zh) 多功能大学英语教学管理系统
CN111353921A (zh) 一种考试管理方法及系统、电子设备
CN115630860A (zh) 教学质量评测方法、装置、设备及存储介质
CN111428686A (zh) 一种学生兴趣偏好评估方法、装置及系统
Živković Professional development and teachers professional identity: self-assessment in Republic of Serbia
CN112990723A (zh) 基于用户学习行为深度分析的在线教育平台学生学习力分析反馈方法
Ploeger et al. Development of trainee teachers' analytical competence in their induction phase–A longitudinal study comparing science and non-science teachers
CN110837960A (zh) 学生情感分析方法
CN111597305B (zh) 实体标记方法、装置、计算机设备和存储介质
CN110111011B (zh) 一种教学质量监管方法、装置及电子设备
CN112507679A (zh) 一种自动生成课程表的方法、装置、电子设备及存储介质
Yücel et al. An algorithm for automatic collation of vocabulary decks based on word frequency
CN110648263A (zh) 一种基于校园大数据的自适应学习方法、装置及设备
Gerich Teachers ‘Counseling Competence in Parent-Teacher Talks: Modeling, Intervention, Behavior-Based Assessment
CN110826796A (zh) 成绩预测方法
VanSickle Designing simulation games to teach decision-making skills
CN114882424A (zh) 体育项目测评方法、相关设备及计算机可读存储介质
Lee et al. Utilizing natural language processing (NLP) to evaluate engagement in project-based learning
WO2022018453A1 (en) Context aware assessment
Lyu et al. Promoting student completion in a MOOC on information theory
CN112116264A (zh) 一种活跃度评估方法及装置
CN116453387B (zh) 一种ai智能教学机器人控制系统及方法
Abacı et al. Investigation of the effects of the program “utilization of the museums for pre-school education” on 6 year-old children

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