CN110516979A - 一种个性化学习评价方法及装置 - Google Patents
一种个性化学习评价方法及装置 Download PDFInfo
- Publication number
- CN110516979A CN110516979A CN201910825423.XA CN201910825423A CN110516979A CN 110516979 A CN110516979 A CN 110516979A CN 201910825423 A CN201910825423 A CN 201910825423A CN 110516979 A CN110516979 A CN 110516979A
- Authority
- CN
- China
- Prior art keywords
- learning
- target object
- individualized
- study
- global
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000013210 evaluation model Methods 0.000 claims description 34
- 230000008921 facial expression Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 241000406668 Loxodonta cyclotis Species 0.000 claims description 2
- 238000011157 data evaluation Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 230000001815 facial effect Effects 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 210000003205 muscle Anatomy 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000007786 learning performance Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002045 lasting effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请提供一种个性化学习评价方法及装置,涉及教育技术领域。该个性化学习评价方法包括,在对目标对象进行学习评价时,根据目标对象上课时的学习状态,生成相对应的个性化学习建议,然后根据个性化学习建议生成所有所述目标对象的整体学习评价结果,能够对学习者在学习中所体现出来的相关特性(喜欢的学习课程,擅长的学习知识类型,喜欢的教学方法,偏好的学习时间等)做一个全面的描述和评价,并采用SWOT模型给出建议。
Description
技术领域
本申请涉及教育技术领域,具体而言,涉及一种个性化学习评价方法及装置。
背景技术
目前,教育问题一直是人们普遍关注的重点问题,随着人们生活水平的提高及物质生活的改善,人们对教育问题越来越重视。随着信息技术的发展,计算机和互联网已经广泛应用于学习过程,出现了电子学习、开放式学习、网络学习、合作学习和探究式学习等多种学习方法。学生可以通过客户端访问或下载服务器的教学资源进行学习,并提供在线的学生交流、教师辅导和考试功能。这些教学资源采用了文字、图表、声音、动画和视频等多种媒体形式,生动形象,提高了学习的趣味性和效率,有效促进了学习。然而,无论是在网络课程学习中还是实际的课堂学习中,为了方便家长和学校了解学生的学习情况,因材施教,都需要对学生的学习情况进行评价。现有的个性化学习评价方法是结合学生的考试成绩以及老师对学生的学习表现评分,进而得到学生的学习评价结果。然而,对于各位教师对学生在课堂上表现的评价,都是基于老师自己的印象,造成学生的学习表现评分主观性强,准确性低,且评价反馈周期较长,不具备实时性。另一方面,仅凭阶段内的考试成绩无法准确确定学生的该阶段的学习情况。可见,现有的学习评价法方法无法对每一个学生的学习特性进行较为系统、全面、及时、客观、科学的评价。
发明内容
本申请实施例的目的在于提供一种个性化学习评价方法及装置,能够对每一个学生的学习特性进行较为系统、全面、及时、客观科学地评价。
本申请实施例提供了一种个性化学习评价方法,包括:
获取多个目标对象的面部表情数据,并对所述面部表情数据进行识别处理,得到多个所述目标对象的学习状态集合;
通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议;
根据每个所述目标对象的个性化学习建议生成所有所述目标对象的整体学习评价结果。
在上述实现过程中,在对目标对象进行学习评价时,根据目标对象上课时的学习状态,生成相对应的个性化学习建议,然后根据个性化学习建议生成所有所述目标对象的整体学习评价结果,能够对学习者的学习情况作出准确客观的评价,实时性好,效率高,进而有助于目标对象成绩的提升。
进一步地,在所述通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议之前,还包括:
获取用于构建个性化评价模型的学习状态属性数据和学习偏好数据;
根据所述学习状态属性数据和所述学习偏好数据构建所述个性化评价模型。
在上述实现过程中,根据学习状态属性数据和学习偏好数据构建的个性化评价模型,能够对目标对象的学习状态属性和学习偏好进行分析评价,更有针对性。
进一步地,所述学习状态属性数据包括多种学习状态和学习属性,其中,学习属性包括学习课程、学习时间、知识类型中的一种或者多种;
所述学习偏好数据包括学习兴趣、学习时间、学习策略、学习难点中的一种或者多种。
在上述实现过程中,通过对目标对象的学习状态属性和学习偏好进行分析评价,能够对目标对象的学习课程、学习时间、知识类型、学习兴趣、学习时间、学习策略、学习难点中的一种或者多种进行有针对性的全方位评价,得到的评价结果更具有参考意义,进而帮助目标对象学习能力的提升。
进一步地,在所述通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议之后,所述方法还包括:
根据所述学习状态集合,计算每个所述目标对象的学习情况指标;
根据每个所述目标对象的学习情况指标,计算所有所述目标对象的整体学习情况指标;
根据所述整体学习情况指标和每个所述目标对象的学习情况指标,生成异常学情信息。
在上述实现过程中,在得到个性化学习建议之后,还能够根据学习状态集合从所有目标对象中确定出上课状态不好的学习者名单,并判断目标对象整体的学习状态是否异常,进而生成异常报警信息,及时发现异常,为老师提供有效的教学参考。
进一步地,所述根据所述整体学习情况指标和每个所述目标对象的学习情况指标,生成异常学情信息,包括:
根据每个所述目标对象的学习情况指标从所有所述目标对象中确定处于异常学习状态的目标对象名单,并根据所有所述目标对象的整体学习情况指标判断所有所述目标对象的整体学习状态是否为异常状态;
当判断出所述整体学习情况指标判断出所述整体学习状态为异常状态时,生成整体学情异常报警信息;
根据所述处于异常学习状态的目标对象名单和所述整体学情异常报警信息生成异常学情信息。
在上述实现过程中,能够根据目标对象的学习情况指标确定出处于异常学习状态的目标对象名单,并能够根据目标对象的学习情况指标计算出所有目标对象的整体学习情况指标,最后再根据整体学习情况指标判断所有目标对象的学习情况是否存在异常,如果存在异常则生成异常学情信息并输出,及时提示异常学习情况。
进一步地,所述根据每个所述目标对象的个性化学习建议生成所有所述目标对象的整体学习评价结果,包括:
根据每个所述目标对象的个性化学习建议确定所有所述目标对象的整体学习建议;
根据所述每个所述目标对象的个性化学习建议、所述整体学习建议以及所述异常学情信息生成所有所述目标对象的整体学习评价结果。
在上述实现过程中,整体学习评价结果包括每个目标对象的个性化学习建议、整体学习建议以及异常学情信息,能够对学习者的学习情况作出准确客观全方面的评价,实时性好,效率高,进而有助于目标对象成绩的提升。
进一步地,一种个性化学习评价装置,包括:
状态获取模块,用于获取多个目标对象的面部表情数据,并对所述面部表情数据进行识别处理,得到多个所述目标对象的学习状态集合;
个性化建议模块,用于通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议;
评价结果生成模块,用于根据每个所述目标对象的个性化学习建议生成所有所述目标对象的整体学习评价结果。
在上述实现过程中,在对目标对象进行学习评价时,个性化建议模块先根据状态获取模块获取到的目标对象上课时的学习状态,生成相对应的个性化学习建议,然后评价结果生成模块根据个性化学习建议生成所有所述目标对象的整体学习评价结果,能够对学习者的学习情况作出准确客观的评价,实时性好,效率高,进而有助于目标对象成绩的提升。
进一步地,所述个性化学习评价装置还包括:
数据获取模块,用于在通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议之前,获取用于构建个性化评价模型的学习状态属性数据和学习偏好数据;
模型构建模块,用于根据所述学习状态属性数据和所述学习偏好数据构建所述个性化评价模型。
在上述实施方式中,根据学习状态属性数据和学习偏好数据构建的个性化评价模型,能够对目标对象的学习状态属性和学习偏好进行分析评价,更有针对性。
本发明第三方面公开一种计算机设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行第一方面公开的部分或者全部的个性化学习评价方法。
本发明第四方面公开一种计算机可读存储介质,其存储有第三方面的计算机设备中所使用的计算机程序。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例一提供的一种个性化学习评价方法的流程示意图;
图2为本申请实施例一提供的一种目标对象的个体学习状态的示意图;
图3为本申请实施例一提供的一种目标对象的个性化学习建议的展示示意图;
图4为本申请实施例一提供的一种异常学情信息的展示示意图;
图5为本申请实施例二提供的一种个性化学习评价装置的结构示意图;
图6为本申请实施例二提供的另一种个性化学习评价装置的结构示意图;
图7是本申请实施例一提供的一种个性化学习展示与优化方法的流程示意图;
图8是本申请实施例一提供的一种目标学习者上课时的个体学习状态的展示示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
请参看图1,图1为本申请实施例提供的一种个性化学习评价方法的流程示意框图。如图1所示,该个性化学习评价方法包括:
S101、获取多个目标对象的面部表情数据,并对面部表情数据进行识别处理,得到多个目标对象的学习状态集合。
本申请实施例中,面部表情(facial expression)是指通过眼部肌肉、颜面肌肉和口部肌肉的变化来表现各种情绪状态。从给定的静态图像或动态视频序列(如课堂监控视频、课堂监控照片等)中分离出特定的面部表情数据,在对面部表情数据进行识别,从而确定被识别对象的心理情绪。
本申请实施例中,在根据课堂监控视频获取到面部表情数据时,先在课堂监控视频中确定人脸的位置,人脸图像检测与定位就是在输入图像中找到人脸确切的位置,然后再根据人脸确切的位置提取出人脸图像,再对人脸图像进行识别分类,得到每个目标对象对应的人脸图像数据,然后再分别对每个目标对象的人脸图像数据进行表情识别,进而得到每个目标对象的面部表情数据。
本申请实施例中,人脸图像检测与定位的基本思想是用知识或统计的方法对人脸建模,比较待检测区域与人脸模型的匹配程度,从而得到可能存在人脸的区域。其方法包括基于统计的人脸检测、基于知识的人脸检测等,其中基于统计的人脸检测是将人脸图像视为一个高维向量,将人脸检测问题转化为高维空间中分布信号的检测问题;基于知识的人脸检测是利用人的知识建立若干规则,从而将人脸检测问题转化为假设、验证问题,对此本申请实施例不作限定。
本申请实施例中,对人脸图像数据进行表情识别的方法包括基于模板的匹配方法、基于神经网络的方法、基于概率模型的方法、基于支持向量机的方法等,对此本申请实施例不作限定。
本申请实施例中,学习状态包括游移状态、专注状态、思考状态、困惑状态、理解状态、厌烦状态等,对此本申请实施例不作限定。
本申请实施例中,经由面部表情视频数据进行计算处理得到的个体学习状态可能有m种,则m种学习状态组成一个学习状态集合S,S={S1,S2,…,Sm},其中,学习状态集合S包括积极学习状态集合Sp和消极学习状态集合Sd。积极学习状态集合Sp包括r1种积极学习状态,Sp={Sp1,Sp2,…,Spr1},消极学习状态集合Sd包括r2种消极学习状态,Sd={Sd1,Sd2,…,Sdr2},其中r1+r2=m,S={S1,S2,…,Sm}={Sp1,Sp2,…,Spr1,Sd1,Sd2,…,Sdr2}。
本申请实施例中,设一共有P个目标对象,每个目标对象的姓名标识为yj。则有姓名标识集合Y={y1,y2,…,yj,…,yp}。其中,j∈[1,P]。用学习状态表byj-s表示目标对象yj的个体学习状态。学习状态表byj-s由Sk,Tsk和△Tsk三个字段构成,其中:Sk表示该目标对象yj在某时刻出现的学习状态,设共记录了目标对象yj的n个学习状态,则有Syj={S1,S2,…,Sk,…,Sn},Sk∈{S1,S2,…,Sm},Tsk表示Sk出现的时间戳,则有时间戳集合Tsk={Ts1,Ts2,…,Tsn},△Tsk表示学习状态Sk持续的时长,△TSk=tsk+1-tsk,则有学习状态持续时间集合△TS={△Tsk1,△Tsk2,…,△Tskn}。
本申请实施例中,学习状态集合包括每个目标对象的学习状态。对于每个学习者的学习状态来说,以张三为例,当目标对象的姓名标识为张三时,请参阅图2,图2为本申请实施例提供的一种目标对象的个体学习状态的示意图。如图2所示,张三的学习状态包括学习状态类型、每个学习状态类型对应的持续时长、每个学习状态对应的开始时间等,对此本实施例不作限定。
在步骤S101之后,还包括以下步骤:
S102、通过预先构建的个性化评价模型对学习状态集合进行匹配比较处理,得到每个目标对象的个性化学习建议。
本申请实施例中,个性化学习建议包括课程相对偏好度建议、教学方法建议、知识类型建议、学习时段建议等,对此本申请实施例不作限定。
本申请实施例中,个性化学习建议是通过对目标对象的全方位评价发现和解决目标对象所存在的学习问题,为目标对象度身定制不同于别人的学习策略和学习方法,让目标对象进行有效的学习。实际上,每一个目标对象都是与众不同的,有自己独特的天赋特性、偏好和天生优势,也有不同于别人的弱点。通过个性化评价模型得到每个目标对象的个性化学习建议,能够帮助目标对象迅速提高学习成绩。
本申请实施例中,个性化评价模型包括课程相对偏好度子模型、教学方法相对偏好度子模型、知识类型相对偏好度子模型、学习时段相对偏好度子模型等,对此本申请实施例不作限定。
本申请实施例中,预设的个性化评价模型是与每个不同目标对象一一对应的,针对张三,则有预设的与张三对应的个性化评价模型。具体的,以个性化评价模型包括的课程相对偏好度子模型为例,设目标对象为张三时,且课程L(包括数学、语文、英语、化学)为张三所学习的课程。请参阅图8,用B张三-s-课程表示图8所示的张三所上课程的个体学习状态,先统计出B张三-s-数学中理解、思考、专注、游移、理解、困惑等6种学习状态出现的总持续时长,即△Tsi-数学,total,i∈[1,6],然后再同理计算每个课程中,每种学习状态出现的总持续时长,最后在计算每个课程对应的偏好度,以计算数学的偏好度为例,其计算公式为:
再用同样方法计算出语文对应的偏好度G语文、英语对应的偏好度G英语和化学对应的偏好度G化学,再通过以下公式,分别计算出语文对应的相对偏好度ZG语文、数学对应的相对偏好度ZG数学、英语对应的相对偏好度ZG英语和化学对应的相对偏好度ZG化学,以计算ZG数学为例,计算公式如下:
同理可得,进而可以得到张三同学的课程相对偏好度子模型:ZG课程={ZG数学、ZG语文、ZG化学、ZG英语},其中
本申请实施例中,假设计算出张三的相对课程偏好模型ZG课程={ZG数学、ZG语文、ZG化学、ZG英语、ZG物理},在生成每个目标对象的个性化学习建议时,先对ZG数学、ZG语文、ZG化学、ZG英语、ZG物理由大到小进行排序,假设排在前20%的课程是语文,排在后20%的课程是物理,则可以得出张三的偏好课程是语文课,劣势课程是物理课。然后再获取张三对应的历史相对偏好排序数据,将当前的ZG数学、ZG语文、ZG化学、ZG英语、ZG物理的排序与历史相对偏好排序数据进行比较,假设英语的相对位置在降低,则可以判断出英语课程存在下滑的趋势,进而可以生成针对张三的个性化学习建议。同理,可以依次分析教学方法,知识类型,学习时段等其它个性化特征。
本申请实施例中,先通过预先构建的个性化评价模型对学习状态集合计算相应的相对偏好度,然后再通过个性化评价模型进行匹配处理,进而得到相应的个性化学习建议。
本实施实例中,以个性化评价模型包括的课程相对偏好度子模型为例,设目标对象为张三时,同时课程L(包括数学、语文、英语、化学)为张三所学习的课程。可以根据课程L获取张三的个性化学习特征,即课程相对偏好度,设课程相对偏好度ZG课程={ZG数学,ZG语文,…,ZG英语,…,ZG化学}。其中,G数学表示张三对数学课的偏好度、G语文表示张三对语文课的偏好度、G英语表示张三对英语课的偏好度、G化学表示张三对化学课的偏好度;用B张三-s-课程表示张三所上课程的个体学习状态,即张三所上课程的学习状态表。
请一并参阅图3,图3是本申请实施例提供的一种目标对象的个体学习状态的示意图。如图3所示,从张三的B张三-s-课程中提取出数学课的学习状态,再通过课程相对偏好度子模型可以得到张三的个性化学习建议,最后可以输出张三的个性化学习建议。根据个性化评价模型可以得到优势学科为语文,对于概念、事实类的知识学习比较有优势,同时学习状态最好的时间是早上第二节课,学习效率最好的学习方法是教室讲授的方法;另一方面,劣势学科为物理,对于原理类的知识学习存在劣势,同时学习状态最差的时间是下午第一节课,学习效率最差的学习方法是讨论的方法。针对以上分析结果,进而给出的个性化评价建议是英语成绩存在下滑趋势,学习状态不好,因此需要及时发现自己学习的困难之处,及时找老师沟通交流。
作为一种可选的实施方式,在通过预先构建的个性化评价模型对学习状态集合进行匹配比较处理,得到每个目标对象的个性化学习建议之前,还包括以下步骤:
获取用于构建个性化评价模型的学习状态属性数据和学习偏好数据;
根据学习状态属性数据和学习偏好数据构建个性化评价模型。
在上述实施方式中,学习状态属性数据包括多种学习状态和学习属性,其中,学习属性包括学习课程、学习时间、知识类型中的一种或者多种,对此本申请实施例不作限定。
在上述实施方式中,学习偏好数据包括学习兴趣、学习时间、学习策略、学习难点中的一种或者多种,对此本申请实施例不作限定。
在步骤S102之后,还包括以下步骤:
S103、根据学习状态集合,计算每个目标对象的学习情况指标。
本申请实施例中,学习情况指标包括异常学情次数、异常学情累计时间等,对此本申请实施例不做限定。
作为一种可选的实施方式,根据学习状态集合,计算每个目标对象的学习情况指标,可以包括以下步骤:
根据所有目标对象的整体学习状态,统计每个目标对象上课时每种学习状态出现的次数CSi和持续总时长△TSi,total;
根据每个目标对象上课时每种学习状态出现的次数CSi和持续总时长△TSi,total,计算该目标对象的学习情况指标。
在上述实施方式中,举例来说,在求张三的学习情况指标时,以图2所示的张三的个体学习状态为例,首先统计张三上课时每种学习状态出现的次数CSi和持续总时长△TSi,total,具体的,统计情况如下:
C理解=1;△T理解,total=180s;
C思考=1;△T思考,total=240s;
C专注=4;△T专注,total=960s;
C困惑=2;△T困惑,total=360s;
C游移=3;△T游移,total=540s;
C厌恶=1;△T厌恶,total=120s;
然后再根据上述统计结果求出张三的异常学情指数(包括异常学情次数θ1和异常学情累计时间θ2),其中,
异常学情次数
异常学情累计时间分钟。
在步骤S103之后,还包括以下步骤:
S104、根据每个目标对象的学习情况指标,计算所有目标对象的整体学习情况指标。
本申请实施例中,在根据每个目标对象的学习情况指标,计算所有目标对象的整体学习情况指标时,可以先获取每个目标对象上课时每种学习状态出现的次数CSi和持续总时长△TSi,total,然后再根据CSi和△TSi,total计算所有目标对象的整体学习情况指标。
S105、根据整体学习情况指标和每个目标对象的学习情况指标,生成异常学情信息。
请一并参阅图4,图4本发明实施例提供的一种异常学情信息的展示示意图。所有目标对象的整体学习情况指标包括处于每种异常学习状态的人数统计以及处于每种学习状态的目标对象的标识统计,并如图4所示的格式进行展示,当某个目标对象(如图4所示的张三)的学习情况指标不符合预设正常学情阈值时,则输出该目标对象的标识(如图4所示的张三)及该目标对象的学习状态,进行报警显示。
作为一种可选的实施方式,根据整体学习情况指标和每个目标对象的学习情况指标,生成异常学情信息,可以包括以下步骤:
根据每个目标对象的学习情况指标从所有目标对象中确定处于异常学习状态的目标对象名单,并根据所有目标对象的整体学习情况指标判断所有目标对象的整体学习状态是否为异常状态;
当判断出整体学习情况指标判断出整体学习状态为异常状态时,生成整体学情异常报警信息;
根据处于异常学习状态的目标对象名单和整体学情异常报警信息生成异常学情信息。
在上述实施方式中,当整体学习情况指标低于报警阈值时,则输出报警信号,以提示多个目标对象整体的学习情况偏差,需要及时对目标对象的学习情况进行沟通提升。
作为进一步可选的实施方式,当判断出整体学习情况指标判断出整体学习状态不为异常状态时,还包括以下步骤:
根据整体学习情况指标生成整体教学建议;
根据整体教学建议和处于异常学习状态的目标对象名单生成学情建议信息;
输出学情建议信息。
在步骤S105之后,还包括以下步骤:
S106、根据每个目标对象的个性化学习建议确定所有目标对象的整体学习建议。
S107、根据每个目标对象的个性化学习建议、整体学习建议以及异常学情信息生成所有目标对象的整体学习评价结果。
本申请实施例中,实施上述步骤S106~步骤S107,能够根据每个目标对象的个性化学习建议生成所有目标对象的整体学习评价结果。
本申请实施例中,整体学习评价结果是通过目标对象的面部表情数据,在标准与信息比较的基础上作出的价值判断。通过对目标对象的学习表现、学习结果、学习方法、学习习惯等做出判断得到整体学习评价结构,使之对学生的学习产出导向、鼓励、批评、纠正、改进等作用;以及通过目标对象的面部表情、眼神等面部表情数据进行实时分析得到学习状态集合,进而形成客观全面的学习评价。通过整体学习评价结果可以了解到目标对象对课程知识的认识,同时也能了解不同目标对象对同一知识掌握的差异性。其次整体学习评价结果还能够引发目标对象对知识的深入思考,引导目标对象进行有效的学习,在了解到自己的个性化建议之后,能够及时调整学习方向,及时弥补弱势学科,并采用学习效率高的学习方法进行学习,不断提升学习能力。
请参阅图7,图7是本申请实施例提供的一种个性化学习展示与优化方法的流程示意图。它采用SWOT模式展示了每种个性化学习特征的偏好、劣势、机会和威胁并给以一定的建议。以个性化评价模型包括的课程相对偏好度子模型为例,设目标对象为张三时,且课程L(包括数学、语文、英语、化学)为张三所学习的课程。图7所示,该个性化学习展示与优化方法包括以下步骤:
S1021、构建张三的课程相对偏好度子模型。
S1022、将相对偏好度子模型包括的各个课程偏好度进行由大到小排序处理,得到课程偏好度排序序列。
S1023、根据预设偏好排序比例从课程偏好度排序序列中确定偏好课程,以及根据预设劣势排序比例从课程偏好度排序序列中确定劣势课程。
S1024、获取历史课程偏好度排序序列,将该课程偏好度排序序列与历史课程偏好度排序序列进行比较,将相对排序位置降低的课程确定为存在威胁的课程。
本申请例中,历史课程偏好度排序序列表示在本次个性化学习评价之前,所得到的张三的课程偏好度排序序列。
S1025、根据偏好课程、劣势课程以及威胁的课程生成张三的课程相对偏好度评价结果。
S1026、根据该课程相对偏好度评价结果,按照个性化学习优化建议原则生成针对于张三学习课程的指导意见。
其中,张三的课程相对偏好度子模型为ZG课程=(ZG数学,ZG语文,ZG英语,…,ZGko),ZGko表示目标学习者对某一课程的相对偏好度。
同理,可以依次分析教学方法,知识类型,学习时段等其它个性化特征,进而得到针对张三学习的全方面的指导意见(即个性化学习建议),最终可以按照图4的方式进行呈现。
本申请实施例中,实施上述步骤S701~步骤S706,能够通过预先构建的个性化评价模型对学习状态集合进行匹配比较处理,得到每个目标对象的个性化学习建议。
可见,本实施例所描述的个性化学习评价方法,能够对学习者的学习情况作出准确客观的评价,实时性好,效率高。
实施例2
请参看图5,图5为本申请实施例提供的一种个性化学习评价装置的结构示意框图。如图5所示,该个性化学习评价装置包括:
状态获取模块210,用于获取多个目标对象的面部表情数据,并对面部表情数据进行识别处理,得到多个目标对象的学习状态集合。
本申请实施例中,面部表情(facial expression)是指通过眼部肌肉、颜面肌肉和口部肌肉的变化来表现各种情绪状态。从给定的静态图像或动态视频序列(如课堂监控视频、课堂监控照片等)中分离出特定的面部表情数据,在对面部表情数据进行识别,从而确定被识别对象的心理情绪。
本申请实施例中,在根据课堂监控视频获取到面部表情数据时,先在课堂监控视频中确定人脸的位置,人脸图像检测与定位就是在输入图像中找到人脸确切的位置,然后再根据人脸确切的位置提取出人脸图像,再对人脸图像进行识别分类,得到每个目标对象对应的人脸图像数据,然后再分别对每个目标对象的人脸图像数据进行表情识别,进而得到每个目标对象的面部表情数据。
本申请实施例中,人脸图像检测与定位的基本思想是用知识或统计的方法对人脸建模,比较待检测区域与人脸模型的匹配程度,从而得到可能存在人脸的区域。其方法包括基于统计的人脸检测、基于知识的人脸检测等,其中基于统计的人脸检测是将人脸图像视为一个高维向量,将人脸检测问题转化为高维空间中分布信号的检测问题;基于知识的人脸检测是利用人的知识建立若干规则,从而将人脸检测问题转化为假设、验证问题,对此本申请实施例不作限定。
本申请实施例中,对人脸图像数据进行表情识别的方法包括基于模板的匹配方法、基于神经网络的方法、基于概率模型的方法、基于支持向量机的方法等,对此本申请实施例不作限定。
本申请实施例中,学习状态包括游移状态、专注状态、思考状态、困惑状态、理解状态、厌烦状态等,对此本申请实施例不作限定。
个性化建议模块220,用于通过预先构建的个性化评价模型对学习状态集合进行匹配比较处理,得到每个目标对象的个性化学习建议。
本申请实施例中,个性化学习建议是通过对目标对象的全方位评价发现和解决目标对象所存在的学习问题,为目标对象度身定制不同于别人的学习策略和学习方法,让目标对象进行有效的学习。实际上,每一个目标对象都是与众不同的,有自己独特的天赋特性、偏好和天生优势,也有不同于别人的弱点。通过个性化评价模型得到每个目标对象的个性化学习建议,能够帮助目标对象迅速提高学习成绩。
评价结果生成模块230,用于根据每个目标对象的个性化学习建议生成所有目标对象的整体学习评价结果。
作为一种可选的实施方式,个性化学习评价装置还包括:
数据获取模块240,用于在通过预先构建的个性化评价模型对学习状态集合进行匹配比较处理,得到每个目标对象的个性化学习建议之前,获取用于构建个性化评价模型的学习状态属性数据和学习偏好数据。
模型构建模块250,用于根据学习状态属性数据和学习偏好数据构建个性化评价模型。
在上述实施方式中,学习状态属性数据包括多种学习状态和学习属性,其中,学习属性包括学习课程、学习时间、知识类型中的一种或者多种,对此本申请实施例不作限定。
在上述实施方式中,学习偏好数据包括学习兴趣、学习时间、学习策略、学习难点中的一种或者多种,对此本申请实施例不作限定。
作为一种可选的实施方式,请参阅图6,图6是本申请实施例提供的一种教学评价装置的结构示意框图。图6所示的教学评价装置是由图5所示的教学评价装置进行优化得到的,如图6所示,个性化学习评价装置还包括:
指标计算模块260,用于在通过预先构建的个性化评价模型对学习状态集合进行匹配比较处理,得到每个目标对象的个性化学习建议之后,根据学习状态集合,计算每个目标对象的学习情况指标;以及根据每个目标对象的学习情况指标,计算所有目标对象的整体学习情况指标。
本申请实施例中,学习情况指标包括异常学情次数、异常学情累计时间等,对此本申请实施例不做限定。
异常信息生成模块270,用于根据整体学习情况指标和每个目标对象的学习情况指标,生成异常学情信息。
作为进一步节选的实施方式,异常信息生成模块270包括:
名单确定子模块271,用于根据每个目标对象的学习情况指标从所有目标对象中确定处于异常学习状态的目标对象名单。
判断子模块272,用于根据所有目标对象的整体学习情况指标判断所有目标对象的整体学习状态是否为异常状态。
第一生成子模块273,用于当判断出整体学习情况指标判断出整体学习状态为异常状态时,生成整体学情异常报警信息。
第二生成子模块274,用于根据处于异常学习状态的目标对象名单和整体学情异常报警信息生成异常学情信息。
作为一种可选的实施方式,评价结果生成模块230包括:
建议确定子模块231,用于根据每个目标对象的个性化学习建议确定所有目标对象的整体学习建议。
结果生成子模块232,用于根据每个目标对象的个性化学习建议、整体学习建议以及异常学情信息生成所有目标对象的整体学习评价结果。
本申请实施例中,整体学习评价结果是通过目标对象的面部表情数据,在标准与信息比较的基础上作出的价值判断。通过对目标对象的学习表现、学习结果、学习方法、学习习惯等做出判断得到整体学习评价结构,使之对学生的学习产出导向、鼓励、批评、纠正、改进等作用;以及通过目标对象的面部表情、眼神等面部表情数据进行实时分析得到学习状态集合,进而形成客观全面的学习评价。通过整体学习评价结果可以了解到目标对象对课程知识的认识,同时也能了解不同目标对象对同一知识掌握的差异性。其次整体学习评价结果还能够引发目标对象对知识的深入思考,引导目标对象进行有效的学习,在了解到自己的个性化建议之后,能够及时调整学习方向,及时弥补弱势学科,并采用学习效率高的学习方法进行学习,不断提升学习能力。
可见,本实施例所描述的个性化学习评价装置,能够对学习者的学习情况作出准确客观的评价,实时性好,效率高。
此外,本发明还提供了一种计算机设备。该计算机设备包括存储器和处理器,存储器可用于存储计算机程序,处理器通过运行计算机程序,从而使该计算机设备执行上述方法或者上述个性化学习评价装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据移动终端的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质,用于储存上述计算机设备中使用的计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种个性化学习评价方法,其特征在于,包括:
获取多个目标对象的面部表情数据,并对所述面部表情数据进行识别处理,得到多个所述目标对象的学习状态集合;
通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议;
根据每个所述目标对象的个性化学习建议生成所有所述目标对象的整体学习评价结果。
2.根据权利要求1所述的个性化学习评价方法,其特征在于,在所述通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议之前,还包括:
获取用于构建个性化评价模型的学习状态属性数据和学习偏好数据;
根据所述学习状态属性数据和所述学习偏好数据构建所述个性化评价模型。
3.根据权利要求2所述的个性化学习评价方法,其特征在于,所述学习状态属性数据包括多种学习状态和学习属性,其中,学习属性包括学习课程、学习时间、知识类型中的一种或者多种;
所述学习偏好数据包括学习兴趣、学习时间、学习策略、学习难点中的一种或者多种。
4.根据权利要求1所述的个性化学习评价方法,其特征在于,在所述通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议之后,所述方法还包括:
根据所述学习状态集合,计算每个所述目标对象的学习情况指标;
根据每个所述目标对象的学习情况指标,计算所有所述目标对象的整体学习情况指标;
根据所述整体学习情况指标和每个所述目标对象的学习情况指标,生成异常学情信息。
5.根据权利要求4所述的个性化学习评价方法,其特征在于,所述根据所述整体学习情况指标和每个所述目标对象的学习情况指标,生成异常学情信息,包括:
根据每个所述目标对象的学习情况指标从所有所述目标对象中确定处于异常学习状态的目标对象名单,并根据所有所述目标对象的整体学习情况指标判断所有所述目标对象的整体学习状态是否为异常状态;
当判断出所述整体学习情况指标判断出所述整体学习状态为异常状态时,生成整体学情异常报警信息;
根据所述处于异常学习状态的目标对象名单和所述整体学情异常报警信息生成异常学情信息。
6.根据权利要求5所述的个性化学习评价方法,其特征在于,所述根据每个所述目标对象的个性化学习建议生成所有所述目标对象的整体学习评价结果,包括:
根据每个所述目标对象的个性化学习建议确定所有所述目标对象的整体学习建议;
根据所述每个所述目标对象的个性化学习建议、所述整体学习建议以及所述异常学情信息生成所有所述目标对象的整体学习评价结果。
7.一种个性化学习评价装置,其特征在于,包括:
状态获取模块,用于获取多个目标对象的面部表情数据,并对所述面部表情数据进行识别处理,得到多个所述目标对象的学习状态集合;
个性化建议模块,用于通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议;
评价结果生成模块,用于根据每个所述目标对象的个性化学习建议生成所有所述目标对象的整体学习评价结果。
8.根据权利要求7所述的个性化学习评价装置,其特征在于,所述个性化学习评价装置还包括:
数据获取模块,用于在通过预先构建的个性化评价模型对所述学习状态集合进行匹配比较处理,得到每个所述目标对象的个性化学习建议之前,获取用于构建个性化评价模型的学习状态属性数据和学习偏好数据;
模型构建模块,用于根据所述学习状态属性数据和所述学习偏好数据构建所述个性化评价模型。
9.一种计算机设备,其特征在于,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行权利要求1至6中任一项所述的个性化学习评价方法。
10.一种计算机可读存储介质,其特征在于,其存储有用于实现权利要求1至6中任一项所述的个性化学习评价方法时所使用的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825423.XA CN110516979A (zh) | 2019-09-02 | 2019-09-02 | 一种个性化学习评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825423.XA CN110516979A (zh) | 2019-09-02 | 2019-09-02 | 一种个性化学习评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110516979A true CN110516979A (zh) | 2019-11-29 |
Family
ID=68629278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910825423.XA Pending CN110516979A (zh) | 2019-09-02 | 2019-09-02 | 一种个性化学习评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516979A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260515A (zh) * | 2020-01-16 | 2020-06-09 | 北京合众美华教育投资有限公司 | 一种网络教学平台 |
CN111723288A (zh) * | 2020-06-08 | 2020-09-29 | 上海乂学教育科技有限公司 | 智适应学习检测系统及方法 |
CN111797324A (zh) * | 2020-08-07 | 2020-10-20 | 广州驰兴通用技术研究有限公司 | 一种智慧教育用远程教育方法及系统 |
CN112884304A (zh) * | 2021-02-02 | 2021-06-01 | 温州洪启信息科技有限公司 | 一种基于大数据的在线远程教育系统 |
CN116797090A (zh) * | 2023-06-26 | 2023-09-22 | 国信蓝桥教育科技股份有限公司 | 一种学员课堂学习状态在线评估方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101000600A (zh) * | 2006-12-30 | 2007-07-18 | 南京凌越教育科技服务有限公司 | 学习管理系统及方法 |
CN101243410A (zh) * | 2005-06-21 | 2008-08-13 | 霍尼韦尔国际公司 | 竞争性可用性评估系统 |
CN104183166A (zh) * | 2014-09-04 | 2014-12-03 | 北京师范大学 | 一种融合电子备课系统及方法 |
CN106095842A (zh) * | 2016-06-01 | 2016-11-09 | 腾讯科技(深圳)有限公司 | 在线课程搜索方法和装置 |
CN107395730A (zh) * | 2017-07-27 | 2017-11-24 | 广东小天才科技有限公司 | 一种信息推送方法及装置 |
CN107800801A (zh) * | 2017-11-07 | 2018-03-13 | 上海电机学院 | 一种基于用户学习偏好的学习资源推送方法及系统 |
CN108090424A (zh) * | 2017-12-05 | 2018-05-29 | 广东小天才科技有限公司 | 一种在线教学调研方法及设备 |
CN109815795A (zh) * | 2018-12-14 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于人脸监测的课堂学生状态分析方法及装置 |
-
2019
- 2019-09-02 CN CN201910825423.XA patent/CN110516979A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101243410A (zh) * | 2005-06-21 | 2008-08-13 | 霍尼韦尔国际公司 | 竞争性可用性评估系统 |
CN101000600A (zh) * | 2006-12-30 | 2007-07-18 | 南京凌越教育科技服务有限公司 | 学习管理系统及方法 |
CN104183166A (zh) * | 2014-09-04 | 2014-12-03 | 北京师范大学 | 一种融合电子备课系统及方法 |
CN106095842A (zh) * | 2016-06-01 | 2016-11-09 | 腾讯科技(深圳)有限公司 | 在线课程搜索方法和装置 |
CN107395730A (zh) * | 2017-07-27 | 2017-11-24 | 广东小天才科技有限公司 | 一种信息推送方法及装置 |
CN107800801A (zh) * | 2017-11-07 | 2018-03-13 | 上海电机学院 | 一种基于用户学习偏好的学习资源推送方法及系统 |
CN108090424A (zh) * | 2017-12-05 | 2018-05-29 | 广东小天才科技有限公司 | 一种在线教学调研方法及设备 |
CN109815795A (zh) * | 2018-12-14 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于人脸监测的课堂学生状态分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
王峥: "《基于移动端的英语词汇深度学习研究》", 31 March 2019, 光明日报出版社 * |
陈宇卿: "《区域教育改革前沿探索-走向个性化:发达城区教育内涵提升的实证研究》", 30 September 2016, 上海人民出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260515A (zh) * | 2020-01-16 | 2020-06-09 | 北京合众美华教育投资有限公司 | 一种网络教学平台 |
CN111723288A (zh) * | 2020-06-08 | 2020-09-29 | 上海乂学教育科技有限公司 | 智适应学习检测系统及方法 |
CN111797324A (zh) * | 2020-08-07 | 2020-10-20 | 广州驰兴通用技术研究有限公司 | 一种智慧教育用远程教育方法及系统 |
CN112884304A (zh) * | 2021-02-02 | 2021-06-01 | 温州洪启信息科技有限公司 | 一种基于大数据的在线远程教育系统 |
CN116797090A (zh) * | 2023-06-26 | 2023-09-22 | 国信蓝桥教育科技股份有限公司 | 一种学员课堂学习状态在线评估方法及系统 |
CN116797090B (zh) * | 2023-06-26 | 2024-03-26 | 国信蓝桥教育科技股份有限公司 | 一种学员课堂学习状态在线评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516979A (zh) | 一种个性化学习评价方法及装置 | |
Engin et al. | Information representation in decision making: The impact of cognitive style and depletion effects | |
Chang et al. | Modeling Exercise Relationships in E-Learning: A Unified Approach. | |
Sins et al. | The relation between students’ epistemological understanding of computer models and their cognitive processing on a modelling task | |
Riquelme et al. | Using multimodal learning analytics to study collaboration on discussion groups: A social network approach | |
Liu et al. | The use of data science for education: The case of social-emotional learning | |
JP6977901B2 (ja) | 学習材推薦方法、学習材推薦装置および学習材推薦プログラム | |
JP7326002B2 (ja) | 診断検査方法および装置 | |
Villagrá-Arnedo et al. | Predicting academic performance from behavioural and learning data | |
CN108446768A (zh) | 一种学生建模的方法和装置 | |
Afzal et al. | Natural affect data: Collection and annotation | |
Maraza-Quispe et al. | A predictive model implemented in knime based on learning analytics for timely decision making in virtual learning environments | |
Al-Alwani | Mood extraction using facial features to improve learning curves of students in e-learning systems | |
Sinha et al. | A new theoretical framework for curiosity for learning in social contexts | |
JP2024511355A (ja) | 理科教授システム、その使用方法、及びコンピュータ読み取り可能な記憶媒体 | |
US11416558B2 (en) | System and method for recommending personalized content using contextualized knowledge base | |
Orji et al. | Modelling and quantifying learner motivation for adaptive systems: current insight and future perspectives | |
Villegas-Ch et al. | Identification of emotions from facial gestures in a teaching environment with the use of machine learning techniques | |
Vendetti et al. | The floor effect: Impoverished spatial memory for elevator buttons | |
Qiao et al. | Discovering student behavior patterns from event logs: Preliminary results on a novel probabilistic latent variable model | |
Sajja et al. | Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education | |
Rodrigues et al. | E-learning Platforms and E-learning Students: Building the Bridge to Success | |
Narayanan et al. | Question bank calibration using unsupervised learning of assessment performance metrics | |
Bendjebar et al. | An improvement of a data mining technique for early detection of at-risk learners in distance learning environments | |
Luna-Jiménez et al. | Measuring trust at zero-acquaintance using acted-emotional videos |
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: 20191129 |