CN110533333B - 一种教学评价方法及装置 - Google Patents
一种教学评价方法及装置 Download PDFInfo
- Publication number
- CN110533333B CN110533333B CN201910825422.5A CN201910825422A CN110533333B CN 110533333 B CN110533333 B CN 110533333B CN 201910825422 A CN201910825422 A CN 201910825422A CN 110533333 B CN110533333 B CN 110533333B
- Authority
- CN
- China
- Prior art keywords
- target
- learning state
- state
- classroom
- evaluation
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 246
- 238000013210 evaluation model Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000014509 gene expression Effects 0.000 claims abstract description 22
- 230000008921 facial expression Effects 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请实施例提供一种教学评价方法及装置,涉及数据处理技术领域。该教学评价方法包括先根据所有目标学习者上课时的表情视频数据确定整体学习状态,然后根据整体学习状态,通过预设的课堂学习状态评价模型对所有目标学习者的上课状态进行评价,得到课堂状态评价结果,然后再根据课堂状态评价结果和预设的课堂学习状态评价模型对老师的教学特征进行评价,得到教学特征评价结果,最后根据课堂状态评价结果和教学特征评价结果,确定教学评价结果,进而全面地对课堂教学进行有效客观的评价。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种教学评价方法及装置。
背景技术
教学是教师的教和学生的学所组成的一种人类特有的人才培养活动。通过这种活动,教师有目的、有计划、有组织地引导学生学习和掌握文化科学知识和技能,促进学生素质提高,使他们成为社会所需要的人。在现有的对于学生上课的教学评价方法中,通常由老师根据课堂授课状况和学生听课状态,对课堂教学进行评价,由于时间和精力的限制,老师无法兼顾所有学习者的学习状态,且评价时主观性较强,进而无法公平客观地对课堂教学进行评价。
发明内容
本申请实施例的目的在于提供一种教学评价方法及装置,能够全面地对课堂教学进行有效客观的评价。
本申请实施例第一方面提供了一种教学评价方法,包括:
根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有所述目标学习者的整体学习状态;
通过预设的课堂学习状态评价模型,对所述整体学习状态进行分析处理,得到所述多个目标学习者在所述目标课堂上的课堂状态评价结果;
根据所述课堂状态评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果;
根据所述课堂状态评价结果和所述教学特征评价结果,确定教学评价结果。
在上述实现过程中,先根据所有目标学习者上课时的表情视频数据确定整体学习状态,然后根据整体学习状态,通过预设的课堂学习状态评价模型对所有目标学习者的上课状态进行评价,得到课堂状态评价结果,然后再根据课堂状态评价结果和预设的课堂学习状态评价模型对老师的教学特征进行评价,得到教学特征评价结果,最后根据课堂状态评价结果和教学特征评价结果,确定教学评价结果,进而全面地对课堂教学进行有效客观的评价。
进一步地,根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有所述目标学习者的整体学习状态,包括:
根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,确定每个所述目标学习者对应的表情视频数据;
对每个所述目标学习者对应的表情视频数据进行表情识别处理,得到每个所述目标学习者的个体学习状态;
根据每个所述目标学习者的个体学习状态,确定所有所述目标学习者的整体学习状态。
在上述实现过程中,先根据面部表情视频数据确定每个目标学习者对应的表情视频数据,然后对每个目标学习者的表情视频数据进行识别得到每个目标学习者的个体学习状态,最后根据每个目标学习者的个体学习状态确定所有目标学习者的整体学习状态,进而实现全面客观地确定所有目标学习者集体的整体学习状态。
进一步地,通过预设的课堂学习状态评价模型,对所述整体学习状态进行分析处理,得到所述多个目标学习者在所述目标课堂上的课堂状态评价结果,包括:
根据所述面部表情视频数据确定所述整体学习状态中每个学习状态对应的累计持续时间;
根据所述整体学习状态中每个学习状态对应的累计持续时间确定所有所述目标学习者中处于目标学习状态的人数,其中,所述目标学习状态为积极学习状态或者消极学习状态;
根据所述处于目标学习状态的人数、所有所述目标学习者的总人数以及所述整体学习状态计算所有所述目标学习者的整体学习状态率;
通过预设的课堂学习状态评价模型,对所述整体学习状态率进行匹配比较处理,得到所述多个目标学习者在所述目标课堂上的课堂状态评价结果。
在上述实现过程中,整体学习状态中包括多个学习状态,在对所有目标学习者在目标课堂上的学习状态进行评价时,先确定整体学习状态中的每个学习状态在该目标课堂上的累计持续时间,然后再根据每个学习状态对应的累计持续时间确定处于积极学习状态的人数或者处于消极学习状态的人数,最后再计算所有目标学习者的整体学习状态率,并根据整体学习状态率和预设的课堂学习状态评价模型对所有目标学习者在目标课堂上的学习状态进行评价,得到课堂状态评价结果,进而实现公平客观地对所有目标学习者的课堂学习状态进行评价。
进一步地,根据所述课堂状态评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果,包括:
获取所述多个目标学习者在历史课堂上听讲时预设的历史整体状态数据和预设的所述多个目标学习者的历史成绩数据;
通过预设的成绩评价模型,对所述历史成绩数据进行匹配比较处理,得到所述多个目标学习者的整体成绩评价结果;
根据所述课堂状态评价结果、所述整体成绩评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果。
在上述实现过程中,通过多个目标学习者的历史成绩数据、历史整体状态数据和预设的教师教学特征评价模型对教师的教学特征进行评价,进而实现公平客观地对老师教学状态进行评价。
进一步地,在获取所述多个目标学习者在历史课堂上听讲时预设的历史整体状态数据和预设的所述多个目标学习者的历史成绩数据之后,所述方法还包括:
获取每个所述目标学习者的累计学习状态数据,并根据每个所述目标学习者的累计学习状态数据,计算每个所述目标学习者的积极状态率;
通过预设的阶段学习状态评价模型,对每个所述目标学习者的积极状态率进行匹配比较处理,得到每个所述目标学习者的阶段学习评价结果;
根据所述历史成绩数据,计算每个所述目标学习者的阶段成绩数据,并通过预设的个体阶段成绩评价模型对每个所述目标学习者的阶段成绩数据进行匹配比较,得到每个所述目标学习者的个体阶段成绩评价结果;
根据每个所述目标学习者的个体阶段成绩评价结果、每个所述目标学习者的阶段学习评价结果以及预设的阶段学习状态评价模型,对每个所述目标学习者的阶段学习状态进行评价,得到每个所述目标学习者的阶段学习状态评价结果。
在上述实现过程中,教学评价结果还包括每个目标学习者的阶段学习状态评价结果。先对每个目标学习者的阶段学习状态进行评价,得到每个目标学习者的阶段学习评价结果。然后再根据每个目标学习者的阶段成绩数据和阶段学习评价结果对每个目标学习者的阶段学习状态进行评价,得到每个目标学习者的阶段学习状态评价结果,实现对每个学习者的阶段性学习状态进行实际客观地评价,所得到的阶段学习状态评价结果能够对每个学习者的阶段性学习状态进行客观有效的反馈。
进一步地,所述根据所述课堂状态评价结果和所述教学特征评价结果,确定教学评价结果,包括:
根据所述课堂状态评价结果、所述教学特征评价结果以及每个所述目标学习者的阶段学习状态评价结果,确定教学评价结果。
在上述实现过程中,教学评价结果根据课堂状态评价结果、教学特征评价结果以及每个目标学习者的阶段学习状态评价结果得到,进一步实现全面地对课堂教学进行有效客观的评价的技术效果。
进一步地,当所述目标学习状态为所述积极学习状态时,所有所述目标学习者的整体学习状态率的计算公式为:
其中,Hx表示所有所述目标学习者的整体学习状态率,X表示所述处于目标学习状态的人数,N为所有所述目标学习者的总人数。
在上述实现过程中,整体学习状态率根据所有目标学习者的学习状态计算而来,能够兼顾所有目标学习者的学习状态,进而能够使得所得到的课堂状态评价结果更加全面客观。
本申请实施例第二方面提供了一种教学评价装置,包括:
状态计算模块,用于根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有所述目标学习者的整体学习状态;
课堂状态评价模块,用于通过预设的课堂学习状态评价模型,对所述整体学习状态进行分析处理,得到所述多个目标学习者在所述目标课堂上的课堂状态评价结果;
教学特征评价模块,用于根据所述课堂状态评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果;
评价结果确定模块,用于根据所述课堂状态评价结果和所述教学特征评价结果,确定教学评价结果。
在上述实现过程中,状态计算模块先根据所有目标学习者上课时的表情视频数据确定整体学习状态,然后课堂状态评价模块根据整体学习状态,通过预设的课堂学习状态评价模型对所有目标学习者的上课状态进行评价,得到课堂状态评价结果,然后教学特征评价模块再根据课堂状态评价结果和预设的课堂学习状态评价模型对老师的教学特征进行评价,得到教学特征评价结果,最后评价结果确定模块根据课堂状态评价结果和教学特征评价结果,确定教学评价结果,进而全面地对课堂教学进行有效客观的评价。
进一步地,所述状态计算模块包括:
视频数据确定子模块,用于根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,确定每个所述目标学习者对应的表情视频数据;
识别子模块,用于对每个所述目标学习者对应的表情视频数据进行表情识别处理,得到每个所述目标学习者的个体学习状态;
整体学习状态确定模块,用于根据每个所述目标学习者的个体学习状态,确定所有所述目标学习者的整体学习状态。
在上述实现过程中,视频数据确定子模块先根据面部表情视频数据确定每个目标学习者对应的表情视频数据,然后识别子模块对每个目标学习者的表情视频数据进行识别得到每个目标学习者的个体学习状态,最后整体学习状态确定模块根据每个目标学习者的个体学习状态确定所有目标学习者的整体学习状态,进而实现全面客观地确定所有目标学习者集体的整体学习状态。
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所述的教学评价方法。
本发明第四方面公开一种计算机可读存储介质,其存储有第三方面所述的计算机设备中所使用的所述计算机程序。
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教学评价方法的流程示意图;
图2为本申请实施例二提供的一种教学评价方法的流程示意图;
图3为本申请实施例三提供的一种教学评价装置的结构示意图;
图4为本申请实施例三提供的另一种教学评价装置的结构示意图。
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教学评价方法的流程示意框图。如图1所示,该教学评价方法包括:
S101、根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有目标学习者的整体学习状态。
本申请实施例中,可以在上课的教室设置多个摄像装置,形成摄像装置阵列,然后以摄像装置阵列采集多个目标学习者的面部表情视频数据。其中,多个目标学习者的面部表情视频数据包括每个目标学习者对应的面部表情视频。
本申请实施例中,可以先对面部表情视频数据进行人脸识别处理,确定出每个目标学习者对应的面部表情视频,然后再对每个目标学习者对应的面部表情视频进行表情识别处理,得到每个目标学习者对应的面部表情,进一步地,再根据每个目标学习者对应的面部表情确定出每个目标学习者对应的个体学习状态,最后,再汇总所有目标学习者对应的个体学习状态,进而可以得到目标学习者的整体学习状态。
作为一种可选的实施方式,在对每个目标学习者对应的面部表情视频进行表情识别处理时,先通过人工智能表情识别算法从面部表情视频中提取该目标学习者的眼、眉、嘴等面部关键点,然后再将面部关键点量化特征映射为面部表情特征,最后再通过预设的状态确定模型对面部表情特征进行识别匹配,得到该目标学习者的个体学习状态。
在上述实施方式中,在构建状态确定模型时,先将多种面部表情特征的组合与多种学习状态进行一一对应关联,实现从面部表情特征的组合到多种学习状态的一一映射,进而得到状态确定模型。
S102、通过预设的课堂学习状态评价模型,对整体学习状态进行分析处理,得到多个目标学习者在目标课堂上的课堂状态评价结果。
本申请实施例中,通过课堂学习状态评价模型能够对整体学习状态进行分析处理,能够确定出与整体学习状态相匹配的课堂状态级别,进而得到相应的课堂状态评价结果。
S103、根据课堂状态评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果。
本申请实施例中,教师的教学特征表示老师在该目标课堂上的授课能力,对教师的教学特征的评价,即为对老师在该目标课堂上的授课能力的评价。
本申请实施例中,通过教师教学特征评价模型能够对课堂状态评价结果进行分析处理,能够确定出与课堂状态评价结果相匹配的教学特征级别,进而得到相应的教学特征评价结果。
本申请实施例中,还可以根据每次的教学评价结果,对预设的课堂学习状态评价模型和预设的教师教学特征评价模型进行优化,使得评价结果更加精确。
S104、根据课堂状态评价结果和教学特征评价结果,确定教学评价结果。
本申请实施例中,根据课堂状态评价结果和教学特征评价结果得到的教学评价结果,能够全面地对老师的教学特征以及学生集体的课堂状态进行客观评价,该教学评价结果对于老师以后的教学活动具有借鉴性,也对于学生的听课状态具有警示性。
可见,实施图1所描述的教学评价方法,能够全面地对课堂教学进行有效客观的评价。
实施例2
请参看图2,图2为本申请实施例提供的一种教学评价方法的流程示意框图。如图2所示,该教学评价方法包括:
S201、根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有目标学习者的整体学习状态。
作为一种可选的实施方式,根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有目标学习者的整体学习状态,可以包括以下步骤:
根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,确定每个目标学习者对应的表情视频数据;
对每个目标学习者对应的表情视频数据进行表情识别处理,得到每个目标学习者的个体学习状态;
根据每个目标学习者的个体学习状态,确定所有目标学习者的整体学习状态。
在上述实施方式中,学习状态包括积极学习状态和消极学习状态。
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n种,则n种学习状态组成一个学习状态集合S,S={S1,S2,…,Sn},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j种积极学习状态,Sp={Sp1,Sp2,…,Spj},消极学习状态集合Sd包括k种消极学习状态,Sd={Sd1,Sd2,…,Sdk},其中j+k=n,S={S1,S2,…,Sn}={Sp1,Sp2,…,Spj,Sd1,Sd2,…,Sdk}。设计算出所有目标学习者的整体学习状态为S’,则S’∈S。
S202、根据面部表情视频数据确定整体学习状态中每个学习状态对应的累计持续时间。
本申请实施例中,整体学习状态包括多个学习状态,对于其中的一个学习状态,先确定该学习状态持续出现的时间段△t,则可得到关于该学习状态出现的时间集合T,T={△t1,△t2,…,△ty}。y为所记录的该学习状态持续出现的时间段的数量。然后根据该学习状态出现的时间集合T,进行时间段的累加计算,可得到该学习状态对应的累计持续时间。
S203、根据整体学习状态中每个学习状态对应的累计持续时间确定所有目标学习者中处于目标学习状态的人数。
本申请实施例中,目标学习状态为积极学习状态或者消极学习状态。
本申请实施例中,在确定所有目标学习者中处于目标学习状态的人数之前,需要先确定每个目标学习者的个体学习状态是消极学习状态,还是积极学习状态。
本申请实施例中,一个目标学习者在上课过程中,可能会出现消极学习状态,也可能出现消极学习状态,因此在确定每个目标学习者的个体学习状态是消极学习状态,还是积极学习状态时,先计算该目标学习者出现积极学习状态的累计时间占比Qp和消极学习状态的累计时间占比Qd。
本申请实施例中,设该目标学习者在上课总时间段内,出现j种消极学习状态,出现k种消极学习状态,则该目标学习者出现积极学习状态的累计时间占比Qp的计算公式为:
该目标学习者出现积极学习状态的累计时间占比Qp的计算公式为:
其中,为上课总时间段,△Tpj为目标学习者在上课总时间段内出现积极学习状态Spj的持续时间段,△Tdk为目标学习者在上课总时间段内出现消极学习状态Sdk的持续时间段,Qpj为积极学习状态Spj占上课总时间段的比例,Qdk为消极学习状态Sdk占上课总时间段的比例。
本申请实施例中,在计算出一个目标学习者在上课总时间段内的Qp和Qd之后,可以根据Qp和Qd确定确定每个目标学习者的个体学习状态是消极学习状态,还是积极学习状态。当Qp>Qd时,则该目标学习者的个体学习状态是积极学习状态,当Qp<Qd时,则该目标学习者的个体学习状态是消极学习状态。
在步骤S203之后,还包括以下步骤:
S204、根据处于目标学习状态的人数、所有目标学习者的总人数以及整体学习状态计算所有目标学习者的整体学习状态率。
本申请实施例中,设目标学习者的总人数为N,目标学习状态为积极学习状态,则根据每个目标学习者的学习状态,统计处于积极学习状态的人数为X,则相应地处于消极学习状态的人数为N-X。
本申请实施例中,设积极学习状态所代表的值为1,消极学习状态所代表的值为-1,则班级整体学习状态H可以表示为H=X*1+(N-X)*(-1)=2X-N。则所有目标学习者的整体学习状态率的计算公式为:
其中,Hx表示所有目标学习者的整体学习状态率,X表示处于目标学习状态的人数,N为所有目标学习者的总人数。
S205、通过预设的课堂学习状态评价模型,对整体学习状态率进行匹配比较处理,得到多个目标学习者在目标课堂上的课堂状态评价结果。
本申请实施例中,课堂学习状态评价模型包括多个整体学习状态率阈值范围以及与每个整体学习状态率阈值范围相对应的评价级别,可以通过预设的课堂学习状态评价模型,对整体学习状态率进行匹配比较处理,得到该整体学习状态率对应的课堂状态评价级别,进而得到多个目标学习者在目标课堂上的课堂状态评价结果。
本申请实施例中,实施上述步骤S202~步骤S205,能够通过预设的课堂学习状态评价模型,对整体学习状态进行分析处理,得到多个目标学习者在目标课堂上的课堂状态评价结果。
本申请实施例中,举例来说,设所有目标学习者的总人数N为50,目标学习状态为积极学习状态,则在对多个目标学习者在目标课堂上的学习状态进行评价得到课堂状态评价结果时,先对目标学习者每种学习状态S及对应的持续时间Δt进行记录,例如记录某学习者课堂专注状态持续20分钟,理解状态持续10分钟,游移状态持续10分钟。然后可以计算该学习者的Qp以及Qd,其中,Qp=(20+10)/40=75%,Qd=10/40=25%,则比较可知,Qp>Qd,进而可以判断出该学习者的个体学习状态为积极学习状态。通过上述同理计算可得其他学习者的个体学习状态,设统计得到的处于积极学习状态的人数为30,则可计算出整体学习状态H=2X-N=10,进而可以计算出整体学习状态率Hx=10/50=20%。最后,可以根据预设的课堂学习状态评价模型对整体学习状态率Hx进行匹配比较处理,得到课堂状态评价结果。
在上述举例中,设预设的课堂学习状态评价模型包括课堂学习状态恶劣(Hx的阈值范围为[-1,0]),课堂学习状态一般(Hx的阈值范围为[0,0.5]),课堂学习状态良好(Hx的阈值范围为[0.5,1]),则当计算出整体学习状态率Hx=10/50=20%时,可以得到课堂状态评价结果为该班级课堂学习状态一般。
在步骤S205之后,还包括以下步骤:
S206、获取多个目标学习者在历史课堂上听讲时预设的历史整体状态数据和预设的多个目标学习者的历史成绩数据。
本申请实施例中,设目标学习者的总人数为N,则预设的历史成绩数据可以用成绩集合G表示,其中,G={G1,G2,G3,…,GN}。任意一学习者成绩为Gi(i∈[0.5,1])。
S207、通过预设的成绩评价模型,对历史成绩数据进行匹配比较处理,得到多个目标学习者的整体成绩评价结果。
本申请实施例中,设预设的成绩评价模型包括d个平均成绩级别D以及与每个平均成绩分级对应的平均成绩阈值。先根据历史成绩数据计算出整体平均成绩,然后通过预设的成绩评价模型对整体平均成绩进行匹配比较,得到整体成绩评价级别D,进而得到整体成绩评价结果。其中,整体平均成绩
本申请实施例中,预设的成绩评价模型包括多个平均成绩R的阈值范围以及与每个R的阈值范围相对应的平均成绩评价级别。例如,预设的成绩评价模型包括平均成绩差Da(R的阈值范围为[0,60]),平均成绩中Db(R的阈值范围为(60,70]),平均成绩良Dc(R的阈值范围为(70,80])和平均成绩优Dd(R的阈值范围为(80,100])。
在步骤S207之后,还包括以下步骤:
S208、根据课堂状态评价结果、整体成绩评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果。
本申请实施例中,实施上述步骤S206~步骤S208,能够根据课堂状态评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果。
本申请实施例中,设目标学习者的总人数为N,教师的教学特征级别为F,整体学习状态为H,整体学习状态率为Hx。当确定出整体成绩评价级别D和课堂状态评价级别E之后,可以根据整体成绩评价级别D和课堂状态评价级别E,通过预设的教师教学特征评价模型对教师的教学特征进行评价得到教学特征评价结果。
本申请实施例中,教师的教学特征级别F与整体成绩评价级别D和课堂状态评价级别E之间,存在唯一确定的F与之对应,即F=<D,E>。
本申请实施例中,预设的教师教学特征评价模型包括教师教学特征集F{<Da,Ea>,<Da,Eb>,<Da,Ec>,…,<Dd,Ee>},然后根据整体成绩评价级别D和课堂状态评价级别E,可以通过教师教学特征评价模型确定出唯一确定的教学特征级别F。
举例来说,在对教师的教学特征进行评价时,设预设的课堂学习状态评价模型包括课堂学习状态恶劣Ea(Hx的阈值范围为[-1,0]),课堂学习状态一般Eb(Hx的阈值范围为[0,0.5]),课堂学习状态良好Ec(Hx的阈值范围为[0.5,1])。设预设的成绩评价模型包括平均成绩差Da(R阈值范围为[0,60]),平均成绩中Db(R阈值范围为(60,70]),平均成绩良Dc(R阈值范围为(70,80])和平均成绩优Dd(R阈值范围为(80,100])。
设所有目标学习者的总人数N为50,整体平均成绩R=80,目标学习状态为积极学习状态,处于积极学习状态的人数X为30,设则可以计算出整体学习状态率然后根据预设的课堂学习状态评价模型对该Hx=20%进行匹配处理,可以得到课堂状态评价级别E为Eb,属于课堂学习状态一般。根据预设的成绩评价模型对整体平均成绩R进行匹配比价处理,得到平均成绩评价级别D为Dc,进而可以得到教学特征级别F=<Dc,Eb>,最后,再通过预设的教师教学特征评价模型对<Dc,Eb>进行匹配比较处理,得到唯一确定的教学特征级别F,进而得到教学特征评价结果。
本申请实施例中,步骤S209~步骤S212可以发生在步骤S206之后,可以发生在步骤S207~步骤S208任意一个步骤之前,也可以发生在步骤S207~步骤S208任意一个步骤之后,还可以与步骤S207~步骤S208任意一个步骤同时进行,本实施例仅给出一种步骤顺序,对此本申请实施例不作限定。
在步骤S208之后,还包括以下步骤:
S209、获取每个目标学习者的累计学习状态数据,并根据每个目标学习者的累计学习状态数据,计算每个目标学习者的积极状态率。
本申请实施例中,对于各目标学习者来说,以课时为单位,在教学结束后对每个目标学习者的累计学习状态数据进行评价,设累计学习状态数据包括数量为Y的上课状态数据,然后统计Y个上课状态数据中积极上课状态数据的个数(设统计出积极上课状态数据的个数为u),统计出Y个上课状态数据中消极上课状态数据的个数(设统计出消极上课状态数据的个数为v),则Y=u+v,进而可以得到该目标学习者的积极状态率为
S210、通过预设的阶段学习状态评价模型,对每个目标学习者的积极状态率进行匹配比较处理,得到每个目标学习者的阶段学习评价结果。
本申请实施例中,预设的阶段学习状态评价模型包括多个积极学习状态率阈值范围以及与每个积极学习状态率阈值范围对应的阶段学习评价级别。可以过预设的阶段学习状态评价模型,对每个目标学习者的积极状态率进行匹配比较处理,得到每个目标学习者的阶段学习评价级别Y,进而得到每个目标学习者的阶段学习评价结果。
S211、根据历史成绩数据,计算每个目标学习者的阶段成绩数据,并通过预设的个体阶段成绩评价模型对每个目标学习者的阶段成绩数据进行匹配比较,得到每个目标学习者的个体阶段成绩评价结果。
本申请实施例中,预设的个体阶段成绩评价模型包括多个阶段成绩数据Gi的阈值范围以及与每个阶段成绩数据Gi的阈值范围相对应的个体阶段成绩评价级别P。
本申请实施例中,对于一个目标学习者来说,先根据多个目标学习者的历史成绩数据,计算该目标学习者的阶段成绩数据Gi,然后再通过预设的个体阶段成绩评价模型对改目标学习者的阶段成绩数据进行匹配比较,得到该目标学习者的个体阶段成绩评价级别P,进而得到该目标学习者对应的个体阶段成绩评价结果。
S212、根据每个目标学习者的个体阶段成绩评价结果、每个目标学习者的阶段学习评价结果以及预设的阶段学习状态评价模型,对每个目标学习者的阶段学习状态进行评价,得到每个目标学习者的阶段学习状态评价结果。
本申请实施例中,对于一个目标学习者来说,该目标学习者的阶段学习状态评价结果X△t与该目标学习者的个体阶段成绩评价级别P和该目标学习者的阶段学习评价级别Y之间,存在唯一确定的阶段学习状态评价结果X△t,即X△t=<P,Y>。
本申请实施例中,预设的阶段学习状态评价模型包括阶段学习状态结果集X△t{<Pa,Ya>,<Pa,,Yb>,<Pa,Yc>,…,<Pp,Yy>},然后根据该目标学习者的个体阶段成绩评价级别P和该目标学习者的阶段学习评价级别Y,可以通过阶段学习状态评价模型确定出该目标学习者的唯一确定的阶段学习状态评价结果X△t。
举例来说,设预设的阶段学习状态评价模型包括消极学习状态Ya(对应Hix的阈值范围为[-1,0]),一般学习状态Yb(对应Hix的阈值范围为[0,0.5]),积极学习状态Yc(对应Hix的阈值范围为0.5,1])。在对一个目标学习者的阶段学习状态进行评价时,假设在经过一学期的学习后,某学习者有记录的积极上课状态数据的个数为u=80,消极上课状态数据的个数为v=20,则该学习者的积极学习状态率Hix=60%,则可以根据预设的阶段学习状态评价模型确定出该学习者的阶段学习评价级别为Yc。
设预设的个体阶段成绩评价模型包括成绩差Pa(Gi的阈值范围为[0,60]),成绩中Pb(Gi的阈值范围为(60,70]),成绩良Pc(Gi的阈值范围为(70,80])和成绩优Pd(Gi的阈值范围为(80,100]),假设该学习者的阶段成绩数据Gi为90,根据预设的个体阶段成绩评价模型可以得到个体阶段成绩评价级别为Pd,进一步地,可以得到该学习者的阶段学习状态评价结果X△t=<Pd,Yc>,最后,再通过预设的阶段学习状态评价模型对<Pd,Yc>进行匹配比较处理,得到唯一确定的阶段学习状态评价结果X△t。教师可以通过每个学习者的阶段学习状态评价结果X△t及时追踪该学习者的综合学习表现,学习者也可以其阶段学习状态评价结果X△t,改变自己学习方法及学习目标。
在步骤S212之后,还包括以下步骤:
S213、根据课堂状态评价结果、教学特征评价结果以及每个目标学习者的阶段学习状态评价结果,确定教学评价结果。
可见,实施图2所描述的教学评价方法,实现了全面地对课堂教学进行有效客观的评价。
实施例3
请参看图3,图3为本申请实施例提供的一种教学评价装置的结构示意框图。如图3所示,该教学评价装置包括:
状态计算模块310,用于根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有目标学习者的整体学习状态。
课堂状态评价模块320,用于通过预设的课堂学习状态评价模型,对整体学习状态进行分析处理,得到多个目标学习者在目标课堂上的课堂状态评价结果。
教学特征评价模块330,用于根据课堂状态评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果。
评价结果确定模块340,用于根据课堂状态评价结果和教学特征评价结果,确定教学评价结果。
作为一种可选的实施方式,请参阅图4,图4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4所示的教学评价装置是由图3所示的教学评价装置进行优化得到的,如图4所示,状态计算模块310包括:
视频数据确定子模块311,用于根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,确定每个目标学习者对应的表情视频数据;
识别子模块312,用于对每个目标学习者对应的表情视频数据进行表情识别处理,得到每个目标学习者的个体学习状态;
整体学习状态确定模块313,用于根据每个目标学习者的个体学习状态,确定所有目标学习者的整体学习状态。
作为一种可选的实施方式,课堂状态评价模块320包括:
第一确定子模块321,用于根据面部表情视频数据确定整体学习状态中每个学习状态对应的累计持续时间;
第二确定子模块322,用于根据整体学习状态中每个学习状态对应的累计持续时间确定所有目标学习者中处于目标学习状态的人数,其中,目标学习状态为积极学习状态或者消极学习状态;
计算子模块323,用于根据处于目标学习状态的人数、所有目标学习者的总人数以及整体学习状态计算所有目标学习者的整体学习状态率;
第一处理子模块324,用于通过预设的课堂学习状态评价模型,对整体学习状态率进行匹配比较处理,得到多个目标学习者在目标课堂上的课堂状态评价结果。
作为一种可选的实施方式,教学特征评价模块330包括:
获取子模块331,用于获取多个目标学习者在历史课堂上听讲时预设的历史整体状态数据和预设的多个目标学习者的历史成绩数据。
第二处理子模块332,用于通过预设的成绩评价模型,对历史成绩数据进行匹配比较处理,得到多个目标学习者的整体成绩评价结果。
评价子模块333,用于根据课堂状态评价结果、整体成绩评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果。
作为一种可选的实施方式,教学评价装置还包括:
数据获取模块350,用于在获取多个目标学习者在历史课堂上听讲时预设的历史整体状态数据和预设的多个目标学习者的历史成绩数据之后,获取每个目标学习者的累计学习状态数据,并根据每个目标学习者的累计学习状态数据,计算每个目标学习者的积极状态率;
阶段学习评价模块360,用于通过预设的阶段学习状态评价模型,对每个目标学习者的积极状态率进行匹配比较处理,得到每个目标学习者的阶段学习评价结果;
成绩计算模块370,用于根据历史成绩数据,计算每个目标学习者的阶段成绩数据,并通过预设的个体阶段成绩评价模型对每个目标学习者的阶段成绩数据进行匹配比较,得到每个目标学习者的个体阶段成绩评价结果;
阶段学习状态评价模块380,用于根据每个目标学习者的个体阶段成绩评价结果、每个目标学习者的阶段学习评价结果以及预设的阶段学习状态评价模型,对每个目标学习者的阶段学习状态进行评价,得到每个目标学习者的阶段学习状态评价结果。
作为进一步可选的实施方式,评价结果确定模块340,具体用于根据课堂状态评价结果、教学特征评价结果以及每个目标学习者的阶段学习状态评价结果,确定教学评价结果。
本申请实施例中,当目标学习状态为积极学习状态时,所有目标学习者的整体学习状态率的计算公式为:
其中,Hx表示所有目标学习者的整体学习状态率,X表示处于目标学习状态的人数,N为所有目标学习者的总人数。
可见,实施图3所描述的教学评价装置,实现了全面地对课堂教学进行有效客观的评价的技术效果。
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教学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,所述模块、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。
所述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所述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。
以上所述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。
以上所述,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所述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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种教学评价方法,其特征在于,包括:
根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有所述目标学习者的整体学习状态;
通过预设的课堂学习状态评价模型,对所述整体学习状态进行分析处理,得到所述多个目标学习者在所述目标课堂上的课堂状态评价结果;
根据所述课堂状态评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果;
根据所述课堂状态评价结果和所述教学特征评价结果,确定教学评价结果;
其中,所述通过预设的课堂学习状态评价模型,对所述整体学习状态进行分析处理,得到所述多个目标学习者在所述目标课堂上的课堂状态评价结果,包括:
根据所述面部表情视频数据确定所述整体学习状态中每个学习状态对应的累计持续时间;
根据所述整体学习状态中每个学习状态对应的累计持续时间确定所有所述目标学习者中处于目标学习状态的人数,其中,所述目标学习状态为积极学习状态或者消极学习状态;
根据所述处于目标学习状态的人数、所有所述目标学习者的总人数以及所述整体学习状态计算所有所述目标学习者的整体学习状态率;
通过预设的课堂学习状态评价模型,对所述整体学习状态率进行匹配比较处理,得到所述多个目标学习者在所述目标课堂上的课堂状态评价结果;
所述根据所述整体学习状态中每个学习状态对应的累计持续时间确定所有所述目标学习者中处于目标学习状态的人数,包括:
计算该目标学习者出现积极学习状态的累计时间占比Qp和消极学习状态的累计时间占比Qd;
当Qp>Qd时,则该目标学习者的个体学习状态是积极学习状态,当Qp<Qd时,则该目标学习者的个体学习状态是消极学习状态。
2.根据权利要求1所述的教学评价方法,其特征在于,根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有所述目标学习者的整体学习状态,包括:
根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,确定每个所述目标学习者对应的表情视频数据;
对每个所述目标学习者对应的表情视频数据进行表情识别处理,得到每个所述目标学习者的个体学习状态;
根据每个所述目标学习者的个体学习状态,确定所有所述目标学习者的整体学习状态。
3.根据权利要求1所述的教学评价方法,其特征在于,根据所述课堂状态评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果,包括:
获取所述多个目标学习者在历史课堂上听讲时预设的历史整体状态数据和预设的所述多个目标学习者的历史成绩数据;
通过预设的成绩评价模型,对所述历史成绩数据进行匹配比较处理,得到所述多个目标学习者的整体成绩评价结果;
根据所述课堂状态评价结果、所述整体成绩评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果。
4.根据权利要求3所述的教学评价方法,其特征在于,在获取所述多个目标学习者在历史课堂上听讲时预设的历史整体状态数据和预设的所述多个目标学习者的历史成绩数据之后,所述方法还包括:
获取每个所述目标学习者的累计学习状态数据,并根据每个所述目标学习者的累计学习状态数据,计算每个所述目标学习者的积极状态率;
通过预设的阶段学习状态评价模型,对每个所述目标学习者的积极状态率进行匹配比较处理,得到每个所述目标学习者的阶段学习评价结果;
根据所述历史成绩数据,计算每个所述目标学习者的阶段成绩数据,并通过预设的个体阶段成绩评价模型对每个所述目标学习者的阶段成绩数据进行匹配比较,得到每个所述目标学习者的个体阶段成绩评价结果;
根据每个所述目标学习者的个体阶段成绩评价结果、每个所述目标学习者的阶段学习评价结果以及预设的阶段学习状态评价模型,对每个所述目标学习者的阶段学习状态进行评价,得到每个所述目标学习者的阶段学习状态评价结果。
5.根据权利要求4所述的教学评价方法,其特征在于,所述根据所述课堂状态评价结果和所述教学特征评价结果,确定教学评价结果,包括:
根据所述课堂状态评价结果、所述教学特征评价结果以及每个所述目标学习者的阶段学习状态评价结果,确定教学评价结果。
7.一种教学评价装置,其特征在于,包括:
状态计算模块,用于根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,计算所有所述目标学习者的整体学习状态;
课堂状态评价模块,用于通过预设的课堂学习状态评价模型,对所述整体学习状态进行分析处理,得到所述多个目标学习者在所述目标课堂上的课堂状态评价结果;
教学特征评价模块,用于根据所述课堂状态评价结果和预设的教师教学特征评价模型,对教师的教学特征进行评价得到教学特征评价结果;
评价结果确定模块,用于根据所述课堂状态评价结果和所述教学特征评价结果,确定教学评价结果;
其中,所述课堂状态评价模块包括:
第一确定子模块,用于根据所述面部表情视频数据确定整体学习状态中每个学习状态对应的累计持续时间;
第二确定子模块,用于根据所述整体学习状态中每个学习状态对应的累计持续时间确定所有目标学习者中处于目标学习状态的人数,其中,目标学习状态为积极学习状态或者消极学习状态;
计算子模块,用于根据所述处于目标学习状态的人数、所有目标学习者的总人数以及整体学习状态计算所有目标学习者的整体学习状态率;
第一处理子模块,用于通过预设的课堂学习状态评价模型,对所述整体学习状态率进行匹配比较处理,得到多个目标学习者在目标课堂上的课堂状态评价结果;
所述第二确定子模块,还用于计算该目标学习者出现积极学习状态的累计时间占比Qp和消极学习状态的累计时间占比Qd;当Qp>Qd时,则该目标学习者的个体学习状态是积极学习状态,当Qp<Qd时,则该目标学习者的个体学习状态是消极学习状态。
8.根据权利要求7所述的教学评价装置,其特征在于,所述状态计算模块包括:
视频数据确定子模块,用于根据多个目标学习者在目标课堂上听讲时的面部表情视频数据,确定每个所述目标学习者对应的表情视频数据;
识别子模块,用于对每个所述目标学习者对应的表情视频数据进行表情识别处理,得到每个所述目标学习者的个体学习状态;
整体学习状态确定模块,用于根据每个所述目标学习者的个体学习状态,确定所有所述目标学习者的整体学习状态。
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中任一项所述的教学评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825422.5A CN110533333B (zh) | 2019-09-02 | 2019-09-02 | 一种教学评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825422.5A CN110533333B (zh) | 2019-09-02 | 2019-09-02 | 一种教学评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533333A CN110533333A (zh) | 2019-12-03 |
CN110533333B true CN110533333B (zh) | 2022-08-19 |
Family
ID=68666185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910825422.5A Active CN110533333B (zh) | 2019-09-02 | 2019-09-02 | 一种教学评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533333B (zh) |
Families Citing this family (7)
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 |
CN112116264A (zh) * | 2020-09-24 | 2020-12-22 | 北京易华录信息技术股份有限公司 | 一种活跃度评估方法及装置 |
CN112232166B (zh) * | 2020-10-10 | 2023-12-01 | 中国平安人寿保险股份有限公司 | 基于人工智能的讲师动态评价方法、装置、计算机设备 |
CN112668467B (zh) * | 2020-12-25 | 2023-11-07 | 华中师范大学 | 行为分析方法、装置、电子设备及存储介质 |
CN113393160A (zh) * | 2021-07-09 | 2021-09-14 | 北京市博汇科技股份有限公司 | 一种课堂专注度分析方法、装置、电子设备及介质 |
CN113487213B (zh) * | 2021-07-20 | 2022-02-01 | 贵州大学 | 一种基于大数据的职业教育教学评价方法 |
CN116757524B (zh) * | 2023-05-08 | 2024-02-06 | 广东保伦电子股份有限公司 | 一种教师授课质量评价方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169649A (zh) * | 2017-05-11 | 2017-09-15 | 安徽谦通信息科技有限公司 | 一种教师智能化考核评价管理系统 |
CN108549997A (zh) * | 2018-05-03 | 2018-09-18 | 邓卫国 | 一种数学课堂教学效果评价系统 |
CN108921748A (zh) * | 2018-07-17 | 2018-11-30 | 郑州大学体育学院 | 基于大数据分析的教学规划方法及计算机可读介质 |
CN109255028A (zh) * | 2018-08-28 | 2019-01-22 | 西安交通大学 | 基于教学评价数据可信度的教学质量综合评价方法 |
CN109711371A (zh) * | 2018-12-29 | 2019-05-03 | 山东旭兴网络科技有限公司 | 一种基于面部表情识别的课堂教学评估系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140255889A1 (en) * | 2013-03-10 | 2014-09-11 | Edulock, Inc. | System and method for a comprehensive integrated education system |
-
2019
- 2019-09-02 CN CN201910825422.5A patent/CN110533333B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169649A (zh) * | 2017-05-11 | 2017-09-15 | 安徽谦通信息科技有限公司 | 一种教师智能化考核评价管理系统 |
CN108549997A (zh) * | 2018-05-03 | 2018-09-18 | 邓卫国 | 一种数学课堂教学效果评价系统 |
CN108921748A (zh) * | 2018-07-17 | 2018-11-30 | 郑州大学体育学院 | 基于大数据分析的教学规划方法及计算机可读介质 |
CN109255028A (zh) * | 2018-08-28 | 2019-01-22 | 西安交通大学 | 基于教学评价数据可信度的教学质量综合评价方法 |
CN109711371A (zh) * | 2018-12-29 | 2019-05-03 | 山东旭兴网络科技有限公司 | 一种基于面部表情识别的课堂教学评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110533333A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533333B (zh) | 一种教学评价方法及装置 | |
Cooper et al. | Positive alternatives to exclusion | |
CN108154304A (zh) | 具有教学质量评估功能的服务器 | |
Mantzikos et al. | Difficulties and Barriers in the Education of Deaf and Hard of Hearing Individuals in the Era of COVID-19: The Case of Greece--A Viewpoint Article. | |
CN108171414A (zh) | 教学质量评估系统 | |
Morison et al. | An exploration of factors associated with student attrition and success in enabling programs | |
CN112257966A (zh) | 模型处理方法、装置、电子设备及存储介质 | |
US20170178529A1 (en) | Implementing Assessments by Correlating Browsing Patterns | |
Chen et al. | An experimental comparison between NMF and LDA for active cross-situational object-word learning | |
CN111667128B (zh) | 教学质量评估方法、装置及系统 | |
CN110826796A (zh) | 成绩预测方法 | |
CN110533336A (zh) | 一种教学决策匹配方法及装置 | |
Underwood et al. | A Proposed Typology of Knowledge Sharing within Communities of Teachers: A Comparative Case Study Focusing on England and Macedonia. | |
CN111199378A (zh) | 学员管理方法、装置、电子设备及存储介质 | |
CN113076835B (zh) | 基于回归分析的教学评价方法及系统 | |
Jeznik et al. | A festival as a pedagogical tool to promote inclusion in the community and in schools | |
Robertson | The impact of the digital society on police recruit training in Canada | |
Tobin | Beyond the bold rhetoric of reform:(Re) learning to teach science appropriately | |
Sacramento | Grassroots involvement on Global South policy narratives and deliberative action on climate change loss and damage | |
CN116579894B (zh) | 一种基于物联网智慧教室的师生互动检测方法 | |
Savage et al. | Being Muslim being British: Preventing extremist violence through raising integrative complexity | |
Kosits | Toward worldview pluralism in psychology | |
Ortín Soler et al. | Mining Interaction Patterns of Children with and without Communication Disorders in the use of Tablets Apps | |
Kogen | For Celebrity Communication about Development to do Good: Reframing purpose and discourses 1 | |
Ortin et al. | Mining Interaction Patterns of Children with and without Communication Disorders in the use of Tablets Apps |
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 |