CN110968669B - 一种智能视频分析警务试题归类推荐方法 - Google Patents

一种智能视频分析警务试题归类推荐方法 Download PDF

Info

Publication number
CN110968669B
CN110968669B CN201911208452.8A CN201911208452A CN110968669B CN 110968669 B CN110968669 B CN 110968669B CN 201911208452 A CN201911208452 A CN 201911208452A CN 110968669 B CN110968669 B CN 110968669B
Authority
CN
China
Prior art keywords
teaching
test
test question
police
text
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
CN201911208452.8A
Other languages
English (en)
Other versions
CN110968669A (zh
Inventor
邹鸣
马沁妍
陈积敏
俞燕茹
王旭海
苏进
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.)
Nanjing Forest Police College
Original Assignee
Nanjing Forest Police College
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 Nanjing Forest Police College filed Critical Nanjing Forest Police College
Priority to CN201911208452.8A priority Critical patent/CN110968669B/zh
Publication of CN110968669A publication Critical patent/CN110968669A/zh
Application granted granted Critical
Publication of CN110968669B publication Critical patent/CN110968669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)

Abstract

本发明涉及一种智能视频分析警务试题归类推荐方法，采用全新主题策略，针对教学视频进行分析，获得教学视频所对应的各段教学文本，并分别对各段教学文本进行分词，获得各段教学文本分别所对应的各个中文分词，引入向量概念，获得各段教学文本分别所对应的向量，通过警务试题库中各试题向量与教学文本向量之间的余弦距离，获得分别与各教学文本相联系对应的各试题，用于该教学视频学习后的推荐测试，如此将试题与教学视频相结合，实现试题对教学的直接响应，及时对学习结果进行检测，提高学习效率。

Description

一种智能视频分析警务试题归类推荐方法
技术领域
本发明涉及一种智能视频分析警务试题归类推荐方法，属于警务在线教育学习技术领域。
背景技术
随着互联网应用的逐年普及，更多的领域加入了网络化时代，在线学习、在线试题是当下网络教学中重要的分支之一，将传统教学课程，以及试题的练习、考试搬至网络当中，让使用者足不出户即可享受到在线教育的优势，随着在线教育的兴起、以及被更多的使用者所接收，各个教育机构纷纷推出自己的在线教育应用，但是现有的各类在线教育应用各有弊端，试题与试题之间相互独立，无法做到试题的综合性串联，所谓的组卷也就是人为主观意识的结合，缺乏知识点的归纳，并且伴随更快网络传输速度的建设，在线视频教育被引入进来，更加直观的面对面教学，不仅提高了学习兴趣，更提高了学习效率，但现有技术的在线教育依然没能将好的教学形式与试题相结合起来，试题与教学各自为战，在学习与测试方面，效率就大打折扣。
发明内容
本发明所要解决的技术问题是提供一种智能视频分析警务试题归类推荐方法，将试题与教学视频相结合，实现试题对教学的直接响应，及时对学习结果进行检测，提高学习效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种智能视频分析警务试题归类推荐方法，用于实现警务学习平台上教学视频对应警务试题库中相关各试题的推荐测试；其中，基于获得警务试题库中各试题分别所对应的向量，针对学习目标教学视频的警务人员，执行如下步骤A至步骤G，实时向该警务人员推荐目标教学视频所对应警务试题库中的相关各试题进行测试；
步骤A.基于目标教学视频播放的同时，新建线程对目标教学视频中的音频信号进行监听录取，获得目标教学视频中完整的音频信号，然后进入步骤B；
步骤B.采用语音识别应用，针对所获音频信号进行识别，并转换为文本信息，然后进入步骤C；
步骤C.根据预设分段关键词库，针对所获文本信息进行分段，获得并作为目标教学视频所对应的各段教学文本，然后进入步骤D；
步骤D.分别针对各段教学文本，结合预设警务专业用词词库，应用分词器针对教学文本进行中文分词处理，获得该教学文本所对应的各个中文分词；进而获得各段教学文本分别所对应的各个中文分词，然后进入步骤E；
步骤E.分别针对各段教学文本，根据预设无意义词库，剔除教学文本所对应各个中文分词中的无意义词、以及连接词，更新该教学文本所对应的各个中文分词；进而更新各段教学文本分别所对应的各个中文分词，然后进入步骤F；
步骤F.分别针对各段教学文本，针对教学文本所对应的各个中文分词,进行自然语言处理，获得该教学文本所对应的向量；进而获得各段教学文本分别所对应的向量，然后进入步骤G；
步骤G.分别针对各段教学文本，获得警务试题库中各试题分别所对应向量、分别与教学文本所对应向量之间的余弦距离，并获得小于预设余弦距离阈值的各个余弦距离分别所对应的试题，即作为该教学文本所对应的各试题；进而获得各段教学文本分别所对应的各试题，即获得目标教学视频所对应的各试题，用于该教学视频学习后的推荐测试。
作为本发明的一种优选技术方案：还包括步骤H至步骤J如下，所述步骤G中获得各段教学文本分别所对应的各试题后，进入步骤H；
步骤H.获得学习目标教学视频的警务人员的历史错题日志，并获得其中各个错误试题，然后进入步骤I；
步骤I.分别针对各段教学文本，判断各错误试题与教学文本所对应各试题之间是否存在相同试题，是则获得各个相同试题，并执行：先按余弦距离由小至大顺序优先选择各相同试题，再按余弦距离由小至大、顺序选择该教学文本所对应各试题中除相同试题外的各个试题，获得满足预设单篇教学文本试题推荐数量的各个试题，作为该教学文本所对应的推荐试题；
否则按余弦距离由小至大、顺序选择该教学文本所对应各试题，获得满足预设单篇教学文本试题推荐数量的各个试题，作为该教学文本所对应的推荐试题；
待完成本步骤分别针对各段教学文本的处理后，进入步骤J；
步骤J.由各段教学文本分别所对应的推荐试题，即构成目标教学视频所对应的各试题，用于该教学视频学习后的推荐测试。
作为本发明的一种优选技术方案：所述警务试题库中各试题分别所对应的向量，按如下步骤01至步骤03获得：
步骤01.分别针对警务试题库中的各试题，结合预设警务专业用词词库，应用分词器针对试题进行中文分词处理，获得该试题所对应的各个中文分词；进而获得各试题分别所对应的各个中文分词，然后进入步骤02；
步骤02.分别针对警务试题库中的各试题，根据预设无意义词库，剔除试题所对应各个中文分词中的无意义词、以及连接词，更新该试题所对应的各个中文分词；进而更新各试题分别所对应的各个中文分词，然后进入步骤03；
步骤03.分别针对警务试题库中的各试题，针对试题所对应的各个中文分词,进行自然语言处理，获得该试题所对应的向量；进而获得各试题分别所对应的向量。
作为本发明的一种优选技术方案：所述步骤01中，结合预设警务专业用词词库，应用分词器针对试题、以及该试题所对应答案和答案解析三处分别进行中文分词处理，共同作为该试题所对应的各个中文分词。
作为本发明的一种优选技术方案：所述分词器采用ik-max分词器。
作为本发明的一种优选技术方案：所述自然语言处理采用word2vec算法执行。
作为本发明的一种优选技术方案：所步骤B中，采用讯飞语音识别应用，针对所获音频信号进行识别。
本发明所述一种智能视频分析警务试题归类推荐方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计智能视频分析警务试题归类推荐方法，采用全新主题策略，针对教学视频进行分析，获得教学视频所对应的各段教学文本，并分别对各段教学文本进行分词，获得各段教学文本分别所对应的各个中文分词，引入向量概念，获得各段教学文本分别所对应的向量，通过警务试题库中各试题向量与教学文本向量之间的余弦距离，获得分别与各教学文本相联系对应的各试题，用于该教学视频学习后的推荐测试，如此将试题与教学视频相结合，实现试题对教学的直接响应，及时对学习结果进行检测，提高学习效率。
附图说明
图1是本发明设计智能视频分析警务试题归类推荐方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种智能视频分析警务试题归类推荐方法，用于实现警务学习平台上教学视频对应警务试题库中相关各试题的推荐测试；首先，执行如下步骤01至步骤03，获得警务试题库中各试题分别所对应的向量。
步骤01.分别针对警务试题库中的各试题，结合预设警务专业用词词库，应用ik-max分词器针对试题、以及该试题所对应答案和答案解析三处分别进行中文分词处理，得该试题所对应的各个中文分词；进而获得各试题分别所对应的各个中文分词，然后进入步骤02。
步骤02.分别针对警务试题库中的各试题，根据预设无意义词库，剔除试题所对应各个中文分词中的无意义词、以及连接词，更新该试题所对应的各个中文分词；进而更新各试题分别所对应的各个中文分词，然后进入步骤03。
步骤03.分别针对警务试题库中的各试题，针对试题所对应的各个中文分词,采用word2vec算法进行自然语言处理，获得该试题所对应的向量；进而获得各试题分别所对应的向量。
然后基于所获警务试题库中各试题分别所对应的向量，针对学习目标教学视频的警务人员，按图1所示，执行如下步骤A至步骤G，实时向该警务人员推荐目标教学视频所对应警务试题库中的相关各试题进行测试。
步骤A.基于目标教学视频播放的同时，新建线程对目标教学视频中的音频信号进行监听录取，获得目标教学视频中完整的音频信号，然后进入步骤B。
步骤B.采用讯飞语音识别应用，针对所获音频信号进行识别，并转换为文本信息，然后进入步骤C。
步骤C.根据预设分段关键词库，针对所获文本信息进行分段，获得并作为目标教学视频所对应的各段教学文本，然后进入步骤D。
步骤D.分别针对各段教学文本，结合预设警务专业用词词库，应用ik-max分词器针对教学文本进行中文分词处理，获得该教学文本所对应的各个中文分词；进而获得各段教学文本分别所对应的各个中文分词，然后进入步骤E。
步骤E.分别针对各段教学文本，根据预设无意义词库，剔除教学文本所对应各个中文分词中的无意义词、以及连接词，更新该教学文本所对应的各个中文分词；进而更新各段教学文本分别所对应的各个中文分词，然后进入步骤F。
步骤F.分别针对各段教学文本，针对教学文本所对应的各个中文分词,采用word2vec算法进行自然语言处理，获得该教学文本所对应的向量；进而获得各段教学文本分别所对应的向量，然后进入步骤G。
步骤G.分别针对各段教学文本，获得警务试题库中各试题分别所对应向量、分别与教学文本所对应向量之间的余弦距离，并获得小于预设余弦距离阈值的各个余弦距离分别所对应的试题，即作为该教学文本所对应的各试题；进而获得各段教学文本分别所对应的各试题，即获得目标教学视频所对应的各试题，然后进入步骤H。
步骤H.获得学习目标教学视频的警务人员的历史错题日志，并获得其中各个错误试题，然后进入步骤I。
步骤I.分别针对各段教学文本，判断各错误试题与教学文本所对应各试题之间是否存在相同试题，是则获得各个相同试题，并执行：先按余弦距离由小至大顺序优先选择各相同试题，再按余弦距离由小至大、顺序选择该教学文本所对应各试题中除相同试题外的各个试题，获得满足预设单篇教学文本试题推荐数量的各个试题，作为该教学文本所对应的推荐试题。
否则按余弦距离由小至大、顺序选择该教学文本所对应各试题，获得满足预设单篇教学文本试题推荐数量的各个试题，作为该教学文本所对应的推荐试题。
待完成步骤I分别针对各段教学文本的处理后，进入步骤J。
步骤J.由各段教学文本分别所对应的推荐试题，即构成目标教学视频所对应的各试题，用于该教学视频学习后的推荐测试。
上述所设计智能视频分析警务试题归类推荐方法应用于实际当中，警务人员使用警务学习平台，学习完教学视频后，系统即可将该教学视频所对应的各试题列出来，供学习完该教学视频后的测试练习之用，如此通过科学客观的策略将试题与教学视频结合起来，及时做到教学视频后的测试之用，有效提高了学习效率，此外，本发明还设计将警务人员的历史错题结合进来，在针对教学视频推荐试题的同时，优选所推荐试题中的历史错误试题进行推荐，紧密结合学习内容的同时，对历史错题再次进行测试，进一步提高学习效率。
上述技术方案所设计智能视频分析警务试题归类推荐方法，采用全新主题策略，针对教学视频进行分析，获得教学视频所对应的各段教学文本，并分别对各段教学文本进行分词，获得各段教学文本分别所对应的各个中文分词，引入向量概念，获得各段教学文本分别所对应的向量，通过警务试题库中各试题向量与教学文本向量之间的余弦距离，获得分别与各教学文本相联系对应的各试题，用于该教学视频学习后的推荐测试，如此将试题与教学视频相结合，实现试题对教学的直接响应，及时对学习结果进行检测，提高学习效率。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种智能视频分析警务试题归类推荐方法，其特征在于：用于实现警务学习平台上教学视频对应警务试题库中相关各试题的推荐测试；其中，基于警务试题库中各试题分别所对应各中文分词经自然语言处理，所获该各试题分别对应的向量，针对学习目标教学视频的警务人员，执行如下步骤A至步骤G，实时向该警务人员推荐目标教学视频所对应警务试题库中的相关各试题进行测试；其中，自然语言处理采用word2vec算法执行；
步骤A.基于目标教学视频播放的同时，新建线程对目标教学视频中的音频信号进行监听录取，获得目标教学视频中完整的音频信号，然后进入步骤B；
步骤B.采用语音识别应用，针对所获音频信号进行识别，并转换为文本信息，然后进入步骤C；
步骤C.根据预设分段关键词库，针对所获文本信息进行分段，获得并作为目标教学视频所对应的各段教学文本，然后进入步骤D；
步骤D.分别针对各段教学文本，结合预设警务专业用词词库，应用分词器针对教学文本进行中文分词处理，获得该教学文本所对应的各个中文分词；进而获得各段教学文本分别所对应的各个中文分词，然后进入步骤E；
步骤E.分别针对各段教学文本，根据预设无意义词库，剔除教学文本所对应各个中文分词中的无意义词、以及连接词，更新该教学文本所对应的各个中文分词；进而更新各段教学文本分别所对应的各个中文分词，然后进入步骤F；
步骤F.分别针对各段教学文本，针对教学文本所对应的各个中文分词,进行自然语言处理，获得该教学文本所对应的向量；进而获得各段教学文本分别所对应的向量，然后进入步骤G；
步骤G.分别针对各段教学文本，获得警务试题库中各试题分别所对应向量、分别与教学文本所对应向量之间的余弦距离，并获得小于预设余弦距离阈值的各个余弦距离分别所对应的试题，即作为该教学文本所对应的各试题；进而获得各段教学文本分别所对应的各试题，然后进入步骤H；
步骤H.获得学习目标教学视频的警务人员的历史错题日志，并获得其中各个错误试题，然后进入步骤I；
步骤I.分别针对各段教学文本，判断各错误试题与教学文本所对应各试题之间是否存在相同试题，是则获得各个相同试题，并执行：先按余弦距离由小至大顺序优先选择各相同试题，再按余弦距离由小至大、顺序选择该教学文本所对应各试题中除相同试题外的各个试题，获得满足预设单篇教学文本试题推荐数量的各个试题，作为该教学文本所对应的推荐试题；
否则按余弦距离由小至大、顺序选择该教学文本所对应各试题，获得满足预设单篇教学文本试题推荐数量的各个试题，作为该教学文本所对应的推荐试题；
待完成本步骤分别针对各段教学文本的处理后，进入步骤J；
步骤J.由各段教学文本分别所对应的推荐试题，即构成目标教学视频所对应的各试题，用于该教学视频学习后的推荐测试。
2.根据权利要求1所述一种智能视频分析警务试题归类推荐方法，其特征在于：所述警务试题库中各试题分别所对应的向量，按如下步骤01至步骤03获得：
步骤01.分别针对警务试题库中的各试题，结合预设警务专业用词词库，应用分词器针对试题进行中文分词处理，获得该试题所对应的各个中文分词；进而获得各试题分别所对应的各个中文分词，然后进入步骤02；
步骤02.分别针对警务试题库中的各试题，根据预设无意义词库，剔除试题所对应各个中文分词中的无意义词、以及连接词，更新该试题所对应的各个中文分词；进而更新各试题分别所对应的各个中文分词，然后进入步骤03；
步骤03.分别针对警务试题库中的各试题，针对试题所对应的各个中文分词,进行自然语言处理，获得该试题所对应的向量；进而获得各试题分别所对应的向量。
3.根据权利要求2所述一种智能视频分析警务试题归类推荐方法，其特征在于：所述步骤01中，结合预设警务专业用词词库，应用分词器针对试题、以及该试题所对应答案和答案解析三处分别进行中文分词处理，共同作为该试题所对应的各个中文分词。
4.根据权利要求1至3任意一项所述一种智能视频分析警务试题归类推荐方法，其特征在于：所述分词器采用ik-max分词器。
5.根据权利要求1至3任意一项所述一种智能视频分析警务试题归类推荐方法，其特征在于：所步骤B中，采用讯飞语音识别应用，针对所获音频信号进行识别。
CN201911208452.8A 2019-11-30 2019-11-30 一种智能视频分析警务试题归类推荐方法 Active CN110968669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911208452.8A CN110968669B (zh) 2019-11-30 2019-11-30 一种智能视频分析警务试题归类推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911208452.8A CN110968669B (zh) 2019-11-30 2019-11-30 一种智能视频分析警务试题归类推荐方法

Publications (2)

Publication Number Publication Date
CN110968669A CN110968669A (zh) 2020-04-07
CN110968669B true CN110968669B (zh) 2023-07-28

Family

ID=70032426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911208452.8A Active CN110968669B (zh) 2019-11-30 2019-11-30 一种智能视频分析警务试题归类推荐方法

Country Status (1)

Country Link
CN (1) CN110968669B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111858853B (zh) * 2020-07-11 2023-07-25 杨帆 一种基于图神经网络的警务学习内容推荐方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105023214B (zh) * 2015-07-17 2019-03-26 蓝舰信息科技南京有限公司 一种题目知识点智能推荐方法
CN107247732A (zh) * 2017-05-05 2017-10-13 广州盈可视电子科技有限公司 一种教学视频的习题匹配方法、装置和一种录播系统
CN107273490B (zh) * 2017-06-14 2020-04-17 北京工业大学 一种基于知识图谱的组合错题推荐方法
CN107644012B (zh) * 2017-08-29 2019-03-01 平安科技（深圳）有限公司 电子装置、问题识别确认方法和计算机可读存储介质
CN108197137A (zh) * 2017-11-20 2018-06-22 广州视源电子科技股份有限公司 文本的处理方法、装置、存储介质、处理器和终端

Also Published As

Publication number Publication date
CN110968669A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
Taguchi Description and explanation of pragmatic development: Quantitative, qualitative, and mixed methods research
CN111709358B (zh) 基于课堂视频的师生行为分析系统
CN111274411A (zh) 课程推荐方法、装置、电子设备及可读存储介质
Hao et al. Collaborative Problem Solving Skills versus Collaboration Outcomes: Findings from Statistical Analysis and Data Mining.
CN108121702A (zh) 数学主观题评阅方法及系统
CN112487139A (zh) 基于文本的自动出题方法、装置及计算机设备
CN116955555A (zh) 一种基于自然语言处理的数字人教师在课堂教学的方法
Shan et al. [Retracted] Research on Classroom Online Teaching Model of “Learning” Wisdom Music on Wireless Network under the Background of Artificial Intelligence
CN116049557A (zh) 一种基于多模态预训练模型的教育资源推荐方法
CN110968669B (zh) 一种智能视频分析警务试题归类推荐方法
CN116259004A (zh) 一种应用于在线教育的学生学习状态检测方法及系统
CN114333787A (zh) 口语考试的评分方法、装置、设备、存储介质及程序产品
CN110909132B (zh) 一种基于语义分析的警务学习内容分析划归方法
CN111415283A (zh) 一种有效在线教学的因素分析方法和装置
CN111708951B (zh) 一种试题推荐方法及装置
Ruan Special‐Purpose English Teaching Reform and Model Design in the Era of Artificial Intelligence
CN113743495A (zh) 一种基于注意力机制的学习风格识别方法及系统
CN113505597A (zh) 一种视频会议中提炼关键词的方法、装置及存储介质
CN111027321A (zh) 一种警务相关智能组题系统
Meng et al. Nonlinear network speech recognition structure in a deep learning algorithm
CN113269178B (zh) 一种基于智慧课堂截图题目的智能荐题方法
Shen et al. Behavior Recognition of Teachers and Students in the Smart Classroom Based on Deep Learning
Taralrud et al. Multimodal Sentiment Analysis for Personality Prediction
Lin et al. Research on Deep Learning Technology to Enhance the Efficiency of Teaching Interaction in College English Classrooms
Liao CH-CC: A Chinese Multimodal Classroom Atmosphere Analysis Dataset Based on Teachers’ Behavior and Voice

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