CN111626252A - 一种教学视频分析方法及装置 - Google Patents

一种教学视频分析方法及装置 Download PDF

Info

Publication number
CN111626252A
CN111626252A CN202010490654.2A CN202010490654A CN111626252A CN 111626252 A CN111626252 A CN 111626252A CN 202010490654 A CN202010490654 A CN 202010490654A CN 111626252 A CN111626252 A CN 111626252A
Authority
CN
China
Prior art keywords
data
task
teacher
classroom
analysis
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.)
Granted
Application number
CN202010490654.2A
Other languages
English (en)
Other versions
CN111626252B (zh
Inventor
张周海
王宁
张亚宇
苗鱼
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.)
Shineon Technology Co ltd
Original Assignee
Shineon Technology 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 Shineon Technology Co ltd filed Critical Shineon Technology Co ltd
Priority to CN202010490654.2A priority Critical patent/CN111626252B/zh
Publication of CN111626252A publication Critical patent/CN111626252A/zh
Application granted granted Critical
Publication of CN111626252B publication Critical patent/CN111626252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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—Systems or methods specially adapted for 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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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

Abstract

本发明公开了一种教学视频分析方法及装置，方法包括：获取分析任务，为分析任务携带的每个任务类型值分配相应的任务进程；当到达分析任务指定的开始时间时，每个任务进程每隔预设时长从教学视频中获取当前时刻的课堂AI数据；当到达分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，设置相应的任务类型值后发送至应用服务进程；应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。通过利用不同类型的任务进程自动提取教学视频的多维度课堂AI数据，在结束后由应用服务进程对提取的多维度课堂AI数据进行分析得出教师讲课类型，以增强数据处理的自动化程度和效率，即省时又省力。

Description

一种教学视频分析方法及装置
技术领域
本发明涉及计算机技术领域，具体涉及一种教学视频分析方法及装置。
背景技术
随着教育信息化2.0时代的到来，将课程背后真正反映教学意义的数据信息呈现出来，可以帮助学校构建数据驱动教学的生态圈。
在现有技术中，很多教育录播厂商在上课期间会录制大量的关于老师、学生、PPT以及板书等视频文件，以根据视频文件了解在教师讲课期间学生的专注度、活跃度，参与度等学生行为信息，或者通过观察老师讲话的频率来分析教师的讲课类型，如讲授型、互动型等。然而，这种通过人工分析方式进行评估，费时费力。
发明内容
本发明的目的是针对上述现有技术的不足提出的一种教学视频分析方法及装置，该目的是通过以下技术方案实现的。
本发明的第一方面提出了一种教学视频分析方法，所述方法包括：
获取分析任务，并为所述分析任务携带的每个任务类型值分配相应的任务进程；
当到达所述分析任务指定的开始时间时，每个任务进程每隔第一预设时长调用一次相应的底层图形分析算法以从教学视频中获取当前时刻的课堂AI数据；
当到达所述分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，并设置相应的任务类型值后发送至应用服务进程；
所述应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
本发明的第二方面提出了一种教学视频分析装置，所述装置包括：
进程分配模块，用于获取分析任务，并为所述分析任务携带的每个任务类型值分配相应的任务进程；
进程执行模块，用于当到达所述分析任务指定的开始时间时，每个任务进程每隔第一预设时长调用一次相应的底层图形分析算法以从教学视频中获取当前时刻的课堂AI数据；当到达所述分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，并设置相应的任务类型值后发送至应用服务进程；
数据处理模块，用于由应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
在本发明实施例中，通过利用不同类型的任务进程自动提取教学视频的多维度课堂AI数据，进而在结束后由应用服务进程对提取的多维度课堂AI数据进行分析得出教师讲课类型，以解决在大量教学视频资源中自动提取关键点信息数据并做自动处理的问题，增强数据处理的自动化程度和效率，即省时又省力。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明根据一示例性实施例示出的一种教学视频分析方法的实施例流程图；
图2为本发明根据一示例性实施例示出的一种计算机设备的硬件结构图；
图3为本发明根据一示例性实施例示出的一种教学视频分析装置的实施例流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
由于现有技术中是人为对上课期间的录制视频进行评估以获得教师讲课类型，费时又费力，因此本申请提出一种自动分析方法获得教师讲课类型，即通过获取分析任务，并为所述分析任务携带的每个任务类型值分配相应的任务进程，当到达所述分析任务指定的开始时间时，每个任务进程每隔第一预设时长调用一次相应的底层图形分析算法以从教学视频中获取当前时刻的课堂AI数据；当到达所述分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，并设置相应的任务类型值后发送至应用服务进程，进而应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
基于上述描述可知，通过利用不同类型的任务进程自动提取教学视频的多维度课堂AI数据，进而在结束后由应用服务进程对提取的多维度课堂AI数据进行分析得出教师讲课类型，以解决在大量教学视频资源中自动提取关键点信息数据并做自动处理的问题，增强数据处理的自动化程度和效率，即省时又省力。
下面以具体实施例对本申请提出的教学视频分析方法进行详细阐述。
图1为本发明根据一示例性实施例示出的一种教学视频分析方法的实施例流程图，如图1所示，该教学视频分析方法包括如下步骤：
步骤101：获取分析任务，并为所述分析任务携带的每个任务类型值分配相应的任务进程。
示例性的，该分析任务为根据用户需求触发生成的，其包括要提取的任务类型值、要分析的起止时间段等信息。
需要说明的是，要分析的起止时间段属于教学视频包含的时间范围。
步骤102：当到达分析任务指定的开始时间时，每个任务进程每隔第一预设时长调用一次相应的底层图形分析算法以从教学视频中获取当前时刻的课堂AI数据。
其中，一个任务进程对应一种底层图形分析算法，底层图形分析算法用于提取相应类型的课堂AI数据。
示例性的，课堂AI数据的类型可以有学生表情数据、到勤人数、抬头学生人数、学生的座位分布数据、课堂站立学生数、学生姿态、教师表情数据、教师讲台区的检测数据以及教师所在教室区域位置数据、教师写板书行为数据。
需要说明的是，当到达分析任务指定的开始时间时，每个任务进程还可以每隔第二预设时长将获取的课堂AI数据合并，并标记数据状态为实时分析，并设置相应的任务类型值后发送至应用服务进程，由应用服务进程根据数据状态为实时分析，针对每一合并的课堂AI数据，调用该课堂AI数据的任务类型值对应的处理算法，以对该课堂AI数据进行处理，获得处理结果并展现所述处理结果。
其中，第一预设时长小于第二预设时长。
(1)假设教师讲台区的检测数据的任务类型值为64，其对应的处理算法为教师讲台区域位置检测数据处理算法，该处理算法逻辑如下：
某个时刻点的教师讲台区的检测数据包括讲台区的人数、每个人所在区域位置代码和坐标，处理算法遍历数据，获取此段(即第二预设时长的时间段)教师在讲台区域的持续时间以及持续总时间(持续改持续总时间将算作教师讲授时间，并进行展现。
(2)假设抬头学生人数的任务类型值为8，其对应的处理算法为学生抬头率处理算法，该处理算法逻辑如下：
此项检测前提是已分析得到的到勤总人数，单条抬头学生人数为某个时刻点检测到的抬头人数，处理算法遍历数据，根据已知的到勤总人数可以计算当前时刻的学生抬头率，将此时刻抬头率与配置的抬头率临界值相比较(根据环境应用不同，此值可以做设置，抬头率大于此值则代表学生听讲，小于此值则代表学生读写)，从而根据第二预设时长的抬头学生人数可以得出学生读写总时间和学生听讲总时间以及读写时间段和听讲时间段，故而此算法可得出五项数据进行展现。
步骤103：当到达分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，并设置相应的任务类型值后发送至应用服务进程。
步骤104：应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
在一实施例中，当到达分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，设置相应的任务类型值的同时，还可以标记数据状态为完整数据，从而应用服务进程根据数据状态为完整数据，根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
以第一预设时长为0.5秒，第二预设时长为2秒为例，当到达分析任务指定的开始时间时，各个任务进程都开始执行并进行如下处理：
每个任务进程每隔0.5秒调用一次相应的底层图形分析算法获取当前时刻的课堂AI数据并记录下来，然后每2秒合并一次此时间段内的数据，并标记数据状态为实时分析，并根据当前任务类型进程设置任务类型值后，调用应用服务进程接口传输合并后的数据，一直重复此过程到任务指定的结束时间结束调用；任务结束后将所有获取的数据合并，设置任务类型值，并指定数据状态为完整数据，调用应用服务进程接口传输合并后的总数据。
针对应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型的过程，在具体实施时，可以根据所有课堂AI数据对应的任务类型值，统计教师行为数、学生行为数以及师生互动行为数，然后根据统计得到的教师行为数、学生行为数以及师生互动行为数确定教师行为占有率和学生行为转换率，进而可以根据所述教师行为占有率和学生行为转换率确定教师讲课类型。
例如，整节课时间为统计区间范围，即分析任务的指定起止时间段，每6秒作为一个时间采样点，教师行为T、学生行为S、师生互动行为D的统计规则如下：
有学生站立数据或者教师巡视的时间点，则将这样的时间点统计为师生互动行为，记为D；
在剩余的非D行为时间点中，对于有教师讲授行为(即讲台区域有检测到人的数据或者教师写板书数据)，则将这样的时间点统计为教师行为，记为T；
对于非D和非T的空余时间点，则将这样的时间点统计为学生行为，记为S；
假设总采样次数为N(即出现S行为、T行为、D行为的总采样次数),出现T行为的采样次数为Nt，出现D行为的采样次数为Nd，又假设T行为与S行为之间的转换次数为g，g初始值为1，g的统计规则为：若S行为与T行为相互切换时，则g+1；若由S行为或T行为切换为D行为时，则g+0.5；若连续相同的行为，则g值不变，由此，教师行为占有率和学生行为转换率的计算规则如下：
(2)教师行为占有率Rt是指统计的T行为数Nt在统计的总数N中所占的比率，在计算时，D行为数Nd的一半作为T行为，另一半作为S行为，Rt值越高，表明课堂中教师活动越多，Rt的计算公式如下：
Rt＝(Nt+0.5Nd)/N
(3)学生行为转换率Ch表示师生行为转换率，即T行为与S行为间的转换次数g与统计的总数N的比率，Ch值位于0～1之间，Ch值越高，说明课堂中师生的对话与互动越多；Ch值越低，说明课堂气氛沉闷，师生之间缺乏交流，Ch的计算公式如下：
Ch＝(g－1)/N
基于上述计算得出的教师行为占有率Rt和学生行为转换率Ch基础上，根据以下表1所示的标准教学模式及其标准条件，可以得到本节课堂所属的教师讲课类型：
标准教学模式 标准条件
练习型 Rt≤0.3
讲授型 Rt≥0.7
对话型 Ch≥0.6
平衡型 0.3＜Rt＜0.7，0.2＜Ch＜0.6
板块型 0.3＜Rt＜0.7，Ch≤0.2
表1
至此，完成上述图1所示流程，通过图1所示流程利用不同类型的任务进程自动提取教学视频的多维度课堂AI数据，进而在结束后由应用服务进程对提取的多维度课堂AI数据进行分析得出教师讲课类型，以解决在大量教学视频资源中自动提取关键点信息数据并做自动处理的问题，增强数据处理的自动化程度和效率，即省时又省力。
图2为本发明根据一示例性实施例示出的一种计算机设备的硬件结构图，该计算机设备包括：通信接口201、处理器202、机器可读存储介质203和总线204；其中，通信接口201、处理器202和机器可读存储介质203通过总线204完成相互间的通信。处理器202通过读取并执行机器可读存储介质203中与教学视频分析方法的控制逻辑对应的机器可执行指令，可执行上文描述的教学视频分析方法，该方法的具体内容参见上述实施例，此处不再累述。
本发明中提到的机器可读存储介质203可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：易失存储器、非易失性存储器或者类似的存储介质。具体地，机器可读存储介质203可以是RAM(Random Access Memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。
与前述教学视频分析方法的实施例相对应，本发明还提供了教学视频分析装置的实施例。
图3为本发明根据一示例性实施例示出的一种教学视频分析装置的实施例流程图，所述教学视频分析装置包括：
进程分配模块310，用于获取分析任务，并为所述分析任务携带的每个任务类型值分配相应的任务进程；
进程执行模块320，用于当到达所述分析任务指定的开始时间时，每个任务进程每隔第一预设时长调用一次相应的底层图形分析算法以从教学视频中获取当前时刻的课堂AI数据；当到达所述分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，并设置相应的任务类型值后发送至应用服务进程；
数据处理模块330，用于由应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
在一可选实现方式中，所述课堂AI数据包括学生表情数据、到勤人数、抬头学生人数、学生的座位分布数据、课堂站立学生数、学生姿态、教师表情数据、教师讲台区的检测数据以及教师所在教室区域位置数据、教师写板书行为数据；其中，每一种数据由一个任务进程进行获取。
在一可选实现方式中，所述装置还包括(图3中未示出)：
实时分析展现模块，用于当到达所述分析任务指定的开始时间时，每个任务进程每隔第二预设时长将获取的课堂AI数据合并，并标记数据状态为实时分析，并设置相应的任务类型值后发送至应用服务进程；由所述应用服务进程根据数据状态为实时分析，针对每一合并的课堂AI数据，调用该课堂AI数据的任务类型值对应的处理算法，以对该课堂AI数据进行处理，获得处理结果并展现所述处理结果；其中，所述第一预设时长小于第二预设时长。
在一可选实现方式中，所述进程执行模块320，具体用于当到达所述分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，设置相应的任务类型值的同时，标记数据状态为完整数据；
所述数据处理模块330，具体用于由应用服务进程根据数据状态为完整数据，根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
在一可选实现方式中，所述数据处理模块330，具体用于由应用服务进程根据所有课堂AI数据对应的任务类型值，统计教师行为数、学生行为数以及师生互动行为数；根据统计得到的教师行为数、学生行为数以及师生互动行为数确定教师行为占有率和学生行为转换率；根据所述教师行为占有率和学生行为转换率确定教师讲课类型。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种教学视频分析方法，其特征在于，所述方法包括：
获取分析任务，并为所述分析任务携带的每个任务类型值分配相应的任务进程；
当到达所述分析任务指定的开始时间时，每个任务进程每隔第一预设时长调用一次相应的底层图形分析算法以从教学视频中获取当前时刻的课堂AI数据；
当到达所述分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，并设置相应的任务类型值后发送至应用服务进程；
所述应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
2.根据权利要求1所述的方法，其特征在于，所述课堂AI数据包括学生表情数据、到勤人数、抬头学生人数、学生的座位分布数据、课堂站立学生数、学生姿态、教师表情数据、教师讲台区的检测数据以及教师所在教室区域位置数据、教师写板书行为数据；
其中，每一种数据由一个任务进程进行获取。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当到达所述分析任务指定的开始时间时，每个任务进程每隔第二预设时长将获取的课堂AI数据合并，并标记数据状态为实时分析，并设置相应的任务类型值后发送至应用服务进程；
所述应用服务进程根据数据状态为实时分析，针对每一合并的课堂AI数据，调用该课堂AI数据的任务类型值对应的处理算法，以对该课堂AI数据进行处理，获得处理结果并展现所述处理结果；
其中，所述第一预设时长小于第二预设时长。
4.根据权利要求1所述的方法，其特征在于，当到达所述分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，设置相应的任务类型值的同时，标记数据状态为完整数据；
所述应用服务进程根据数据状态为完整数据，根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
5.根据权利要求1所述的方法，其特征在于，所述应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型，包括：
根据所有课堂AI数据对应的任务类型值，统计教师行为数、学生行为数以及师生互动行为数；
根据统计得到的教师行为数、学生行为数以及师生互动行为数确定教师行为占有率和学生行为转换率；
根据所述教师行为占有率和学生行为转换率确定教师讲课类型。
6.一种教学视频分析装置，其特征在于，所述装置包括：
进程分配模块，用于获取分析任务，并为所述分析任务携带的每个任务类型值分配相应的任务进程；
进程执行模块，用于当到达所述分析任务指定的开始时间时，每个任务进程每隔第一预设时长调用一次相应的底层图形分析算法以从教学视频中获取当前时刻的课堂AI数据；当到达所述分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，并设置相应的任务类型值后发送至应用服务进程；
数据处理模块，用于由应用服务进程根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
7.根据权利要求6所述的装置，其特征在于，所述课堂AI数据包括学生表情数据、到勤人数、抬头学生人数、学生的座位分布数据、课堂站立学生数、学生姿态、教师表情数据、教师讲台区的检测数据以及教师所在教室区域位置数据、教师写板书行为数据；
其中，每一种数据由一个任务进程进行获取。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
实时分析展现模块，用于当到达所述分析任务指定的开始时间时，每个任务进程每隔第二预设时长将获取的课堂AI数据合并，并标记数据状态为实时分析，并设置相应的任务类型值后发送至应用服务进程；由所述应用服务进程根据数据状态为实时分析，针对每一合并的课堂AI数据，调用该课堂AI数据的任务类型值对应的处理算法，以对该课堂AI数据进行处理，获得处理结果并展现所述处理结果；其中，所述第一预设时长小于第二预设时长。
9.根据权利要求6所述的装置，其特征在于，所述进程执行模块，具体用于当到达所述分析任务指定的结束时间时，每个任务进程将获取的所有课堂AI数据合并，设置相应的任务类型值的同时，标记数据状态为完整数据；
所述数据处理模块，具体用于由应用服务进程根据数据状态为完整数据，根据任务类型值对各个任务进程发送的所有课堂AI数据进行处理得到教师讲课类型。
10.根据权利要求6所述的装置，其特征在于，所述数据处理模块，具体用于由应用服务进程根据所有课堂AI数据对应的任务类型值，统计教师行为数、学生行为数以及师生互动行为数；根据统计得到的教师行为数、学生行为数以及师生互动行为数确定教师行为占有率和学生行为转换率；根据所述教师行为占有率和学生行为转换率确定教师讲课类型。
CN202010490654.2A 2020-06-02 2020-06-02 一种教学视频分析方法及装置 Active CN111626252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010490654.2A CN111626252B (zh) 2020-06-02 2020-06-02 一种教学视频分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010490654.2A CN111626252B (zh) 2020-06-02 2020-06-02 一种教学视频分析方法及装置

Publications (2)

Publication Number Publication Date
CN111626252A true CN111626252A (zh) 2020-09-04
CN111626252B CN111626252B (zh) 2023-04-07

Family

ID=72271965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010490654.2A Active CN111626252B (zh) 2020-06-02 2020-06-02 一种教学视频分析方法及装置

Country Status (1)

Country Link
CN (1) CN111626252B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022828A (zh) * 2022-01-05 2022-02-08 北京金茂教育科技有限公司 视频流处理方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120022906A1 (en) * 2000-04-24 2012-01-26 Jonathan Scott Snyder System for Scheduling Classes and Managing Educational Resources
CN103077491A (zh) * 2012-11-10 2013-05-01 南昌大学 课堂教学模式分析方法
CN103295171A (zh) * 2013-06-05 2013-09-11 广州市奥威亚电子科技有限公司 基于智能录播系统的s-t教学自动分析方法
CN103428461A (zh) * 2013-08-16 2013-12-04 北京中广上洋科技股份有限公司 一种授课影像录制的系统和方法
CN106295222A (zh) * 2016-08-23 2017-01-04 华中师范大学 一种基于课堂教学互动行为云的教学模式分析方法
CN107832936A (zh) * 2017-10-31 2018-03-23 北京新学道教育科技有限公司 一种基于云数据的电子化教学评价方法及系统
CN107895244A (zh) * 2017-12-26 2018-04-10 重庆大争科技有限公司 课堂教学质量评估方法
CN108090857A (zh) * 2017-12-29 2018-05-29 复旦大学 一种多模态的学生课堂行为分析系统和方法
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
CN108121785A (zh) * 2017-12-15 2018-06-05 华中师范大学 一种基于教育大数据的分析方法
CN108766113A (zh) * 2018-05-25 2018-11-06 讯飞幻境(北京)科技有限公司 学生课堂表现的监测方法及装置
CN110070295A (zh) * 2019-04-25 2019-07-30 平安科技（深圳）有限公司 课堂教学质量的评析方法、装置和计算机设备
CN110070232A (zh) * 2019-04-28 2019-07-30 东北大学 引入教师教学风格的多维度预测学生成绩的方法
CN110334610A (zh) * 2019-06-14 2019-10-15 华中师范大学 一种基于计算机视觉的多维度课堂量化系统及方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120022906A1 (en) * 2000-04-24 2012-01-26 Jonathan Scott Snyder System for Scheduling Classes and Managing Educational Resources
CN103077491A (zh) * 2012-11-10 2013-05-01 南昌大学 课堂教学模式分析方法
CN103295171A (zh) * 2013-06-05 2013-09-11 广州市奥威亚电子科技有限公司 基于智能录播系统的s-t教学自动分析方法
CN103428461A (zh) * 2013-08-16 2013-12-04 北京中广上洋科技股份有限公司 一种授课影像录制的系统和方法
CN106295222A (zh) * 2016-08-23 2017-01-04 华中师范大学 一种基于课堂教学互动行为云的教学模式分析方法
CN107832936A (zh) * 2017-10-31 2018-03-23 北京新学道教育科技有限公司 一种基于云数据的电子化教学评价方法及系统
CN108121785A (zh) * 2017-12-15 2018-06-05 华中师范大学 一种基于教育大数据的分析方法
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
CN107895244A (zh) * 2017-12-26 2018-04-10 重庆大争科技有限公司 课堂教学质量评估方法
CN108090857A (zh) * 2017-12-29 2018-05-29 复旦大学 一种多模态的学生课堂行为分析系统和方法
CN108766113A (zh) * 2018-05-25 2018-11-06 讯飞幻境(北京)科技有限公司 学生课堂表现的监测方法及装置
CN110070295A (zh) * 2019-04-25 2019-07-30 平安科技（深圳）有限公司 课堂教学质量的评析方法、装置和计算机设备
CN110070232A (zh) * 2019-04-28 2019-07-30 东北大学 引入教师教学风格的多维度预测学生成绩的方法
CN110334610A (zh) * 2019-06-14 2019-10-15 华中师范大学 一种基于计算机视觉的多维度课堂量化系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUMA FAWAD ET AL.: "\"Student feedback & systematic evaluation of teaching and its correlation to learning theories, Pedagogy & Teaching skills\"" *
徐斌;: "中小学信息科技学科课堂教学中师生互动行为研究――以上海市"862"课程资源中信息科技学科探索实践课为例" *
王冬青;刘欢;邱美玲;: "智慧课堂教师行为数据的分析方法与应用验证" *
葛超: ""基于S-T分析法的初中地理案例教学效果评价研究 ——以深圳市某中学为例"" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114022828A (zh) * 2022-01-05 2022-02-08 北京金茂教育科技有限公司 视频流处理方法及装置

Also Published As

Publication number Publication date
CN111626252B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN103761894B (zh) 互动课堂实现方法及交互平台
CN109698920B (zh) 一种基于互联网教学平台的跟随教学系统
CN110070295B (zh) 课堂教学质量的评析方法、装置和计算机设备
CN109801525A (zh) 一种用于网络教学的师生多维匹配方法和系统
JP5972707B2 (ja) 学習コンテンツの構造化装置及びそれを用いた学習コンテンツ選択支援システム並びに支援方法
CN108154304A (zh) 具有教学质量评估功能的服务器
JP2009511964A5 (zh)
CN107170308A (zh) 课堂问答管理方法及系统
CN109697906B (zh) 一种基于互联网教学平台的跟随教学方法
CN108122437A (zh) 自适应学习方法及装置
AU2012204061B2 (en) Methods and systems for object based data management
CN113627779A (zh) 一种基于大数据和ai技术的教学管理、质量评估系统
CN108182649A (zh) 用于教学质量评估的智能机器人
CN110782185A (zh) 一种课堂行为识别分析方法
CN111626252B (zh) 一种教学视频分析方法及装置
WO2018128752A1 (en) Class assessment tool with a feedback mechanism
CN110111011B (zh) 一种教学质量监管方法、装置及电子设备
CN116416839A (zh) 一种基于物联网实训系统的实训辅助教学的方法
CN115731753A (zh) 一种具有互动功能的智慧白板系统及互动方法
CN114169739A (zh) 一种课程权限控制方法、装置、电子设备及存储介质
CN114926758A (zh) 一种分析课堂学生参与度的方法
CN108053193A (zh) 教育信息分析与查询方法及系统
CN114004499A (zh) 一种教学作业的时长计算终端
CN111667128B (zh) 教学质量评估方法、装置及系统
CN110796364A (zh) 在线课堂的质检方法、装置、电子设备及存储介质

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