CN111932418B - 一种学生学习情况识别方法、系统、教学终端及存储介质 - Google Patents
一种学生学习情况识别方法、系统、教学终端及存储介质 Download PDFInfo
- Publication number
- CN111932418B CN111932418B CN202010938209.8A CN202010938209A CN111932418B CN 111932418 B CN111932418 B CN 111932418B CN 202010938209 A CN202010938209 A CN 202010938209A CN 111932418 B CN111932418 B CN 111932418B
- Authority
- CN
- China
- Prior art keywords
- learning
- text
- student
- initial
- handwriting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 6
- 238000012015 optical character recognition Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm 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
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/32—Digital ink
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/413—Classification of content, e.g. text, photographs or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
- G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请适用于教学管理技术领域,提供了一种学生学习情况识别方法、系统、教学终端及存储介质,该方法应用于教学终端,包括:获取学生通过学生终端上传的第一笔迹图片;识别第一笔迹图片中的第一文本,以及识别与第一文本对应的第一笔迹信息;提取第一文本和第一笔迹信息中的第一学习特征与第二学习特征;根据第一学习特征,使用预设的第一学习模型对学生的第一学习情况进行识别;根据教学终端中与第二学习特征属于相同类别的目标特征训练第二学习模型,并根据第二学习模型和第二学习特征对学生的第二学习情况进行识别。采用上述方法中的第一学习模型和第二学习模型对学生的学习情况进行全面分析,使分析结果更加符合学生的真实学习情况。
Description
技术领域
本申请属于教学管理技术领域,尤其涉及一种学生学习情况识别方法、系统、教学终端及存储介质。
背景技术
随着以计算机多媒体技术、网络传输技术、物联网图像处理技术为代表的新技术的不断更新,产生了很多智能教学设备,推动了教学手段的现代化进程。然而,智能教学设备通常只根据学生上传的内容信息(试题信息、答题结果等),对学生的学习情况进行分析,其分析学习情况的手段单一,以至于难以准确的基于上传的内容信息对学生的学习情况进行全面识别。
发明内容
本申请实施例提供了一种学生学习情况识别方法、系统、教学终端及存储介质,可以解决智能教学设备难以准确的基于上传的内容信息对学生的学习情况进行全面识别的问题。
第一方面,本申请实施例提供了一种学生学习情况识别方法,应用于教学终端,所述方法包括:
获取学生通过学生终端上传的第一笔迹图片,所述第一笔迹图片中包含第一文本;
识别所述第一笔迹图片中的第一文本,以及识别与所述第一文本对应的第一笔迹信息;
提取所述第一文本和所述第一笔迹信息中的学习特征,所述学习特征包括第一学习特征与第二学习特征;
根据所述第一学习特征,使用预设的第一学习模型对所述学生的第一学习情况进行识别;
统计所述教学终端中与所述第二学习特征属于相同类别的目标特征的特征数量;
若所述特征数量大于预设阈值,则使用所述目标特征训练第二学习模型,并根据所述第二学习模型和所述第二学习特征对所述学生的第二学习情况进行识别。
在一实施例中,在识别所述第一笔迹图片中的第一文本之前,所述方法还包括:
对所述第一笔迹图片进行去噪处理,得到去噪后的第一笔迹图片;
删除所述去噪后的第一笔迹图片中与预设的干扰特征相同的特征。
在一实施例中,所述第一笔迹图片中的第一文本包括多个;
所述识别所述第一笔迹图片中的第一文本,包括:
步骤一、识别所述第一笔迹图片,得到所述第一笔迹图片中的多个第一字符,以及多个第一字符的字符顺序;
步骤二、确定所述多个第一字符的第一初始位置和第一结束位置,提取所述第一初始位置和所述第一结束位置之间的多个字符组成第一初始文本,所述第一结束位置为与所述第一初始位置距离N个字符的位置,所述N大于或等于1;
步骤三、若预设词库中存储有所述第一初始文本,则将所述第一初始文本确定为第一文本;
步骤四、若预设词库中未存储有所述第一初始文本,则将所述第一结束位置向所述第一初始位置方向移动预设字数位置,作为第二结束位置;
步骤五、提取所述第一初始位置和所述第二结束位置之间的多个字符组成新的第一初始文本,并返回执行所述步骤三至所述步骤五。
在一实施例中,在所述若预设词库中存储有所述第一初始文本,则将所述第一初始文本确定为第一文本之后,所述方法还包括:
步骤六、将所述第一结束位置之后的第一个字符所在的位置作为第二初始位置,并将与所述第二初始位置距离N个字符的位置确定为第三结束位置;
步骤七、提取所述第二初始位置和所述第三结束位置之间的多个字符组成新的第一初始文本,并返回执行所述步骤三至所述步骤五。
在一实施例中,所述预设词库中存储有多个第二初始文本;
所述识别所述第一笔迹图片中的第一文本,还包括:
根据所述多个第一字符的字符顺序,分别将每个第一字符及其相邻字符组成多个词组;
分别统计所述每个第一字符在预设词库中存储的多个第二初始文本中出现的第一数量,并统计所述预设词库中存储的多个第二初始文本的第二数量;
根据所述第一数量和所述第二数量,分别计算每个词组在所述多个第二初始文本中的关联度;
在所述多个词组对应的多个关联度中,确定大于预设数值的目标关联度,并将所述目标关联度对应的词组作为所述第一文本。
在一实施例中,所述根据所述第一数量和所述第二数量,分别计算每个词组在所述多个第二初始文本中的关联度,包括:
根据所述第一数量和所述第二数量,分别计算所述每个第一字符在所述多个第二初始文本中出现的第一频率;
根据所述第二数量,分别统计每个词组在所述多个第二初始文本中出现的第二频率;
根据所述第一频率和所述第二频率,计算所述每个词组在所述多个第二初始文本中的关联度。
在一实施例中,在所述若所述特征数量大于预设阈值,则使用所述目标特征训练第二学习模型,并根据所述第二学习模型和所述第二学习特征对所述学生的第二学习情况进行识别之后,还包括:
根据识别得到的所述第一学习情况和所述第二学习情况,生成针对所述学生的教学建议;
基于所述教学建议,向所述学生的学生终端推送学习内容。
第二方面,本申请实施例提供了一种教学系统,包括教学终端和学生终端,所述教学终端包括:获取模块、识别模块、提取模块、第一学情诊断分析模块、记录模块、第二学情诊断分析模块;
获取模块,用于获取学生通过学生终端上传的第一笔迹图片,所述第一笔迹图片中包含第一文本;
识别模块,用于识别所述第一笔迹图片中的第一文本,以及识别与所述第一文本对应的第一笔迹信息;
提取模块,用于提取所述第一文本和所述第一笔迹信息中的学习特征,所述学习特征包括第一学习特征与第二学习特征;
第一学情诊断分析模块,用于根据所述第一学习特征,使用预设的第一学习模型对所述学生的第一学习情况进行识别;
记录模块,用于统计所述教学终端中与所述第二学习特征属于相同类别的目标特征的特征数量;
第二学情诊断分析模块,用于若所述特征数量大于预设阈值,则使用所述目标特征训练第二学习模型,并根据所述第二学习模型和所述第二学习特征对所述学生的第二学习情况进行识别。
第三方面,本申请实施例提供了一种教学终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一项所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的方法。
在本申请实施例中,通过识别学生上传的第一笔迹图片中的第一文本,以及学生书写第一文本的第一笔迹信息,提取第一学习特征并使用第一学习模型对学生的第一学习情况进行识别。同时提取第二学习特征,并在教学终端中与第二学习特征属于相同类别的目标特征的特征数量大于预设阈值时,使用目标特征训练第二学习模型,最后根据第二学习模型和第二学习特征对学生的第二学习情况进行识别。进而可实现对学生的学习情况进行全面分析的效果,使教学终端对学生分析的学习情况更加符合学生的真实学习情况。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1是本申请一实施例提供的一种教学系统的系统示意图;
图2是本申请一实施例提供的一种学生学习情况识别方法的实现流程图;
图3是本申请另一实施例提供的一种学生学习情况识别方法的实现流程图;
图4是本申请一实施例提供的一种学生学习情况识别方法的S102的一种实现方式示意图;
图5是本申请一实施例提供的一种学生学习情况识别方法的S102的另一种实现方式示意图;
图6是本申请一实施例提供的一种学生学习情况识别方法的S102的又一种实现方式示意图;
图7是本申请又一实施例提供的一种学生学习情况识别方法的实现流程图;
图8是本申请一实施例提供的一种教学终端的结构框图;
图9是本申请另一实施例提供的一种教学终端的结构框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请实施例提供的学生学习情况识别方法可以应用于手机、平板电脑、笔迹本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本等教学终端上,本申请实施例对教学终端的具体类型不作任何限制。为便于解释说明,本申请实施例以教学系统包含的教学终端对学生学习情况识别方法进行说明。
具体的,请参照图1,教学系统1包括教学终端11和学生终端12,其中教学终端11包括用户信息管理模块110、手写原笔迹获取模块111、图像处理模块112、笔迹分析模块113、光学字符识别模块(Optical Character Recognition,OCR)114、机器学习模块115、学情诊断分析模块116、习惯数据模块117、试题信息模块118、答题结果模块119等多个模块。
其中,用户信息管理模块110为教学系统1中的基础模块,其用于记录用户(学生和/或老师)的姓名、学籍、成绩等基础信息。用户在使用教学系统1时,可记录用户的教学和学习的信息,用于后续教学终端11根据用户信息建立的多维模型库,对用户的学习情况进行分析。
手写原笔迹获取模块111,用于获取用户的笔迹信息。具体的,手写原笔迹获取模块111支持内置物联网卡,可时刻将获取到的笔迹信息数据传输至教学终端11。其还可支持3.5毫米的标准音频接口,为用户提供听、说、读、写等技术功能。且手写原笔迹获取模块111还支持定位功能,其内部可设置GPS定位系统,为持有教学终端11的用户进行定位。同时,手写原笔迹获取模块111还支持图片接口,用于获取第三方工具(可传输图片的设备)传输的第一笔迹图片。其中,第三方工具可传输第一笔迹图片至教学终端11包括手写原笔迹获取模块111具有对手写板设备或写字板设备的多驱动兼容模式,用户可使用教学终端11内部的手写原笔迹获取模块111的多驱动兼容模式,获取手写板设备或写字板设备传输的包含第一文本的第一笔迹图片。
图像处理模块112主要是对第一笔迹图片进行预处理,目的在于消除第一笔迹图片中的无关信息,保留有用的真实信息。其可增强真实信息的可检测性和最大限度地简化第一笔记图片中的干扰数据,从而提高对第一笔迹图片的特征抽取、图像分割、匹配和识别的可靠性。OCR识别模块114是对教学中所涉及到的中文、符号、数字、英文、公式、图形等图像进行识别。笔迹分析模块113主要针对用户运笔时间、笔画、笔顺进行分析,得到用户的写字时间、笔画顺序准确度等信息。机器学习模块115用于根据用户自定义的教学内容、学习方式,建立知识学习库、行为库等模型,并根据第一笔迹图片的特征以及用户的写字时间、笔画顺序准确度等信息,更新知识学习库、行为库等多个分析模型,实现对用户的学习情况进行识别。
学情诊断分析模块116用于对用户在学习方面的学习方法、答题习惯、成绩等信息进行统计分析,进而生成教学意见,或对用户进行智能推题,以及针对学生的答题习惯和成绩进行预警提醒。习惯数据模块117可用于对用户答题顺序、涂改数据等习惯进行统计,而后由学情诊断分析模块116进行分析。试题信息模块118用于录入及存储各学科知识点,并可根据知识点难度、学科对知识点进行分类。其中,试题信息模块118还支持图文、音视频等试题信息数据的录入和存储。答题结果模块119用于记录统计用户的答题情况、答题准确率等信息,其中,答题结果还可分为主观题答案结果、客观题答案结果、音频答案结果和视频答案结果等。
基于此,请参阅图2,图2示出了本申请实施例提供的一种学生学习情况识别方法的实现流程图,应用于教学终端,该方法包括如下步骤:
S101、获取学生通过学生终端上传的第一笔迹图片,所述第一笔迹图片中包含第一文本。
在应用中,上述学生终端为学生所持有的终端设备,学生可通过学生终端与教学终端进行数据交互。其中,获取学生通过学生终端上传的第一笔迹图片,可以为学生在学生终端上对习题进行答题后,由学生终端将包含习题答案的页面进行截屏处理,生成第一笔迹图片进行传输。或者学生主动对学生终端进行操作,生成第一笔迹图片并上传。在其他示例中,对于学生在纸张上写的习题答案,教学终端也可通过内部设置的图像处理模块以及OCR识别模块扫描纸张,得到第一笔迹图片。
在应用中,上述第一文本为学生书写的文本内容,其包括但不限于中文文本、数字文本、英文文本等形式的第一文本,也可以包括上述多种形式结合的文本,对此不作限定。
S102、识别所述第一笔迹图片中的第一文本,以及识别与所述第一文本对应的第一笔迹信息。
在应用中,上述识别第一笔迹图片可以为通过图像处理模块对第一笔迹图片进行处理后,保留有用的真实信息,而后通过OCR识别模块对第一笔迹图片中的第一文本进行识别。其中,上述第一笔迹信息为书写第一文本的信息,其包括但不限于书写第一文本中每个字的笔画顺序、书写每个字或多个字的书写时间等。其中,上述第一笔迹信息可以为教学系统通过手写原笔迹获取模块在学生进行书写第一文本时进行获取。之后,对获取的第一笔迹信息通过笔迹分析模块进行分析,记录学生的运笔时间、笔画笔顺,并根据记录的数据信息分析学生的写字时间、笔画顺序准确度等信息。
S103、提取所述第一文本和所述第一笔迹信息中的学习特征,所述学习特征包括第一学习特征与第二学习特征。
在应用中,上述学习特征为基于第一文本和第一笔迹信息进行特征提取得到。其中,第一学习特征以及第二学习特征均可以为只包含第一文本的学习特征、只包含第二文本的学习特征,或者同时包含第一文本和第一笔迹信息的学习特征。其中,第一学习特征与第二学习特征并不一致,分别用于分析学生不同的学习情况。
示例性的,若第一文本为学生书写的习题答案,对于提取第一文本的学习特征,教学终端可以提取习题答案的准确率作为学习特征,也可以提取学生在做习题时的顺序或答题时间作为学习特征,也可以根据准确率、做习题时的顺序以及答题时间,综合提取第一文本的学习特征,对此不作限定。另外,对于提取第一笔迹信息中的学习特征,可以为提取学生书写文字的笔画笔顺作为学习特征,也可以为提取学生书写预设数量的文字的时间作为学习特征,对此不作限定。
S104、根据所述第一学习特征,使用预设的第一学习模型对所述学生的第一学习情况进行识别。
在应用中,上述第一学习模型为预设的分类模型,其可基于提取的第一学习情况对学生的第一学习情况进行识别。其中,第一学习模型可以具有多个,不同第一模型之间提取的第一学习特征不同。
示例性的,第一学习特征为基于答题时间得到的特征,第一学习模型基于答题时间可以识别到的第一学习情况包括但不限于:第一学习模型基于答题时间输出预测的习题准确率,并在预测的习题准确率大于实际的习题准确率时,识别学生的第一学习情况可以为学生答题时间短,答题效率慢导致习题准确率下降。或者,预测的习题准确率低于或等于实际的习题准确率时,识别学生的第一学习情况可以为答题效率高且习题准确率高等,对此不作限定。
需要说明的时,上述第一学习模型为基于习题准确率和答题时间的第一学习特征进行分析得到第一学习情况。然而,在实际情况下,第一学习情况也可能包括但不限于同时基于学生答题过程中的每个字的笔画顺序、书写每个字的书写时间,预测学生的完成习题的答题时间,并与实际完成习题的答题时间进行比较分析。因此,在对于第一学习模型具有多个的情况下,需根据每个第一模型实际对应分析的学习类别特征,从第一文本和第一笔迹信息中提取相应类别的第一学习特征进行分析。进而,多个预设的第一学习模型可对学生的学习习惯、学习方法等多方面进行全面识别和分析。
S105、统计所述教学终端中与所述第二学习特征属于相同类别的目标特征的特征数量。
在应用中,可认为S104中的第一学习特征均可通过预设的第一学习模型进行分析。然而,对于提取到的第二学习特征,可认为预设的第一学习模型中没有基于第二学习特征对学生的学习情况进行分析的模型。然而,若学生需要了解自身基于第二学习特征的学习情况,则可在教学终端内设置记录指令,用于记录与第二学习特征属于相同类别的目标特征。
示例性的,对于第二学习特征为习题准确率和习题难度,教学终端在每次获取到第一文本和第一笔迹信息时,除了提取第一学习特征进行识别和分析,还可同时提取第一文本中的习题准确率和习题难度作为第二学习特征。在得到第二学习特征后,可标记第二学习特征的类别为准确率-难度类别,并可根据该类别统计教学终端中属于准确率-难度类别的目标特征的特征数量。
具体的,在分类的过程中,假设预设的第一学习模型中,其对应的第一学习特征属性列表为{w1, w2,…,wn}。学生若想训练第二学习模型,可在第一学习特征属性列表中,选择多个第一学习特征作为第二学习特征,并确定其相应的特征类别。例如,w1为准确率,w2为习题难度,w3为答题时间,对于预设的第一模型中若已存在基于w1和w3进行第一学习情况进行分析的模型,以及基于w2和w3进行第一学习情况进行分析的模型。然而,在此情况下,学生还可结合习题准确率和习题难度作为第二学习特征进行分析得到第二学习情况。基于此,教学终端可在统计与第二学习特征(w1和w2)属于相同类别的目标特征的特征数量大于预设阈值时,使用目标特征训练第二学习模型。可以理解的是,训练得到的第二学习模型在下次对学生学习情况进行分析时,则可将第二学习模型划分为预设的第一学习模型。
S106、若所述特征数量大于预设阈值,则使用所述目标特征训练第二学习模型,并根据所述第二学习模型和所述第二学习特征对所述学生的第二学习情况进行识别。
在应用中,上述预设阈值可以为学生自设的数值,也可以为教学终端基于已有的第一学习模型在训练时所需要训练样本的数量进行设定的阈值,对此不作限定。其中,若特征数量大于预设阈值,则可确定训练第二学习模型的特征数量足够。因此,可根据目标特征训练第二学习模型。例如,对于上述S105中的准确率-难度类别的目标特征,可随机对初始第二学习模型中的模型参数初始化。而后,初始第二学习模型根据习题的综合难度类别输出习题的预测准确率,并根据习题的实际准确率计算训练损失迭代更新模型参数,并在训练损失收敛时,将当前模型参数作为已训练的第二学习模型的模型参数。
在应用中,上述第二训练模型可以为通过机器学习中的监督学习进行训练,使用目标特征中的数据进行训练得到的分类模型。例如,对于多个训练分类模型(第二学习模型),可按照函数 Y = f(X)指定的判断条件或算法进行分类处理。而上述监督学习可实质上认为通过判断特征值(第二学习特征或目标特征)类别学习函数公式(第二学习模型)f。在训练过程中,可建立目标特征的真实类别与对目标特征预测类别的集合:{(xi,yi)|i=1,2,…,z},将每个xi(目标特征)代入到第二学习模型f的模型算法中得到函数结果f(xi)。之后,将函数结果yi与f(xi)进行计算得到训练损失,并通过训练损失更新第二学习模型f中的模型参数,减少yi和f(xi)之间的误差,使得到的函数结果接近真实结果。
在其他示例中,训练第二学习模型时,应需要大量的目标特征。然而,只基于单个学生的第一文本和第一笔迹信息进行第二学习特征提取,则需要耗费大量时间。因此,可获取所有使用教学系统的学生上传的笔记图片和笔迹信息提取第二学习特征,缩短收集第二学习特征的时间。
在其他示例中,对于提取到的第一学习特征也可与第二学习特征一致,记录第一学习特征对应的类别,并统计与第一学习特征属于相同类别的第一特征的第一数量。之后,若第一数量大于预设阈值,则使用第一特征更新预设的第一学习模型,提高第一学习模型对学生的第一学习情况进行识别的准确率。
在本实施例中,通过识别学生上传的第一笔迹图片中的第一文本,以及学生书写第一文本的第一笔迹信息,提取预设的第一学习模型所对应的第一学习特征,使用第一学习模型对学生的第一学习情况进行识别。同时提取预设的第一学习模型未对应的第二学习特征,并在教学终端中与第二学习特征属于相同类别的目标特征的特征数量大于预设阈值时,使用目标特征训练第二学习模型,并根据第二学习模型和第二学习特征对学生的第二学习情况进行识别。进而可实现对学生的学习情况进行全面分析的效果,还可完善教学终端中的第一学习模型,使教学终端对学生分析的学习情况更加符合学生的真实学习情况。
请参照图3,在一具体实施例中,在S102识别所述第一笔迹图片中的第一文本之前,还包括如下步骤S201-S202,详述如下:
S201、对所述第一笔迹图片进行去噪处理,得到去噪后的第一笔迹图片。
在应用中,在获取或传输第一笔迹图片时,第一笔迹图片可能受到随机信号干扰,产生图像噪声干扰教学终端对第一笔迹图片的识别。因此,需对第一笔迹图片进行去噪处理,其中,上述去噪处理可以为对第一笔迹图片进行二值化操作。
具体的,对于获取到的第一笔迹图片大多数为彩色图像或黑白图像,对彩色图像进行去噪处理,可以为获取整个第一笔迹图片中的像素平均值。若像素值大于像素平均值,则表示该第一笔迹图片中对应的像素点颜色越深。若像素值小于或等于像素平均值,则表示该第一笔迹图片中对应的像素点颜色越浅。因此,遍历整个第一笔迹图片中的每一个色素点,当像素值大于像素平均值,则该像素点可画成黑色点,当像素值小于或等于像素平均值,则该像素点可画成白色,进而得到第一笔迹图片的二值化图,即得到去噪后的第一笔迹图片。
S202、删除所述去噪后的第一笔迹图片中与预设的干扰特征相同的特征。
在应用中,上述干扰特征可以为第一笔迹图片中的折痕(对于扫描纸张得到的第一笔迹图片中的折痕),或者标点等特征。对于干扰特征为折痕特征,教学终端内部可预先设置多个可能存在的折痕特征,或多个折痕图片。而后教学终端获取预先设置的多个折痕特征,或从多个折痕图片中提取折痕特征,与第一笔迹图片中提取的多个图片特征进行比较。在判定折痕特征与图片特征相同或相似时,则可确定该图片特征对应的图片信息为折痕,对此不作限定。
在本实施例中,通过对第一笔迹图片进行去噪处理,以及删除去噪后的第一笔迹图片中与预设的干扰特征相同的特征,进而提高教学终端识别第一笔迹图片中第一文本的准确率。
请参照图4,在一具体实施例中,所述第一笔迹图片中的第一文本包括多个;S101所述识别所述第一笔迹图片中的第一文本,具体包括如下子步骤S301-S307,详述如下:
S301、步骤一、识别所述第一笔迹图片,得到所述第一笔迹图片中的多个第一字符,以及多个第一字符的字符顺序。
在应用中,识别第一笔迹图片可以通过文字识别软件对第一笔迹图片中的各个第一字符进行分割。之后,可通过OCR识别模块对分割后的各个第一字符再次进行识别,识别第一字符具体为中文、符号、数字、英文、公式中的哪一类别。对于识别的第一字符为中文字符,可使用预设的中文词库进行文字识别,而对于符号、公式等特殊的第一字符,也可使用预设的对应字符库进行识别,提高对第一文本中多个第一字符的识别效率以及识别准确率。在识别多个第一字符后,可根据第一笔迹图片中各个第一字符的排列顺序,得到各个第一字符的字符顺序。
需要说明的是,对于上述识别第一字符具体为中文、符号、数字、英文、公式中的哪一类别之后,根据对多个第一字符的识别,可以确定第一笔迹图片中的第一文本属于哪一科目。例如,英语科目、数学科目等。进而还可将第一文本的科目类别作为一种第一学习特征或第二学习特征,分析学生在某一具体科目中的学习情况,对此不作限定。
S302、步骤二、确定所述多个第一字符的第一初始位置和第一结束位置,提取所述第一初始位置和所述第一结束位置之间的多个字符组成第一初始文本,所述第一结束位置为与所述第一初始位置距离N个字符的位置,所述N大于或等于1。
在应用中,上述第一初始位置可认为是第一笔迹图片中第一个字符的位置,上述N可以为任意大于或等于1的数值。其中,第一初始文本为第一初始位置和第一结束位置之间的多个字符组成,且包括第一初始位置的第一字符以及第一结束位置的第一字符。
S303、步骤三、若预设词库中存储有所述第一初始文本,则将所述第一初始文本确定为第一文本。
在应用中,上述预设词库可用于存储学生设置的多个词组,可认为预设词库中包含所有可能出现的单个字或多个字形成的词组,或包含所有可能出现的单个字的词特征或多个字形成的词组的词特征,对此不作限定。在教学终端获取到第一初始文本后,可识别第一初始文本的文本特征,并与预设词库中的词特征进行比对,判断预设词库中是否存储有第一初始文本。若判定预设词库中存储有第一初始文本,则可认为第一初始文本可以作为一个词或一个词组,即第一初始文本即为一个第一文本。
S304、步骤四、若预设词库中未存储有所述第一初始文本,则将所述第一结束位置向所述第一初始位置方向移动预设字数位置,作为第二结束位置。
在应用中,上述预设字数可以为1个也可以为多个,然而,为了准确识别出第一笔迹图片中的第一文本,可设定预设字数为1。示例性的,若教学终端判定预设词库中未存储有第一初始文本,则可认为第一初始文本不可以作为一个词或一个词组。且在正常情况下,第一文本应是从左至右进行书写,因此,可认为第一结束位置处于第一初始位置的右边。之后,可将第一结束位置向第一初始位置移动1个字符的位置,即将第一结束位置向左移动1个字符的位置。
S305、步骤五、提取所述第一初始位置和所述第二结束位置之间的多个字符组成新的第一初始文本,并返回执行所述步骤三至所述步骤五。
在应用中,对于上述S304得到的第二结束位置,可保持第一初始位置不变,提取第一初始位置和第二结束位置之间的多个字符组成新的第一初始文本,重复执行上述S303至S305,直至得到第一文本,对此不再详细说明。
请参照图4,在另一具体实施例中,在S303若预设词库中存储有所述第一初始文本,则将所述第一初始文本确定为第一文本之后,还包括:
S306、步骤六、将所述第一结束位置之后的第一个字符所在的位置作为第二初始位置,并将与所述第二初始位置距离N个字符的位置确定为第三结束位置。
S307、步骤七、提取所述第二初始位置和所述第三结束位置之间的多个字符组成新的第一初始文本,并返回执行所述步骤三至所述步骤五。
在应用中,在确定第一初始文本为第一文本后,若第一笔迹图片中还存在其余字符未处于第一文本中,则可将第一结束位置之后的第一个字符所在的位置作为第二初始位置,并将与第二初始位置距离N个字符的位置确定为第三结束位置。之后,提取第二初始位置和第三结束位置之间的多个字符组成新的第一初始文本进行处理,即重复执行上述S303至S305,直至得到第一文本,对此不再详细说明。需要说明的是,若第一笔迹图片中剩余的多个第一字符不足N个,则可将剩余多个字符作为新的第一初始文本进行处理。
具体的,识别第一笔迹图片中的第一文本的过程如下:一、设置当前的头指针指向多个第一字符中的第一个第一字符位置,将尾指针指向多个第一字符中的第 i 个第一字符位置,则i数值即为第一初始文本的文本长度;二、将第一初始文本与预设词库中的词组一一进行匹配,若第一初始文本和预设词库中任一词组完全匹配,则教学终端可将第一初始文本作为一个第一文本;三、若遍历整个预设词库均未找到与第一初始文本完全匹配的词组,则将尾指针指向前一个第一字符的位置,并过滤最后一个第一字符。即将头指针到尾指针共i-1个第一字符的第一初始文本重新与预设词库中的词组进行比对;四、重复上述二与三中的匹配过程,直到第一初始文本能与预设词库中的任一词组完全匹配,或者第一初始文本中的字符串剩余词长为0;五、在匹配出一个第一文本后,将头指针指向尾指针之后的第一个字符所在的位置作为新的头指针,并将尾指针指向新的头指针后面第 i 个位置作为新的尾指针,提取新的头指针到新的尾指针之间连续的i个第一字符,生成新的第一初始文本,并重复二至五,直至第一笔迹图片中所有的第一字符均生成第一文本。
请参照图5,在一具体实施例中,S102所述识别所述第一笔迹图片中的第一文本,还包括如下子步骤S401-S404:
S401、根据所述多个第一字符的字符顺序,分别将每个第一字符及其相邻字符组成多个词组。
S402、分别统计所述每个第一字符在预设词库中存储的多个第二初始文本中出现的第一数量,并统计所述预设词库中存储的多个第二初始文本的第二数量。
在应用中,上述词组为处于相邻字符位置之间的第一字符生成的。上述预设词库中还可同时存储多个第二初始文本,每个第二初始文本可以是一篇新闻、一篇文章等,对此不作限定。每个第一字符在预设词库中存储的多个第二初始文本中出现的第一数量,可以理解为,对于单独的第一字符,上述每个第二初始文本若出现该第一字符,则该第一字符对应的第一数量增加1。而对于词组通常由两个第一字符生成,因此,可得到两个第一字符分别对应的第一数量。其中,第二数量即预设词库中第二初始文本的总数量。
S403、根据所述第一数量和所述第二数量,分别计算每个词组在所述多个第二初始文本中的关联度。
S404、在所述多个词组对应的多个关联度中,确定大于预设数值的目标关联度,并将所述目标关联度对应的词组作为所述第一文本。
在应用中,上述词组在多个第二初始文本中的关联度可认为是基于每个第一字符对应的第一数量与第二数量之间的比值进行计算,得到每个第一字符在多个第二初始文本中出现的字符频率,并根据字符频率计算相应词组在多个第二初始文本中的关联度。可以理解的是,若一个词组中每个第一字符对应的第一数量均与第二数量接近,可认为该词组中的每个第一字符均经常出现在多个第二初始文本中。可以初步确定,即便在其余文本中,该词组中的第一字符同时出现的频率也非常高。因此,可认为基于相邻字符生成的词组在多个第二初始文本中出现的频率(关联度)非常高,则该相邻第一字符可确定为一个词组。
在应用中,在经过上述步骤处理后,可得到第一笔迹图片中多个第一字符组成的多个词组,以及多个词组分别对应的关联度。进而,可预先设定预设数值,用于从多个关联度中筛选大于预设数值的目标关联度。进一步地,从多个词组中将目标关联度对应的词组作为第一文本,用于提取学习特征。
请参照图6,在一具体实施例中,S403所述根据所述第一数量和所述第二数量,分别计算每个词组在所述多个第二初始文本中的关联度,还包括如下子步骤S501-S503:
S501、根据所述第一数量和所述第二数量,分别计算所述每个第一字符在所述多个第二初始文本中出现的第一频率。
S502、根据所述第二数量,分别统计每个词组在所述多个第二初始文本中出现的第二频率。
在应用中,上述S402已说明第一数量为每个第一字符在预设词库中存储的多个第二初始文本中出现的数量,因此,计算出现第一频率也对应为每个第一字符的频率。而第二数量则为每个词组在多个第二初始文本中出现的频率。示例性的,对于包含第一字符X与相邻第一字符Y的词组,则第一频率包括P(X)和P(Y),第二频率则为P(XY)。其中,P(X)为包含第一字符X的第二初始文本的第一数量与第二初始文本的第二数量之间的比值;P(Y)为包含第一字符Y的第二初始文本的第一数量与第二初始文本的第二数量之间的比值;P(XY)则为同时包含第一字符X和第一字符Y的第二初始文本的第一数量与第二初始文本的第二数量之间的比值。
S503、根据所述第一频率和所述第二频率,计算所述每个词组在所述多个第二初始文本中的关联度。
在应用中,在计算出第一频率与第二频率后,每个词组在多个第二初始文本中关联度的计算公式可以为:。其中,P(X)、P(Y)和P(XY)具体可参照上述S502中的内容,对此不再详细说明。PMI(X,Y)可认为是词组在多个第二初始文本中的关联度,也可认为是第一字符X与第一字符Y之间的关联性。在关联度或者关联性越高时,越能表明两个第一字符可以形成一个词组。
请参照图7,在一实施例中,在S106所述若所述特征数量大于预设阈值,则使用所述目标特征训练第二学习模型,并根据所述第二学习模型和所述第二学习特征对所述学生的第二学习情况进行识别之后,还包括如下步骤S601-S602:
S601、根据识别得到的所述第一学习情况和所述第二学习情况,生成针对所述学生的教学建议。
S602、基于所述教学建议,向所述学生的学生终端推送学习内容。
在应用中,上述教学建议可以为预先设置在教学终端内部的建议,对于不同的第一学习模型,其识别的第一学习情况各不相同,设置的教学建议也各不相同。例如,第一学习特征为基于答题时间得到的特征,若第一学习模型基于答题时间识别到的第一学习情况为,预测的习题准确率大于实际的习题准确率,则可认为学生为了完成试题,答题不仔细。因此,根据该第一学习情况可生成的针对学生的教学建议可以为,建议学生仔细答题,可再提高答题准确率之后,再考虑提高答题效率等。
另外,需要说明的是,对于第二学习情况,因第二学习模型是根据目标特征进行训练得到,因此,在教学终端中并没有预设的教学建议。为了能够根据第二学习情况生成教学建议,教学终端可根据目标特征。示例性的,对于第二学习特征为习题准确率和习题难度,教学终端可自动设置习题难度等级以及设置相应的习题准确率。例如,获取目标特征中每个习题等级对应的所有习题准确率,将所有习题准确率的平均值作为该对应习题等级相应的准确率。若第二学习模型确定第二学习特征(习题难度)的习题难度等级后,则根据第二学习特征得到预测的习题准确率。并在预测的习题准确率高于实际的习题准确率时,确定的第二学习情况可以为,学生在做习题难度高的习题时,习题准确率低于平均值。因此,基于第二学习情况的生成的教学建议可以为学生需要增加习题难度高的习题量。
在应用中,在得到上述教学建议后,教学终端可向学生的学生终端对应推送学习内容。例如,对于上述第二学习情况的对应的教学建议,则教学终端可推送大量习题难度高的习题至学生终端。
在本实施例中,通过根据第一学习情况和第二学习情况生成针对学生的学习的教学建议,并基于教学建议向学生的学生终端推送学习内容,以便教学系统能够根据学生的实际学习情况智能推送学习内容,提高学习效率。
在一实施例中,本申请实施例提供一种教学系统,包括教学终端和学生终端。具体的,请参阅图8,图8是本申请实施例提供的一种教学终端的结构框图。本实施例中教学终端包括的各单元用于执行图2至图7对应的实施例中的各步骤。具体请参阅图2至图7以及图2至图7所对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参照图8,教学终端800包括:获取模块810、识别模块820、提取模块830、第一学情诊断分析模块840、记录模块850和第二学情诊断分析模块860,其中:
获取模块810,用于获取学生通过学生终端上传的第一笔迹图片,所述第一笔迹图片中包含第一文本。
识别模块820,用于识别所述第一笔迹图片中的第一文本,以及识别与所述第一文本对应的第一笔迹信息。
提取模块830,用于提取所述第一文本和所述第一笔迹信息中的学习特征,所述学习特征包括第一学习特征与第二学习特征。
第一学情诊断分析模块840,用于根据所述第一学习特征,使用预设的第一学习模型对所述学生的第一学习情况进行识别。
记录模块850,用于统计所述教学终端中与所述第二学习特征属于相同类别的目标特征的特征数量。
第二学情诊断分析模块860,用于若所述特征数量大于预设阈值,则使用所述目标特征训练第二学习模型,并根据所述第二学习模型和所述第二学习特征对所述学生的第二学习情况进行识别。
在一实施例中,教学终端800还包括:
处理模块,用于对所述第一笔迹图片进行去噪处理,得到去噪后的第一笔迹图片。
删除模块,用于删除所述去噪后的第一笔迹图片中与预设的干扰特征相同的特征。
在一实施例中,所述第一笔迹图片中的第一文本包括多个;识别模块820还用于:
步骤一、识别所述第一笔迹图片,得到所述第一笔迹图片中的多个第一字符,以及多个第一字符的字符顺序;
步骤二、确定所述多个第一字符的第一初始位置和第一结束位置,提取所述第一初始位置和所述第一结束位置之间的多个字符组成第一初始文本,所述第一结束位置为与所述第一初始位置距离N个字符的位置,所述N大于或等于1;
步骤三、若预设词库中存储有所述第一初始文本,则将所述第一初始文本确定为第一文本;
步骤四、若预设词库中未存储有所述第一初始文本,则将所述第一结束位置向所述第一初始位置方向移动预设字数位置,作为第二结束位置;
步骤五、提取所述第一初始位置和所述第二结束位置之间的多个字符组成新的第一初始文本,并返回执行所述步骤三至所述步骤五。
在一实施例中,识别模块820还用于:
步骤六、将所述第一结束位置之后的第一个字符所在的位置作为第二初始位置,并将与所述第二初始位置距离N个字符的位置确定为第三结束位置;
步骤七、提取所述第二初始位置和所述第三结束位置之间的多个字符组成新的第一初始文本,并返回执行所述步骤三至所述步骤五。
在一实施例中,所述预设词库中存储有多个第二初始文本;识别模块820还用于:
根据所述多个第一字符的字符顺序,分别将每个第一字符及其相邻字符组成多个词组;
分别统计所述每个第一字符在预设词库中存储的多个第二初始文本中出现的第一数量,并统计所述预设词库中存储的多个第二初始文本的第二数量;
根据所述第一数量和所述第二数量,分别计算每个词组在所述多个第二初始文本中的关联度;
在所述多个词组对应的多个关联度中,确定大于预设数值的目标关联度,并将所述目标关联度对应的词组作为所述第一文本。
在一实施例中,识别模块820还用于:
根据所述第一数量和所述第二数量,分别计算所述每个第一字符在所述多个第二初始文本中出现的第一频率;
根据所述第二数量,分别统计每个词组在所述多个第二初始文本中出现的第二频率;
根据所述第一频率和所述第二频率,计算所述每个词组在所述多个第二初始文本中的关联度。
在一实施例中,教学终端800还包括:
生成模块,用于根据识别得到的所述第一学习情况和所述第二学习情况,生成针对所述学生的教学建议。
推送模块,用于基于所述教学建议,向所述学生的学生终端推送学习内容。
应当理解的是,图8示出的教学终端的结构框图中,各单元/模块用于执行图2至图7对应的实施例中的各步骤,而对于图2至图7对应的实施例中的各步骤已在上述实施例中进行详细解释,具体请参阅图2至图7以及图2至图7所对应的实施例中的相关描述,此处不再赘述。
图9是本申请另一实施例提供的一种教学终端的结构框图。如图9所示,该实施例的教学终端90包括:处理器91、存储器92以及存储在所述存储器92中并可在所述处理器91运行的计算机程序93,例如学生学习情况识别方法的程序。处理器91执行所述计算机程序93时实现上述各个学生学习情况识别方法各实施例中的步骤,例如图2所示的S101至S106。或者,所述处理器91执行所述计算机程序93时实现上述图8对应的实施例中各单元的功能,例如,图8所示的单元810至860的功能,具体请参阅图8对应的实施例中的相关描述。
示例性的,所述计算机程序93可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器92中,并由所述处理器91执行,以完成本申请。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序93在所述教学终端90中的执行过程。例如,所述计算机程序93可以被分割成获取单元、识别单元、提取单元、第一学情诊断分析单元、记录单元、第二学情诊断分析单元。
所述教学终端可包括,但不仅限于,处理器91、存储器92。本领域技术人员可以理解,图9仅仅是教学终端90的示例,并不构成对教学终端90的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述教学终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器91可以是中央处理单元,还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器92可以是所述教学终端90的内部存储单元。所述存储器92也可以是所述教学终端90的外部存储设备,例如所述教学终端90上配备的插接式硬盘,智能存储卡,安全数字卡,闪存卡等。进一步地,所述存储器92还可以既包括所述教学终端90的内部存储单元也包括外部存储设备。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种学生学习情况识别方法,应用于教学终端,其特征在于,所述方法包括:
获取学生通过学生终端上传的第一笔迹图片,所述第一笔迹图片中包含第一文本;
识别所述第一笔迹图片中的第一文本,以及识别与所述第一文本对应的第一笔迹信息;
提取所述第一文本和所述第一笔迹信息中的学习特征,所述学习特征包括第一学习特征与第二学习特征;
根据所述第一学习特征,使用预设的第一学习模型对所述学生的第一学习情况进行识别;
统计所述教学终端中与所述第二学习特征属于相同类别的目标特征的特征数量;
若所述特征数量大于预设阈值,则使用所述目标特征训练第二学习模型,并根据所述第二学习模型和所述第二学习特征对所述学生的第二学习情况进行识别。
2.如权利要求1所述的学生学习情况识别方法,其特征在于,在识别所述第一笔迹图片中的第一文本之前,所述方法还包括:
对所述第一笔迹图片进行去噪处理,得到去噪后的第一笔迹图片;
删除所述去噪后的第一笔迹图片中与预设的干扰特征相同的特征。
3.如权利要求1所述的学生学习情况识别方法,其特征在于,所述第一笔迹图片中的第一文本包括多个;
所述识别所述第一笔迹图片中的第一文本,包括:
步骤一、识别所述第一笔迹图片,得到所述第一笔迹图片中的多个第一字符,以及多个第一字符的字符顺序;
步骤二、确定所述多个第一字符的第一初始位置和第一结束位置,提取所述第一初始位置和所述第一结束位置之间的多个字符组成第一初始文本,所述第一结束位置为与所述第一初始位置距离N个字符的位置,所述N大于或等于1;
步骤三、若预设词库中存储有所述第一初始文本,则将所述第一初始文本确定为第一文本;
步骤四、若预设词库中未存储有所述第一初始文本,则将所述第一结束位置向所述第一初始位置方向移动预设字数位置,作为第二结束位置;
步骤五、提取所述第一初始位置和所述第二结束位置之间的多个字符组成新的第一初始文本,并返回执行所述步骤三至所述步骤五。
4.如权利要求3所述的学生学习情况识别方法,其特征在于,在所述若预设词库中存储有所述第一初始文本,则将所述第一初始文本确定为第一文本之后,所述方法还包括:
步骤六、将所述第一结束位置之后的第一个字符所在的位置作为第二初始位置,并将与所述第二初始位置距离N个字符的位置确定为第三结束位置;
步骤七、提取所述第二初始位置和所述第三结束位置之间的多个字符组成新的第一初始文本,并返回执行所述步骤三至所述步骤五。
5.如权利要求3所述的学生学习情况识别方法,其特征在于,所述预设词库中存储有多个第二初始文本;
所述识别所述第一笔迹图片中的第一文本,还包括:
根据所述多个第一字符的字符顺序,分别将每个第一字符及其相邻字符组成多个词组;
分别统计所述每个第一字符在预设词库中存储的多个第二初始文本中出现的第一数量,并统计所述预设词库中存储的多个第二初始文本的第二数量;
根据所述第一数量和所述第二数量,分别计算每个词组在所述多个第二初始文本中的关联度;
在所述多个词组对应的多个关联度中,确定大于预设数值的目标关联度,并将所述目标关联度对应的词组作为所述第一文本。
6.如权利要求5所述的学生学习情况识别方法,其特征在于,所述根据所述第一数量和所述第二数量,分别计算每个词组在所述多个第二初始文本中的关联度,包括:
根据所述第一数量和所述第二数量,分别计算所述每个第一字符在所述多个第二初始文本中出现的第一频率;
根据所述第二数量,分别统计每个词组在所述多个第二初始文本中出现的第二频率;
根据所述第一频率和所述第二频率,计算所述每个词组在所述多个第二初始文本中的关联度。
7.如权利要求1所述的学生学习情况识别方法,其特征在于,在所述若所述特征数量大于预设阈值,则使用所述目标特征训练第二学习模型,并根据所述第二学习模型和所述第二学习特征对所述学生的第二学习情况进行识别之后,还包括:
根据识别得到的所述第一学习情况和所述第二学习情况,生成针对所述学生的教学建议;
基于所述教学建议,向所述学生的学生终端推送学习内容。
8.一种教学系统,其特征在于,包括教学终端和学生终端,所述教学终端包括:获取模块、识别模块、提取模块、第一学情诊断分析模块、记录模块、第二学情诊断分析模块;
获取模块,用于获取学生通过学生终端上传的第一笔迹图片,所述第一笔迹图片中包含第一文本;
识别模块,用于识别所述第一笔迹图片中的第一文本,以及识别与所述第一文本对应的第一笔迹信息;
提取模块,用于提取所述第一文本和所述第一笔迹信息中的学习特征,所述学习特征包括第一学习特征与第二学习特征;
第一学情诊断分析模块,用于根据所述第一学习特征,使用预设的第一学习模型对所述学生的第一学习情况进行识别;
记录模块,用于统计所述教学终端中与所述第二学习特征属于相同类别的目标特征的特征数量;
第二学情诊断分析模块,用于若所述特征数量大于预设阈值,则使用所述目标特征训练第二学习模型,并根据所述第二学习模型和所述第二学习特征对所述学生的第二学习情况进行识别。
9.一种教学终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938209.8A CN111932418B (zh) | 2020-09-09 | 2020-09-09 | 一种学生学习情况识别方法、系统、教学终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010938209.8A CN111932418B (zh) | 2020-09-09 | 2020-09-09 | 一种学生学习情况识别方法、系统、教学终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932418A CN111932418A (zh) | 2020-11-13 |
CN111932418B true CN111932418B (zh) | 2021-01-15 |
Family
ID=73309870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010938209.8A Active CN111932418B (zh) | 2020-09-09 | 2020-09-09 | 一种学生学习情况识别方法、系统、教学终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932418B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112331211B (zh) * | 2021-01-06 | 2021-05-07 | 北京世纪好未来教育科技有限公司 | 学情信息获取方法、装置、设备和存储介质 |
CN113283304A (zh) * | 2021-04-28 | 2021-08-20 | 深圳市鹰硕技术有限公司 | 一种具有文字识别优化功能的在线练习方法及装置 |
CN113256460A (zh) * | 2021-04-30 | 2021-08-13 | 深圳市鹰硕教育服务有限公司 | 智能备课方法、装置、设备及可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096222A (zh) * | 2015-07-24 | 2015-11-25 | 苏州点通教育科技有限公司 | 智能笔系统及其操作方法 |
CN108877363A (zh) * | 2018-07-12 | 2018-11-23 | 太仓煜和网络科技有限公司 | 一种人工智能辅助教学系统 |
CN108960650A (zh) * | 2018-07-11 | 2018-12-07 | 太仓煜和网络科技有限公司 | 一种基于人工智能的学生学习评估方法 |
CN109147444A (zh) * | 2018-09-27 | 2019-01-04 | 广东小天才科技有限公司 | 一种学习情况反馈方法及智能台灯 |
CN109242736A (zh) * | 2018-09-27 | 2019-01-18 | 广东小天才科技有限公司 | 一种协助老师了解学生的学习情况的方法和系统 |
CN109697919A (zh) * | 2019-01-31 | 2019-04-30 | 平安科技(深圳)有限公司 | 基于ai语音识别的音乐教学方法、装置和计算机设备 |
CN110176163A (zh) * | 2019-06-13 | 2019-08-27 | 天津塔米智能科技有限公司 | 一种教学系统 |
CN110689018A (zh) * | 2019-09-24 | 2020-01-14 | 华南理工大学 | 一种智能阅卷系统及其处理方法 |
CN111079499A (zh) * | 2019-07-02 | 2020-04-28 | 广东小天才科技有限公司 | 一种学习环境中的书写内容识别方法及系统 |
CN111460101A (zh) * | 2020-03-30 | 2020-07-28 | 广州视源电子科技股份有限公司 | 知识点类型的识别方法、装置及处理器 |
-
2020
- 2020-09-09 CN CN202010938209.8A patent/CN111932418B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096222A (zh) * | 2015-07-24 | 2015-11-25 | 苏州点通教育科技有限公司 | 智能笔系统及其操作方法 |
CN108960650A (zh) * | 2018-07-11 | 2018-12-07 | 太仓煜和网络科技有限公司 | 一种基于人工智能的学生学习评估方法 |
CN108877363A (zh) * | 2018-07-12 | 2018-11-23 | 太仓煜和网络科技有限公司 | 一种人工智能辅助教学系统 |
CN109147444A (zh) * | 2018-09-27 | 2019-01-04 | 广东小天才科技有限公司 | 一种学习情况反馈方法及智能台灯 |
CN109242736A (zh) * | 2018-09-27 | 2019-01-18 | 广东小天才科技有限公司 | 一种协助老师了解学生的学习情况的方法和系统 |
CN109697919A (zh) * | 2019-01-31 | 2019-04-30 | 平安科技(深圳)有限公司 | 基于ai语音识别的音乐教学方法、装置和计算机设备 |
CN110176163A (zh) * | 2019-06-13 | 2019-08-27 | 天津塔米智能科技有限公司 | 一种教学系统 |
CN111079499A (zh) * | 2019-07-02 | 2020-04-28 | 广东小天才科技有限公司 | 一种学习环境中的书写内容识别方法及系统 |
CN110689018A (zh) * | 2019-09-24 | 2020-01-14 | 华南理工大学 | 一种智能阅卷系统及其处理方法 |
CN111460101A (zh) * | 2020-03-30 | 2020-07-28 | 广州视源电子科技股份有限公司 | 知识点类型的识别方法、装置及处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN111932418A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11790641B2 (en) | Answer evaluation method, answer evaluation system, electronic device, and medium | |
CN111932418B (zh) | 一种学生学习情况识别方法、系统、教学终端及存储介质 | |
CN111191078B (zh) | 基于视频信息处理模型的视频信息处理方法及装置 | |
CN110363194B (zh) | 基于nlp的智能阅卷方法、装置、设备及存储介质 | |
CN104463101B (zh) | 用于文字性试题的答案识别方法及系统 | |
CN109189767B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
WO2021042505A1 (zh) | 基于文字识别技术的笔记生成方法、装置和计算机设备 | |
CN108550054B (zh) | 一种内容质量评估方法、装置、设备和介质 | |
CN111507330A (zh) | 习题识别方法、装置、电子设备及存储介质 | |
CN112860865A (zh) | 一种智能问答的实现方法、装置、设备及存储介质 | |
CN108121987B (zh) | 一种信息处理方法和电子设备 | |
CN107844531B (zh) | 答案输出方法、装置和计算机设备 | |
CN114357206A (zh) | 基于语义分析的教育类视频彩色字幕生成方法及系统 | |
CN112528799B (zh) | 一种教学直播方法、装置、计算机设备和存储介质 | |
CN113205046A (zh) | 题册识别方法、系统、装置及介质 | |
CN111242131B (zh) | 一种智能阅卷中图像识别的方法、存储介质及装置 | |
CN113505786A (zh) | 试题拍照评判方法、装置及电子设备 | |
CN117152770A (zh) | 一种面向手写输入的书写能力智能评测方法及系统 | |
CN116704508A (zh) | 信息处理方法及装置 | |
CN113610080B (zh) | 基于跨模态感知的敏感图像识别方法、装置、设备及介质 | |
CN112329634B (zh) | 课堂行为识别方法、装置、电子设备及存储介质 | |
CN114547467A (zh) | 搜题方法、装置、终端设备及可读存储介质 | |
CN111062377B (zh) | 一种题号检测方法、系统、存储介质及电子设备 | |
CN111222684B (zh) | 一种基于大数据环境下的成绩预测系统 | |
Gandhi et al. | Topic Transition in Educational Videos Using Visually Salient Words. |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhou Fan Inventor after: Yang Ailin Inventor after: Liu Hailiang Inventor after: Chen Xiaoyan Inventor before: Zhou Fan |