CN112115908A - 一种社交能力评估方法及其装置 - Google Patents
一种社交能力评估方法及其装置 Download PDFInfo
- Publication number
- CN112115908A CN112115908A CN202011029163.4A CN202011029163A CN112115908A CN 112115908 A CN112115908 A CN 112115908A CN 202011029163 A CN202011029163 A CN 202011029163A CN 112115908 A CN112115908 A CN 112115908A
- Authority
- CN
- China
- Prior art keywords
- social
- evaluation
- qualitative
- feature
- target index
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 230000015654 memory Effects 0.000 claims description 22
- 238000013145 classification model Methods 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 description 22
- 230000009471 action Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 17
- 230000001149 cognitive effect Effects 0.000 description 9
- 230000008451 emotion Effects 0.000 description 8
- 150000001875 compounds Chemical class 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 208000003028 Stuttering Diseases 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010234 longitudinal analysis Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种社交能力评估方法及其装置,涉及智慧教育领域,所述方法包括:获取任一评价主体的实时视频数据;对实时视频数据进行目标指标特征识别,并对识别到的每一个目标指标特征进行定性归类,得到多个定性特征集;对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值;根据每个定性特征集对应的社交度表达值,以及所述定性特征集在每个场景下对应的权重,对所述评价主体的社交能力进行评估,得到社交能力评估结果。本发明实施例能够解决现有教师和家长不能全面、准确地评估学生社交能力的问题。
Description
技术领域
本发明涉及智慧教育领域,具体涉及一种社交能力评估方法及其装置。
背景技术
社交能力是指人们在社会生活中与他人沟通思想、联络感情、增进友谊,从而建立起广泛的社会联系的一种能力,培养学生良好的人际沟通和社会交往能力是学校基础教育的重要任务之一。
但是,目前教师和家长评估教育对象社交能力的方法薄弱,一方面,学校教育中教师获得的教育反馈薄弱,在学校教育中,虽然教师可以根据学生在课堂和课间的表现做出直观判断,但该判断方式较为主观且也很难细致到班级内的全体学生,无法全面准确地针对每位学生的特点做出评价,较难实现对全部学生社交能力进行掌控从而因材施教。
发明内容
有鉴于此,本发明实施例提供了一种基于认知计算的学生社交能力评估方法及其装置,以解决现有教师和家长不能全面、准确地评估学生社交能力的问题。
根据第一方面,本发明实施例提供了一种社交能力评估方法,所述方法包括:获取任一评价主体的实时视频数据;对实时视频数据进行目标指标特征识别,并对识别到的每一个目标指标特征进行定性归类,得到多个定性特征集;对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值;根据每个定性特征集对应的社交度表达值,以及所述定性特征集在每个场景下对应的权重,对所述评价主体的社交能力进行评估,得到社交能力评估结果。
可选地,所述根据每个定性特征集对应的社交度表达值以及对应的权重,对所述评价主体的社交能力进行评估,得到社交能力评估结果之后,所述方法还包括:获取预设周期内所述评价主体对应的历史社交能力评估结果;根据所述历史社交能力评估结果创建第一时序数据集,根据所述第一时序数据集得到综合社交能力评估数据。
可选地,所述方法还包括:获取所述评价主体对应的目标历史时长的视频数据;根据所述目标历史时长的视频数据对所述评价主体进行分类,得到所述评价主体的社交类型。
可选地,对实时视频数据进行目标指标特征识别,并对识别到的每一个目标指标特征进行定性归类,包括:通过预设指标层次结构模型对识别到的每一个目标指标特征进行定性归类,所述指标层次结构模型包括目标层、准则层、指标层和结果层,所述目标层用于输出社交能力评估结果,所述准则层用于对识别到的每一个目标指标特征进行定性归类,所述指标层用于将识别到的评价主体的目标指标特征与预设指标特征进行匹配,所述结果层用于输出目标指标特征所表征的社交性质。
可选地,所述对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值,包括:计算每个定性特征集所包含的每一个目标指标特征的发生频次,和/或,目标指标特征在定性特征集中的占比;根据所述发生频次或占比在每一场景下所属的预设区间,为每一个目标指标特征匹配对应的分值,每个所述预设区间对应一个分值;根据每一目标指标特征相对于不同场景的权重和分值,得到评价主体在每一场景下的社交度表达值。
可选地,根据所述第一时序数据集得到综合社交能力评估数据,包括:计算预设周期内每个评价主体的社交能力平均值;根据所述社交能力平均值计算时间权重,所述时间权重为每天的评价权重;结合第一时序数据集、时间权重和预设周期,得到综合社交能力评估数据。
可选地,根据所述目标历史时长的视频数据对所述评价主体进行分类,得到所述评价主体的社交类型,包括:构建社交能力分类模型;采用极大似然估计法,对所述社交能力分类模型进行求解计算;利用后验概率公式计算每个学生归属于不同潜在类别时的后验概率值,根据所述后验概率值的最大值确定其所属社交类型。
根据第二方面,本实施例提供一种社交能力评估装置,所述装置包括:视频数据采集模块,用于获取任一评价主体的实时视频数据;定性归类模块,用于对实时视频数据进行目标指标特征识别,并对识别到的每一个目标指标特征进行定性归类,得到多个定性特征集;定量计算模块,对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值;结果评估模块,用于根据每个定性特征集对应的社交度表达值,以及所述定性特征集在每个场景下对应的权重,对所述评价主体的社交能力进行评估,得到社交能力评估结果。
根据第三方面,本发明实施例提供了一种电子设备,所述电子设备包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如第一方面或第一方面任一可选实施方式所述的社交能力评估方法的步骤。
根据第四方面,本发明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指令,所述计算机指令用于使所述计算机执行如第一方面或第一方面任一可选实施方式所述的社交能力评估方法的步骤。
本发明实施例提供的技术方案至少具有如下优点:
本发明实施例通过采集学生在不同场景下的实时视频数据,并对实时视频数据进行特征识别,得到评价主体的指标特征,并对指标特征进行定性分类,得到多个定性特征集,能够从多方面表达社交度,并对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值,通过场景下的社交度表达值及其权重再得到不同社交性质对应的社交度计算值,能够准确全面的对评价主体的社交能力进行评估;且通过计算预设周期内每个评价主体的社交能力平均值和其在不同场景下的时间权重来得到综合社交能力评估数据;增加评分综合稳定性;通过构造社交能力分类模型,采用极大似然估计法对模型求最优解,并利用后验概率确定其所属社交类型,根据学生个体的外显特征对学生群体进行社交类别分类,使评价结果更加客观全面。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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示出了本发明实施例的一种基于认知计算的学生社交能力评估方法流程图;
图2是根据本发明实施例的指标层次结构模型结构图;
图3是根据本发明实施例的社交能力分类方法流程图;
图4是根据本发明实施例社交能力分类模型的架构图;
图5是根据本发明优选实施例的基于认知计算的学生社交能力评估装置结构图;
图6是本发明实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供一种基于认知计算的学生社交能力评估方法,参考图1,该方法主要包括:
步骤S1:获取任一评价主体的实时视频数据;
示例性地,随着课堂设施的完善,越来越多的课堂安装摄像头以记录教学过程,为获取评价主体的视频数据提供了条件,实时视频数据即利用视频采集装置采集的学生所处的教育环境实时视频数据,教育环境如教室内上课场景、学生课间沟通的场景、集体合作的场景等。本实施例主要对学生的社交能力进行评估,即本实施例的评价主体为学生。
其中,在获取实时视频数据之后,本实施例根据实时视频数据创建评估数据库,同时,为了方便对每个学生信息进行管理,本实施例的评估数据库包括个体数据库,该个体数据库内基于每个学生的个人数据而建立,个人数据库包括学生的相貌特征、姓名、性别等基础信息,从而便于将实时视频数据中的每个学生个体特征进行正确匹配,并定期对各类信息数据进行清洗和管理。
步骤S2:对实时视频数据进行目标指标特征识别,并对识别到的每一个目标指标特征进行定性归类,得到多个定性特征集;
具体地,获取评估数据库中多种教育场景下的实时视频数据,对每段视频进行场景识别、学生身份识别、表情特征识别和动作特征识别,对每个学生进行身份验证,并将场景识别结果身份识别信息等数据以时间为序列生成包含时间信息的结构化数据文件,将对应学生的结构化数据文件与每个人的个人数据库相匹配并保存。
通过预设指标层次结构模型对识别到的每一个目标指标特征进行定性归类,上述目标指标特征可以是微笑、中立、愤怒、发言、倾听、鼓掌、点头、发呆、睡觉、拥抱、与同学交流、与教师交流、吵架、打架等指标;参考图2,上述指标层次结构模型具体包括目标层、准则层、指标层和结果层,目标层用于输出社交度能力评估结果,准则层用于对识别到的每一个目标指标特征进行定性归类,指标层用于将识别到的评价主体的目标指标特征与预设指标特征进行匹配,结果层用于输出目标指标特征所表征的社交性质,其中,目标指标特征对应的定性特征集可以包括表情类特征、动作类特征和交互类特征,表情类特征、动作类特征和交互类特征分别可以表达评价主体在情绪、团队和交往三方面的特点,而目标指标特征所表征的社交性质包括合作性、主动性和控制力,其中合作性、主动性和控制力分别综合表情类特征、动作类特征和交互类特征在不同场景下对应的社交度表达值来评判。
具体地,表情类特征可以包括微笑、中立、愤怒,反映学生在多种场景下的情绪表现和礼貌程度,其中,微笑为正向指标,传达了在社交过程中积极、正向的态度,而愤怒指标在特定场景下代表缺乏控制,为负向的情绪态度。表情类特征表征的社交性质为合作性。
动作类特征可以包括发言、倾听、鼓掌、点头、发呆、睡觉,反映的是学生在团队中的参与度和活跃性,其中,发言、倾听、鼓掌、点头为正向指标,发呆、睡觉为负向指标。动作类特征表征的社交性质为主动性。
交互类特征可以包括拥抱、与同学交流、与教师交流、吵架、打架,反映学生的师生关系和同学关系情况。其中,拥抱、与同学交流、教师交流反映社交的对象和主动性,为正向指标;吵架、打架为负向指标。交互类特征表征的社交性质为控制力,本申请实施例对目标指标特征的类型以及对应的社交性质的类型不作限定,本领域技术人员可以根据实际需要确定。
本步骤通过对实时视频数据进行指标特征识别,并通过构建指标层次结构模型对识别到的指标特征进行分析得到每一指标特征所述的类别,以及每类指标特征所表征的社交性质,有助于从不同的社交性质方面对学生的社交能力进行分析。
步骤S3:对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值;
具体地,计算每个定性特征集所包含的每一个目标指标特征的发生频次,和/或,目标指标特征在定性特征集中的占比;根据发生频次或占比在每一场景下所属的预设区间,为每一个目标指标特征匹配对应的分值,其中,每个预设区间对应一个分值;根据每一目标指标特征相对于不同场景的权重和分值,得到评价主体在每一场景下的社交度表达值。
以上述表情类特征、动作类特征和交互类特征为例,对于表情类特征,计算微笑、中立、愤怒在某一场景下发生的时间占总时间的比重,根据比重所属的对应预设区间为目标指标特征微笑、中立、愤怒匹配对应的分值a1,a2,a3,则第i名学生社交度情绪表达值可表示为:Mi=e1a1+e2a2+e3a3,其中e1、e2、e3分别表示微笑、中立、愤怒的指标权重。
对于动作类特征指标,计算发言、倾听、发呆、睡觉采用发生的时间占总讨论时间的比重计算,鼓掌、点头特征值采用发生次数,并根据比重和次数所属的预设区间,得到发言、倾听、发呆、睡觉、鼓掌、点头对应的不同分值β1,β2,β3,β4,β5,β6。则第i名学生社交度团队表达值可表示为:Ni=r1β1+r2β2+r3β3+r4β4+r5β5+r6β6,其中,r1、r2、r3、r4、r5、r6分别表示发言、倾听、发呆、睡觉、鼓掌、点头的指标权重。
同理,对于交互类特征,计算拥抱、与同学交流、与教师交流、吵架、打架发生的次数,并根据对应次数所属的预设区间,得到拥抱、与同学交流、与教师交流、吵架、打架的对应分值c1,c2,c3,c4,c5,则第i名学生社交度交往表达值可表示为:Qik=w1c1+w2c2+w3c3+w4c4+w5c5,其中w1、w2、w3、w4、w5分别表示拥抱、与同学交流、与教师交流、吵架、打架的指标权重。
进一步地,对于各指标的权重计算,可以采用建立判断矩阵,针对课堂讨论、课后交流、负面场景三类场景,对同一个准则层下的所有定性指标,以及每个准则层的指标进行两两对比,确定各指标在不同场景下的相对重要性。请专家填写打分表,采用1-9标度方法判断相对重要性,由打分结果列出比较矩阵C={clk},(l,k=1,2,3,...,n),其中clk表示l指标对k指标的相对重要性,且有:clk>0,cll=1,通过计算矩阵的特征值和特征向量,得出各指标权重e,r,w,以及准则层指标权重结果θ1,θ2,θ3(θ1+θ2+θ3=1),θ1,θ2,θ3分别代表表情类特征、动作类特征和交互类特征在同一教学场景下的权重,也就是社交度情绪表达值、社交度团队表达值、社交度交往表达值相对于每一类场景所表达的社交性质的重要程度。
同时,可以通过定期发放调查问卷,以及原始数据的迭代计算,分析计算结果与真实情况的偏差程度,根据分析数据,对权重系数和模型指标进行调整和修改,从而提高评估精度。
本步骤通过各个指标特征的发生频率来对各指标特征进行量化,并根据不同指标特征在不同场景下的重要性进行权重设置,并对权重进行修正,从而提高评估的精确度。
步骤S4:根据每个定性特征集对应的社交度表达值,以及所述定性特征集在每个场景下对应的权重,对所述评价主体的社交能力进行评估,得到社交能力评估结果。
本实施例对学生社交度的评估主要从合作性、主动性和控制力三个方面进行计算,分别根据步骤S3计算出的社交度情绪表达值、社交度团队表达值、社交度交往表达值和准则层指标权重结果θ1,θ2,θ3分别计算合作性、主动性和控制力的社交度计算值。
具体地,在课堂讨论场景下,第m名学生的合作性社交度计算值可表示为:Sm_hz=θ1_hzMm_hz+θ2_hzNm_hz+θ3_hzQm_hz,其中,θ1_hz、θ2_hz、θ3_hz、分别代表表情类特征、动作类特征和交互类特征在课堂讨论场景下的权重,Mm_hz、Nm_hz、Qm_hz分别代表表情类特征、动作类特征和交互类特征在课堂讨论场景下对应的社交度情绪表达值、社交度团队表达值、社交度交往表达值。
在课后交流场景下,第m名学生的主动性社交度计算值可以表示为:Sm_zd=θ1_ zdMm_zd+θ2_zdNm_zd+θ3_zdQm_zd,其中,θ1_zd、θ2_zd、θ3_zd分别代表表情类特征、动作类特征和交互类特征在课后交流场景下的权重,Mm_zd、Nm_zd、Qm_zd分别代表表情类特征、动作类特征和交互类特征在课后交流场景下对应的社交度情绪表达值、社交度团队表达值、社交度交往表达值。
在负面场景下,控制力具体表现为学生在受到负面影响时,会控制住自己的脾气,遇到挑衅、纠纷等情况不理会、不打架,能接受老师的批评等。因此,负面场景下,第m名学生的控制力社交度计算值可以表示为:Sm_kz=θ1_kzMm_kz+θ2_kzNm_kz+θ3_kzQm_kz,其中,θ1_kz、θ2_kz、θ3_kz分别代表表情类特征、动作类特征和交互类特征在负面场景下的权重,Mm_kz、Nm_kz、Qm_kz分别代表表情类特征、动作类特征和交互类特征在负面场景下对应的社交度情绪表达值、社交度团队表达值、社交度交往表达值。
进一步地,基于上述步骤输出社交能力评估结果,社交能力评估结果包括各社交性质和对应的社交度计算值,社交性质包括合作性、主动性和控制力,社交度计算值包括社交度情绪表达值、社交度团队表达值、社交度交往表达值。
本实施例通过采集学生在不同场景下的实时视频数据,并对实时视频数据进行特征识别,得到评价主体的指标特征,并对指标特征进行定性分类,得到多个定性特征集,能够从多方面表达社交度,并对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值,通过场景下的社交度表达值及其权重再得到不同社交性质对应的社交度计算值,能够准确全面的对评价主体的社交能力进行评估。
其中,由于每个人在每天的情绪表达可能受到其他事件的影响,为增加评分综合稳定性,减少个别极端数据对表达能力评分结果影响,本实施例在得到社交能力评估结果之后,还包括:
获取预设周期内评价主体对应的历史社交能力评估结果,并根据历史社交能力评估结果创建第一时序数据集,根据第一时序数据集得到综合社交能力评估数据。
具体地,设预设周期为D,将第m名学生在第d天的社交能力评分Sm_hz、Sm_dz、Sm_kz组成时序数据集Lm(d)、Pm(d)、Om(d),其中,d=(1,2,...,D)。
则课堂讨论场景下,第m名学生在预设周期内合作性社交能力平均得分为其中J(d)为学生在第d天的评价次数,则第d天的评价权重为:同理,课后交流场景下,第m名学生在预设周期内主动性社交能力平均得分为第d天的评价权重为:负面场景下,第m名学生在预设周期内控制力平均得分为第d天的评价权重为:
本实施例通过计算预设周期内每个评价主体的社交能力平均值和其在不同场景下的时间权重来得到综合社交能力评估数据,减少个别极端数据对表达能力评分结果影响,增加评分综合稳定性。
进一步地,考虑到不同类型人群的社交能力不能武断地单纯用定量的能力值去衡量,例如一位能说会道、能够吸引不同人群的学生,和一位富有亲和力、在特定人群中具有个人魅力的同学相比,社交能力难以根据同样的计算方式去评价和比较,并区分孰优孰劣。因此,本发明实施例还提供如下方法:
获取评价主体对应的目标历史时长的视频数据,根据目标历史时长的视频数据创建社交能力分类模型,得到学生的社交能力分类,从而得到评价主体的社交类型。
上述社交能力分类模型的架构参考图4,选择学生个体的外显特征作为外显变量,假设存在潜在变量代表学生的社交类型,则对具有相似外显特征的学生进行归类,划分为几种类别,并分别适用不同的系数。其中,潜在变量通过建立最少数量的潜在类别追踪不同外显变量的联系,潜在类别至少存在两个或以上。
其中,根据历史视频数据,获取学生的外显特征,作为外显变量;该外显特征为学生在不同教育场合下的视频数据,对视频数据中的学生进行特征识别,获取其外显特征,外显特征可以是发言、倾听、发呆、拥抱、举手等动作。
进一步地,选取外显变量中的潜在变量,潜在变量为表征社交类型的特征;该潜在变量可以是外显特征中的微笑、中立、愤怒、倾听、发呆、拥抱、举手等的任一个特征,其中,根据不同的指标特征的所属类型,对潜在变量进行分类,即得出潜在变量所述的潜在类别。
参考图3,具体的社交能力分类方法包括:
步骤S5:构建社交能力分类模型;
具体地,本实施例的社交能力分类模型的基本原理是将潜在变量的概率以参数的模式输出,即概率参数化:式中,为潜在变量X在潜在类别t的概率,t=1,2,...,T;为已知潜在变量X在潜在类别t时,外显变量A出现在第i个类别的概率,i=1,2,...,I。的含义同理,j=1,2,...,I,k=1,2,...,I,由此可知,潜在类别概率与条件概率 是模型的基本量。
详细地,对于潜在类别概率即任一潜在变量属于潜在类别的概率。设外显变量包括A、B、C,将第m名学生在第d天不同场景下外显变量A、B、C中各二分变量值组成时序数据集Am(d)、Bm(d)、Cm(d),d=(1,2,...,D),二分变量值为在设定场景中,检测到特征动作发生时值为1,未发生时值为0。即表情类特征、动作类特征、交互类特征中各变量的取值均为0或1,那么某一潜在变量X在潜在类别t的概率之和为1,即某一潜在变量一定属于某一潜在类别,即
对于条件概率表示潜在变量X在第t个潜在类别中,某个体在外显变量特定水平上的概率,条件概率值越大,潜在变量对外显变量的影响越强。条件概率显示了外显变量和潜在变量之间存在的关系,对于T个潜在类别,条件概率之和等于1,即
步骤S6:采用极大似然估计法,对社交能力分类模型进行求解计算;
根据极大似然函数和极大似然联合概率估计值,可得各外显变量在每个潜在类别,不同水平值的最大似然估计概率:式中,表示对于潜在变量X第t个分类,外显变量A、B、C分别出现在第i、j、k上的概率,为潜在类别概率之和。
其中,在模型估计中,为判定模型参数估计值是否为最优解,要对模型的自由度进行计算,若自由度的数值大于模型参数数目,则可确定输出值为最优解:df=(IJK-1)-[(I+J+K-2)T-1],式中,I、J、K为外显变量各水平所构成的I*J*K单元格,IJK-1为初始自由度。
步骤S7:利用后验概率公式计算每个学生归属于不同潜在类别时的后验概率值,根据后验概率值的最大值确定其所属社交类型。
由于分类是构建模型的最终目的,应用贝氏理论对全部学生进行潜在类别分类:式中,表示学生属于第t类的后验概率,表示学生外显特征的联合概率。公式的原理为计算将学生个体归于不同潜在类别时得到后验概率值,若后验概率值在第t类时最大,则该名学生属于第t类潜在类别。计算并比较所有学生的后验概率值,以达到对所有学生进行分类的目的。
本实施例通过构造社交能力分类模型,采用极大似然估计法对模型求最优解,并利用后验概率确定其所属社交类型,根据学生个体的外显特征对学生群体进行社交类别分类,使评价结果更加客观全面。
其中,在得到上述社交度计算值、综合社交能力评估数据以及社交类型后,向学生家长和学校教师周期性反馈学生的社交度计算值、综合社交能力评估数据以及社交类型,可以采用雷达图的形式表示主动性、合作性、控制力等分项结果。此外,可以通过不同评价周期之间的评价结果相互比较,纵向分析,分析评价主体的社交情况的发展趋势。
本发明实施例还提供一种基于认知计算的学生社交能力评估装置,参考图5,该装置包括:
视频数据采集模块01,用于获取任一评价主体的实时视频数据;此模块执行上述实施例中的步骤S1所描述的方法,在此不再赘述。
定性归类模块02,用于对实时视频数据进行目标指标特征识别,并对识别到的每一个目标指标特征进行定性归类,得到多个定性特征集;此模块执行上述实施例中的步骤S2所描述的方法,在此不再赘述。
定量计算模块03,用于对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值;此模块执行上述实施例中的步骤S3所描述的方法,在此不再赘述。
结果评估模块04,用于根据每个定性特征集对应的社交度表达值,以及所述定性特征集在每个场景下对应的权重,对所述评价主体的社交能力进行评估,得到社交能力评估结果。此模块执行上述实施例中的步骤S4所描述的方法,在此不再赘述。
本实施例还提供一种电子设备,电子设备包括存储器05和处理器06,存储器05和所述处理器06之间互相通信连接,存储器05中存储有计算机指令,处理器06通过执行所述计算机指令,从而执行一种基于认知计算的学生社交能力评估方法。其中,存储器05和处理器06可以通过总线或者其他方式连接,图6中以通过总线连接为例。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific lntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的基于认知计算的学生社交能力评估方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的基于认知计算的学生社交能力评估方法。
存储器可以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、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例还提供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指令,计算机指令用于使所述计算机执行一种基于认知计算的学生社交能力评估方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种社交能力评估方法,其特征在于,所述方法包括:
获取任一评价主体的实时视频数据;
对实时视频数据进行目标指标特征识别,并对识别到的每一个目标指标特征进行定性归类,得到多个定性特征集;
对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值;
根据每个定性特征集对应的社交度表达值,以及所述定性特征集在每个场景下对应的权重,对所述评价主体的社交能力进行评估,得到社交能力评估结果。
2.如权利要求1所述的社交能力评估方法,其特征在于,所述根据每个定性特征集对应的社交度表达值以及对应的权重,对所述评价主体的社交能力进行评估,得到社交能力评估结果之后,所述方法还包括:
获取预设周期内所述评价主体对应的历史社交能力评估结果;
根据所述历史社交能力评估结果创建第一时序数据集,根据所述第一时序数据集得到综合社交能力评估数据。
3.如权利要求1所述的社交能力评估方法,其特征在于,所述方法还包括:
获取所述评价主体对应的目标历史时长的视频数据;
根据所述目标历史时长的视频数据对所述评价主体进行分类,得到所述评价主体的社交类型。
4.如权利要求1所述的社交能力评估方法,其特征在于,对实时视频数据进行目标指标特征识别,并对识别到的每一个目标指标特征进行定性归类,包括:
通过预设指标层次结构模型对识别到的每一个目标指标特征进行定性归类,所述指标层次结构模型包括目标层、准则层、指标层和结果层,所述目标层用于输出社交能力评估结果,所述准则层用于对识别到的每一个目标指标特征进行定性归类,所述指标层用于将识别到的评价主体的目标指标特征与预设指标特征进行匹配,所述结果层用于输出目标指标特征所表征的社交性质。
5.如权利要求1所述的社交能力评估方法,其特征在于,所述对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值,包括:
计算每个定性特征集所包含的每一个目标指标特征的发生频次,和/或,目标指标特征在定性特征集中的占比;
根据所述发生频次或占比在每一场景下所属的预设区间,为每一个目标指标特征匹配对应的分值,每个所述预设区间对应一个分值;
根据每一目标指标特征相对于不同场景的权重和分值,得到评价主体在每一场景下的社交度表达值。
6.如权利要求2所述的社交能力评估方法,其特征在于,根据所述第一时序数据集得到综合社交能力评估数据,包括:
计算预设周期内每个评价主体的社交能力平均值;
根据所述社交能力平均值计算时间权重,所述时间权重为每天的评价权重;
结合第一时序数据集、时间权重和预设周期,得到综合社交能力评估数据。
7.如权利要求3所述的社交能力评估方法,其特征在于,根据所述目标历史时长的视频数据对所述评价主体进行分类,得到所述评价主体的社交类型,包括:
构建社交能力分类模型;
采用极大似然估计法,对所述社交能力分类模型进行求解计算;
利用后验概率公式计算每个学生归属于不同潜在类别时的后验概率值,根据所述后验概率值的最大值确定其所属社交类型。
8.一种社交能力评估装置,其特征在于,所述装置包括:
视频数据采集模块,用于获取任一评价主体的实时视频数据;
定性归类模块,用于对实时视频数据进行目标指标特征识别,并对识别到的每一个目标指标特征进行定性归类,得到多个定性特征集;
定量计算模块,对每个定性特征集中的目标指标特征进行定量计算,得到每个定性特征集对应的社交度表达值;
结果评估模块,用于根据每个定性特征集对应的社交度表达值,以及所述定性特征集在每个场景下对应的权重,对所述评价主体的社交能力进行评估,得到社交能力评估结果。
9.一种电子设备,其特征在于,所述电子设备包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7任一项所述的社交能力评估方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的社交能力评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011029163.4A CN112115908B (zh) | 2020-09-25 | 2020-09-25 | 一种社交能力评估方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011029163.4A CN112115908B (zh) | 2020-09-25 | 2020-09-25 | 一种社交能力评估方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115908A true CN112115908A (zh) | 2020-12-22 |
CN112115908B CN112115908B (zh) | 2024-02-20 |
Family
ID=73797005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011029163.4A Active CN112115908B (zh) | 2020-09-25 | 2020-09-25 | 一种社交能力评估方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115908B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331159A (zh) * | 2021-12-30 | 2022-04-12 | 北京碧云数创科技有限公司 | 教学管理系统 |
CN114358573A (zh) * | 2021-12-30 | 2022-04-15 | 北京碧云数创科技有限公司 | 课堂数据处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103853841A (zh) * | 2014-03-19 | 2014-06-11 | 北京邮电大学 | 一种社交网用户异常行为的分析方法 |
KR20150092591A (ko) * | 2014-02-05 | 2015-08-13 | 한국전자통신연구원 | 감정인식 기반 영상물 분류 방법 |
CN107391680A (zh) * | 2017-07-24 | 2017-11-24 | 北京京东尚科信息技术有限公司 | 内容推荐方法、装置和设备 |
CN110472883A (zh) * | 2019-08-21 | 2019-11-19 | 上海信立德教育科技集团有限公司 | 幼儿社会性发展水平评估方法、装置、系统及存储介质 |
US20200045119A1 (en) * | 2018-08-06 | 2020-02-06 | International Business Machines Corporation | Social media/network enabled digital learning environment with atomic refactoring |
US20200089961A1 (en) * | 2018-09-17 | 2020-03-19 | Electronics And Telecommunications Research Institute | Method for evaluating social intelligence and apparatus using the same |
-
2020
- 2020-09-25 CN CN202011029163.4A patent/CN112115908B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150092591A (ko) * | 2014-02-05 | 2015-08-13 | 한국전자통신연구원 | 감정인식 기반 영상물 분류 방법 |
CN103853841A (zh) * | 2014-03-19 | 2014-06-11 | 北京邮电大学 | 一种社交网用户异常行为的分析方法 |
CN107391680A (zh) * | 2017-07-24 | 2017-11-24 | 北京京东尚科信息技术有限公司 | 内容推荐方法、装置和设备 |
US20200045119A1 (en) * | 2018-08-06 | 2020-02-06 | International Business Machines Corporation | Social media/network enabled digital learning environment with atomic refactoring |
US20200089961A1 (en) * | 2018-09-17 | 2020-03-19 | Electronics And Telecommunications Research Institute | Method for evaluating social intelligence and apparatus using the same |
CN110472883A (zh) * | 2019-08-21 | 2019-11-19 | 上海信立德教育科技集团有限公司 | 幼儿社会性发展水平评估方法、装置、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
章成志;李蕾;: "社会化标签质量自动评估研究", 现代图书情报技术, no. 10 * |
胡荣;林建龙;: "护理本科男生社交能力及影响因素研究", 中华护理教育, no. 03 * |
靳少举;蒲云欢;黄儒军;: "移动短视频技术在特殊儿童教育康复中的应用探究", 贵州工程应用技术学院学报, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331159A (zh) * | 2021-12-30 | 2022-04-12 | 北京碧云数创科技有限公司 | 教学管理系统 |
CN114358573A (zh) * | 2021-12-30 | 2022-04-15 | 北京碧云数创科技有限公司 | 课堂数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112115908B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yarkoni | The generalizability crisis | |
Gray et al. | Learning factor models of students at risk of failing in the early stage of tertiary education | |
Widyahastuti et al. | Predicting students performance in final examination using linear regression and multilayer perceptron | |
CN110782375B (zh) | 基于数据的在线学习全过程动态分析方法及系统 | |
CN112632351B (zh) | 分类模型的训练方法、分类方法、装置及设备 | |
CN112115908B (zh) | 一种社交能力评估方法及其装置 | |
Hong et al. | Predicting Students’ Inclination to TVET Enrolment Using Various Classifiers. | |
Spaulding et al. | Affect and inference in Bayesian knowledge tracing with a robot tutor | |
Turhan et al. | Estimation of student success with artificial neural networks | |
Hagedoorn et al. | Massive open online courses temporal profiling for dropout prediction | |
Bakanov et al. | Cognitive approach to modeling human-computer interaction with a distributed intellectual information environment | |
Turner et al. | Mechanistic modeling for the masses. | |
CN117940941A (zh) | 基于注意力确定的会议会话控制 | |
Shukla et al. | Entrepreneurial intention for social cause: role of moral obligation, contextual support and barriers | |
Bose et al. | Parametric Distributions to Model Numerical Emotion Labels. | |
Hsieh et al. | A decision support system for service recovery in affective computing: an experimental investigation | |
Zhang et al. | Can Large Language Models Assess Personality from Asynchronous Video Interviews? A Comprehensive Evaluation of Validity, Reliability, Fairness, and Rating Patterns | |
Jiang et al. | Learning analytics in a blended computer education course | |
CN102959560A (zh) | 自动吸引力测量方法 | |
Shenoy et al. | A Study on various Applications of Computer Vision for Teaching Learning in Classroom | |
CN112116264A (zh) | 一种活跃度评估方法及装置 | |
Haghighi et al. | Extending and Ranking the Audit Judgment Factors in an Emerging Market With an Emphasis on Cognitive Neuroscience | |
Ioannidis | Science with or without statistics: Discover-generalize-replicate? Discover-replicate-generalize? | |
Van de Velde et al. | Generalizability in mixed models: Lessons from corpus linguistics. | |
Zhou et al. | Deep explanatory polytomous item-response model for predicting idiosyncratic affective ratings |
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 |