CN112132121A - 基于大数据的学生学习行为分析系统 - Google Patents
基于大数据的学生学习行为分析系统 Download PDFInfo
- Publication number
- CN112132121A CN112132121A CN202011331416.3A CN202011331416A CN112132121A CN 112132121 A CN112132121 A CN 112132121A CN 202011331416 A CN202011331416 A CN 202011331416A CN 112132121 A CN112132121 A CN 112132121A
- Authority
- CN
- China
- Prior art keywords
- student
- students
- module
- marking
- speaking
- 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.)
- Withdrawn
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000001815 facial effect Effects 0.000 claims abstract description 11
- 210000000744 eyelid Anatomy 0.000 claims description 19
- 230000004397 blinking Effects 0.000 claims description 18
- 230000036578 sleeping time Effects 0.000 claims description 14
- 230000001515 vagal effect Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 230000007958 sleep Effects 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 206010044565 Tremor Diseases 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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—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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明涉及行为分析技术领域,具体涉及基于大数据的学生学习行为分析系统,包括服务器和设于教室内的监控组,服务器存储有各个学生的各期成绩数据、成绩差异阈值、各个学生的正常面部信息和对应的身份信息;服务器用于根据监控组上传的画面,识别学生身份;通过学生面部特征识别处于睡觉状态下和走神状态下的学生,并对其打上睡觉学生和走神可以学生的标记;通过学生姿态,识别坐姿不良的学生,并将该学生标记为病态坐姿学生;用于定期比对学生的成绩,计算成绩差异值;在成绩差异值大于成绩差异阈值时,计算各项标记数据与上期的差别,以此解决上课时老师精力有限,之后很难找出学生学习成绩出现起落的具体原因的问题,本发明主要用于学校。
Description
技术领域
本发明涉及行为分析技术领域,具体涉及基于大数据的学生学习行为分析系统。
背景技术
学生是学习的主体,其学习行为包括使用课程资源的持续时间、重复次数、完成情况、测试结果等数据。这些学习行为数据既反映了学生个体对特定知识点的掌握情况,同时也能从整体层面定量分析出全体学生对某一知识点的学习状态。
现有教学系统获得学习行为数据的方式,主要依靠作业、课堂提问等方式,而这样的方式获取的学生学习行为数据,太过片面和局限,并不能有效的分析出学生的学习状态,更不能分析出学生成绩和学习行为的关联性。
而学生的学习行为最主要体现在上课阶段,上课走神、睡觉、讲话等不好的行为往往体现了一个学生的学习行为习惯,而老师上课的时候,并不会有过多的精力用在每个学生的身上,因此大多数学生上课的学习行为,往往会被老师所忽略,在老师不提醒的情况下,往往会出现学习行为不好的学生将会越来越糟糕的现象。并且当学生的成绩突然有大幅度的上升或下降时,老师也只能分析出该学生最近阶段上课比较认真导致成绩大幅提高,或上课行为不端导致成绩大幅下降的现象,而无法做出更加深层的判断,更无法找到学生成绩突然上升或下降的细节原因。
发明内容
本发明的目的在于提供一种基于大数据的学生学习行为分析系统,解决上课时老师没有过多的精力对大多数学生的学习行为进行监控和分析,很难找出学生学习成绩出现起落的具体原因的问题。
为解决上述技术问题,本发明的基础方案如下:
基于大数据的学生学习行为分析系统,包括服务器和设于教室内的监控组,所述服务器包括数据库、面部识别模块、面部分析模块、姿态分析模块、比对模块和差异性分析模块;
数据库:存储有各个学生的各期成绩数据、成绩差异阈值、各个学生的正常面部信息和对应的身份信息;
监控组:用于将拍摄的教室内画面上传给服务器;
面部识别模块:用于根据监控组上传的画面,并根据其内的学生面部,识别学生身份;
面部分析模块:通过拍摄的学生面部特征,识别处于睡觉状态下和走神状态下的学生,并将处于睡觉状态下的学生标记为睡觉学生,处于走神状态下的学生标记为走神可疑学生;
姿态分析模块:通过拍摄的学生姿态,识别坐姿不良的学生,并将该学生标记为病态坐姿学生;
比对模块:用于定期比对学生的成绩,并计算成绩差异值;
差异性分析模块:用于在成绩差异值大于成绩差异阈值时,计算被标记学生其本期内的学生睡觉次数、学生走神可疑次数和学生病态坐姿次数分别与上一期的学生睡觉次数、学生走神可疑次数和学生病态坐姿次数的差别。
进一步,所述面部分析模块还包括特征统计子模块、特征标记子模块和特征计算子模块;
所述数据库还存储有睡觉眨眼阈值、眼皮距离阈值和走神眨眼阈值;
特征统计子模块:用于统计学生的眨眼频率;
特征标记子模块:用于在学生眨眼频率超过睡觉眨眼阈值时,将该学生标记为睡觉可疑学生,在学生眨眼频率小于走神眨眼阈值时,将该学生标记为走神可疑学生;
特征计算子模块:计算睡觉可疑学生睁眼时其上眼皮和下眼皮距离;
特征标记子模块:还用于在该学生上眼皮和下眼皮距离超过眼皮距离阈值时,将该学生标记为睡觉学生。
进一步,姿态分析模块包括姿态计算子模块病态坐姿标记子模块;
数据库还存储有夹角阈值;
姿态计算子模块:用于计算学生眉心与两肩的连线距离和两肩之间的间隔连线距离,并计算两肩之间连线与眉心至两肩连线的夹角大小;
病态坐姿标记子模块:用于在学生两肩之间连线与眉心至两肩连线的夹角大小大于夹角阈值时,将该学生标记为病态坐姿学生。
进一步,还包括设置于学生座位下方地板上的压力传感器组,服务器还包括抖腿识别模块,抖腿识别模块包括压力频率计算子模块和抖腿标记子模块,所述数据库还存储有频率变化阈值;
压力频率计算子模块:用于根据压力传感器组上传的压力位置坐标和次数,计算在同一连续区域位置处,出现压力变化的频率;
抖腿标记子模块:用于在压力变化频率大于频率变化阈值时,将该学生标记为抖腿学生。
进一步,服务器还包括走神学生标记模块;
走神学生标记模块:用于在学生在同一时间被标记为走神可疑学生且还被标记为抖腿学生时,将该学生标记为走神学生;
差异性分析模块:用于在成绩差异值大于成绩差异阈值时,计算被标记学生其本期内的学生睡觉次数、学生走神次数和学生病态坐姿次数分别与上一期的学生睡觉次数、学生走神次数和学生病态坐姿次数的差别。
进一步,所述服务器还包括讲话分析模块,讲话分析模块包括嘴部动作频率计算子模块和讲话标记子模块;
嘴部动作频率计算子模块:通过拍摄的面部特征计算学生张嘴闭嘴的频率;
讲话标记子模块:用于将张嘴和闭嘴频率超过动作频率阈值的学生,标记为讲话学生;
差异性分析模块:还用于在成绩差异值大于成绩差异阈值时,计算本期内被标记为讲话学生的次数与上期被标记为讲话学生次数的差别。
进一步,服务器还包括讲话次数调取模块和影响因素判定模块;
讲话次数调取模块:用于调取中间位置学生及其前后左右四个位置学生的被标记为讲话学生的次数;
影响因素判定模块:若前后左右四个位置学生有任意一个学生的讲话次数超过中间位置学生的讲话次数,且也有讲话次数小于中间位置的学生,则判定中间位置学生为受影响源学生,也为影响源学生;若前后左右四个位置学生的讲话次数都超过中间位置学生的讲话次数,则判定中间位置学生为受影响源学生;若前后左右四个位置学生的讲话次数都小于中间位置学生的讲话次数,则判定中间位置学生为影响源学生。
本方案在学生上课时通过对学生面部特征的分析,将睡觉和疑似走神的学生打上标记,当学生成绩在一个周期内上升或下降很多时,分析其上课状态,其睡觉和疑似走神的次数相较于上个成绩周期的变化,以此就可得出该学生成绩和上课状态的相关性,不仅可以解决上课时老师没有过多的精力对大多数学生的学习行为进行监控和分析,很难找出学生学习成绩出现起落的具体原因的问题,而且在学生成绩下滑严重时,通过具体数据,更加可以警示该学生注意上课时的学习状态。
并且本方案在判断学生上课出现疑似走神状态时,通常会出现抖腿的不良习惯,因此若该学生在被判断出疑似走神,且又出现了抖腿的现象,则可以大概率断定该学生上课走神,此时将该学生标记为走神学生会更加准确。
并且考虑到一个人的坐姿习惯,对其听课的专注程度有很大的影响,因此通过对学生姿态的分析,判断其坐姿是否存在问题,也是判断学生成绩波动的原因之一。
而且考虑到,学生周围的学习环境,也会对学生成绩起到很大的影响,因此通过对某一学生周围学生的学习素质进行分析,能够使对于学生成绩影响的分析更加彻底,而学生的学习素质主要体现在上课有没有讲话行为,从而影响到周围学生的学习。因此通过对某一学生周围学生上课讲话次数的对比分析,能够判断该学生到底是由于受到坏的学习环境的影响多,还是本身的学习素质存在问题,即表现为是受到周围学生讲话的影响,还是本身就是影响别人学习的源头。
附图说明
图1为本发明基于大数据的学生学习行为分析系统实施例的示意性框图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例基本如附图1所示:基于大数据的学生学习行为分析系统,包括服务器、设于教室内的监控组和设置于学生座位下方地板上的压力传感器组,监控组由教室前方均匀间隔设置的3组监控摄像装置组成,服务器包括数据库、面部识别模块、面部分析模块、姿态分析模块、抖腿识别模块、走神学生标记模块、讲话分析模块、讲话次数调取模块、影响因素判定模块、比对模块和差异性分析模块;面部分析模块还包括特征统计子模块和特征计算子模块;姿态分析模块包括姿态计算子模块病态坐姿标记子模块;抖腿识别模块包括压力频率计算子模块和抖腿标记子模块;讲话分析模块包括嘴部动作频率计算子模块和讲话标记子模块。
数据库:存储有各个学生的各期成绩数据、成绩差异阈值、睡觉眨眼阈值、各学生的眼皮距离阈值、走神眨眼阈值、频率变化阈值、各个学生的正常面部信息和对应的身份信息。
监控组:用于将拍摄的教室内画面上传给服务器。
面部识别模块:用于根据监控组上传的画面,并根据其内的学生面部,识别学生身份。
面部分析模块中:
特征统计子模块:用于统计学生的眨眼频率。
特征标记子模块:用于在学生眨眼频率超过睡觉眨眼阈值时,将该学生标记为睡觉可疑学生,在学生眨眼频率小于走神眨眼阈值时,将该学生标记为走神可疑学生,本实施例中睡觉眨眼阈值设为30次/分钟。
特征计算子模块:计算睡觉可疑学生睁眼时其上眼皮和下眼皮距离。
特征标记子模块:还用于在该学生上眼皮和下眼皮距离超过眼皮距离阈值时,将该学生标记为睡觉学生,由于每个学生的眼睛大小有所区别,因此数据库中存储的为各个学生的眼皮距离阈值,该值大小为每个学生眼睛正常状态下,其上眼皮到下眼皮距离的1/2。
姿态分析模块中:
姿态计算子模块:用于计算学生眉心与两肩的连线距离和两肩之间的间隔连线距离,并计算两肩之间连线与眉心至两肩连线的夹角大小;
病态坐姿标记子模块:用于在学生两肩之间连线与眉心至两肩连线的夹角大小大于夹角阈值时,将该学生标记为病态坐姿学生,由于学生两肩之间连线与眉心至两肩连线的夹角大小确定了该学生头左右摇摆的偏移程度,而这样的姿势正是说明了该学生的精神状态,而当学生的头摆动向哪方,那方的两肩之间连线与眉心至该方肩头连线的夹角就会增大,例如当学生在打瞌睡时,且头枕在右手臂上时,学生两肩之间连线与眉心至右肩之间的连线的夹角就会很大,因此设置该夹角阈值来对学生的精神状态进行判断,而本实施例中设置的夹角阈值为67.5°。
抖腿识别模块中:
压力频率计算子模块:用于根据压力传感器组上传的压力位置坐标和次数,计算在同一连续区域位置处,出现压力变化的频率。
抖腿标记子模块:用于在压力变化频率大于频率变化阈值时,将该学生标记为抖腿学生,本实施例中将频率变化阈值设为3次/秒。
走神学生标记模块:用于在学生在同一时间被标记为走神可疑学生且还被标记为抖腿学生时,将该学生标记为走神学生。
讲话分析模块中:
嘴部动作频率计算子模块:通过拍摄的面部特征计算学生张嘴闭嘴的频率。
讲话标记子模块:用于将张嘴和闭嘴频率超过动作频率阈值的学生,标记为讲话学生,本实施例中动作频率阈值设为120次/分钟。而为了使判定更加准确并且具备一定的宽容度,还可设置5分钟的宽容时限,当以该张嘴和闭嘴的频率连续持续5分钟动作,则通过讲话标记子模块将该学生标记为讲话学生。
讲话次数调取模块:用于调取中间位置学生及其前后左右四个位置学生的被标记为讲话学生的次数。
影响因素判定模块:若前后左右四个位置学生有任意一个学生的讲话次数超过中间位置学生的讲话次数,且也有讲话次数小于中间位置的学生,则判定中间位置学生为受影响源学生,也为影响源学生;若前后左右四个位置学生的讲话次数都超过中间位置学生的讲话次数,则判定中间位置学生为受影响源学生;若前后左右四个位置学生的讲话次数都小于中间位置学生的讲话次数,则判定中间位置学生为影响源学生。
比对模块:用于定期比对学生的成绩,并计算成绩差异值。
差异性分析模块:用于在成绩差异值大于成绩差异阈值时,计算被标记学生其本期内的学生睡觉次数、学生走神次数、学生病态坐姿次数以及讲话次数分别与上一期的学生睡觉次数、学生走神次数、学生病态坐姿次数以及讲话次数的差别,本实施例中成绩差异阈值设为50分。
具体使用场景如下:
学生入校时会首先录入自己正常的面部信息和对应的身份信息,身份信息包括姓名、年龄、性别等信息,便于面部识别模块进行人脸识别,当学生本期的学习成绩相比于上一期的学习成绩差异在50分以上时,服务器通过面部分析模块、姿态分析模块、走神学生标记模块、抖腿识别模块和讲话分析模块判断学生上课的状态,并统计出本期上课时间中学生睡觉的次数、病态坐姿出现的次数、走神的次数和讲话的次数,并通过差异性分析模块分析出本期内的学生睡觉次数、学生走神次数、学生病态坐姿次数以及讲话次数分别与上一期的学生睡觉次数、学生走神次数、学生病态坐姿次数以及讲话次数的差别,该差别即说明的该学生前后两期内成绩出现差异性的原因所在。
而上述的原因是自身的原因,同时也存在外在学习环境的原因,因此本实施例中通过影响因素判定模块,分析对某一学生周围学生的学习素质进行分析,能够使对于学生成绩影响的分析更加彻底,而学生的学习素质主要体现在上课有没有讲话行为,从而影响到周围学生的学习。因此通过对某一学生周围学生上课讲话次数的对比分析,能够判断该学生到底是由于受到坏的学习环境的影响多,还是本身的学习素质存在问题,即表现为是受到周围学生讲话的影响,还是本身就是影响别人学习的源头。
例如设A学生为中间学生,A学生的前后左右分别为B、C、D和E学生,而A学生本期的讲话次数为26次,B学生讲话次数为43次,C学生的讲话次数为23次、D学生的讲话次数为15次,E学生的讲话次数为51次,因此A学生的讲话次数大于C和D学生,却小于B和E学生,因此A学生就为受影响源学生,也为影响源学生。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施例等记载可以用于解释权利要求的内容。
Claims (7)
1.一种基于大数据的学生学习行为分析系统,包括服务器和设于教室内的监控组,其特征在于:所述服务器包括数据库、面部识别模块、面部分析模块、姿态分析模块、比对模块和差异性分析模块;
数据库:存储有各个学生的各期成绩数据、成绩差异阈值、各个学生的正常面部信息和对应的身份信息;
监控组:用于将拍摄的教室内画面上传给服务器;
面部识别模块:用于根据监控组上传的画面,并根据其内的学生面部,识别学生身份;
面部分析模块:通过拍摄的学生面部特征,识别处于睡觉状态下和走神状态下的学生,并将处于睡觉状态下的学生标记为睡觉学生,处于走神状态下的学生标记为走神可疑学生;
姿态分析模块:通过拍摄的学生姿态,识别坐姿不良的学生,并将该学生标记为病态坐姿学生;
比对模块:用于定期比对学生的成绩,并计算成绩差异值;
差异性分析模块:用于在成绩差异值大于成绩差异阈值时,计算被标记学生其本期内的学生睡觉次数、学生走神可疑次数和学生病态坐姿次数分别与上一期的学生睡觉次数、学生走神可疑次数和学生病态坐姿次数的差别。
2.根据权利要求1所述的基于大数据的学生学习行为分析系统,其特征在于:所述面部分析模块还包括特征统计子模块、特征标记子模块和特征计算子模块;
所述数据库还存储有睡觉眨眼阈值、眼皮距离阈值和走神眨眼阈值;
特征统计子模块:用于统计学生的眨眼频率;
特征标记子模块:用于在学生眨眼频率超过睡觉眨眼阈值时,将该学生标记为睡觉可疑学生,在学生眨眼频率小于走神眨眼阈值时,将改学生标记为走神可疑学生;
特征计算子模块:计算睡觉可疑学生睁眼时其上眼皮和下眼皮距离;
特征标记子模块:还用于在该学生上眼皮和下眼皮距离超过眼皮距离阈值时,将该学生标记为睡觉学生。
3.根据权利要求1所述的基于大数据的学生学习行为分析系统,其特征在于:姿态分析模块,包括姿态计算子模块和病态坐姿标记子模块;
数据库还存储有夹角阈值;
姿态计算子模块:用于计算学生眉心与两肩的连线距离和两肩之间的间隔连线距离,并计算两肩之间连线与眉心至两肩连线的夹角大小;
病态坐姿标记子模块:用于在学生两肩之间连线与眉心至两肩连线的夹角大小大于夹角阈值时,将该学生标记为病态坐姿学生。
4.根据权利要求1所述的基于大数据的学生学习行为分析系统,其特征在于:还包括设置于学生座位下方地板上的压力传感器组,服务器还包括抖腿识别模块,抖腿识别模块包括压力频率计算子模块和抖腿标记子模块,所述数据库还存储有频率变化阈值;
压力频率计算子模块:用于根据压力传感器组上传的压力位置坐标和次数,计算在同一连续区域位置处,出现压力变化的频率;
抖腿标记子模块:用于在压力变化频率大于频率变化阈值时,将该学生标记为抖腿学生。
5.根据权利要求1所述的基于大数据的学生学习行为分析系统,其特征在于:服务器还包括走神学生标记模块;
走神学生标记模块:用于在学生在同一时间被标记为走神可疑学生且还被标记为抖腿学生时,将该学生标记为走神学生;
差异性分析模块:用于在成绩差异值大于成绩差异阈值时,计算被标记学生其本期内的学生睡觉次数、学生走神次数和学生病态坐姿次数分别与上一期的学生睡觉次数、学生走神次数和学生病态坐姿次数的差别。
6.根据权利要求1所述的基于大数据的学生学习行为分析系统,其特征在于:所述服务器还包括讲话分析模块,讲话分析模块包括嘴部动作频率计算子模块和讲话标记子模块;
嘴部动作频率计算子模块:通过拍摄的面部特征计算学生张嘴闭嘴的频率;
讲话标记子模块:用于将张嘴和闭嘴频率超过动作频率阈值的学生,标记为讲话学生;
差异性分析模块:还用于在成绩差异值大于成绩差异阈值时,计算本期内被标记为讲话学生的次数与上期被标记为讲话学生次数的差别。
7.根据权利要求6所述的基于大数据的学生学习行为分析系统,其特征在于:服务器还包括讲话次数调取模块和影响因素判定模块;
讲话次数调取模块:用于调取中间位置学生及其前后左右四个位置学生的被标记为讲话学生的次数;
影响因素判定模块:若前后左右四个位置学生有任意一个学生的讲话次数超过中间位置学生的讲话次数,且也有讲话次数小于中间位置的学生,则判定中间位置学生为受影响源学生,也为影响源学生;若前后左右四个位置学生的讲话次数都超过中间位置学生的讲话次数,则判定中间位置学生为受影响源学生;若前后左右四个位置学生的讲话次数都小于中间位置学生的讲话次数,则判定中间位置学生为影响源学生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011331416.3A CN112132121A (zh) | 2020-11-24 | 2020-11-24 | 基于大数据的学生学习行为分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011331416.3A CN112132121A (zh) | 2020-11-24 | 2020-11-24 | 基于大数据的学生学习行为分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132121A true CN112132121A (zh) | 2020-12-25 |
Family
ID=73852231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011331416.3A Withdrawn CN112132121A (zh) | 2020-11-24 | 2020-11-24 | 基于大数据的学生学习行为分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132121A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598557A (zh) * | 2021-03-02 | 2021-04-02 | 广东财经大学 | 一种基于大数据的学生学习行为数据分析系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934182A (zh) * | 2019-03-18 | 2019-06-25 | 北京旷视科技有限公司 | 对象行为分析方法、装置、电子设备及计算机存储介质 |
EP3624421A1 (en) * | 2018-09-16 | 2020-03-18 | Universidad Internacional de La Rioja (UNIR) | Method for monitoring activities performed by user groups in online digital environments |
-
2020
- 2020-11-24 CN CN202011331416.3A patent/CN112132121A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3624421A1 (en) * | 2018-09-16 | 2020-03-18 | Universidad Internacional de La Rioja (UNIR) | Method for monitoring activities performed by user groups in online digital environments |
CN109934182A (zh) * | 2019-03-18 | 2019-06-25 | 北京旷视科技有限公司 | 对象行为分析方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (4)
Title |
---|
刘正荣 等: "《做一名幸福的教师》", 31 December 2014, 桂林:漓江出版社 * |
管凯捷 等: "基于头动与眼动的脑疲劳检测方法研究", 《航天医学与医学工程》 * |
重塑自我999: "浅谈几种学生学习成绩低的成因", 《HTTPS://WWW.JIANSHU.COM/P/429F3AB25A0C》 * |
陆芳 等: "大数据背景下大学生学习状态研究的方法探析", 《黑龙江高教研究》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112598557A (zh) * | 2021-03-02 | 2021-04-02 | 广东财经大学 | 一种基于大数据的学生学习行为数据分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Brunswik | Systematic and representative design of psychological experiments | |
Church et al. | Atypical categorization in children with high-functioning autism spectrum disorder | |
CN108186030B (zh) | 一种刺激信息提供装置和潜能值测验的认知指标分析方法 | |
Nie et al. | Experimental study on visual detection for fatigue of fixed-position staff | |
CN109685007B (zh) | 用眼习惯的预警方法、用户设备、存储介质及装置 | |
Hung et al. | Augmenting teacher-student interaction in digital learning through affective computing | |
CN114129165A (zh) | 一种基于可信评估量表的心理测评方法、系统及存储介质 | |
CN112614583A (zh) | 抑郁等级测试系统 | |
JP7099377B2 (ja) | 情報処理装置及び情報処理方法 | |
CN112132121A (zh) | 基于大数据的学生学习行为分析系统 | |
Pepe et al. | A consideration of signature complexity using simulators’ gaze behaviour | |
Prokhorov et al. | Self-reflection control of mental states during academic activity | |
CN115689340A (zh) | 一种基于彩色动态人脸特征的课堂质量监控系统 | |
Perdana et al. | Lie Detector with Eye Movement and Eye Blinks Analysis Based on Image Processing using Viola-Jones Algorithm | |
CN115690867A (zh) | 课堂专注度检测方法、装置、设备及存储介质 | |
Roy et al. | Students attention monitoring and alert system for online classes using face landmarks | |
Patel | A Machine Learning based Eye Tracking Framework to detect Zoom Fatigue | |
Rao et al. | Teacher assistance system to detect distracted students in online classroom environment | |
Isaeva et al. | Making decisions in intelligent video surveillance systems based on modeling the pupillary response of a person | |
Ito et al. | Detecting Concentration of Students Using Kinect in E-learning | |
Doan et al. | Smart Desk in Hybrid Classroom: Research and Implement a System to detect Inattentive Students | |
Qu-Lee et al. | The relationship between visual confirmation bias, belief consistency, and belief polarization | |
Kise et al. | Quantified reading and learning for sharing experiences | |
AU2020101294A4 (en) | Student’s physiological health behavioural prediction model using svm based machine learning algorithm | |
Naveed et al. | Relationship between procrastination & self esteem among male & female university students |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201225 |
|
WW01 | Invention patent application withdrawn after publication |