CN112489507B - 基于vr与全息投影的大数据融合式智慧教学法 - Google Patents
基于vr与全息投影的大数据融合式智慧教学法 Download PDFInfo
- Publication number
- CN112489507B CN112489507B CN202011318078.XA CN202011318078A CN112489507B CN 112489507 B CN112489507 B CN 112489507B CN 202011318078 A CN202011318078 A CN 202011318078A CN 112489507 B CN112489507 B CN 112489507B
- Authority
- CN
- China
- Prior art keywords
- teaching
- data
- virtual
- learning
- classroom
- 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 37
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 230000006399 behavior Effects 0.000 claims abstract description 72
- 230000002452 interceptive effect Effects 0.000 claims abstract description 23
- 238000005065 mining Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000005516 engineering process Methods 0.000 claims description 30
- 238000002474 experimental method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000002360 preparation method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000008520 organization Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000009877 rendering Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013515 script Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008447 perception Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000001483 mobilizing effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008846 dynamic interplay Effects 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241000123815 Lutjanus apodus Species 0.000 description 1
- 208000004350 Strabismus Diseases 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
- G09B5/14—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations with provision for individual teacher-student communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于VR与全息投影的大数据融合式智慧教学法，涉及教学系统技术领域，通过创建沉浸式的虚拟教学课堂与虚拟实验室，提供给教师及学生们虚拟课堂和实验室的虚拟教学系统，同时采集和存储教师教学和学生的学习行为情况数据；建立各类学习终端的交互界面系统，交互界面系统用于提供给学生线上学习的环境，同时对学生的学习行为情况数据进行采集和存储；根据采集的教学情况数据和学习行为情况数据建立系统的连动式互通式的教学数据链；对教学数据链进行分析与挖掘，得到每一个学生的学习能力和学习状态以及每一位教师的教学授课情况，同时分析给出有效提升教师课堂教学效率和优化课堂教学组织模式的方案。
Description
技术领域
本发明属于教学系统技术领域，尤其涉及一种基于VR与全息投影的大数据融合式智慧教学法。
背景技术
当前，各大高校都在极力推进课程教学信息化的改革和创新，各种纯粹软件的教学信息化系统在学校教育行业都已经得到初步的应用。比如：学校教务系统、成绩管理系统、档案管理系统、学生考试系统等。各种各样的教学辅助系统都是从某一个单一的教学环节看问题，仅仅是解决局部教学问题的。
目前，学校的这些教学软件系统大都停留在解决某些单一教学环节、单一问题、单一功能的基础上，各系统都相互独立，而且系统之间的数据都没有前后逻辑关系，系统功能的集成综合性度低，只能够解决诸多教学环节当中的某一些问题，无法建立起整个教学环节过程中的数据互联互通问题，都没有从学生入学开始到毕业离校所有的教学环节学生学习与教师教学的行为数据关联分析挖掘，无法得出完整的教师教学质量学生学习行为等教学中准确的大数据分析，导致教学过程所面临的问题依然比较突出，比如：在传统的教学模式下，教学方式相对枯燥和单一，师生交流互动不足；教学过程不够生动，缺少调动学生主动学习听课并沉浸于课堂内容的因素；课堂内外的知识及应用相互衔接不上，断层式学习较为突出；教学信息化手段及相关机制比较陈旧；各个教学环节的数据都是独立的信息孤岛，无法形成互联互通可以分析出前后逻辑关系的信息链岛大数据等。
随着高校课程教学信息化的改革和创新的不断要求和发展，教学应用系统的核心已经不再是单纯的软件平台，而是具有高度集成功能的软件平台结合硬件网络平台。传统的单独供应产品的模式已经很难满足教学上的需求，成熟的教学改革创新系统需要的是“系统级”、“综合一体化”的“融合性”的产品，即针对教学改革全过程全方位都覆盖到的融合性系统，并且能够从学生入学开始到毕业离校记录下整个学校生涯的所有学生学习行为和教师教学行为的所有关联融合数据系统，这些数据之间我们都将分析出它们的前后逻辑关系。
综上所诉，本发明将有效的解决以下问题：
在传统的教学模式下，教学方式相对枯燥和单一，师生交流互动不足；教学过程不够生动，缺少调动学生主动学习听课并沉浸于课堂内容的因素；课堂内外的知识及应用相互衔接不上，断层式学习较为突出；教学信息化手段及相关机制比较陈旧；各个教学环节的数据都是独立的信息孤岛，无法形成互联互通可以分析出前后逻辑关系的信息链岛大数据；无法从学生入学开始到毕业离校记录下整个学校生涯的所有学生学习行为和教师教学行为的关联数据。
发明内容
本发明的目的在于提供一种基于VR与全息投影的大数据融合式智慧教学法，从而解决了传统教学模式下教学方式相对枯燥和单一的缺点。
为实现上述目的，本发明提供了一种基于VR与全息投影的大数据融合式智慧教学法，包括以下步骤：
S1、S1、创建沉浸式的虚拟教学课堂与虚拟实验室，所述虚拟教学课堂与虚拟实验室用于提供给教师及学生们虚拟课堂和实验室的虚拟教学系统，同时采集使用所述虚拟课堂和实验室的虚拟教学系统时教师们的教学情况数据和学生们的学习行为情况数据，并存入相应的数据库中；
S2、建立各类学习终端的交互界面系统，所述交互界面系统支持多种终端设备和多种应用程序的接入访问，所述交互界面系统用于提供给学生线上学习的环境，同时对使用所述交互界面系统时学生的学习行为情况数据进行采集，并存入相应的数据库中；
S3、根据S1采集的教学情况数据和S1、S2采集的学习行为情况数据，将不同的数据库之间的数据进行逻辑关联，形成教学数据链；
S4、对所述教学数据链进行分析与挖掘，得到学生的学习能力、能力优化方案以及教师的教学情况、同时分析给出有效提升教师课堂教学效率和优化课堂教学组织模式的优化方案。
进一步的，所述虚拟教学课堂与虚拟实验室通过VR技术和全息投影技术创建。
进一步的，创建所述虚拟教学课堂包括以下步骤：
S111、多角度采集教师授课影像，采用全息技术制作3D特效，完成教师授课的3D授课建模；
S112、采用VR视频技术结合所述3D授课建模创建虚拟课堂；
S113、确定所述虚拟课堂的事件处理体系的关系。
进一步的，所述S111包括以下步骤：
S1111、采用多个摄像机定积捕捉教师授课影像；
S1112、通过计算机程序将采集的影像相片拼接成3D场景图像；
S1113、利用全息投影技术对所述3D场景图像进行处理得到3D授课建模。
进一步的，所述S112采用VR视频技术，根据所述3D授课建模制作虚拟课堂场景包括以下步骤：
S1121、采用VRML语言创建虚拟课堂场景模型；
S1122、在所述虚拟课堂场景建模中添加3D渲染引擎；
S1123、在所述S1122得到的虚拟课堂场景建模中构建场景立体模型，建立场景的节点、路由、层次结构以及用编组节点，并建立交互事件的接口，得到VR虚拟场景模型；
S1124、把所述S111得到的3D授课建模放入到VR虚拟场景模型当中，从而得到虚拟课堂。
进一步的，所述S113包括以下步骤：
确定虚拟课堂场景的节点，所述节点包括域和事件，所述事件用于对外部动作或者外部消息进行接收或传递；所述节点的响应或者接收外部的信息通过节点的入口进行衔接，所述节点发出信息则通过事件出口进行衔接；所述节点和节点之间通过路由进行通信，所述路由所连接起来的虚拟场景中的节点为事件处理体系，从而得到事件处理体系的关系。
进一步的，所述S3中建立系统的连动式互通式的教学数据链包括：将S1得到的教学情况数据和S2采集的学习行为情况数据分别存入相应的数据库，将不同的数据库之间的数据进行关联。
进一步的，所述S4中，采用基于非标准化数据的自适应能力评估矩阵算法来对教学数据链进行分析与挖掘，得到学生的学习能力、学习状态以及教师的教学情况。
进一步的，采用基于非标准化数据的自适应能力评估矩阵算法来对教学数据链进行分析与挖掘包括以下步骤：
S421、创建学生能力分类经验库，学生能力分类经验库只需要在运行前初始化一次即可，初始化完成之后，会自动采用机器学习算法不断地自动丰富该库数据；
S422、将S421得到的数据生成动态数据矩阵，并存入能力分类经验数据库中；
S423、结合学生能力分类经验库的数据信息，把S422中生成的学生学习行为情况动态矩阵数据计算得到学生的学习行为能力数据矩阵向量，通过学生的学习行为能力数据矩阵向量判断该学生的学习行为能力数据信息的能力值类型；
S424、在S423的计算结果中加入某一时间区域内的所有学习行为数据信息进行S423的向量相似度运算，计算得到某一学生在某一段时间区域内的学习行为综合能力值。
与现有的技术相比，本发明具有如下有益效果：
本发明所提供的基于VR与全息投影的大数据融合式智慧教学法，通过创建沉浸式的虚拟教学课堂与虚拟实验室，提供给教师及学生们虚拟课堂和实验室的虚拟教学系统，同时采集教师们的教学情况数据和学生们的学习行为情况数据；建立各类学习终端的交互界面系统，交互界面系统支持多种终端设备和多种应用程序的接入访问，交互界面系统用于提供给学生线上学习的环境，同时对学生的学习行为情况数据进行采集和存储；根据采集的教学情况数据和学习行为情况数据建立系统的连动式互通式的教学数据链；对教学数据链进行分析与挖掘，得到每一个学生的学习能力和学习状态以及每一位教师的教学授课情况，同时分析给出有效提升教师课堂教学效率和优化课堂教学组织模式的方案，能够给教师精准的数据来优化或者改善教学课堂内容提升课堂的教学效率，以此来推动学校教学的良性循环，正真体现出和达到学校智慧教学的目标。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例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发明的一个实施例，对于本领域普通技术人员来说，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是本发明一种基于VR与全息投影的大数据融合式智慧教学法的流程图；
图2是本发明VR技术和全息投影技术构建虚拟教学课堂的流程图；
图3是本发明VR技术和全息投影技术构建虚拟实验室流程图；
图4是本发明的链岛大数据关联原理图。
具体实施方式
下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领域普通技术人员在没有作出创造性劳动的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。
如图1所示，本发明所提供的基于VR与全息投影的大数据融合式智慧教学法包括以下步骤：
S1、创建沉浸式的虚拟教学课堂与虚拟实验室，虚拟教学课堂与虚拟实验室用于提供给教师及学生们虚拟课堂和实验室的虚拟教学系统，同时采集和存储使用虚拟课堂和实验室的虚拟教学系统时，教师们的备课情况数据和学生们的学习行为情况数据；
备课情况数据包括教学内容和实验内容，教学内容都是由教师在备课时进行设置录入，录入的数据保存在教学内容备课数据库中；教学内容涉及到的知识点类型包括：教学基础点、教学重点、教学难点、教学考点及教学热点等，不同的科目可以根据知识点类型进行不同内容的个性化设置。从而使教学内容的知识点都融入到VR虚拟教学当中。当学生使用虚拟课堂时，虚拟教学系统会自动采集学生们的学习表现，学习表现为学生们的学行情况数据，学行情况数据将分类分别被存储在课堂学习状态采集数据库和实验课程操作采集数据库中。
S2、建立各类学习终端的交互界面系统，交互界面系统支持多种终端设备和多种应用程序的接入访问，教师将相应的备课情况数据存储至交互界面系统中，给学生提供线上学习的环境，同时对使用交互界面系统时学生的学习行为情况数据进行采集和存储。
学生通过交互界面系统可以学习到所有科目的教学内容、实验内容、习题内容及考试题目内容等知识。当学生们通过交互界面系统进行学习时，交互界面系统后台会自动采集到学生们学习时的学习行为数据，然后对学习行为数据进行存储，将课堂上学生们的学习环节的数据存入课堂学习状态采集数据库，课后学生们的复习做题环节的数据存入课后学习状态采集数据库，课后学生们的知识拓展应用环节存入课后拓展学习此案件数据库，实验课程的操作环节的数据存入实验课程操作采集数据库，学生们的考试环节的数据存入考试情况采集数据库。
这些教学环节的数据都是学生们在校学习情况的真实反映。只要对这些数据进行一个智能化的联动分析即可得出学生在校学习上的真实水平情况，掌握每一个学生的优势能力及短板劣势，更加精准的做到分析每一个学生学习每一门课程时的学习状态，学习的能力，以及该门课程的教学情况。
交互界面系统能够通过手机终端或者平板电脑访问系统入口；访问方式多种多样，比如：微信微课堂、微信小程序、专业的APP应用、电脑浏览器(IE)以及手机端浏览器等。
S3、根据S1和S2采集的备课情况数据和学习行为情况数据，将不同的数据库(如图4所示，教学内容备课数据库、课堂学习状态采集数据库、课后学习状态采集数据库、课后拓展学习采集数据库、实验课程操作采集数据库及考试情况采集数据库)之间的数据进行逻辑关联，形成系统的连动式互通式的教学数据链。
该教学数据链中的数据源包括有：教学内容设置数据、课堂学习行为数据、课后学习行为数据、课后拓展知识行为数据以及实验课动手行为数据，以及考试情况行为数据等。
S4、对教学数据链进行分析与挖掘，得到学生的学习能力、能力优化方案以及教师的教学情况，同时分析给出有效提升教师课堂教学效率和优化课堂教学组织模式的优化方案。教学数据链中的数据都是教师教学和学生在校学习情况的真实反映，通过对教学数据链进行分析和挖掘将能够更加全面、更加智能、更加精准的得出一个学生从入学到离校期间在学习上的所有数据，这些数据都具有前后的逻辑关系，能让学校掌握每一个学生的优势能力以及短板能力，更加精准的做到分析每一个学生学习每一门课程时的学习状态，以及该门课程的教学情况。同时还将分析给出如何有效提升教师课堂教学效率和优化课堂教学组织模式的方案，让学校最终能够掌握教学内容的优化和改善方向。
如图2所示，虚拟教学课堂与虚拟实验室通过VR技术和全息投影技术进行创建。在我们现实生活当中，旧有的传统的学习模式及学习场景主要以讲授为主，这样学习者的知识是间接获得的，没有直接的感受，同时师生的交流互动也不足，教学过程也不够生动，缺少调动学生主动学习听课并沉浸于课堂内容的因素。VR技术在授课教学中的应用解决了这一问题。
利用VR技术构建教学授课时的虚拟课堂，也是人们常说的虚拟教学。虚拟教学可以归结为教学资源的数字化，它是一种新型的教学模式，即用VR技术构建一个虚拟的授课课堂，虚拟出一个学生们学习的环境，学生们通过VR感知设备，进入到该虚拟课堂的环境当中，并通过VR感知设备与虚拟场景进行交流互动。虚拟课堂的好处是可以让学生们身临其境的进入到虚拟的世界当中，通过自己的视觉、听觉、触觉，甚至是味觉等感官感受来接触和学生课堂当上的知识信息，完全就是生动的沉浸式的学习，充分调动起了学生们学习的主动性和积极性，打开了思路启发了想象，进而开创了全新的教学模式。
由于技术发展及普及上的一些限制，在采用VR技术去实现虚拟世界的时候，让虚拟世界越真实感知越好，需要的费用成本也就越高，而且VR技术所创建的虚拟景象，特别是真实的教师形象，并不像真实场景或者真实人物相貌那么的逼真。所以在这里将结合另外一种技术——全息投影技术，来达到一个更加逼真，更加具有感官感受的虚拟景象。全息投影技术(front-projected holographic display)是属于3D技术的一种，它可以利用物理现象干涉原来记录并且再现虚拟场景当中真实的三维成像投影技术。
如图2所示，VR技术+全息投影技术建模创建沉浸式的教学课堂包括以下步骤：
S111、多角度采集教师授课影像，采用全息技术制作3D特效，完成教师授课的3D授课建模；S111包括以下步骤：
S1111、为了得到真实的教师影像的投影，按照要求采用多个摄像机定积捕捉教师三百六十度的授课影像照片，并对授课影像照片进行体量、纵深感、色彩和光影等方面参数进行调整；这种采集方法和2D的全景影像采集法不同，它是先拍摄好设定的人物和场景，然后建模渲染为3D图像，最后再将它们的建模放入之前制作好的VR场景当中，这样就可以在VR制作的虚拟场景当中看到这些全息投影制作的3D影像，同时可以跟这些3D投影影像进行互动交流等；
S1112、通过应用程序“photogrammetry”(照相测量)将采集的授课影像照片拼接成3D场景图像；
S1113、利用全息投影技术对3D场景图像进行处理得到3D授课建模。
S112、采用VR视频技术结合3D授课建模创建虚拟课堂；S112包括以下步骤：
S1121、采用VRML语言(Virtual Reality Modeling Language的缩写，虚拟现实建模语言)创建虚拟课堂场景模型，虚拟课堂建模包括：展示型、过程型以及操作型；
S1122、在虚拟课堂场景建模中添加3D渲染引擎；
S1123、在S1122得到的虚拟课堂场景建模中构建场景立体模型，建立场景的节点(Node)、路由(Route)、层次结构：appearance域以及用编组节点(Grouping node)，并建立交互事件的接口，得到VR虚拟场景模型；
S1124、把S111得到的3D授课建模放入到VR虚拟场景模型当中，从而得到虚拟课堂场景，在虚拟课堂场景确定虚拟课堂的事件处理体系的关系。
虚拟课堂场景中的互动依靠事件去完成，虚拟课堂场景的影像是由一个个的节点构成，节点由域和事件两大元素组成；域是虚拟课堂场景中的场景，域的取值可以确定节点的取值，事件是用来负责接收或者传递外部动作或者外部消息控制场景；节点的响应或者接收外部的信息，需要通过节点的入口(eventln)进行斜街，节点发出信息则通过事件出口(eventOut)来进行,事件出口(eventOut)则由执行引擎来负责执行操作；节点与节点之间同样可以相互通信和回话依靠节点路由来完成；节点路由是链接两个节点的通道，起点为一个节点的事件出口到另外一个节点的入口。由路由所联系起来的虚拟场景中的节点称之为事件体系，事件体系是构成虚拟场景互动会话的网络。虚拟课堂场景还包括检测器节点(sensor)，检测器节点通过接收事件的信号，来检测环境是否发生变化。比如，当用户通过VR设备与虚拟场景进行交互的时候，虚拟场景当中的环境变量就会产生变化，之后检测器节点(sensor)就会发现这个环境变化，然后即刻做出反应，并向节点发出一个变化的初始事件。此外，还能够通过脚本节点Script来定义事件；Script节点是利用脚本描述语言(如Java、C#)编写的函数，触发事件时调用这些函数即可完成虚拟场景当中的动态交互。这些动态交互脚本则有路由图进行路由指引链接之后直接向场景中输出该函数事件。
关于S1中创建虚拟实验室，在传统的教学模式下，往往会因为实验设备、实验场地、教学经费等方面的原因，而使一些实训课程无法有效的匹配或者无法进行。使得学生在动手实训方面能力不足，所学的理论课程知识得不到有效的实践支撑，最终导致学生动手能力差，就业竞争力薄弱等现象。基于VR技术建立的以提高学生实训动手能力为目的的虚拟实验室，虚拟实验室为上课教程一一对应的实训内容。学生通过虚拟实验室能够与真实实验室环境一样的动手实验操作。
虚拟实验室，让学生们足不出户就可以体验到各种实验实践活动以及科研展示活动，获得与真实实验一样的体会与感受，从而丰富了感性认识，加深了对学科内容的理解和知识能力的掌握。同时虚拟实验室里的虚拟器材均无需维护，实验当中用到的材料也无需更换，没有消耗也没有实验垃圾产生，节省成本又环保,而且复用率还非常的高，做好一个模板之后就能够让学生们反反复复的使用。
VR技术结合全息投影技术制作虚拟实验室的原理和“创建虚拟教学课堂”的步骤原理基本一致。过程还需要对实验数据的各种指标、各种参数、各种现象进行精确的采集与逻辑建模，同时还要进行好分类的处理。
如图3所示，创建虚拟实验室包括以下步骤：
S121、对实验科目进行分类，并采集相应的配置参数，将配置参数进行存储，分别对每个实验科目建立3D模型；
S122、采用VR视频技术结合3D模型建立虚拟实验室；S122与S112的建立步骤一致，这里不在重复；
S113、确定虚拟实验室的事件处理体系的关系。
S121具体包括以下步骤：
S1211、要对实验科目进行分类设置。实验科目分类是指学科分类，每一个学科都有其自身对应的实训实验课程，在这里先进行好科目的分类设置，比如：计算机科目、机械制造科目、财务会计学科目、酒店管理科目等。同时创建实验类别数据信息表，用于保存学科分类的信息。
S1212、对实验科目进行进一步的详细划分实验类别，比如：计算机科目划分为：操作实践类、观看学习类、课程设计类等，还要包含与科目的对应关系记录。
S1213、采集所有实验科目的参数和配置信息以及各种实验现象数据来进行进一步的逻辑建模设计。采集具体实验的数据和各种情况参数信息，能够让虚拟实验得到真实的实验还原，包括各种实验现象的出现，这让学生们能够体验到虚拟实验的真实感。比如：计算机原理课程电路实验，各种电路图的搭建、与门或门非门的设置，桥接的链路阀值等等数据信息。同样还需要创建多张数据库的数据表用于保存相关的实验配置参数数据。
在采集并创建好教学数据链之后，接下来就需要对各个教学环节的原始数据进行一个联动式的大数据分析和挖掘，以此来寻找到需要的有价值的数据信息。对于学生而言，将分析出每一个学生的学习状态，以及学生们能力的优势和短板，并给出针对每一个学生学习的优化方案，以此来提升学生们学习的成绩和能力。对于教师而言将结合学生们的学习情况分析出每一门课程的教学情况，并给出如何有效提升课堂教学效率和优化课堂教学组织模式的方案，以此来推动学校教学的改良和良性循环。
在做联动式的教学数据链中的大数据分析和挖掘时，因为涉及到很多的采集变量，即包括：教师的教学内容备课数据；学生课堂学习的情况数据；学生实验课程动手操作情况数据；课后复习做题情况数据；拓展应用知识情况数据以及考试情况数据等等。这此原始变量多而且复杂，同时又没有一个统一的标准规范，所以S4中采用基于非标准化数据的自适应能力评估矩阵算法来对S3教学数据链进行分析与挖掘。
采用基于非标准化数据的自适应能力评估矩阵算法来对教学数据链进行分析与挖掘包括以下步骤：
S41、对S3的教学数据链中所有的数据进行预处理；预处理包括：1、格式化原始采集数据；2、元数据划分及标引设置；3、规范化标记设置。
S42、对S41预处理后的数据进行基于非标准化数据的自适应能力评估矩阵算法的运算处理，运算处理分析得到：每一个学生的学习状态以及学生们能力的优势和短板，并给出针对每一个学生学习的优化学习方案，以此来指导提升学生们学习的成绩和能力。对于教师而言将结合学生们的学习情况分析出每一门课程的教学情况，并综合性的给出如何有效提升课堂教学效率和优化课堂教学组织模式的方案，以此来推动学校教学的改良和良性循环。
S42具体包括以下步骤：
S421、创建学生能力分类经验库，学生能力分类经验库只需要在运行前初始化一次即可，初始化完成之后，会自动采用机器学习算法不断地自动丰富该库数据(每计算出一条新的学生能力数据之后都会自动把该数据保存到对应的能力数据类型之下)；
创建学生能力分类经验库进行初始化时，将学生学习能力划分为以下4种能力值：理解能力、应用能力、动手能力、综合能力。学生学习能力分类经验库是学生能力的基础参考与基础运算对比数据库，该数据库中每一种能力都需要至少一条学生学习行为数据例子，例子数据量越多，数据越丰富，计算结果将会越准确。
S422、将S421得到的数据生成动态数据矩阵，即将S421得到的数据中的教学内容备课数据库、课堂学习状态采集数据库、课后学习状态采集数据库、课后拓展学习采集数据库、实验课程操作采集数据库及考试情况采集数据库的数据进行一一对应匹配设置，并存入能力分类经验数据库中。该步骤将生成每一位学生在每一堂课、每一次线上终端学习之后的动态学习行为的矩阵数据阵列。举例子如下：
一、某位教师在VR虚拟课堂教学备课时设置数据表(教师在备课时设置，先备课再上课)
| 课堂编号 | 课堂名称 | 教师编号 | 知识点编号 | 对应能力类型 |
| abc111 | 高等数学 | 332568 | zsd1 | L |
| abc111 | 高等数学 | 332568 | zsd2 | Y |
| abc111 | 高等数学 | 332568 | zsd3 | Z |
对应能力类型解释：L：理解能力；Y：应用能力；D：动手能力；Z：综合能力。
二、VR虚拟课堂知识点对应的题目
1、该教师在该课堂的“知识点1”设置了五四道题目，“知识点1”对应的能力类型为：L(理解能力)，数据如下所示：
2、该教师在该课堂的“知识点2”设置了五四道题目，“知识点2”对应的能力类型为：Y(应用能力)，数据如下所示：
3、该教师在该课堂的“知识点3”设置了五四道题目，“知识点3”对应的能力类型为：Z(综合能力)，数据如下所示：
三、某个学生在该VR虚拟课堂环节学习行为情况数据表：
1、该学生在学习“知识点1”时的学习情况数据
备注：1表示答题正确，0表示答题错误。
2、该学生在学习“知识点2”时的学习情况数据
备注：1表示答题正确，0表示答题错误。
3、该学生在学习“知识点3”时的学习情况数据
备注：1表示答题正确，0表示答题错误。
四、根据以上数据将动态的生成该学生在本次VR虚拟课堂上的动态学习行为矩阵如下所示：
A用来表示学生相应堂课的成绩。
S423、结合学生能力分类经验库，把S422中生成的学生学习行为情况动态矩阵数据计算得到学习行为能力数据矩阵向量，通过学习行为能力数据矩阵向量能够判断学生的学习行为能力数据信息的能力值类型，具体包括以下步骤：
学生学习行为情况动态矩阵向量通过向量计算公式计算得到学生学习行为情况动态矩阵向量值，向量计算公式如下所示：
d＝(tf1×itf1,tf2×itf2,...,tfN×itfN)∈RN (1)
式(1)中，tfN是关键能力信息i在学生能力分类经验库中出现的频率，itfN是反向信息频率，用来描述一个关键能力信息在整个学生能力经验分类库中的出现频率f。因此在本发明方法中，一个能力信息被映射到一个数据信息向量中，其中N为学生能力经验分类库中信息的数量。
然后把该学生学习行为情况动态矩阵向量值与学生能力分类经验库的案例信息数据进行能力数据信息类型相似度矩阵运算，计算该学生学习行为情况动态矩阵向量信息与学生能力经验分类库的经验数据信息之间的相似度。数据之间的相似度运算公式如下所示：
式(2)中，S为特征空间中的感知信息的相似度矩阵；n为特征空间中感知信息的数目；sij为预处理之后新行为能力数据信息中第i个信息数据和特征空间中第j个经验信息数据的相似度。
式(2)中，sij通过基于同义经验库的最短路径长度计算方法获取，基于同义经验库的最短路径长度计算公式为：
式(3)中，disij为第i个能力信息、第j个能力信息之间的最短路径长度；γ为非负的阈值；如果第i个能力信息、第j个能力信息在该学生能力经验分类库中的最短路径长度大于r，则认为两个感知信息完全不相似。
最后进行预处理之后新学习能力数据信息相似度计算。通过将所采集到预处理之后的新能力数据信息向量与相似度矩阵相乘进行映射，得到新能力数据信息映射后的数据信息向量，计算公式是：
即，以式(5)表示新行为能力数据信息映射前的信息向量：
q＝(w1,w2,……,wm) (5)
式(4)和式(5)中，q’为新能力数据信息映射后的能力向量；q为新能力数据信息映射前的能力向量；wi为新能力数据信息中第i个能力信息的权值。计算出新的能力数据信息与学生能力分类经验库当中的四种类型能力值分别计算相似度，得到四个相似度值，与哪种能力类型数据相似度最低的，则该学生的该种能力值为最高的。比如：q与理解能力(L)、应用能力(Y)、动手能力(D)、综合能力(Z)对应的数据案例分别的相似度运算结果为：q(L)＝0.5、q(Y)＝1.5、q(D)＝1.9、q(Z)＝1.6。说明该学生该课堂上的理解能力较强，其他三类能力较弱一些，动手能力则为最弱一项。
这样通过运算之后的学生的学习行为能力数据矩阵向量就可以准确的判断该学生的学习行为能力数据信息的能力值类型了。该结果值表示了：某一个学生在某一堂VR虚拟课堂、某一次VR虚拟实验课或者某一次的终端线上学习情况的单次学习行为能力值。
S424、综合能力评估，在S423的基础上进行数据的扩大化运算即加入某一时间区域内的所有学习行为数据信息进行S423的向量相似度运算，即可计算出某一学生在某一段时间区域内的学习行为综合能力值了。
接下来进行能力提升优化方案分析，分析得出学生的综合学习能力之后，根据不同的能力优势和短板进行对应更进一步的拓展分析和挖掘，得出学生能力的提升方案。运算得出学生对应的能力优化及提升的行为执行方案。根据学生的能力特点不同的学生将得到不同的能力提升优化方案。同时分析给出有效提升教师课堂教学效率和优化课堂教学组织模式的优化方案。
综合能力评估举例说明如下：
首先，采用S422得到的某一堂课上某一个学生的动态学习行为矩阵A为：
其次，把该学生某一时间段(比如整个学期)内的该门课程的所有学习行为情况数据通过一个新的动态学习行为矩阵表示：
A＇用来表示学生某一时间段(比如整个学期)内某一门课程的所有课堂的成绩。
然后，把这个时间段的学生学习行为情况动态矩阵A＇通过向量计算公式(同S423步骤的公式(1))：d＝(tf1×itf1,tf2×itf2,...,tfN×itfN)∈RN，运算得到学生学习行为情况动态矩阵向量值。
最后，把该时间段内该学生学习行为情况动态矩阵向量值分别与学生能力分类经验库进行能力数据类型相似度矩阵运算(同S423步骤的式(2)、式(3)、式(4)以及式(5)运算步骤)，运算得到四个相似度结果值，结果值与哪种能力类型数据相似度最低的，则说明学生的哪种能力值最高。最后的结果就表示为某一段时间区域(比如整个学期)内某个学生的综合能力评估值。比如：q与理解能力(L)、应用能力(Y)、动手能力(D)、综合能力(Z)对应的相似度运算结果分别为：q(L)＝0.9、q(Y)＝1.6、q(D)＝2.2、q(Z)＝1.9。说明该学生在某一时间段(比如整个学期)内表现出的综合能力评估为：在整个学期里该生的理解能力较强，其他三类能力较弱一些，动手能力则为最弱一项。
最后把这些结果数据进行报表形式的输出，即把各种方案进行格式样式的处理之后进行输出，输出到系统界面用报表渲染的方式进行界面展示。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。
Claims (7)
1.基于VR与全息投影的大数据融合式智慧教学法，其特征在于：包括以下步骤：
S1、创建沉浸式的虚拟教学课堂与虚拟实验室，所述虚拟教学课堂与虚拟实验室用于提供给教师及学生们虚拟课堂和实验室的虚拟教学系统，同时采集使用所述虚拟课堂和实验室的虚拟教学系统时教师们的教学情况数据和学生们的学习行为情况数据，并存入相应的数据库中；
S2、建立各类学习终端的交互界面系统，所述交互界面系统支持多种终端设备和多种应用程序的接入访问，所述交互界面系统用于提供给学生线上学习的环境，同时对使用所述交互界面系统时学生的学习行为情况数据进行采集，并存入相应的数据库中；
S3、根据S1采集的教学情况数据和S1、S2采集的学习行为情况数据，将不同的数据库之间的数据进行逻辑关联，形成教学数据链；
S4、对所述教学数据链进行分析与挖掘，得到学生的学习能力、能力优化方案以及教师的教学情况、同时分析给出有效提升教师课堂教学效率和优化课堂教学组织模式的优化方案；
采用基于非标准化数据的自适应能力评估矩阵算法来对教学数据链进行分析与挖掘包括以下步骤：S421、创建学生能力分类经验库，学生能力分类经验库只需要在运行前初始化一次即可，初始化完成之后，会自动采用机器学习算法不断地自动丰富该库数据；S422、将S421得到的数据生成动态数据矩阵，并存入能力分类经验数据库中；S423、结合学生能力分类经验库的数据信息，把S422中生成的学生学习行为情况动态矩阵数据计算得到学生的学习行为能力数据矩阵向量，通过所述学习行为能力数据矩阵向量判断该学生的学习行为能力数据信息的能力值类型；S424、在S423的计算结果中加入某一时间区域内的所有学习行为数据信息进行S423的向量相似度运算，计算得到某一学生在某一段时间区域内的学习行为综合能力值；
将S421得到的数据中的教学内容备课数据库、课堂学习状态采集数据库、课后学习状态采集数据库、课后拓展学习采集数据库、实验课程操作采集数据库及考试情况采集数据库的数据进行一一对应匹配设置，并存入能力分类经验数据库中；该步骤将生成每一位学生在每一堂课、每一次线上终端学习之后的动态学习行为的矩阵数据阵列。
2.根据权利要求1所述的基于VR与全息投影的大数据融合式智慧教学法，其特征在于：所述虚拟教学课堂与虚拟实验室通过VR技术和全息投影技术创建。
3.根据权利要求2所述的基于VR与全息投影的大数据融合式智慧教学法，其特征在于：创建所述虚拟教学课堂包括以下步骤：
S111、多角度采集教师授课影像，采用全息技术制作3D特效，完成教师授课的3D授课建模；
S112、采用VR视频技术结合所述3D授课建模创建虚拟课堂；
S113、确定所述虚拟课堂的事件处理体系的关系。
4.根据权利要求3所述的基于VR与全息投影的大数据融合式智慧教学法，其特征在于：所述S111包括以下步骤：
S1111、采用多个摄像机定积捕捉教师授课影像；
S1112、通过计算机程序将采集的影像相片拼接成3D场景图像；
S1113、利用全息投影技术对所述3D场景图像进行处理得到3D授课建模。
5.根据权利要求3所述的基于VR与全息投影的大数据融合式智慧教学法，其特征在于：所述S112采用VR视频技术，根据所述3D授课建模制作虚拟课堂场景包括以下步骤：
S1121、采用VRML语言创建虚拟课堂场景模型；
S1122、在所述虚拟课堂场景建模中添加3D渲染引擎；
S1123、在所述S1122得到的虚拟课堂场景建模中构建场景立体模型，建立场景的节点、路由、层次结构以及用编组节点，并建立交互事件的接口，得到VR虚拟场景模型；
S1124、把所述S111得到的3D授课建模放入到VR虚拟场景模型当中，从而得到虚拟课堂。
6.根据权利要求5所述的基于VR与全息投影的大数据融合式智慧教学法，其特征在于：所述S113包括以下步骤：
确定虚拟课堂场景的节点，所述节点包括域和事件，所述事件用于对外部动作或者外部消息进行接收或传递；所述节点的响应或者接收外部的信息通过节点的入口进行衔接，所述节点发出信息则通过事件出口进行衔接；所述节点和节点之间通过路由进行通信，所述路由所连接起来的虚拟场景中的节点为事件处理体系，从而得到事件处理体系的关系。
7.根据权利要求1所述的基于VR与全息投影的大数据融合式智慧教学法，其特征在于：所述S3中建立系统的连动式互通式的教学数据链包括：将S1得到的教学情况数据和S2采集的学习行为情况数据分别存入相应的数据库，将不同的数据库之间的数据进行关联。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011318078.XA CN112489507B (zh) | 2020-11-23 | 2020-11-23 | 基于vr与全息投影的大数据融合式智慧教学法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011318078.XA CN112489507B (zh) | 2020-11-23 | 2020-11-23 | 基于vr与全息投影的大数据融合式智慧教学法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112489507A CN112489507A (zh) | 2021-03-12 |
| CN112489507B true CN112489507B (zh) | 2023-04-11 |
Family
ID=74933193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011318078.XA Active CN112489507B (zh) | 2020-11-23 | 2020-11-23 | 基于vr与全息投影的大数据融合式智慧教学法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112489507B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113672092B (zh) * | 2021-08-26 | 2022-07-22 | 南京邮电大学 | 一种vr实景教学模型大数据教学知识挖掘方法及系统 |
| CN113821104A (zh) * | 2021-09-17 | 2021-12-21 | 武汉虹信技术服务有限责任公司 | 一种基于全息投影的可视化交互系统 |
| CN114005309A (zh) * | 2021-10-28 | 2022-02-01 | 北京同思佳创电子技术有限公司 | 一种利用全息交互设备互动课堂的教学方法 |
| CN114005310A (zh) * | 2021-10-28 | 2022-02-01 | 北京同思佳创电子技术有限公司 | 全息交互教学系统 |
| CN114283634B (zh) * | 2022-01-24 | 2024-05-24 | 深圳快学教育发展有限公司 | 一种基于5g网络环境的虚拟同步课堂教学系统 |
| CN114998063B (zh) * | 2022-04-22 | 2023-07-25 | 深圳职业技术学院 | 一种基于xr技术的沉浸式课堂构建方法、系统及存储介质 |
| CN114664138B (zh) * | 2022-05-20 | 2022-08-16 | 江苏立仞科技有限公司 | 基于数据流推送的教学资源交互方法及系统 |
| CN115034935A (zh) * | 2022-06-02 | 2022-09-09 | 北京新唐思创教育科技有限公司 | 学习特性的评估方法、装置、设备及介质 |
| CN115331493A (zh) * | 2022-08-08 | 2022-11-11 | 深圳市中科网威科技有限公司 | 一种基于3d全息技术的立体综合教学系统及方法 |
| CN116644218B (zh) * | 2023-07-26 | 2023-11-21 | 成都华栖云科技有限公司 | 一种线上线下融合的教学空间数据采集与存储方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107155192A (zh) * | 2016-03-02 | 2017-09-12 | 中国移动通信集团广东有限公司 | 一种用户体验质量评估方法及装置 |
| CN108596807A (zh) * | 2018-05-29 | 2018-09-28 | 黑龙江省经济管理干部学院 | 一种高职院校obe课程开发教学系统 |
| CN108765228A (zh) * | 2018-06-20 | 2018-11-06 | 陆柒（北京）科技有限公司 | 一种计算机自适应私教学习方法 |
| CN110889788A (zh) * | 2019-10-31 | 2020-03-17 | 广西七三科技有限公司 | 一种基于增强现实技术的智慧课堂 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8491311B2 (en) * | 2002-09-30 | 2013-07-23 | Mind Research Institute | System and method for analysis and feedback of student performance |
| CN101251862B (zh) * | 2008-03-25 | 2010-06-09 | 北京百问百答网络技术有限公司 | 一种基于内容的问题自动分类方法及其系统 |
| CN102759909A (zh) * | 2012-06-14 | 2012-10-31 | 中国矿业大学 | 基于不同地质条件的电牵引采煤机工作状态虚拟仿真系统 |
| CN104575142B (zh) * | 2015-01-29 | 2018-01-02 | 上海开放大学 | 体验式数字化多屏无缝跨媒体互动开放教学实验室 |
| EP3329433A1 (en) * | 2015-07-29 | 2018-06-06 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
| CN105761460B (zh) * | 2016-04-21 | 2018-07-10 | 珠海市埃帝尔软件技术有限公司 | 一种综合一体化安全防范分析报警系统和方法 |
| US10957083B2 (en) * | 2016-08-11 | 2021-03-23 | Integem Inc. | Intelligent interactive and augmented reality based user interface platform |
| CN108170693B (zh) * | 2016-12-07 | 2020-07-31 | 北京国双科技有限公司 | 推送热词的方法及装置 |
| CN107248339A (zh) * | 2017-08-11 | 2017-10-13 | 郑州升达经贸管理学院 | 一种英语教育教学使用的辅助装置 |
| CN109697920A (zh) * | 2017-10-20 | 2019-04-30 | 河北工业大学 | 一种虚拟实验在线教学反馈系统 |
| CN108038626B (zh) * | 2017-12-27 | 2021-05-25 | 山东中烟工业有限责任公司 | 一种卷烟设备全生命周期监控系统及监控方法 |
| CN108492232A (zh) * | 2018-05-29 | 2018-09-04 | 黑龙江省经济管理干部学院 | 一种高等职业院校创新教学课程大纲开发系统 |
| CN109189865A (zh) * | 2018-08-09 | 2019-01-11 | 广东电网有限责任公司 | 项目数据的综合分析系统及方法 |
| CN109887096A (zh) * | 2019-01-24 | 2019-06-14 | 深圳职业技术学院 | 利用虚拟现实技术的教育教学信息处理系统及其教学方法 |
| CN109903625A (zh) * | 2019-03-20 | 2019-06-18 | 聊城职业技术学院 | Vr虚拟技术体验中心在职业教育中的应用方法 |
| CN110580743A (zh) * | 2019-07-29 | 2019-12-17 | 重庆文理学院 | 一种基于人工智能反馈的虚拟现实观影场所搭建方法 |
| CN111144732A (zh) * | 2019-12-23 | 2020-05-12 | 江苏金智教育信息股份有限公司 | 一种基于行为大数据的学生能力评估方法和装置 |
-
2020
- 2020-11-23 CN CN202011318078.XA patent/CN112489507B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107155192A (zh) * | 2016-03-02 | 2017-09-12 | 中国移动通信集团广东有限公司 | 一种用户体验质量评估方法及装置 |
| CN108596807A (zh) * | 2018-05-29 | 2018-09-28 | 黑龙江省经济管理干部学院 | 一种高职院校obe课程开发教学系统 |
| CN108765228A (zh) * | 2018-06-20 | 2018-11-06 | 陆柒（北京）科技有限公司 | 一种计算机自适应私教学习方法 |
| CN110889788A (zh) * | 2019-10-31 | 2020-03-17 | 广西七三科技有限公司 | 一种基于增强现实技术的智慧课堂 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112489507A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112489507B (zh) | 基于vr与全息投影的大数据融合式智慧教学法 | |
| CN105844989A (zh) | 一种英语教学语言学习系统 | |
| KR102438585B1 (ko) | 학습자의 적극적인 수업참여를 유도할 수 있는 쌍방향 참여형 교육 서비스 제공 시스템 | |
| Rosling et al. | New software brings statistics beyond the eye | |
| Zhou et al. | Theoretical research and instructional design of the flipped classroom | |
| CN116957867A (zh) | 一种数字人教师线上教学服务方法、电子设备及计算机可读存储介质 | |
| Liu | Face-to-face teaching in the flipped classroom supported by visualization tools–Taking the course of “Architectural Design of Housing” as an example | |
| CN112820158A (zh) | 基于虚拟现实的网络授课方法及系统、存储介质及平台 | |
| Wang | RETRACTED: Multimedia technology-assisted stereo geometry teaching | |
| Shen et al. | Virtual reality-based internet+ smart classroom | |
| Hundhausen et al. | The" prototype walkthrough" a studio-based learning activity for human-computer interaction courses | |
| Hu | Research on the Application of VR Technology in Clothing Design Teaching | |
| Zhang | Research on the Construction and Development Prospect of Aided Business English Teaching System Based on Computer Multimedia Technology | |
| Chen | Construction of English resource database based on virtual reality technology | |
| Guo | Interactive Multimedia Vocal Music Teaching System Based on Virtual Reality Technology | |
| Wang et al. | Multimedia teaching platform for urban planning utilizing 3D technology | |
| Ning | Systematic analysis of big Data Mining Technology in Higher Mathematics Teaching | |
| CN113327473A (zh) | 一种虚拟仿真教学实训系统、控制方法、装置及存储介质 | |
| Felemban et al. | Virtual observation lenses for assessing online collaborative learning environments | |
| Xue et al. | Exploration and Practice of Blended Teaching in the Course of Engineering Drawing Empowered by Knowledge Graph | |
| CN111813780A (zh) | 一种教学知识点关联的方法及系统 | |
| Wang et al. | Design and Implementation of Teaching Case Library for Novice Science Teachers based on App Inventor | |
| ZHANG | A study on trilingual teaching mode of English class in ethnic areas under the multimedia network environment | |
| Hui | The Application of Immersive Virtual Simulation Technology (IVR) in English Audiovisual Course | |
| Yu et al. | Informatization Growth Model of Artificial Intelligence Virtual Reality Technology Fusion Education |
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 |