CN112732770A - 基于人工智能的教务管理系统及方法 - Google Patents
基于人工智能的教务管理系统及方法 Download PDFInfo
- Publication number
- CN112732770A CN112732770A CN202110162882.1A CN202110162882A CN112732770A CN 112732770 A CN112732770 A CN 112732770A CN 202110162882 A CN202110162882 A CN 202110162882A CN 112732770 A CN112732770 A CN 112732770A
- Authority
- CN
- China
- Prior art keywords
- information
- student
- face
- historical
- state
- 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.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 21
- 238000007726 management method Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 3
- 238000013523 data management Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于人工智能的教务管理系统及方法,所述系统包括:图像采集模块、人脸特征识别模块、深度学习模块、状态分析模块,其中,图像采集模块用于采集目标学生的人脸信息;人脸特征识别用于通过人脸信息获取人脸异常状态信息;深度学习模块用于获取历史人脸信息,并根据历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息,并将信息数据输入到卷积神经网络模型进行训练;状态分析模块用于将人脸异常状态信息输入至卷积神经网络模型,得到对应的学生状态信息,并将对应的学生状态信息输出至教务终端。采用本系统能够侧面通过学生的学习状态对学生的学习成绩状态进行管理,方便改善学生的学习态度,提高学生的学习效率。
Description
技术领域
本发明涉及教务管理技术领域,尤其涉及一种基于人工智能的教务管理系统及方法。
背景技术
教务分析管理系统以电子网络为基础,来通过各模块对采集的信息进行增减、修改、存储,以便于教务相关人员,比如老师、学生进行管理、查询,为学校的教务管理提供一个可供分析的数据平台。
学生的在校学习状态也是对于教务管理中重要的一环,学生的在校学习状态也基本上能够反映学生的学习效率和学习成绩。
但目前的教务管理系统中,并没有对于学生学习状态的管理,也不能侧面的通过学生学习状态来分析学生的学习效率和学习成绩,所以目前亟需一种解决上述问题的教务管理系统。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种基于人工智能的教务管理系统及方法。
本发明实施例提供一种基于人工智能的教务管理系统,包括:图像采集模块、人脸特征识别模块、深度学习模块、状态分析模块,其中,
所述图像采集模块与所述人脸特征识别模块连接,用于采集目标学生的人脸信息,并将所述人脸信息发送至所述人脸特征识别模块;
所述人脸特征识别模块与所述图像采集模块、状态分析模块连接,用于通过所述人脸信息获取人脸异常状态信息,并将所述人脸异常状态信息发送至状态分析模块,所述人脸异常状态信息包括异常频率与异常时长;
所述深度学习模块用于获取历史人脸信息,并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息,根据所述学生参数信息确定历史学生状态,并将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,并将所述卷积神经网络模型发送至所述状态分析模块;
所述状态分析模块用于将所述人脸异常状态信息输入至所述卷积神经网络模型,得到对应的学生状态信息,并将对应的学生状态信息输出至教务终端。
本发明实施例提供一种基于上述系统的教务管理方法,包括:
所述图像采集模块采集目标学生的人脸信息,并将所述人脸信息发送至所述人脸特征识别模块;
所述人脸特征识别模块通过所述人脸信息获取人脸异常状态信息,并将所述人脸异常状态信息发送至状态分析模块,所述人脸异常状态信息包括异常频率与异常时长;
所述深度学习模块获取历史人脸信息,并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息,根据所述学生参数信息确定历史学生状态;
将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,并将所述卷积神经网络模型发送至所述状态分析模块;
所述状态分析模块将所述人脸异常状态信息输入至所述卷积神经网络模型,得到对应的学生状态信息,并将对应的学生状态信息输出至教务终端。
在其中一个实施例中,所述方法还包括:
根据所述学生状态信息生成对应的预警信息,根据所述学生参数信息获取对应的绑定终端;
将所述预警信息发送至所述绑定终端。
在其中一个实施例中,所述方法还包括:
根据学生状态信息确定所述教学难度等级,并根据所述教学难度等级为所述学生状态信息对应学生分配对应等级的指导老师。
在其中一个实施例中,所述方法学生参数信息,包括:
时间信息、学生信息、单元信息、学生单元成绩信息。
在其中一个实施例中,所述方法还包括:
所述深度学习模块获取所述图像采集模块采集所述历史人脸信息时对应的时间信息和学生信息;
根据所述时间信息确定学生上课时对应课程的单元信息,并根据所述单元信息和学生信息确定所述学生单元成绩信息。
在其中一个实施例中,所述方法还包括:
将历史人脸异常状态信息和历史学生状态的数据分为训练集和验证集,将所述训练集输入到卷积神经网络模型进行训练,得到训练后的初步卷积神经网络模型;
通过所述验证集输入到训练后的初步卷积神经网络模型进行测试,测试完成后得到所述训练后的卷积神经网络模型。
本发明实施例提供的基于人工智能的教务管理系统及方法,通过借助人工智能的深度学习,对学生的学习时的状态和学习的成绩状态进行数据处理,建立学习状态与成绩状态的模型,侧面通过学生的学习状态对学生的学习成绩状态进行管理,方便改善学生的学习态度,提高学生的学习效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,下面描述中的附图是本发明的一些实施例,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为本发明实施例中基于人工智能的教务管理系统的结构图;
图2为本发明实施例中基于人工智能的教务管理方法的流程图。
具体实施方式
图1为本发明实施例提供的基于人工智能的教务管理系统的结构示意图,如图1所示,本发明实施例提供了一种基于人工智能的教务管理系统,包括:图像采集模块101、人脸特征识别模块102、深度学习模块103、状态分析模块104。
其中,图像采集模块101与人脸特征识别模块102连接,用于采集目标学生的人脸信息,并将所述人脸信息发送至所述人脸特征识别模块。图像采集模块可以在上课时,采集目标学生的人脸信息,其中,目标学生可以是课堂上的一位学生,也可以是课堂上的部分或所有学生,在获取到目标学生的清晰人脸图像后,将人脸信息发送至人脸特征识别模块。
人脸特征识别模块102与图像采集模块101、状态分析模块104连接,用于通过所述人脸信息获取人脸异常状态信息,并将所述人脸异常状态信息发送至状态分析模块,所述人脸异常状态信息包括异常频率与异常时长。人脸特征识别模块用于人脸信息中的人脸异常状态信息,其中,人脸异常可以指学生的人脸并没有朝向课桌、老师或者黑板时的情况,也可以是学生在朝某一个方向发呆的情况,获取上课时学生的异常频率和异常时长,将人脸异常状态信息发送至状态分析模块。
深度学习模块103与状态分析模块104连接,用于获取历史人脸信息,并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息,根据所述学生参数信息确定历史学生状态,并将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,并将所述卷积神经网络模型发送至所述状态分析模块。深度学习模块可以连接教学管理系统中的历史数据管理模块,获取图像采集模块采集的历史人脸信息,并根据历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息,其中,学生参数信息可以包括学生的身份信息和成绩信息,历史人脸异常状态信息包括上课时学生的历史异常频率和历史异常时长,然后根据学生参数信息确定历史学生状态,其中,历史学生状态为学生信息和学生成绩(历史人脸信息对应的课时对应单元的成绩)之间的对应关系,将历史学生状态和历史人脸异常状态信息输入到卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,并将所述卷积神经网络模型发送至所述状态分析模块。
状态分析模块104与人脸特征识别模块102、深度学习模块103连接,用于将所述人脸异常状态信息输入至所述卷积神经网络模型,得到对应的学生状态信息,并将对应的学生状态信息输出至教务终端。状态分析模块用于将人脸异常状态信息输入至卷积神经网络模型,卷积神经网络模型输出对应的学生状态信息,学生状态信息包括学生的身份信息和成绩信息,将学生状态信息输出保存至教务终端,方便教务终端能够根据学生状态信息对学生上课时的学习状态进行管理。
采用本实施方式中所提供的基于人工智能的教务管理系统,通过借助人工智能的深度学习,对学生的学习时的状态和学习的成绩状态进行数据处理,建立学习状态与成绩状态的模型,侧面通过学生的学习状态对学生的学习成绩状态进行管理,方便改善学生的学习态度,提高学生的学习效率。
基于图1所示的基于人工智能的教务管理系统,本实施方式还提供了一种基于人工智能的教务管理方法,如图2所示,该方法主要包括以下几个步骤:
步骤S201,所述图像采集模块采集目标学生的人脸信息,并将所述人脸信息发送至所述人脸特征识别模块。
具体地,图像采集模块采集目标学生的人脸信息,并将人脸信息发送至所述人脸特征识别模块。图像采集模块可以在上课时,采集目标学生的人脸信息,其中,目标学生可以是课堂上的一位学生,也可以是课堂上的部分或所有学生,在获取到目标学生的清晰人脸图像后,将人脸信息发送至人脸特征识别模块。
步骤S202,所述人脸特征识别模块通过所述人脸信息获取人脸异常状态信息,并将所述人脸异常状态信息发送至状态分析模块,所述人脸异常状态信息包括异常频率与异常时长。
具体地,人脸特征识别模块通过人脸信息获取人脸异常状态信息,并将人脸异常状态信息发送至状态分析模块,人脸异常状态信息包括异常频率与异常时长。人脸特征识别模块用于人脸信息中的人脸异常状态信息,其中,人脸异常可以指学生的人脸并没有朝向课桌、老师或者黑板时的情况,也可以是学生在朝某一个方向发呆的情况,获取上课时学生的异常频率和异常时长,将人脸异常状态信息发送至状态分析模块。
步骤S203,所述深度学习模块获取历史人脸信息,并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息,根据所述学生参数信息确定历史学生状态。
具体地,深度学习模块可以连接教学管理系统中的历史数据管理模块,获取图像采集模块采集的历史人脸信息,并根据历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息,其中,学生参数信息可以包括学生的身份信息和成绩信息,历史人脸异常状态信息包括上课时学生的历史异常频率和历史异常时长,然后根据学生参数信息确定历史学生状态,其中,历史学生状态为学生信息和学生成绩(历史人脸信息对应的课时对应单元的成绩)之间的对应关系。
步骤S204,将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,并将所述卷积神经网络模型发送至所述状态分析模块。
具体地,将历史学生状态和历史人脸异常状态信息输入到卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,并将卷积神经网络模型发送至状态分析模块。
步骤S205,所述状态分析模块将所述人脸异常状态信息输入至所述卷积神经网络模型,得到对应的学生状态信息,并将对应的学生状态信息输出至教务终端。
具体地,状态分析模块用于将人脸异常状态信息输入至卷积神经网络模型,卷积神经网络模型输出对应的学生状态信息,学生状态信息包括学生的身份信息和成绩信息,将学生状态信息输出保存至教务终端,方便教务终端能够根据学生状态信息对学生上课时的学习状态进行管理。
本发明实施例提供的一种基于人工智能的教务管理方法,通过借助人工智能的深度学习,对学生的学习时的状态和学习的成绩状态进行数据处理,建立学习状态与成绩状态的模型,侧面通过学生的学习状态对学生的学习成绩状态进行管理,方便改善学生的学习态度,提高学生的学习效率。
在上述实施例的基础上,所述基于人工智能的教务管理方法,还包括:
根据所述学生状态信息生成对应的预警信息,根据所述学生参数信息获取对应的绑定终端;
将所述预警信息发送至所述绑定终端。
本发明实施例中,根据学生状态信息中的学生成绩信息生成对应的预警信息,通常来说,学生成绩信息中,成绩下降越多,预警等级越高,并根据学生参数信息中的学生身份信息确定对应的绑定终端,通常来说,绑定终端为学生对应家长和老师的终端,然后将预警信息发送至绑定终端,方便学生家长、学生对应的老师(工作人员)能够及时了解学生当前的学习状态。
本发明实施例将预警信息发送至绑定终端,方便学生家长、学生对应的老师(工作人员)能够及时了解学生当前的学习状态。
在上述实施例的基础上,所述基于人工智能的教务管理方法,还包括:
根据学生状态信息确定所述教学难度等级,并根据所述教学难度等级为所述学生状态信息对应学生分配对应等级的指导老师。
本发明实施例中,状态分析模块还可以在根据学生状态信息获取到学生成绩信息后,根据学生成绩信息确定学生对应的教学任务的总难度等级,并根据总难度等级为学生选择对应等级的指导老师,通常来说,学生的总成绩越低,对应指导老师的等级越高,能够让成绩较差的学生分配到好的教学资源,另外,也可以为成绩好的学生分配高等级的指导老师,在此不多做限定。
本发明实施例能够根据学生状态信息自动为学生分配对应等级的指导老师,方便为学生提供更适合自身的指导老师。
在上述实施例的基础上,所述基于人工智能的教务管理方法,还包括:
所述深度学习模块获取所述图像采集模块采集所述历史人脸信息时对应的时间信息和学生信息;
根据所述时间信息确定学生上课时对应课程的单元信息,并根据所述单元信息和学生信息确定所述学生单元成绩信息。
本发明实施例中,学生参数信息包括学生的身份信息和学生的成绩信息,包括,历史人脸信息对应的时间信息(图像采集模块进行采集时的时间)、学生信息(学生姓名、班级等信息)、单元信息(图像采集模块进行采集时学习的对应单元)、学生单元成绩信息(图像采集模块进行采集时学习的对应单元的成绩),深度学习模块通过获取图像采集模块采集历史人脸信息时对应的时间信息和学生信息,然后通过时间信息确定学生上课时对应课程的单元信息,并根据单元信息和学生信息确定学生单元成绩信息。
本发明实施例能够通过历史人脸信息获取学生的参数信息,方便后续输入到卷积神经网络模型进行训练。
在上述实施例的基础上,所述基于人工智能的教务管理方法,还包括:
将历史人脸异常状态信息和历史学生状态的数据分为训练集和验证集,将所述训练集输入到卷积神经网络模型进行训练,得到训练后的初步卷积神经网络模型;
通过所述验证集输入到训练后的初步卷积神经网络模型进行测试,测试完成后得到所述训练后的卷积神经网络模型。
在本发明实施例中,当对历史人脸异常状态信息和历史学生状态的数据进行训练时,对数据进行数据分组,具体可以将数据分为80%的训练集与20%的验证集,通过训练集进行初步训练,得到初步卷积神经网络模型,然后通过验证集对初步卷积神经网络模型进行测试,得到训练后的卷积神经网络模型。
本发明实施例通过将历史人脸异常状态信息和历史学生状态的数据进行数据分组,通过训练集建立初步模型,通过验证集对初步模型进行准确性验证,保证了卷积神经网络模型的准确性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于人工智能的教务管理系统,其特征在于,包括:图像采集模块、人脸特征识别模块、深度学习模块、状态分析模块,其中,
所述图像采集模块与所述人脸特征识别模块连接,用于采集目标学生的人脸信息,并将所述人脸信息发送至所述人脸特征识别模块;
所述人脸特征识别模块与所述图像采集模块、状态分析模块连接,用于通过所述人脸信息获取人脸异常状态信息,并将所述人脸异常状态信息发送至状态分析模块,所述人脸异常状态信息包括异常频率与异常时长;
所述深度学习模块用于获取历史人脸信息,并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息,根据所述学生参数信息确定历史学生状态,并将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,并将所述卷积神经网络模型发送至所述状态分析模块;
所述状态分析模块用于将所述人脸异常状态信息输入至所述卷积神经网络模型,得到对应的学生状态信息,并将对应的学生状态信息输出至教务终端。
2.一种基于权利要求1所述的教务管理方法,其特征在于,所述方法包括:
所述图像采集模块采集目标学生的人脸信息,并将所述人脸信息发送至所述人脸特征识别模块;
所述人脸特征识别模块通过所述人脸信息获取人脸异常状态信息,并将所述人脸异常状态信息发送至状态分析模块,所述人脸异常状态信息包括异常频率与异常时长;
所述深度学习模块获取历史人脸信息,并根据所述历史人脸信息获取对应的学生参数信息和历史人脸异常状态信息,根据所述学生参数信息确定历史学生状态;
将所述历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,并将所述卷积神经网络模型发送至所述状态分析模块;
所述状态分析模块将所述人脸异常状态信息输入至所述卷积神经网络模型,得到对应的学生状态信息,并将对应的学生状态信息输出至教务终端。
3.根据权利要求2所述的教务管理方法,其特征在于,所述方法还包括:
根据所述学生状态信息生成对应的预警信息,根据所述学生参数信息获取对应的绑定终端;
将所述预警信息发送至所述绑定终端。
4.根据权利要求2所述的教务管理方法,其特征在于,所述方法还包括:
根据学生状态信息确定所述教学难度等级,并根据所述教学难度等级为所述学生状态信息对应学生分配对应等级的指导老师。
5.根据权利要求2所述的教务管理方法,其特征在于,所述学生参数信息,包括:
时间信息、学生信息、单元信息、学生单元成绩信息。
6.根据权利要求5所述的教务管理方法,其特征在于,所述根据历史人脸信息获取对应的学生参数信息,包括:
所述深度学习模块获取所述图像采集模块采集所述历史人脸信息时对应的时间信息和学生信息;
根据所述时间信息确定学生上课时对应课程的单元信息,并根据所述单元信息和学生信息确定所述学生单元成绩信息。
7.根据权利要求2所述的教务管理方法,其特征在于,所述将历史人脸异常状态信息和所述历史学生状态输入到卷积神经网络模型进行训练,得到训练后的卷积神经网络模型,包括:
将历史人脸异常状态信息和历史学生状态的数据分为训练集和验证集,将所述训练集输入到卷积神经网络模型进行训练,得到训练后的初步卷积神经网络模型;
通过所述验证集输入到训练后的初步卷积神经网络模型进行测试,测试完成后得到所述训练后的卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110162882.1A CN112732770A (zh) | 2021-02-05 | 2021-02-05 | 基于人工智能的教务管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110162882.1A CN112732770A (zh) | 2021-02-05 | 2021-02-05 | 基于人工智能的教务管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112732770A true CN112732770A (zh) | 2021-04-30 |
Family
ID=75596441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110162882.1A Pending CN112732770A (zh) | 2021-02-05 | 2021-02-05 | 基于人工智能的教务管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112732770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114038256A (zh) * | 2021-11-29 | 2022-02-11 | 西南医科大学 | 一种基于人工智能的教学互动系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106878677A (zh) * | 2017-01-23 | 2017-06-20 | 西安电子科技大学 | 基于多传感器的学生课堂掌握程度评估系统和方法 |
CN109711371A (zh) * | 2018-12-29 | 2019-05-03 | 山东旭兴网络科技有限公司 | 一种基于面部表情识别的课堂教学评估系统 |
CN110009539A (zh) * | 2019-04-12 | 2019-07-12 | 烟台工程职业技术学院(烟台市技师学院) | 一种学生在校学习状态智能档案系统及使用方法 |
CN110533788A (zh) * | 2019-08-14 | 2019-12-03 | 合肥智圣新创信息技术有限公司 | 一种基于人脸识别和在线实时数据的高校学生考勤系统 |
CN110580470A (zh) * | 2019-09-12 | 2019-12-17 | 深圳壹账通智能科技有限公司 | 基于人脸识别的监测方法、装置、存储介质及计算机设备 |
CN110675291A (zh) * | 2019-09-17 | 2020-01-10 | 智教源清(北京)科技有限公司 | 学生疲劳用眼时间的获取方法、服务器及可读存储介质 |
CN110766580A (zh) * | 2019-10-25 | 2020-02-07 | 重庆第二师范学院 | 一种基于人脸特征的课堂质量监控系统 |
CN110991381A (zh) * | 2019-12-12 | 2020-04-10 | 山东大学 | 一种基于行为和语音智能识别的实时课堂学生状态分析与指示提醒系统和方法 |
CN111291613A (zh) * | 2019-12-30 | 2020-06-16 | 新大陆数字技术股份有限公司 | 一种课堂表现评价方法及系统 |
CN111860156A (zh) * | 2020-06-15 | 2020-10-30 | 安徽碧耕软件有限公司 | 基于学生表情识别的教学监控系统及方法 |
-
2021
- 2021-02-05 CN CN202110162882.1A patent/CN112732770A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106878677A (zh) * | 2017-01-23 | 2017-06-20 | 西安电子科技大学 | 基于多传感器的学生课堂掌握程度评估系统和方法 |
CN109711371A (zh) * | 2018-12-29 | 2019-05-03 | 山东旭兴网络科技有限公司 | 一种基于面部表情识别的课堂教学评估系统 |
CN110009539A (zh) * | 2019-04-12 | 2019-07-12 | 烟台工程职业技术学院(烟台市技师学院) | 一种学生在校学习状态智能档案系统及使用方法 |
CN110533788A (zh) * | 2019-08-14 | 2019-12-03 | 合肥智圣新创信息技术有限公司 | 一种基于人脸识别和在线实时数据的高校学生考勤系统 |
CN110580470A (zh) * | 2019-09-12 | 2019-12-17 | 深圳壹账通智能科技有限公司 | 基于人脸识别的监测方法、装置、存储介质及计算机设备 |
CN110675291A (zh) * | 2019-09-17 | 2020-01-10 | 智教源清(北京)科技有限公司 | 学生疲劳用眼时间的获取方法、服务器及可读存储介质 |
CN110766580A (zh) * | 2019-10-25 | 2020-02-07 | 重庆第二师范学院 | 一种基于人脸特征的课堂质量监控系统 |
CN110991381A (zh) * | 2019-12-12 | 2020-04-10 | 山东大学 | 一种基于行为和语音智能识别的实时课堂学生状态分析与指示提醒系统和方法 |
CN111291613A (zh) * | 2019-12-30 | 2020-06-16 | 新大陆数字技术股份有限公司 | 一种课堂表现评价方法及系统 |
CN111860156A (zh) * | 2020-06-15 | 2020-10-30 | 安徽碧耕软件有限公司 | 基于学生表情识别的教学监控系统及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114038256A (zh) * | 2021-11-29 | 2022-02-11 | 西南医科大学 | 一种基于人工智能的教学互动系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921748B (zh) | 基于大数据分析的教学规划方法及计算机可读介质 | |
CN111027486B (zh) | 一种中小学课堂教学效果大数据辅助分析评价系统及其方法 | |
CN105679122A (zh) | 多功能大学英语教学管理系统 | |
CN111242515A (zh) | 一种基于教育大数据的课堂教学质量测评系统及测评方法 | |
CN108766113B (zh) | 学生课堂表现的监测方法及装置 | |
CN109214965B (zh) | 数据整理方法、系统及装置 | |
CN111797324A (zh) | 一种智慧教育用远程教育方法及系统 | |
CN110503024A (zh) | 一种交互状态分析方法、装置及存储介质 | |
CN112598552A (zh) | 一种教育课堂数据分析系统 | |
KR102550839B1 (ko) | 사용자의 문제풀이 능력에 매칭되는 아바타를 활용하는 전자 장치, 및 학습 관리 방법 | |
CN112732770A (zh) | 基于人工智能的教务管理系统及方法 | |
Hidayati et al. | Effectiveness problem based learning and scientific approach to improve higher order thinking skills | |
CN110991943B (zh) | 一种基于云计算的教学质量评价系统 | |
CN112507679A (zh) | 一种自动生成课程表的方法、装置、电子设备及存储介质 | |
CN110782961A (zh) | 听力言语智能康复方法、装置、电子设备及介质 | |
CN108614771B (zh) | 一种数学建模教学学习系统 | |
CN116777698A (zh) | 一种基于ai智能化的智慧教学的方法及系统 | |
CN111477050A (zh) | 基于云计算的教育信息化云平台、方法、终端设备、介质 | |
CN111583743A (zh) | 一种基于互联网的思政巩固用复习平台系统 | |
CN108039081B (zh) | 机器人教学测评方法及装置 | |
Ling et al. | Human-assisted computation for auto-grading | |
CN109840756A (zh) | 一种基于人工智能识别技术的教学系统及方法 | |
Wagh et al. | Anchor code: Modularity as evidence for conceptual learning and computational practices of students using a code-first environment | |
CN113268512B (zh) | 基于互联网平台的企业岗位职业技能培训系统 | |
RU152064U1 (ru) | Электронное устройство для формирования тестов на знание иностранного языка |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |