CN112784144A - 一种基于大数据的在线教育课件管理方法 - Google Patents

Abstract

本发明涉及在线教育和大数据领域，公开了一种基于大数据的在线教育课件管理方法，其包括：将课件按照知识点分割为子课件，并设置相应的集中度指数，用户终端获取用户的眼动数据，注意力分析服务器对眼动数据进行处理后得第一测试集中度，并将其与标准眼动指数进行比较以判断是否进行第二测试；在进行第二测试时，注意力分析服务器获取用户的测试回复数据，对其处理后得到第二测试集中度；注意力分析服务器根据第一测试集中度和第二测试集中度分析得出用户学习集中度；课件推送服务器根据用户学习集中度、子课件的集中度指数以及用户学习记录分析生成课件推送指令，课件内容服务器根据课件推送指令发送相应的子课件至用户终端。

Description

一种基于大数据的在线教育课件管理方法

本发明为原申请号为202010694953.8、原申请日为2020年07月18日、原发明名称为基于大数据的网络课件推送方法的分案申请。

技术领域

本发明涉及在线教育和大数据领域，尤其涉及一种基于大数据的在线教育课件管理方法。

背景技术

随着信息技术的高速发展，依靠互联网而进行的网络教育在世界范围内得到了前所未有的发展，在线教育的出现对高等教育的教学模式、教育质量、教学理念甚至是高等教育发展的方向都带来了巨大的影响。

我国是一个人口大国，仅仅依靠传统教育形式难以解决教育不公平的问题，难以实现教育普及的目标，也难以满足人们日益增长的文化需求，因此大力发展在线教育，更大限度开发和分享网络课程资源也是我国教育发展的趋势。在线教育相对于传统教育优势在于其满足了很多没有文凭的社会工作人士对文凭的诉求，并且在线教育不受空间的限制，降低空间上的时间成本，并且在线教育可以让人们接触到种类繁多的知识，让人们能学到更适合自己的东西。

目前，在线教育一般采用用户自主选择学习内容的顺序，即，用户根据自己的兴趣和需要选择自己要学习的内容及顺序或者按照当前学习课程预设的学习顺序进行学习。但是，如果用户选择的内容或者预设的学习内容不适合当前注意力，则会出现学习效果不佳，不能掌握当前所学习的知识点的情况。

因此，在进行网络学习过程中，如何根据用户学习时候的注意力指标，适应性的调整学习内容，从而提升用户的学习效果，成为了亟待解决的问题。

发明内容

现有的在线教育技术方案存在以下缺陷：1、由于在线教育完全是依靠用户进行自主学习，对用户的自控力要求比较高，因此会出现用户注意力不集中，而不能掌握比较难的知识点的情况，不能自主高效的完成学习任务。2、用户不能科学的根据当前的学习状态选择最适合当前学习的内容。

针对现有技术之不足，本发明提供了一种基于大数据的网络课件推送方法，其包括以下步骤：

S1)课件预处理服务器将课件按照知识点分割为子课件，并且为每个子课件设置对应的集中度指数，然后将其存储至子课件数据库；

S2)注意力分析服务器对用户进行注意力测试以得到用户学习集中度，该步骤包括：

S2.1)用户终端获取用户的眼动数据，并将其发送至注意力分析服务器；

S2.2)注意力分析服务器对眼动数据进行分析处理以得到第一测试集中度，并将第一测试集中度与标准眼动指数进行比较以判断是否进行第二测试；

S2.3)在第一测试集中度小于标准眼动指数时进行第二测试，注意力分析服务器发送测试对话数据至用户终端，接收用户发送的测试回复数据并对其处理以得到第二测试集中度；

S2.4)注意力分析服务器根据第一测试集中度和第二测试集中度进行分析以得到用户学习集中度，并将其发送至课件推送服务器；

S3)课件推送服务器根据用户学习集中度、子课件的集中度指数和用户学习记录进行分析以得到课件推送指令，并将课件推送指令发送至课件内容服务器；

S4)课件内容服务器响应于接收到的课件推送指令推送相应的子课件至用户终端。

根据一个优选的实施方式，在步骤S2.2中：

在第一测试集中度大于标准眼动指数时，表明用户注意力集中，不进行第二测试，用户继续学习第一子课件；所述第一子课件为用户正在学习的子课件。

根据一个优选实施方式，步骤S2.3包括：

注意力分析服务器发送测试对话数据至用户终端；

用户根据接收到的测试对话数据发送相应的测试回复数据到注意力分析服务器；

注意力分析服务器获取测试回复数据和用户学习主题的历史测试回复数据；

注意力分析服务器根据测试回复数据和历史测试回复数据计算第二测试集中度。

根据一个优选实施方式，步骤S2.3包括：

注意力分析服务器为每个历史测试回复数据创建历史集中度矢量，并提取每个历史测试回复数据的词向量，然后对所述词向量进行分析以得到词频向量；

注意力分析服务器计算词频向量与标准词频向量的相似度以得到每个历史集中度矢量的测试反馈值；

注意力分析服务器为测试回复数据创建即时集中度矢量，并通过测试间隔函数计算每个历史集中度矢量与即时集中度矢量的测试间隔；

注意力分析服务器将历史集中度矢量根据测试间隔进行升序排序，然后选取测试间隔最小的n个历史集中度矢量；

注意力分析服务器计算测试间隔最小的n个历史集中度矢量的测试反馈值的平均值以得到用户的第二测试集中度。

根据一个优选实施方式，在步骤S2.4中，学习集中度的计算公式为：

其中m表示第一测试集中度，

表示标准眼动指数，n表示第二测试集中度，

表示历史第二测试集中度的平均值，系数α、β分别为第一测试集中度的和第二测试集中度的增强指数，

根据一个优选实施方式，步骤S3包括：

S3.1、课件推送服务器根据用户学习记录分析用户学习主题，并接收对应于用户学习主题的子课件列表；

S3.2、课件推送服务器在子课件列表中选择集中度指数小于用户学习集中度的子课件以生成课件推送指令；

S3.3、课件内容服务器响应于接收到的课件推送指令推送相应的子课件至用户终端。

根据一个优选的实施方式，在进行第二测试时，记录第一子课件的时间戳数据，并将其存储在用户数据库中；所述时间戳数据用于标记子课件的学习进度。

根据一个优选的实施方式，用户在完成第二子课件的学习后，根据所述时间戳数据继续学习第一子课件；所述第二子课件为课件推送服务器推荐学习的子课件。

根据一个优选的实施方式，所述用户终端包括笔记本电脑、平板电脑和带有摄像头的台式电脑。

根据一个优选的实施方式，所述集中度指数用于指示子课件的知识点学习难度和学习时长。

本发明具有以下有益效果：

本发明能够有效的分析用户当前的注意力，从而判断用户当前的学习状态，并根据用户当前注意力和学习状态，为用户推荐当前最适合的学习内容，从而能使用户快速掌握当前所学习的知识点，高效的完成学习任务。

此外，本发明在进行学习集中度计算时，考虑了注意力偏离的程度对学习集中度的影响而对其进行一定的增强，从而使得在用户注意力越偏离标准时，对计算学习集中度值的影响越大，结果越准确。

附图说明

图1示意性示出了本发明的网络课件推送方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1所示，本发明的基于大数据的网络课件推送方法包括以下步骤：

S1)课件预处理服务器将课件按照知识点分割为子课件，并且为每个子课件设置相应的集中度指数，然后将其存储至课件内容服务器；

具体地，课件内容服务器根据知识点数据集将课件按照知识点分为子课件。课件内容服务器包括内容识别模块、课件分割模块、原始课件数据库和子课件数据库，其中内容识别模块利用文本识别技术和图片识别技术，识别课件的知识点数据集，课件分割模块将课件按照知识点分割为子课件，并记录每个子课件的时间戳数据。

优选地，子课件的集中度指数为用户适合学习该子课件的最低的用户学习集中度。

优选地，后台管理人员为每个子课件建立集中度指数，子课件的集中度指数与该课件的学习难度以及学习时长有关。

优选地，将子课件以及子课件的标签信息存储在课件内容服务器的子课件数据库中。子课件标签信息包括子课件的集中度指数、学习主题、知识点数据集、学习时长、学习难度。

S2)注意力分析服务器对用户进行注意力测试以得到用户学习集中度，该步骤包括：

S2.1)用户终端获取用户的眼动数据，并将其发送至注意力分析服务器。

具体地，所述用户终端包括具有通信功能和摄像头的智能设备，其包括笔记本电脑、平板电脑和带有摄像头的台式一体机。

用户终端周期性的采集用户的眼动数据发送至分析服务器。

优选地，用户终端通过摄像头获取用户当前眼动数据，眼动数据完整的记录了用户的注视轨迹。

S2.2)注意力分析服务器对眼动数据进行分析处理以得到第一测试集中度，并将第一测试集中度与标准眼动指数进行比较以判断是否进行第二测试。

具体地，注意力分析服务器对眼动数据进行特征提取，获取眼动特征参数，眼动特征参数包括：注视屏幕的总次数，每次注视屏幕的停留时间、注视点的顺序轨迹以及平均注视屏幕的停留时间。对眼动特征参数进行分析处理后得到第一测试集中度。

优选地，注意力分析服务器周期性的接收用户终端采集的眼动数据，并将眼动数据处理后得到的第一测试集中度与标准眼动指数进行比较。当第一测试集中度小于标准眼动指数时，表明用户的注意力低于标准值，用户需要进行第二测试。当第一测试集中度大于或等于标准眼动指数时，表明用户的注意力集中，用户不必进行第二测试，用户可以继续进行当前子课件的学习。

S2.3)在第一测试集中度小于标准眼动指数时进行第二测试，注意力分析服务器发送测试对话数据至用户终端，接收用户发送的测试回复数据并对其处理以得到第二测试集中度。

具体地，第二测试为注意力分析服务器发送测试对话数据到用户终端，用户根据测试对话数据中的对话信息进行回复生成用户的测试回复数据，用户终端将测试回复数据发送至注意力分析服务器。测试回复数据可以是与用户当时学习的子课件的内容相关的问题或者常识问题。

具体地，步骤S2.3包括：

注意力分析服务器发送测试对话数据至用户终端，用户根据接收到的测试对话数据发送相应的测试回复数据到注意力分析服务器。

注意力分析服务器获取测试回复数据和用户学习主题的历史测试回复数据，并根据测试回复数据和历史测试回复数据计算第二测试集中度。

具体地，注意力分析服务器根据测试回复数据和历史测试回复数据计算第二测试集中度包括：

注意力分析服务器为每个历史测试回复数据创建历史集中度矢量，并提取每个历史测试回复数据的词向量，然后对所述词向量进行词频统计以得到词频向量。

注意力分析服务器计算词频向量与标准词频向量的相似度以得到每个历史集中度矢量的测试反馈值，将历史集中度矢量和对应的测试反馈值存储在数据库。

具体地，词频向量与标准词频向量相似度的计算公式为：

其中A为测试回复数据的词频向量，B为标准词频向量，α为相似度。

注意力分析服务器根据测试回复数据创建即时集中度矢量，并通过测试间隔函数计算每个历史集中度矢量与即时集中度矢量的测试间隔。

具体地，测试间隔函数为：

d＝||M-N||₂

其中集中度矢量空间是s维实数向量空间R^s，M为即时集中度矢量，N为历史集中度矢量。

注意力分析服务器将历史集中度矢量根据测试间隔进行升序排序，然后选取测试间隔最小的n个历史集中度矢量。

注意力分析服务器计算测试间隔最小的n个历史集中度矢量的测试反馈值的平均值以得到用户的第二测试集中度。

优选地，注意力分析服务器对测试间隔最小的n个历史集中度矢量的测试反馈值求平均，获得当前用户测试回复数据的第二测试集中度，并将当前测试回复数据的即时集中度矢量和对应的第二测试集中度存储到数据库。

当n选不同值时会产生不同的结果，n值过小会降低预测精度；若n值过大，则可能会增加噪声，降低预测准确度。因此，n一般低于历史集中度矢量数的平方根。

优选地，为每个测试对话数据预设一个标准答案，在词向量空间中提取标准答案中的词频向量得到每个对话信息的标准词频向量

优选地，只有在集中度矢量空间为指定的即时集中度矢量分配测试反馈值之后，才能通过对最近的几个历史集中度矢量的测试反馈值求平均来计算新的集中度矢量的第二测试集中度。

在另一个实施例中，注意力分析服务器将历史测试回复数据发送给管理员，管理员基于对测试回复数据的分析为每个历史测试回复数据对应的历史集中度矢量分配测试反馈数据值。

S2.4)注意力分析服务器根据第一测试集中度和第二测试集中度进行分析以得到用户学习集中度，并将其发送至课件推送服务器。

具体地，步骤S2.4中，用户学习集中度的计算公式为：

m表示第一测试集中度，

表示标准眼动指数，n表示第二测试集中度，

表示历史第二测试集中度的平均值，

学习集中度的计算公式中指数部分

为第一测试注意力偏离指数，系数α为第一增强指数，即，第一测试集中度的增强指数；

为第二测试注意力偏离散指数，系数β为第二增强指数，即，第二测试集中度的增强指数。

第一测试注意力偏离指数用于测量在第一测试中用户当前注意力偏离标准的程度；第二测试注意力偏离指数用于测量在第二测试中用户当前注意力偏离平均水平的程度；

第一增强指数α用于控制其第一测试的注意力偏离的增强程度，第二增强指数β用于控制第二测试的注意力偏离的增强程度。在学习集中度计算中考虑到了注意力偏离的程度对学习集中度的影响，对其进行一定的增强，从而使得在用户注意力越偏离标准时，对计算学习集中度值的影响越大，结果越准确。

为第一学习集中度，即，在第一测试中注意力集中或分散度的程度；

为第二学习集中度，即，在第二测试中注意力集中或分散的程度。

在学习集中度计算中应用分段函数f(x,y)给第一学习集中度和第二学习集中度标记正负值。当第一测试集中度大于标准眼动指数时，此时标记为正值，即，在第一测试中，用户注意力处于集中状态，当第一测试集中度小于标准眼动指数时，标记为负值，即，在第一测试中，用户注意力处于分散状态；当第二测试集中度大于第二测试集中度平均值时，标记为正值，即，在第二测试中，用户注意力处于集中状态，当第二测试集中度小于第二测试集中度平均值时，标记为负值，即，在第二测试中，用户注意力处于分散状态；

优选地，预设一个休息阈值，当用户学习集中度低于预设休息阈值时，此用户停止学习，进行休息。

优选地，预设一个学习阈值，当用户的学习集中度高于预设学习阈值时，不切换子课件，继续学习当前子课件。

S3)课件推送服务器根据学习集中度、子课件的集中度指数以及用户学习记录分析得出课件推送指令，课件内容服务器根据课件推送指令发送相应的子课件至用户终端。

在一个实施例中，步骤S3包括：

S3.1、课件推送服务器根据用户学习记录分析用户学习主题，并接收对应于用户学习主题的子课件列表；

S3.2、课件推送服务器在子课件列表中选择集中度指数小于用户学习集中度的子课件以生成课件推送指令。

可选地，子课件的集中度指数为学习该子课件需要的最低用户学习集中度，在子课件的集中度指数小于用户学习集中度表示用户适合学习对应的子课件。

S3.3、课件内容服务器响应于接收到的课件推送指令推送相应的子课件至用户终端。

在该实施例中，用户在进行第二测试时，记录当前学习的子课件的时间戳数据，并将其存储在用户数据库中；用户在完成第二子课件的学习后，基于时间戳数据，从子课件中断学习的地方继续完成第一子课件的学习。

第一子课件为用户在执行第二测试前学习的子课件，即用户当前正在学习的子课件，第二子课件为课件推送服务器推荐学习的子课件。

优选地，时间戳数据用于标记子课件的学习进度；用户数据库用于存储用户登陆信息、身份信息、用户学习记录。

S4)课件内容服务器响应于接收到的课件推送指令推送相应的子课件至用户终端。

本发明有效的分析用户当前的注意力，从而判断用户当前的学习状态，并根据用户当前注意力和学习状态，为用户推荐当前最适合的学习内容，从而能使用户快速掌握当前所学习的知识点，高效的完成学习任务。此外，本发明在进行学习集中度计算时，考虑了注意力偏离的程度对学习集中度的影响而对其进行一定的增强，从而使得在用户注意力越偏离标准时，对计算学习集中度值的影响越大，结果越准确。

在一个实施例中，教育课件推送系统包括多个用户终端和网络课件云平台，网络课件云平台分别与多个用户终端具有通信连接。

网络课件云平台包括：课件预处理服务器，注意力分析服务器、课件推送服务器、课件内容服务器和数据库，其中网络课件云平台中各个服务器和数据库之间相互具有通信连接。

课件预处理服务器用于将课件按照知识点分割为子课件，并且为每个子课件设置相应的集中度指数，然后将其存储至课件内容服务器。

注意力分析服务器用于对用户进行注意力测试以得到用户学习集中度。

课件推送服务器用于根据用户学习集中度、子课件的集中度指数和用户学习记录进行分析以得到课件推送指令，并将课件推送指令发送至课件内容服务器。

课件内容服务器用于根据接收到的课件推送指令推送相应的子课件至用户终端。

可选的，数据库包括：子课件数据库、用户数据库和原始课件数据库。子课件数据库可以用于存储子课件和子课件对应的集中度指数。原始课件数据库可以用于存储没有进行分割前的原始课件。用户数据库可以用于存储用户登陆信息、身份信息和用户学习记录。

可选的，在另一个实施例中，步骤S3包括：

S3.1、课件推送服务器基于用户学习记录分析用户学习主题，接收对应于用户学习主题的子课件列表；

S3.2、课件推送服务器基于用户学习集中度和子课件的集中度指数，筛选出适合用户当前注意力学习的子课件列表，将子课件列表发送至用户终端显示界面，用户根据自身情况对接下来进行学习的子课件进行选择；

S3.3、用户终端将用户选择数据发送至课件推送服务器，课件推送服务器根据用户选择数据生成课件推送指令；

S3.4、课件内容服务器响应于课件推送指令发送相应的子课件至用户终端。

在该实施例中，用户在进行第二测试时，记录当前学习子课件的时间戳数据，课件内容服务器基于时间戳数据确定完成第一子课件，即，当前子课件的学习所需时间，课件内容服务器基于该时间延迟响应课件推送指令，在完成当前子课件的学习后，课件内容服务器响应于课件推送指令发送相应的子课件至用户终端。

以上所述，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于大数据的在线教育课件管理方法，其特征在于，应用于网络课件云平台，所述网络课件云平台分别与各个用户终端具有通信连接，并且所述网络网络课件云平台包括课件预处理服务器，注意力分析服务器、课件推送服务器、课件内容服务器和数据库，其中，

课件预处理服务器将课件按照知识点分割为子课件，并且为每个子课件设置对应的集中度指数，子课件的集中度指数为用户适合学习该子课件的最低的用户学习集中度；

注意力分析服务器对用户进行注意力测试以得到用户学习集中度，其中，用户终端获取用户的眼动数据并将其发送至注意力分析服务器；注意力分析服务器对眼动数据进行分析处理以得到第一测试集中度，并将第一测试集中度与标准眼动指数进行比较以判断是否进行第二测试；在第一测试集中度小于标准眼动指数时进行第二测试，注意力分析服务器发送测试对话数据至用户终端，接收用户发送的测试回复数据并对其处理以得到第二测试集中度；注意力分析服务器根据第一测试集中度和第二测试集中度进行分析以得到用户学习集中度；

课件推送服务器根据用户学习集中度、子课件的集中度指数和用户学习记录进行分析以得到课件推送指令，并将课件推送指令发送至课件内容服务器；

课件内容服务器响应于接收到的课件推送指令推送相应的子课件至用户终端。

2.根据权利要求1所述的方法，其特征在于，注意力分析服务器对眼动数据进行特征提取，获取眼动特征参数，眼动特征参数包括：注视屏幕的总次数，每次注视屏幕的停留时间、注视点的顺序轨迹以及平均注视屏幕的停留时间。

3.根据权利要求2所述的方法，其特征在于，注意力分析服务器发送测试对话数据至用户终端；

用户根据接收到的测试对话数据发送相应的测试回复数据到注意力分析服务器；

注意力分析服务器获取测试回复数据和用户学习主题的历史测试回复数据；

注意力分析服务器根据测试回复数据和历史测试回复数据计算第二测试集中度。

4.根据权利要求3所述的方法，其特征在于，注意力分析服务器为每个历史测试回复数据创建历史集中度矢量，并提取每个历史测试回复数据的词向量，然后对所述词向量进行分析以得到词频向量；

注意力分析服务器计算词频向量与标准词频向量的相似度以得到每个历史集中度矢量的测试反馈值；

注意力分析服务器为测试回复数据创建即时集中度矢量，并通过测试间隔函数计算每个历史集中度矢量与即时集中度矢量的测试间隔；

注意力分析服务器将历史集中度矢量根据测试间隔进行升序排序，然后选取测试间隔最小的k个历史集中度矢量；

注意力分析服务器计算测试间隔最小的k个历史集中度矢量的测试反馈值的平均值以得到用户的第二测试集中度。

5.根据权利要求4所述的方法，其特征在于，所述用户学习集中度的计算公式为：

其中m表示第一测试集中度，

表示标准眼动指数，n表示第二测试集中度，

表示历史第二测试集中度的平均值，系数α、β分别为第一测试集中度的和第二测试集中度的增强指数，

6.根据权利要求1至5之一所述的方法，其特征在于，所述课件推送服务器根据用户学习集中度、子课件的集中度指数和用户学习记录进行分析以得到课件推送指令，包括：

课件推送服务器基于用户学习记录分析用户学习主题，接收对应于用户学习主题的子课件列表；

课件推送服务器基于用户学习集中度和子课件的集中度指数，筛选出适合用户当前注意力学习的子课件列表，将子课件列表发送至用户终端显示界面，用户对接下来进行学习的子课件进行选择；

课件推送服务器根据用户选择数据生成课件推送指令。

7.根据权利要求1至5之一所述的方法，其特征在于，所述课件推送服务器根据用户学习集中度、子课件的集中度指数和用户学习记录进行分析以得到课件推送指令，包括：

课件推送服务器根据用户学习记录分析用户学习主题，并接收对应于用户学习主题的子课件列表；

课件推送服务器在子课件列表中选择集中度指数小于用户学习集中度的子课件以生成课件推送指令；

课件内容服务器响应于接收到的课件推送指令推送相应的子课件至用户终端。

8.根据权利要求1或7所述的方法，其特征在于，在第一测试集中度大于标准眼动指数时，不进行第二测试，用户继续学习第一子课件；所述第一子课件为用户正在学习的子课件。

9.根据权利要求8所述的方法，其特征在于，在进行第二测试时，记录第一子课件的时间戳数据，并将其存储在用户数据库中；所述时间戳数据用于标记子课件的学习进度。

10.根据权利要求9所述的方法，其特征在于，词频向量与标准词频向量相似度的计算公式为：

其中A为测试回复数据的词频向量，B为标准词频向量，α为相似度。

Images