CN112785205A - 一种基于教育大数据的智慧教学综合分析系统 - Google Patents
一种基于教育大数据的智慧教学综合分析系统 Download PDFInfo
- Publication number
- CN112785205A CN112785205A CN202110227158.2A CN202110227158A CN112785205A CN 112785205 A CN112785205 A CN 112785205A CN 202110227158 A CN202110227158 A CN 202110227158A CN 112785205 A CN112785205 A CN 112785205A
- Authority
- CN
- China
- Prior art keywords
- teacher
- student
- classroom
- behavior
- scoring
- 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- Withdrawn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
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 230000006399 behavior Effects 0.000 claims abstract description 110
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000001815 facial effect Effects 0.000 claims description 13
- 238000013075 data extraction Methods 0.000 claims description 8
- 238000010191 image analysis Methods 0.000 claims description 8
- 230000006855 networking Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012351 Integrated analysis Methods 0.000 claims 2
- 230000009471 action Effects 0.000 abstract description 10
- 239000012141 concentrate Substances 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 abstract description 2
- 230000001939 inductive effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Social Psychology (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于教育大数据的智慧教学综合分析系统,本系统用视觉传感器代替硬件传感器,实现对学生的无感识别,舒适度高,成本低,实现学生课堂行为的自动识别和监控,通过采集学生课堂图像,并识别学生行为,从而自动监控学生的上课状态,解决现有依靠老师进行管理的不便;能够监控到每个学生的上课状态,及时发现不听讲的行为,提醒学生,促进学生专心听课,同时减轻老师的上课管理工作,老师更专心讲课,从而提高课堂效率,学生课堂行为识别精确,先经过前景提取,得到有效的人体识别区域,再通过非负矩阵分解和隐马尔可模型(HMM)识别人体行为,精确的识别学生的课堂行为,更好的辅助老师进行课堂管理。
Description
技术领域
本发明属于大数据领域,涉及教学分析技术,具体是一种基于教育大数据的智慧教学综合分析系统。
背景技术
教学综合分析主要包括质量活动情况的数量统计分析与质量活动情况的因果关系分析。质量活动情况的数量统计分析可通过考核人次的相关百分比、人数增减情况等,来依据曲线判定质量高低的变化范围;质量活动情况的因果关系分析可通过校风、学风、班风和团队环境等多方面的研究考虑,来找出其中的制约因素,提高整体教学质量。
而在公开号为CN107609736A的文件中,仅是依据课堂图像的人脸识别处理、课堂音频信号的声纹识别处理、课堂语音转文本内容的语音识别处理和对文本内容进行二次分析的自然语言处理;以时间值为索引,建立关联分析视图,并生成课堂教学量化指标分析结果,以时间值为维度,构建学情、知识内容、教学过程和教学特点的关联分析视图,形成课堂的教学分析结果,且将其与现有的基于教育大数据的教学综合分析系统相结合来说;
现有的大多是对单一的课堂或课外的教学状况进行数据化分析,而难以将老师的行为与学生的行为相联系,并将两者一同结合进行班级类的全方位处理,且还缺乏将自身状况与班级状况进行层次化结果比对的方面,不能够在保证分析来源全面性的基础上,大大提高分析过程的阶级准确度;
为了解决上述缺陷,现提供一种技术方案。
发明内容
本发明的目的在于提供一种基于教育大数据的智慧教学综合分析系统,用于解决的问题。
本发明的目的可以通过以下技术方案实现:
一种基于教育大数据的智慧教学综合分析系统,包括教育大数据平台、教师采集模块、教学采集模块以及综合分析模块;
教育大数据平台,设置为存储学生信息与了任课老师信息;
教师采集模块,设置为采集教室内教师信息;
教学采集模块,设置为采集教学中教师的课堂行为与学生的课堂行为;
综合分析模块,设置为对教师的课堂行为与学生的课堂行为进行评估,并得出综合分析值。
进一步地,所述教师采集模块包括物联网设备采集单元、工号采集单元、特征信息采集单元以及教育大数据提取单元;
所述物联网设备采集单元用于采集任课教师的物联网设备编码信息,具体为,通过无线网络与教室内物联网设备进行数据连接,获取物联网设备的物联网编码,所述物联网编码具体为物联网入网账号;
所述工号采集单元用于采集任课教师的工号信息,具体为,通过教室内多媒体登录系统获取教师的登录账号并获取对应教师的工号;
所述特征信息采集单元用于采集任课教师的特征信息,具体为,通过教室内监控设备对教师进行图像采集,并通过图像分析获取教师的特征信息;
所述特征信息具体为,教师的面部图像识别特征;
所述教育大数据提取单元用于获取任课信息以及任课老师信息,具体为,获取校园管理系统内的课程安排数据与任课教师数据;
所述课程安排数据包括课程名称、课程日期、授课教室以及授课教师;
所述任课教师数据包括任课教师工号、任课教师的面部图像识别特征以及任课教师的物联网入网账号。
进一步地,所述教学采集模块包括教师采集单元、学生采集单元以及状态采集单元;
所述教师采集单元用于采集教师的课堂行为,具体为,通过图形识别模型对教师行为进行识别;
所述教师行为包括玩手机、坐下以及离开教室;
所述学生采集单元用于采集学生的课堂行为,具体为,通过图形识别模型对学生行为进行识别;
所述学生行为包括趴在课桌上、睡觉以及长时间站立;
所述状态采集单元用于获取学生的听课状态,具体为,通过教室内监控设备对学生进行图像采集,并通过图像分析获取学生的听课状态;
所述听课状态包括认真听讲、一般听讲以及不听讲。
进一步地,综合分析模块包括教师评分单元、学生评分单元以及综合评分单元;
所述教师评分单元用于对教师行为做出智能评分并得出教师评分值;
所述学生评分单元用于对学生行为做出评分并得出学生评分值;
所述综合评分单元用于综合教师行为与学生行为得出综合分析值。
进一步地,所述教师评分单元用于对教师行为做出智能评分并得出教师评分值,包括:
获取教师的特征信息,并与校园管理系统内任课教师的面部图像识别特征进行比对;
当对比失败时,产生报警信号;
当对比成功后,获取校园管理系统内任课教师的面部图像识别特征对应的任课教师工号;
获取教师的工号与任课教师工号进行对比,当对比失败时,向教室内任课教师的物联网设备发送核验信息;
所述核验信息包括任课老师本周的课程名称、课程日期以及授课教室;
所述任课老师本周的课程名称、课程日期以及授课教室;通过校园管理系统获取;
当对比成功后,实时获取教师采集单元内的教师的课堂行为,当出现教师行为后,通过教师行为打分公式得出教师评分值;
所述教师评分值的初始值为10分。
进一步地,所述教师行为打分公式具体为,教师行为出现次数乘以出现系数权重;
所述出现系数权重包括:
教师行为出现次数小于2次时出现系数权重为0.4;
教师行为出现次数大于2次且小于5次时出现系数权重为0.13;
教师行为出现次数大于6次时出现系数权重为0.04。
进一步地,所述学生评分单元用于对学生行为做出评分并得出学生评分值包括:
获取教室内每一个学生对应的课堂行为与听课状态,并通过学生行为打分公式得出学生评分值;
所述学生行为打分公式具体为,课堂行为得分与听课状态得分的加合值;
所述课堂行为得分的初始值为10分,当对应学生出现学生行为时,每次扣除1分;
所述听课状态得分的初始值为0分,当对应学生的听课状态为认真听讲时,听课状态得分为5分;
当对应学生的听课状态为一般听讲时,听课状态得分为2分;
当对应学生的听课状态为不听讲时,听课状态得分为-2分。
进一步地,所述综合评分单元用于综合教师行为与学生行为得出综合分析值,包括:
获取教师评分值,当教师评分值低于8分时,教室内全部学生对应的学生评分值乘以1.1,得出修正学生评分值;
当教师评分值低于6分时,教室内全部学生对应的学生评分值乘以1.4,得出修正学生评分值;
当教师评分值低于4分时,教室内全部学生对应的学生评分值乘以1.6,得出修正学生评分值;
通过综合公式得出综合分析值。
进一步地,所述综合公式具体为,全部修正学生评分值对应的中位值与教师评分值的加合值。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如前所述的系统的步骤。
与现有技术相比,本发明的有益效果是:
(1)所述教师采集模块包括物联网设备采集单元、工号采集单元、特征信息采集单元以及教育大数据提取单元;所述物联网设备采集单元用于采集任课教师的物联网设备编码信息,具体为,通过无线网络与教室内物联网设备进行数据连接,获取物联网设备的物联网编码,所述物联网编码具体为物联网入网账号;所述工号采集单元用于采集任课教师的工号信息,具体为,通过教室内多媒体登录系统获取教师的登录账号并获取对应教师的工号;所述特征信息采集单元用于采集任课教师的特征信息,具体为,通过教室内监控设备对教师进行图像采集,并通过图像分析获取教师的特征信息;所述特征信息具体为,教师的面部图像识别特征;所述教育大数据提取单元用于获取任课信息以及任课老师信息,具体为,获取校园管理系统内的课程安排数据与任课教师数据;所述课程安排数据包括课程名称、课程日期、授课教室以及授课教师;所述任课教师数据包括任课教师工号、任课教师的面部图像识别特征以及任课教师的物联网入网账号,通过对教师内教室进行数据采集,实现对教室的智能化管理,并通过对比预设任课信息,可以识别教师的上课状态,防止私下换课以及教师去错教室的问题。
(2)所述教学采集模块包括教师采集单元、学生采集单元以及状态采集单元;所述教师采集单元用于采集教师的课堂行为,具体为,通过图形识别模型对教师行为进行识别;所述教师行为包括玩手机、坐下以及离开教室;所述学生采集单元用于采集学生的课堂行为,具体为,通过图形识别模型对学生行为进行识别;所述学生行为包括趴在课桌上、睡觉以及长时间站立;所述状态采集单元用于获取学生的听课状态,具体为,通过教室内监控设备对学生进行图像采集,并通过图像分析获取学生的听课状态;所述听课状态包括认真听讲、一般听讲以及不听讲,通过对学生的实时数据进行采集以及分析,可以掌握学生的上课动态,通过实施数据对学生和老师的课堂行为进行打分,避免教学质量调研时,出现的人情分,同时实时对学生和老师进行打分,可以实时掌握老师与学生的动态,及时做出调整,避免出现严重的教学事故。
(3)本系统用视觉传感器代替硬件传感器,实现对学生的无感识别,舒适度高,成本低,运算速度快,识别率高,环境适应能力强,实现学生课堂行为的自动识别和监控,通过采集学生课堂图像,并识别学生行为,从而自动监控学生的上课状态,解决现有依靠老师进行管理的不便;能够监控到每个学生的上课状态,及时发现不听讲的行为,提醒学生,促进学生专心听课,同时减轻老师的上课管理工作,老师更专心讲课,从而提高课堂效率,学生课堂行为识别精确,先经过前景提取,得到有效的人体识别区域,再通过非负矩阵分解和隐马尔可模型(HMM)识别人体行为,精确的识别学生的课堂行为,更好的辅助老师进行课堂管理。
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,下面描述中的附图仅仅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为本发明原理框图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通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方式,都属于本发明保护的范围。
因此,在下述附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。
如图1所示,一种基于教育大数据的智慧教学综合分析系统,其特征在于,包括教育大数据平台、教师采集模块、教学采集模块以及综合分析模块;
教育大数据平台,设置为存储学生信息与了任课老师信息;
教师采集模块,设置为采集教室内教师信息;
教学采集模块,设置为采集教学中教师的课堂行为与学生的课堂行为;
综合分析模块,设置为对教师的课堂行为与学生的课堂行为进行评估,并得出综合分析值。
其中,教育大数据平台内包括多个处理器,处理器内安装有教师采集模块、教师采集模块、教师采集模块以及教师采集模块;
具体的,处理器为一种集成电路芯片,具有信号的处理能力。在实现过程中,可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称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。可以实现或者执行本发明实施方式中的发明的各方法以及步骤。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施方式所发明的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成实施方式的步骤。
下面结合具体实施过程对教育大数据的智慧教学综合分析系统进行详细说明;
具体的,教师采集模块包括物联网设备采集单元、工号采集单元、特征信息采集单元以及教育大数据提取单元;
物联网设备采集单元用于采集任课教师的物联网设备编码信息,具体为,通过无线网络与教室内物联网设备进行数据连接,获取物联网设备的物联网编码,物联网编码具体为物联网入网账号;
其中,物联网设备为教师的手机;物联网入网账号为教师手机对应的手机SIM卡。
工号采集单元用于采集任课教师的工号信息,具体为,通过教室内多媒体登录系统获取教师的登录账号并获取对应教师的工号;
其中,多媒体登录系统为教室内多媒体系统的子系统。
特征信息采集单元用于采集任课教师的特征信息,具体为,通过教室内监控设备对教师进行图像采集,并通过图像分析获取教师的特征信息;
所述教室内监控设备可以为监控摄像头,在教室内至少安装有2个,且对角安装,而且监控摄像头的采集分辨率为1080*1920;
特征信息具体为,教师的面部图像识别特征,需要注意的是,教师的面部图像识别特征通过图像识别软件进行采集生成,在此,图像识别软件技术为成熟技术,不做具体限定。
教育大数据提取单元用于获取任课信息以及任课老师信息,具体为,获取校园管理系统内的课程安排数据与任课教师数据;
其中,校园管理系统为现有成熟技术,在此,本发明不做具体限定。
课程安排数据包括课程名称、课程日期、授课教室以及授课教师;
任课教师数据包括任课教师工号、任课教师的面部图像识别特征以及任课教师的物联网入网账号。
具体的,教学采集模块包括教师采集单元、学生采集单元以及状态采集单元;
教师采集单元用于采集教师的课堂行为,具体为,通过图形识别模型对教师行为进行识别;
教师行为包括玩手机、坐下以及离开教室;
学生采集单元用于采集学生的课堂行为,具体为,通过图形识别模型对学生行为进行识别;
学生行为包括趴在课桌上、睡觉以及长时间站立;
其中,图形识别模型为一种卷积神经网络模型,通过将教师玩手机、教师坐下以及教师离开教室、学生趴在课桌上、学生睡觉以及学生长时间站立的预设照片存储在卷积神经网络内,通过不停的迭代,得出教师行为与学生行为。
状态采集单元用于获取学生的听课状态,具体为,通过教室内监控设备对学生进行图像采集,并通过图像分析获取学生的听课状态;
听课状态包括认真听讲、一般听讲以及不听讲。
上述听课状态也为神经网络得出,为成熟技术,在此,本发明不做具体限定。
具体的,综合分析模块包括教师评分单元、学生评分单元以及综合评分单元;
教师评分单元用于对教师行为做出智能评分并得出教师评分值;
更加具体的,教师评分单元用于对教师行为做出智能评分并得出教师评分值,包括:
获取教师的特征信息,并与校园管理系统内任课教师的面部图像识别特征进行比对;
当对比失败时,产生报警信号;并发送至查课老师手机内,查课老师对任课老师进行核验。
当对比成功后,获取校园管理系统内任课教师的面部图像识别特征对应的任课教师工号;
获取教师的工号与任课教师工号进行对比,当对比失败时,向教室内任课教师的物联网设备发送核验信息;
核验信息包括任课老师本周的课程名称、课程日期以及授课教室;提示教师时候走错教室,避免出现课堂事故。
任课老师本周的课程名称、课程日期以及授课教室;通过校园管理系统获取;
当对比成功后,实时获取教师采集单元内的教师的课堂行为,当出现教师行为后,通过教师行为打分公式得出教师评分值;
更加具体的,教师行为打分公式具体为,教师行为出现次数乘以出现系数权重;
出现系数权重包括:
教师行为出现次数小于2次时出现系数权重为0.4;
教师行为出现次数大于2次且小于5次时出现系数权重为0.13;
教师行为出现次数大于6次时出现系数权重为0.04。
教师评分值的初始值为10分。
学生评分单元用于对学生行为做出评分并得出学生评分值;
更具体的,获取教室内每一个学生对应的课堂行为与听课状态,并通过学生行为打分公式得出学生评分值;
学生行为打分公式具体为,课堂行为得分与听课状态得分的加合值;
课堂行为得分的初始值为10分,当对应学生出现学生行为时,每次扣除1分;
听课状态得分的初始值为0分,当对应学生的听课状态为认真听讲时,听课状态得分为5分;
当对应学生的听课状态为一般听讲时,听课状态得分为2分;
当对应学生的听课状态为不听讲时,听课状态得分为-2分。
综合评分单元用于综合教师行为与学生行为得出综合分析值。
综合评分单元用于综合教师行为与学生行为得出综合分析值,包括:
获取教师评分值,当教师评分值低于8分时,教室内全部学生对应的学生评分值乘以1.1,得出修正学生评分值;
当教师评分值低于6分时,教室内全部学生对应的学生评分值乘以1.4,得出修正学生评分值;
当教师评分值低于4分时,教室内全部学生对应的学生评分值乘以1.6,得出修正学生评分值;
通过综合公式得出综合分析值。
综合公式具体为,全部修正学生评分值对应的中位值与教师评分值的加合值。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的系统的步骤。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本发明所提供的实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
另对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (10)
1.一种基于教育大数据的智慧教学综合分析系统,其特征在于,包括教育大数据平台、教师采集模块、教学采集模块以及综合分析模块;
教育大数据平台,设置为存储学生信息与了任课老师信息;
教师采集模块,设置为采集教室内教师信息;
教学采集模块,设置为采集教学中教师的课堂行为与学生的课堂行为;
综合分析模块,设置为对教师的课堂行为与学生的课堂行为进行评估,并得出综合分析值。
2.根据权利要求1所述的一种基于教育大数据的智慧教学综合分析系统,其特征在于,所述教师采集模块包括物联网设备采集单元、工号采集单元、特征信息采集单元以及教育大数据提取单元;
所述物联网设备采集单元用于采集任课教师的物联网设备编码信息,具体为,通过无线网络与教室内物联网设备进行数据连接,获取物联网设备的物联网编码,所述物联网编码具体为物联网入网账号;
所述工号采集单元用于采集任课教师的工号信息,具体为,通过教室内多媒体登录系统获取教师的登录账号并获取对应教师的工号;
所述特征信息采集单元用于采集任课教师的特征信息,具体为,通过教室内监控设备对教师进行图像采集,并通过图像分析获取教师的特征信息;
所述特征信息具体为,教师的面部图像识别特征;
所述教育大数据提取单元用于获取任课信息以及任课老师信息,具体为,获取校园管理系统内的课程安排数据与任课教师数据;
所述课程安排数据包括课程名称、课程日期、授课教室以及授课教师;
所述任课教师数据包括任课教师工号、任课教师的面部图像识别特征以及任课教师的物联网入网账号。
3.根据权利要求1所述的一种基于教育大数据的智慧教学综合分析系统,其特征在于,所述教学采集模块包括教师采集单元、学生采集单元以及状态采集单元;
所述教师采集单元用于采集教师的课堂行为,具体为,通过图形识别模型对教师行为进行识别;
所述教师行为包括玩手机、坐下以及离开教室;
所述学生采集单元用于采集学生的课堂行为,具体为,通过图形识别模型对学生行为进行识别;
所述学生行为包括趴在课桌上、睡觉以及长时间站立;
所述状态采集单元用于获取学生的听课状态,具体为,通过教室内监控设备对学生进行图像采集,并通过图像分析获取学生的听课状态;
所述听课状态包括认真听讲、一般听讲以及不听讲。
4.根据权利要求1所述的一种基于教育大数据的智慧教学综合分析系统,其特征在于,综合分析模块包括教师评分单元、学生评分单元以及综合评分单元;
所述教师评分单元用于对教师行为做出智能评分并得出教师评分值;
所述学生评分单元用于对学生行为做出评分并得出学生评分值;
所述综合评分单元用于综合教师行为与学生行为得出综合分析值。
5.根据权利要求4所述的一种基于教育大数据的智慧教学综合分析系统,其特征在于,所述教师评分单元用于对教师行为做出智能评分并得出教师评分值,包括:
获取教师的特征信息,并与校园管理系统内任课教师的面部图像识别特征进行比对;
当对比失败时,产生报警信号;
当对比成功后,获取校园管理系统内任课教师的面部图像识别特征对应的任课教师工号;
获取教师的工号与任课教师工号进行对比,当对比失败时,向教室内任课教师的物联网设备发送核验信息;
所述核验信息包括任课老师本周的课程名称、课程日期以及授课教室;
所述任课老师本周的课程名称、课程日期以及授课教室;通过校园管理系统获取;
当对比成功后,实时获取教师采集单元内的教师的课堂行为,当出现教师行为后,通过教师行为打分公式得出教师评分值;
所述教师评分值的初始值为10分。
6.根据权利要求5所述的一种基于教育大数据的智慧教学综合分析系统,其特征在于,所述教师行为打分公式具体为,教师行为出现次数乘以出现系数权重;
所述出现系数权重包括:
教师行为出现次数小于2次时出现系数权重为0.4;
教师行为出现次数大于2次且小于5次时出现系数权重为0.13;
教师行为出现次数大于6次时出现系数权重为0.04。
7.根据权利要求1所述的一种基于教育大数据的智慧教学综合分析系统,其特征在于,所述学生评分单元用于对学生行为做出评分并得出学生评分值包括:
获取教室内每一个学生对应的课堂行为与听课状态,并通过学生行为打分公式得出学生评分值;
所述学生行为打分公式具体为,课堂行为得分与听课状态得分的加合值;
所述课堂行为得分的初始值为10分,当对应学生出现学生行为时,每次扣除1分;
所述听课状态得分的初始值为0分,当对应学生的听课状态为认真听讲时,听课状态得分为5分;
当对应学生的听课状态为一般听讲时,听课状态得分为2分;
当对应学生的听课状态为不听讲时,听课状态得分为-2分。
8.根据权利要求4所述的一种基于教育大数据的智慧教学综合分析系统,其特征在于,所述综合评分单元用于综合教师行为与学生行为得出综合分析值,包括:
获取教师评分值,当教师评分值低于8分时,教室内全部学生对应的学生评分值乘以1.1,得出修正学生评分值;
当教师评分值低于6分时,教室内全部学生对应的学生评分值乘以1.4,得出修正学生评分值;
当教师评分值低于4分时,教室内全部学生对应的学生评分值乘以1.6,得出修正学生评分值;
通过综合公式得出综合分析值。
9.根据权利要求8所述的一种基于教育大数据的智慧教学综合分析系统,其特征在于,所述综合公式具体为,全部修正学生评分值对应的中位值与教师评分值的加合值。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-9任一项所述的系统的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110227158.2A CN112785205A (zh) | 2021-03-02 | 2021-03-02 | 一种基于教育大数据的智慧教学综合分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110227158.2A CN112785205A (zh) | 2021-03-02 | 2021-03-02 | 一种基于教育大数据的智慧教学综合分析系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785205A true CN112785205A (zh) | 2021-05-11 |
Family
ID=75762074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110227158.2A Withdrawn CN112785205A (zh) | 2021-03-02 | 2021-03-02 | 一种基于教育大数据的智慧教学综合分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785205A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219224A (zh) * | 2021-11-24 | 2022-03-22 | 慧之安信息技术股份有限公司 | 一种用于智慧教室的教学质量检测方法和系统 |
CN114285966A (zh) * | 2021-12-07 | 2022-04-05 | 浙江东隆教育科技有限公司 | 一种劳动教育相关的监测数据处理方法及系统 |
CN114760442A (zh) * | 2022-04-06 | 2022-07-15 | 英才(广州)在线教育科技有限公司 | 一种用于在线教育管理用监控系统 |
CN116385221A (zh) * | 2023-02-24 | 2023-07-04 | 广州略德网络科技有限公司 | 一种基于NB-IoT物联网的智慧课堂管理系统 |
-
2021
- 2021-03-02 CN CN202110227158.2A patent/CN112785205A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219224A (zh) * | 2021-11-24 | 2022-03-22 | 慧之安信息技术股份有限公司 | 一种用于智慧教室的教学质量检测方法和系统 |
CN114219224B (zh) * | 2021-11-24 | 2022-09-20 | 慧之安信息技术股份有限公司 | 一种用于智慧教室的教学质量检测方法和系统 |
CN114285966A (zh) * | 2021-12-07 | 2022-04-05 | 浙江东隆教育科技有限公司 | 一种劳动教育相关的监测数据处理方法及系统 |
CN114285966B (zh) * | 2021-12-07 | 2024-03-29 | 浙江东隆教育科技有限公司 | 一种劳动教育相关的监测数据处理方法及系统 |
CN114760442A (zh) * | 2022-04-06 | 2022-07-15 | 英才(广州)在线教育科技有限公司 | 一种用于在线教育管理用监控系统 |
CN116385221A (zh) * | 2023-02-24 | 2023-07-04 | 广州略德网络科技有限公司 | 一种基于NB-IoT物联网的智慧课堂管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992741B (zh) | 一种基于课堂情绪和行为分析的学习辅助方法及系统 | |
CN112785205A (zh) | 一种基于教育大数据的智慧教学综合分析系统 | |
CN111915148B (zh) | 一种基于信息技术的课堂教学评价方法和系统 | |
CN110782921B (zh) | 语音测评方法和装置、存储介质及电子装置 | |
CN109685692A (zh) | 一种多维度学生学习行为的无感采集及分析系统 | |
CN106599887B (zh) | 试卷答题区域识别及试题评阅方法、系统 | |
CN110059978B (zh) | 一种基于云计算辅助教学测评的教师评价系统 | |
CN112907054A (zh) | 一种基于ai与大数据分析的教学质量评估系统 | |
US20230101354A1 (en) | Method, system, and storage medium for intelligent analysis of student's actual learning based on exam paper | |
CN114388103A (zh) | 一种针对青少年心理预警分析的算法 | |
CN111597305B (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
CN114897077A (zh) | 一种基于机器学习的英语阅读素养评价方法 | |
CN111724050A (zh) | 一种基于教学过程数据的教学风险预警方法 | |
CN117149979A (zh) | 一种贷前智能问答及评审模块的构建方法及装置 | |
CN111259305A (zh) | 一种在线智能教育方法 | |
CN116777698A (zh) | 一种基于ai智能化的智慧教学的方法及系统 | |
CN111915224A (zh) | 一种教学测评系统 | |
CN111369140A (zh) | 一种教学评价系统及方法 | |
CN116110262A (zh) | 语音答题的评判方法、装置、设备及存储介质 | |
CN109299805A (zh) | 一种基于人工智能的在线教育课程请求处理方法 | |
CN114842567A (zh) | 一种视频巡查方法、装置、设备及介质 | |
CN114493952A (zh) | 一种基于大数据的教育软件数据处理系统及方法 | |
CN114881827A (zh) | 一种基于互联网的远程在线教育培训方法、系统及存储介质 | |
CN113240559A (zh) | 一种酒店管理教学用多媒体教学装置 | |
CN114240221A (zh) | 一种基于移动互联网的远程培训智能管理系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210511 |