CN113643163A - 基于深度学习的互联网教育学生综合画像标签管理系统 - Google Patents
基于深度学习的互联网教育学生综合画像标签管理系统 Download PDFInfo
- Publication number
- CN113643163A CN113643163A CN202110927922.7A CN202110927922A CN113643163A CN 113643163 A CN113643163 A CN 113643163A CN 202110927922 A CN202110927922 A CN 202110927922A CN 113643163 A CN113643163 A CN 113643163A
- Authority
- CN
- China
- Prior art keywords
- data
- student
- learning
- module
- portrait
- 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- Withdrawn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
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000007726 management method Methods 0.000 claims abstract description 47
- 238000013439 planning Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 230000001502 supplementing effect Effects 0.000 claims description 17
- 239000013589 supplement Substances 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 4
- 238000012550 audit Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011160 research 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
- 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
- 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
- G06F16/23—Updating
- G06F16/2358—Change logging, detection, and notification
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了基于深度学习的互联网教育学生综合画像标签管理系统,属于智能教学技术领域,包括学生身份识别模块、学习数据采集模块、学习标签匹配模块、学生画像生成模块、教育方案规划模块、教师管理模块、云端管理数据库以及数据更新反馈模块;本发明能够自行生成教学方案,无需教师人工制定,提高教师工作效率,同时方便教师对学生数据进行查看与分析,能够实时更新教学方案,防止教学方式单一导致学生学习积极性降低,提高学生学习效率。
Description
技术领域
本发明涉及智能教学技术领域,尤其涉及基于深度学习的互联网教育学生综合画像标签管理系统。
背景技术
互联网教育是随着当今科学技术的不断发展,互联网科技与教育领域相结合的一种新的教育形式,它突破了时空的界线,有别于传统的在校住宿的教学模式,使用这种教学模式的学生不需要到特定地点上课,可以随时随地上课,学生亦可以透过电视广播、互联网、辅导专线、课研社、面授等多种不同管道互助学习,即运用网络技术与环境开展的教育,调查显示,37%的用户愿意接受在线视频教学,32.6%的用户愿意接受教师在线直播,众多短视频应用的兴起也为在线教育打开了一个新的用户门户,互联网教育随之成为教育的主流形式之一;因此,发明出基于深度学习的互联网教育学生综合画像标签管理系统变得尤为重要;
经检索,中国专利号CN108492224A公开了基于深度学习在线教育学生综合画像标签管理系统,该发明虽然能够对代表性画像标签的高效归纳与高效提炼,弥补行业领域的空白,但是需要教师自行依据学生数据设计教学方案,降低教师工作效率,浪费教师工作时间;此外,现有的基于深度学习的互联网教育学生综合画像标签管理系统无法对教学方案进行实时更新,容易降低学生学习积极性,降低学习效率,为此,我们提出基于深度学习的互联网教育学生综合画像标签管理系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的基于深度学习的互联网教育学生综合画像标签管理系统。
为了实现上述目的,本发明采用了如下技术方案:
基于深度学习的互联网教育学生综合画像标签管理系统,包括学生身份识别模块、学习数据采集模块、学习标签匹配模块、学生画像生成模块、教育方案规划模块、教师管理模块、云端管理数据库以及数据更新反馈模块;
其中,所述学习数据采集模块分别与学生身份识别模块、学习标签匹配模块通信连接,学生画像生成模块分别与学习标签匹配模块、教育方案规划模块通信连接,教育方案规划模块分别与数据更新反馈模块、云端管理数据库通信连接,教师管理模块分别与学生画像生成模块、教育方案规划模块、云端管理数据库通信连接;
所述学生身份识别模块包括身份审核单元、信息补充单元以及体貌特征抓取单元;
所述学习数据采集模块包括线上数据采集单元以及线下数据采集单元;
所述教师管理模块包括教师信息录入单元、信息匹配单元以及教育方案选择单元。
进一步地,所述身份审核单元用于接收用户上传的用户名以及用户密码,并进行审核判断,其审核判断具体步骤如下:
步骤一:身份审核单元开始对用户名进行智能审核,并判断身份是否为新学生;
步骤二:若不为新学生,则开始对用户密码进行识别判断,其识别判断具体步骤如下:
步骤(1):若用户密码正确,允许用户进入学生平台,并发送检测指令至信息补充单元,同时发送对比指令至体貌特征单元;
步骤(2):若密码错误,则要求用户重新输入;
步骤三:若用户为新学生,则发送补充指令至信息补充单元,同时发送抓取指令至体貌特征单元;
步骤四:若用户身份不为学生,则反馈“非学生用户,无法登录”。
所述信息补充单元用于对用户信息进行检测反馈,其检测反馈具体步骤如下:
S1:若信息补充单元接收到检测指令,则开始对用户个人信息进行检测,若用户存在重要信息缺失,则禁止用户后续操作,并提示用户补充信息;
S2:若信息补充单元接收到补充指令,则开始提示用户补充信息,并开始接收用户上传的用户信息;
所述体貌特征抓取单元用于对用户体貌特征进行对比抓取,其对比抓取具体步骤如下:
SS1:若体貌特征抓取单元接收到对比指令,则开始对用户体貌特征进行收集,并将其与存储的过往用户体貌特征数据进行对比;
SS2:若体貌特征抓取单元接收到抓取指令,则开始对用户体貌特征进行收集,并对其进行存储。
进一步地,所述线上数据采集单元用于对学生线上学习数据进行收集;
所述线下数据采集单元用于对学生线下学习数据进行采集。
进一步地,所述学习标签匹配模块用于接收线上学习数据以及线下学习数据,并开始进行个性标签生成,同时对其进行标签匹配,其标签匹配具体步骤如下:
P1:学习标签匹配模块分别从线上学习数据以及线下学习数据提取学生学习内容偏好、行为模式、学习风格以及学习态度,并将其处理生成个性标签;
P2:学习标签匹配模块开始提取学生信息,并开始将其与对应个性标签进行数据匹配,同时将匹配完成的数据处理生成标签数据。
进一步地,所述学生画像生成模块用于接收标签数据,并对其进行图像可视化处理,其图像可视化具体步骤如下:
PP1:学生画像生成模块开始调用各学生的人像信息,并开始将其与标签数据进行匹配处理生成人像数据;
PP2:将各学生的学号以及班级信息在对应的人像数据中进行标注;
PP3:标注完成,学生画像生成模块开始从线上学习数据以及线下学习数据中提取各学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力,并将各项数据处理生成折线图,同时将各项数据变化录入学生记录表中,记录完成,将人像数据与对应折线图以及学生记录表进行数据匹配。
进一步地,所述教育方案规划模块用于接收人像数据,同时依据人像数据开始进行方案规划,其方案规划具体步骤如下:
Q1:教育方案规划模块开始构建卷积神经网络,并将人像数据导入卷积神经网络进行分析;
Q2:卷积神经网络开始与互联网进行通信连接,并开始依据各组人像数据对对应教学数据进行抓取;
Q3:卷积神经网络将人像数据以及教学数据按照不同班级进行分类,并开始将分类完成的教学数据进行数据整合,同时智能生成教学方案;
Q4:卷积神经网络对教学方案进行仿真模拟,并对其中多余数据进行删除,同时对其中存在的缺陷进行优化修复。
进一步地,所述教师信息录入单元用于接收教师信息,并生成教师数据;
所述信息匹配单元用于接收人像数据与教师数据,并对其进行匹配查看,其匹配查看具体步骤如下:
QQ1:信息匹配单元将人像数据以及教师数据按照不同班级进行数据分类;
QQ2:教师可通过信息匹配单元输入需要查看的班级名M以及学生名N,同时信息匹配单元依据班级名M以及学生名N生成调用指令;
QQ3:信息匹配单元依据调用指令从学生画像生成模块中调用对应学生的人像数据,并将其反馈给教师,同时教师通过信息匹配单元对该学生的折线图以及学生记录表进行查看;
所述教育方案选择单元用于接收教学方案,并由教师进行对比选择,其对比选择具体步骤如下:
X1:教育方案选择单元用于将教学方案反馈给教师进行查看;
X2:教师通过教育方案选择单元输入需要查看的过往教育方案编号Y,教育方案选择单元开始从云端管理数据库中精确检索,并调用过往教育方案;
X3:教师对比两组教育方案并进行选择,同时生成替换数据,并将其发送至教育方案规划模块进行数据替换。
进一步地,所述云端管理数据库用于接收教学方案并对其进行编号保存;
所述数据更新反馈模块用于接收教学方案,并定期收集学生数据,同时进行数据更新处理,其数据更新具体步骤如下:
XX1:教学方案开始执行,数据更新反馈模块开始对学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力进行实时收集;
XX2:依据收集到的数据,开始对各学生的折线图以及学生记录表进行更新;
XX3:数据更新反馈模块依据更新后的折线图以及学生记录表开始对教学方案进行更新,并将各项数据反馈给对应管理人员。
相比于现有技术,本发明的有益效果在于:
1、本发明设置有教育方案规划模块,教育方案规划模块通过将人像数据导入卷积神经网络,卷积神经网络开始抓取互联网教学数据,卷积神经网络将人像数据以及教学数据按照不同班级进行分类,并开始将分类完成的教学数据进行数据整合,同时智能生成教学方案,仿真模拟,并对其中多余数据进行删除,同时对其中存在的缺陷进行优化修复,教师管理模块接收教育方案,并将其反馈给相关教师,同时对教师数据与人像数据进行数据匹配,教师通过教师管理模块对各学生相关数据进行查看,同时对教学方案进行选择执行,能够自行生成教学方案,无需教师人工制定,提高教师工作效率,同时方便教师对学生数据进行查看与分析;
2、本发明设置有数据更新反馈模块,教师通过教师管理模块对教学方案进行选择使用,数据更新反馈模块开始定期收集各学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力,并开始依据收集到的数据对各学生的折线图以及学生记录表进行更新,并将其反馈给相关管理人员,同时依据收集的数据以及更新的折线图以及学生记录表对教学方案进行更新,能够实时更新教学方案,防止教学方式单一导致学生学习积极性降低,提高学生学习效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的基于深度学习的互联网教育学生综合画像标签管理系统的系统框图;
图2为本发明提出的基于深度学习的互联网教育学生综合画像标签管理系统中学生身份识别模块的结构示意图;
图3为本发明提出的基于深度学习的互联网教育学生综合画像标签管理系统中学习数据采集模块的结构示意图;
图4为本发明提出的基于深度学习的互联网教育学生综合画像标签管理系统中教师管理模块的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
参照图1-4,基于深度学习的互联网教育学生综合画像标签管理系统,包括学生身份识别模块、学习数据采集模块、学习标签匹配模块、学生画像生成模块、教育方案规划模块、教师管理模块、云端管理数据库以及数据更新反馈模块;
其中,学习数据采集模块分别与学生身份识别模块、学习标签匹配模块通信连接,学生画像生成模块分别与学习标签匹配模块、教育方案规划模块通信连接,教育方案规划模块分别与数据更新反馈模块、云端管理数据库通信连接,教师管理模块分别与学生画像生成模块、教育方案规划模块、云端管理数据库通信连接;
学生身份识别模块包括身份审核单元、信息补充单元以及体貌特征抓取单元;
学习数据采集模块包括线上数据采集单元以及线下数据采集单元;
教师管理模块包括教师信息录入单元、信息匹配单元以及教育方案选择单元。
实施例1
参照图1-4,基于深度学习的互联网教育学生综合画像标签管理系统,除与上述实施例相同的结构外,本实施例主要公开了教学方案具体生成方法:
身份审核单元用于接收用户上传的用户名以及用户密码,并进行审核判断。
具体的,身份审核单元开始对用户名进行智能审核,并判断身份是否为新学生,若不为新学生,则开始对用户密码进行识别判断,若用户为新学生,则发送补充指令至信息补充单元,同时发送抓取指令至体貌特征单元,若用户身份不为学生,则反馈“非学生用户,无法登录”。
其中,需要进一步说明的是识别判断具体步骤如下:若用户密码正确,允许用户进入学生平台,并发送检测指令至信息补充单元,同时发送对比指令至体貌特征单元,若密码错误,则要求用户重新输入。
信息补充单元用于对用户信息进行检测反馈。
具体的,若信息补充单元接收到检测指令,则开始对用户个人信息进行检测,若用户存在重要信息缺失,则禁止用户后续操作,并提示用户补充信息,若信息补充单元接收到补充指令,则开始提示用户补充信息,并开始接收用户上传的用户信息。
体貌特征抓取单元用于对用户体貌特征进行对比抓取。
具体的,若体貌特征抓取单元接收到对比指令,则开始对用户体貌特征进行收集,并将其与存储的过往用户体貌特征数据进行对比,若体貌特征抓取单元接收到抓取指令,则开始对用户体貌特征进行收集,并对其进行存储。
线上数据采集单元用于对学生线上学习数据进行收集。
线下数据采集单元用于对学生线下学习数据进行采集。
学习标签匹配模块用于接收线上学习数据以及线下学习数据,并开始进行个性标签生成,同时对其进行标签匹配。
具体的,学习标签匹配模块分别从线上学习数据以及线下学习数据提取学生学习内容偏好、行为模式、学习风格以及学习态度,并将其处理生成个性标签,学习标签匹配模块开始提取学生信息,并开始将其与对应个性标签进行数据匹配,同时将匹配完成的数据处理生成标签数据。
学生画像生成模块用于接收标签数据,并对其进行图像可视化处理。
具体的,首先,学生画像生成模块开始调用各学生的人像信息,并开始将其与标签数据进行匹配处理生成人像数据,人像数据生成完成后,将各学生的学号以及班级信息在对应的人像数据中进行标注,标注完成,学生画像生成模块开始从线上学习数据以及线下学习数据中提取各学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力,并将各项数据处理生成折线图,同时将各项数据变化录入学生记录表中,记录完成,将人像数据与对应折线图以及学生记录表进行数据匹配。
教育方案规划模块用于接收人像数据,同时依据人像数据开始进行方案规划。
具体的,教育方案规划模块开始构建卷积神经网络,并将人像数据导入卷积神经网络进行分析,卷积神经网络开始与互联网进行通信连接,并开始依据各组人像数据对对应教学数据进行抓取,卷积神经网络将人像数据以及教学数据按照不同班级进行分类,并开始将分类完成的教学数据进行数据整合,同时智能生成教学方案,卷积神经网络对教学方案进行仿真模拟,并对其中多余数据进行删除,同时对其中存在的缺陷进行优化修复。
教师信息录入单元用于接收教师信息,并生成教师数据。
其中,需要进一步说明的是教师信息包括教师姓名、所教科目、教师资历以及教师对应班级。
信息匹配单元用于接收人像数据与教师数据,并对其进行匹配查看。
具体的,信息匹配单元将人像数据以及教师数据按照不同班级进行数据分类,教师可通过信息匹配单元输入需要查看的班级名M以及学生名N,同时信息匹配单元依据班级名M以及学生名N生成调用指令,信息匹配单元依据调用指令从学生画像生成模块中调用对应学生的人像数据,并将其反馈给教师,同时教师通过信息匹配单元对该学生的折线图以及学生记录表进行查看。
教育方案选择单元用于接收教学方案,并由教师进行对比选择。
具体的,教育方案选择单元用于将教学方案反馈给教师进行查看,教师通过教育方案选择单元输入需要查看的过往教育方案编号Y,教育方案选择单元开始从云端管理数据库中精确检索,并调用过往教育方案,教师对比两组教育方案并进行选择,同时生成替换数据,并将其发送至教育方案规划模块进行数据替换。
实施例2
参照图1-4,基于深度学习的互联网教育学生综合画像标签管理系统,除与上述实施例相同的结构外,本实施例主要公开了数据智能更新方法:
云端管理数据库用于接收教学方案并对其进行编号保存。
数据更新反馈模块用于接收教学方案,并定期收集学生数据,同时进行数据更新处理。
具体的,教学方案开始执行,数据更新反馈模块开始对学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力进行实时收集,依据收集到的数据,开始对各学生的折线图以及学生记录表进行更新,数据更新反馈模块依据更新后的折线图以及学生记录表开始对教学方案进行更新,并将各项数据反馈给对应管理人员。
以上所述,仅为本发明较佳的具体实施方式,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.基于深度学习的互联网教育学生综合画像标签管理系统,其特征在于,包括学生身份识别模块、学习数据采集模块、学习标签匹配模块、学生画像生成模块、教育方案规划模块、教师管理模块、云端管理数据库以及数据更新反馈模块;
其中,所述学习数据采集模块分别与学生身份识别模块、学习标签匹配模块通信连接,学生画像生成模块分别与学习标签匹配模块、教育方案规划模块通信连接,教育方案规划模块分别与数据更新反馈模块、云端管理数据库通信连接,教师管理模块分别与学生画像生成模块、教育方案规划模块、云端管理数据库通信连接;
所述学生身份识别模块包括身份审核单元、信息补充单元以及体貌特征抓取单元;
所述学习数据采集模块包括线上数据采集单元以及线下数据采集单元;
所述教师管理模块包括教师信息录入单元、信息匹配单元以及教育方案选择单元。
2.根据权利要求1所述的基于深度学习的互联网教育学生综合画像标签管理系统,其特征在于,所述身份审核单元用于接收用户上传的用户名以及用户密码,并进行审核判断,其审核判断具体步骤如下:
步骤一:身份审核单元开始对用户名进行智能审核,并判断身份是否为新学生;
步骤二:若不为新学生,则开始对用户密码进行识别判断,其识别判断具体步骤如下:
步骤(1):若用户密码正确,允许用户进入学生平台,并发送检测指令至信息补充单元,同时发送对比指令至体貌特征单元;
步骤(2):若密码错误,则要求用户重新输入;
步骤三:若用户为新学生,则发送补充指令至信息补充单元,同时发送抓取指令至体貌特征单元;
步骤四:若用户身份不为学生,则反馈“非学生用户,无法登录”。
所述信息补充单元用于对用户信息进行检测反馈,其检测反馈具体步骤如下:
S1:若信息补充单元接收到检测指令,则开始对用户个人信息进行检测,若用户存在重要信息缺失,则禁止用户后续操作,并提示用户补充信息;
S2:若信息补充单元接收到补充指令,则开始提示用户补充信息,并开始接收用户上传的用户信息;
所述体貌特征抓取单元用于对用户体貌特征进行对比抓取,其对比抓取具体步骤如下:
SS1:若体貌特征抓取单元接收到对比指令,则开始对用户体貌特征进行收集,并将其与存储的过往用户体貌特征数据进行对比;
SS2:若体貌特征抓取单元接收到抓取指令,则开始对用户体貌特征进行收集,并对其进行存储。
3.根据权利要求1所述的基于深度学习的互联网教育学生综合画像标签管理系统,其特征在于,所述线上数据采集单元用于对学生线上学习数据进行收集;
所述线下数据采集单元用于对学生线下学习数据进行采集。
4.根据权利要求3所述的基于深度学习的互联网教育学生综合画像标签管理系统,其特征在于,所述学习标签匹配模块用于接收线上学习数据以及线下学习数据,并开始进行个性标签生成,同时对其进行标签匹配,其标签匹配具体步骤如下:
P1:学习标签匹配模块分别从线上学习数据以及线下学习数据提取学生学习内容偏好、行为模式、学习风格以及学习态度,并将其处理生成个性标签;
P2:学习标签匹配模块开始提取学生信息,并开始将其与对应个性标签进行数据匹配,同时将匹配完成的数据处理生成标签数据。
5.根据权利要求4所述的基于深度学习的互联网教育学生综合画像标签管理系统,其特征在于,所述学生画像生成模块用于接收标签数据,并对其进行图像可视化处理,其图像可视化具体步骤如下:
PP1:学生画像生成模块开始调用各学生的人像信息,并开始将其与标签数据进行匹配处理生成人像数据;
PP2:将各学生的学号以及班级信息在对应的人像数据中进行标注;
PP3:标注完成,学生画像生成模块开始从线上学习数据以及线下学习数据中提取各学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力,并将各项数据处理生成折线图,同时将各项数据变化录入学生记录表中,记录完成,将人像数据与对应折线图以及学生记录表进行数据匹配。
6.根据权利要求5所述的基于深度学习的互联网教育学生综合画像标签管理系统,其特征在于,所述教育方案规划模块用于接收人像数据,同时依据人像数据开始进行方案规划,其方案规划具体步骤如下:
Q1:教育方案规划模块开始构建卷积神经网络,并将人像数据导入卷积神经网络进行分析;
Q2:卷积神经网络开始与互联网进行通信连接,并开始依据各组人像数据对对应教学数据进行抓取;
Q3:卷积神经网络将人像数据以及教学数据按照不同班级进行分类,并开始将分类完成的教学数据进行数据整合,同时智能生成教学方案;
Q4:卷积神经网络对教学方案进行仿真模拟,并对其中多余数据进行删除,同时对其中存在的缺陷进行优化修复。
7.根据权利要求5所述的基于深度学习的互联网教育学生综合画像标签管理系统,其特征在于,所述教师信息录入单元用于接收教师信息,并生成教师数据;
所述信息匹配单元用于接收人像数据与教师数据,并对其进行匹配查看,其匹配查看具体步骤如下:
QQ1:信息匹配单元将人像数据以及教师数据按照不同班级进行数据分类;
QQ2:教师可通过信息匹配单元输入需要查看的班级名M以及学生名N,同时信息匹配单元依据班级名M以及学生名N生成调用指令;
QQ3:信息匹配单元依据调用指令从学生画像生成模块中调用对应学生的人像数据,并将其反馈给教师,同时教师通过信息匹配单元对该学生的折线图以及学生记录表进行查看;
所述教育方案选择单元用于接收教学方案,并由教师进行对比选择,其对比选择具体步骤如下:
X1:教育方案选择单元用于将教学方案反馈给教师进行查看;
X2:教师通过教育方案选择单元输入需要查看的过往教育方案编号Y,教育方案选择单元开始从云端管理数据库中精确检索,并调用过往教育方案;
X3:教师对比两组教育方案并进行选择,同时生成替换数据,并将其发送至教育方案规划模块进行数据替换。
8.根据权利要求7所述的基于深度学习的互联网教育学生综合画像标签管理系统,其特征在于,所述云端管理数据库用于接收教学方案并对其进行编号保存;
所述数据更新反馈模块用于接收教学方案,并定期收集学生数据,同时进行数据更新处理,其数据更新具体步骤如下:
XX1:教学方案开始执行,数据更新反馈模块开始对学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力进行实时收集;
XX2:依据收集到的数据,开始对各学生的折线图以及学生记录表进行更新;
XX3:数据更新反馈模块依据更新后的折线图以及学生记录表开始对教学方案进行更新,并将各项数据反馈给对应管理人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110927922.7A CN113643163A (zh) | 2021-08-11 | 2021-08-11 | 基于深度学习的互联网教育学生综合画像标签管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110927922.7A CN113643163A (zh) | 2021-08-11 | 2021-08-11 | 基于深度学习的互联网教育学生综合画像标签管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113643163A true CN113643163A (zh) | 2021-11-12 |
Family
ID=78421394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110927922.7A Withdrawn CN113643163A (zh) | 2021-08-11 | 2021-08-11 | 基于深度学习的互联网教育学生综合画像标签管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643163A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082269A (zh) * | 2022-07-18 | 2022-09-20 | 华北理工大学 | 一种基于大数据的教学规划方法及系统 |
-
2021
- 2021-08-11 CN CN202110927922.7A patent/CN113643163A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082269A (zh) * | 2022-07-18 | 2022-09-20 | 华北理工大学 | 一种基于大数据的教学规划方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9666088B2 (en) | Video-based teacher assistance | |
CN109859829B (zh) | 一种基于微信公众平台的医疗设备报修系统及其运行方法 | |
CN111144191B (zh) | 字体识别方法、装置、电子设备及存储介质 | |
CN110378206B (zh) | 一种智能审图系统及方法 | |
CN112184500A (zh) | 基于深度学习和知识图谱的课外学习辅导系统及实现方法 | |
CN112069970B (zh) | 课堂教学事件分析方法及装置 | |
CN111192024A (zh) | 一种基于强化学习的人岗匹配方法及装置 | |
CN107016022A (zh) | 教学难点大数据分析系统 | |
CN110866850A (zh) | 一种企业精准在线教育系统 | |
CN112837031A (zh) | 一种基于高速扫描并打印的作业自动批阅方法及装置 | |
CN114625901B (zh) | 一种多算法整合方法及装置 | |
CN112102443A (zh) | 一种适用于变电站设备巡检图像的标注系统及标注方法 | |
CN113643163A (zh) | 基于深度学习的互联网教育学生综合画像标签管理系统 | |
CN111405054A (zh) | 智能助教系统及方法 | |
CN110929032A (zh) | 一种软件系统的用户需求处理系统及处理方法 | |
CN106503050B (zh) | 一种基于大数据进行阅读文章推荐的方法与系统 | |
CN112668409A (zh) | 一种视觉测量系统及其应用于药品种类识别的方法 | |
CN107766033A (zh) | 一种基于问题框架的敏捷需求拆分方法 | |
CN115659004A (zh) | 一种基于互联网的在线学习系统 | |
CN115640403A (zh) | 基于知识图谱的知识管控方法及装置 | |
CN113705438A (zh) | 一种基于多种数据采集形式的考评、阅卷方法及系统 | |
CN103678353B (zh) | 用于稿件中的职务信息的检查方法和装置 | |
CN113127769B (zh) | 基于标签树和人工智能的习题标签预测系统 | |
Cai et al. | ViP-LLaVA: Making Large Multimodal Models Understand Arbitrary Visual Prompts | |
CN114152444B (zh) | 一种发动机台架安装和排故的便携式辅助系统及使用方法 |
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: 20211112 |