CN114358573A - 课堂数据处理方法 - Google Patents
课堂数据处理方法 Download PDFInfo
- Publication number
- CN114358573A CN114358573A CN202111658908.8A CN202111658908A CN114358573A CN 114358573 A CN114358573 A CN 114358573A CN 202111658908 A CN202111658908 A CN 202111658908A CN 114358573 A CN114358573 A CN 114358573A
- Authority
- CN
- China
- Prior art keywords
- information
- evaluation information
- behavior
- student
- report
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 135
- 230000006399 behavior Effects 0.000 claims abstract description 72
- 230000006996 mental state Effects 0.000 claims abstract description 37
- 230000002996 emotional effect Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000013441 quality evaluation Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 230000004630 mental health Effects 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 9
- 230000002567 autonomic effect Effects 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008451 emotion Effects 0.000 abstract description 7
- 230000003340 mental effect Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000001303 quality assessment method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种课堂数据处理方法,包括:视频服务终端采集学生的行为数据;提取行为数据的行为特征信息;根据行为特征信息生成行为评价信息;行为评价信息包括:精神状态评价信息、情绪状态评价信息、学习状态评价信息、人际关系评价信息;根据教学信息数据、学生信息数据和预设时间内的多个行为评价信息生成分析报表;学生信息数据包括:学生ID;分析报表包括:综合素养评价报表、校园安全预警报表和教学质量评估报表。本发明的课堂数据处理方法,通过连续长时间采集学生在校的行为数据,实现了对学生综合素养、学业情况、情绪的全方位实时跟踪和对教师教学质量的实时跟踪。
Description
技术领域
本发明涉及一种数据处理技术领域,尤其涉及一种课堂数据处理方法。
背景技术
随着时代的进步和科学的发展,教育不再只重视学生的考试成绩,而更加关注学生的综合素质的发展,如学生的心理健康、个性化成长、学业发展、思维道德等多方面。目前,通过人工智能技术应用于市场的教学系统主要集中在教学方法上,而针对学生的综合素质和教学质量的评价,还是简单的通过统计分数、根据学生在学校的表现老师主观的评分等方式来进行判断,无法做到客观、长期的对学生的综合素养进行诊断和评测,同时也无法清晰的分析老师教学的优缺点。
发明内容
本发明的目的是针对现有技术的缺陷,提供一种课堂数据处理方法,通过连续长时间采集学生在校的行为数据,实现对学生综合素养、学业情况、情绪的全方位实时跟踪和对教师教学质量的实时跟踪。
为实现上述目的,本发明提供了一种课堂数据处理方法,所述方法包括:
视频服务终端采集学生的行为数据;
提取所述行为数据的行为特征信息;
根据所述行为特征信息生成行为评价信息;所述行为评价信息包括:精神状态评价信息、情绪状态评价信息、学习状态评价信息、人际关系评价信息;
根据教学信息数据、学生信息数据和预设时间内的多个所述行为评价信息生成分析报表;所述学生信息数据包括:学生ID;所述分析报表包括:综合素养评价报表、校园安全预警报表和教学质量评估报表。
优选的,所述行为数据包括上课行为数据、课间行为数据;所述行为特征信息包括:上课姿态、表情、课间活动;所述上课姿态包括:抬头、低头、左顾右盼、视线估计、趴着、手托头、举手;所述表情包括:开心、正常和低落;所述课间活动包括:站立、走动、正常坐姿、课间活动范围和预设距离内的同学数量。
优选的,所述综合素养评价报表包括:自律性管理信息、心理健康状态信息。
进一步优选的,所述自律性管理信息包括:精神状态评价信息和学习状态评价信息;所述心理健康状态信息包括:人际关系评价信息和情绪状态评价信息。
优选的,根据所述行为特征信息生成行为评价信息,具体为:根据所述行为特征信息通过行为时序分析异常智能检测生成情绪状态评价信息;根据所述行为特征信息通过行为交叉智能融合建模,生成精神状态评价信息。
优选的,所述教学质量评估报表包括:班级学习状态评估;所述班级学习状态评估包括:精神状态评估、学习状态评估和情绪状态评估。
优选的,所述分析报表还包括优缺报表:所述优缺报表包括:精神状态评价信息、情绪状态评价信息、学习状态评价信息和人际关系评价信息;所述方法还包括:归一化所述精神状态评价信息、情绪状态评价信息、学习状态评价信息和人际关系评价信息的分数,生成优缺点比对信息;根据所述优缺点比对信息生成学生辅导建议。
优选的,所述校园安全预警报表包括:情绪状态预警、精神状态预警和学习状态预警。
优选的,所述分析报表还包括考勤报表;所述考勤报表包括:上课时间、上课科目、缺勤人数和学生ID;所述方法还包括:根据所述行为数据识别班级所有学生ID,比对学生信息数据库中的本班学生ID,无匹配项的学生ID为缺勤学生ID;根据所述缺勤学生ID生成缺勤人数;根据所述上课时间、上课科目、缺勤人数和学生ID,生成每节课的考勤报表。
优选的,所述分析报表还包括学业诊断报表;所述学业诊断报表包括:学习状态评价信息和学生成绩;所述方法还包括:根据所述学习状态评价信息和学生成绩生成辅导策略。
本发明实施例提供的课堂数据处理方法,通过连续长时间采集学生在校的行为数据,实现了对学生综合素养、学业情况、情绪的全方位实时跟踪和对教师教学质量的实时跟踪。
附图说明
图1为本发明实施例提供的课堂数据处理方法流程图;
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供一种课堂数据处理方法,图1为本发明实施例提供的课堂数据处理方法流程图,如图1所示,包括如下步骤:
步骤110,视频服务终端采集学生的行为数据。
具体的,视频服务终端可以是采集学生视频图像的摄像头,优选的,摄像头为球形摄像机,外壳带有避免反光确保采集效果的深色保护罩,清晰度为200万像素,可变焦巡航,有实时读取视频流网络接口,能实时将视频数据传送到后端服务器进行数据处理。根据教室的大小可以设置不同数量的摄像头,标准的宽7米长9米的教室安装一个摄像头就能满足采集要求,最佳位置设置于教室正中间黑板上方,如果教室条件不允许可以安装在教室黑板一侧。由于一个摄像头覆盖整个教室的时候会存在学生之间的遮挡,且座位前排和后排人图像大小有差异,可选的,设置摄像头在教室进行s型巡航扫描,扫描停留时间为3-10秒,扫描点之间画面重叠10%-30%,焦距设置保持可视范围内的人头像素为100*100以上。优选的,学生的行为数据可以为摄像头采集到的上课行为数据和课间行为数据,摄像机采集到的行为数据为摄像机拍摄到的学生视频数据。
关联视频服务终端和教室,具体的,关联视频服务终端的唯一ID、视频服务终端IP地址、教室编号和教室地址,教室和视频服务终端进行关联后,教师或管理员后续可以通过检索目标教室获取该班级的分析报表。
步骤120,提取行为数据的行为特征信息。
具体的,通过深度学习算法提取行为数据的行为特征信息,优选的,行为特征信息包括:上课姿态、表情、课间活动,其中,上课姿态包括:抬头、低头、左顾右盼、视线估计、趴着、手托头、举手;表情包括:开心、正常和低落;课间活动包括:站立、走动、正常坐姿、课间活动范围和预设距离内的同学数量,其中,课间活动范围是目标学生的固定座位为原点到课间走动后所在的实际位置的距离。预设距离内的同学数量是以目标同学为中心,以预设距离为半径画圆,位于预设距离半径内的同学的数量,即判定为与目标同学接触交流密切的同学。
步骤130,根据所述行为特征信息生成行为评价信息;所述行为评价信息包括:精神状态评价信息、情绪状态评价信息、学习状态评价信息、人际关系评价信息。
具体的,根据视频服务终端采集的一帧行为数据提取的行为特征信息生成当前时刻的行为评价信息。
根据是否趴着和手托头生成精神状态评价信息,精神状态评价信息可以为积极、正常和疲惫,可选的,根据行为特征信息通过行为交叉智能融合建模生成精神状态评价信息。或者通过分数加标注的方式评价,在一个具体的例子中,以9分为限,大于等于6分为积极,3到6分为正常,小于等于3分为疲惫,生成分数的方式可以用于数据的归一化对比。
根据表情的开心、正常、低落特征生成情绪状态评价信息,可选的,根据特征信息通过行为时序分析异常智能检测生成情绪状态评价信息。或者通过打分的方式评价情绪状态,在一个具体的例子中,以9分为限,大于等于6分为开心,3到6分为正常,小于等于3分为低落,生成分数的方式可以用于数据的归一化对比。
根据是否抬头、低头、左顾右盼、视线估计、举手生成学习状态评价信息,在上课时,教师讲课学生抬头加分,书写时,低头加分,如果出现在每一帧的抬头人数占比大,则抬头时加分,如果低头人数占比大,则低头时加分。左顾右盼减分,当抬头时,视线估计为黑板方向,则加分。有举手行为加分。学习状态评价信息可以为非常好、良好、正常、不佳,或者通过分数加标注的方式评价,在一个具体的例子中,以10为限,大于等于7.5分为非常好,大于等于5分小于7.5分为良好,大于等于2.5分小于5分为正常,小于2.5分为不佳,生成分数的方式可以用于数据的归一化对比。
根据站立、走动、正常坐姿、课间活动范围以及预设距离内的同学数量生成人际关系评价信息,正常坐姿、站立、走动的分值依次递增,课间活动范围越大分值越高,预设距离内的同学数量越多分值越高。人际关系评价信息可以为非常好、良好、正常、孤僻,或者通过分数加标注的方式评价,在一个具体的例子中,以10为限,大于等于7.5分为非常好,大于等5分小于7.5分为良好,大于等于2.5分小于5分为正常,小于2.5分为孤僻,生成分数的方式可以用于数据的归一化对比。
步骤140,根据教学信息数据、学生信息数据和预设时间内的多个所述行为评价信息生成分析报表。学生信息数据包括:学生ID;分析报表包括:综合素养评价报表、校园安全预警报表和教学质量评估报表。
具体的,所述教学信息数据包括教师信息、科目信息,学生信息数据还可以包括:学生姓名、学生班级、学生成绩、体艺特长、学科兴趣。分析报表是对学生在一段时间内的情况进行分析判断。预设时间窗口根据行为评价信息的不同,设置的时间长短不同。在一个具体的例子中,精神状态评价信息、学习状态评价信息和情绪状态评价信息的预设时间窗口为一天,人际关系评价信息的预设时间窗口为一个月。
综合素养评价报表包括:自律性管理信息和心理健康状态信息。其中,自律性管理信息包括:精神状态评价信息和学习状态评价信息;心理健康状态信息包括:人际关系评价信息和情绪状态评价信息。在一个具体的例子中,自律性管理信息以一天为预设时间窗口,统计一天的精神状态评价信息中积极、正常和疲惫三种状态的占比,统计一天的学习状态评价信息中非常好、良好、正常、不佳四种状态的占比,通过各种状态的占比,可以直观的了解学生一天中的总体精神状态和学习状态的情况。心理健康状态信息的人际关系评价信息以一个月为预设时间窗口,统计一个月的人际关系评价信息中非常好、良好、正常、孤僻四种状态的占比,由于人际关系需要一个较长时间的判断,因此预设时间窗口设置为多日,可以更客观的评价人际关系情况。心理健康状态信息的情绪状态评价信息以一天为预设时间窗口,统计一天的情绪状态评价信息中开心、正常、低落三种状态的占比。
在一个优选的例子中,综合素养评价报表还包括个性化发展信息,其中,个性化发展信息包括:学科兴趣科目类别信息和体艺科目类别信息。学科兴趣科目类别信息和体艺科目类别信息由学生信息数据库提供,其中科目类别信息包括语文、数学、英语等学科类科目,体艺科目类信息包括钢琴、羽毛球等体育和文艺类科目,在一个具体的例子中,统计一个月时间窗口下,每门学科兴趣科目类别的学科兴趣分值,统计一个学期时间窗口下,每门体艺科目类别的兴趣分值,根据分值的多少,可以直观的了解学生的个性发展情况。
教学质量评估报表包括:班级学习状态评估。班级学习状态评估包括:精神状态评估、学习状态评估和情绪状态评估。
教学质量评估报表以班级为单位生成。针对班级学习状态评估,在一个具体的例子中,根据同一个班每个孩子一天的精神状态评价信息,生成一个班孩子的平均精神状态评价信息,比如,A班有3个孩子,学号分别为1、2、3,其中1号一天的精神状态评价信息为积极25%、正常30%和疲惫45%,2号一天的精神状态评价信息为积极25%、正常45%和疲惫30%,3号一天的精神状态评价信息为积极40%、正常45%和疲惫15%,,则A班的平均精神状态为积极(25%+25%+40%)/3=30%,正常(30%+45%+45%)/3=40%,疲惫(45%+30%+15%)/3=30%。通过一个班级一天的平均精神状态评价,可以了解班级一天精神的整体情况,如果整体情况不理想,教师需要进行当天导致整体学生精神状态不佳问题的排查。根据同一个班每个孩子一天的学习状态评价信息,生成一个班孩子的平均学习状态评价信息,生成的方式与生成一个班孩子的平均精神状态评价信息类似,在此不再赘述,通过了解一天一个班孩子的平均学习状态评价信息,可以了解当天学生上课的专注度和课堂参与度的情况,教师有针对性的对教学内容进行改进。以提高课堂趣味性和学生参与度。根据同一个班每个孩子一天的情绪状态评价信息,生成一个班孩子的平均情绪状态评价信息,生成的方式与生成一个班孩子的平均精神状态评价信息类似,在此不再赘述,通过了解一天一个班的平均情绪状态,教师可以及时追踪整体学生心理健康情况,如果发现异常,再通过查看班里每个孩子的情绪状态评价信息,针对情绪有问题的孩子进行问题的疏导。通过教学质量评估报表可以清晰的分析教师教学优势和缺点,辅助教学教研,提升教学质量。
在一个优选的例子中,分析报表还包括优缺报表,优缺报表包括:精神状态评价信息、情绪状态评价信息、学习状态评价信息和人际关系评价信息。归一化精神状态评价信息、情绪状态评价信息、学习状态评价信息和人际关系评价信息的分数,生成优缺点比对信息;根据优缺点比对信息生成学生辅导建议。
具体的,在一个具体的例子中,假设精神状态9分为最高分,大于等于6分为积极,3到6分为正常,小于等于3分为疲惫,小明一天共生成5条精神状态评价分数,分别是8.5分,6分、4分、3分、2分,则小明一天的归一化精神状态评价信息的分数为:(8.5+6+4+3+2)/(9*5)=0.52。同理,假设计算后归一化情绪状态评价信息的分数为0.33,归一化学习状态评价信息的分数为0.88,归一化人际关系评价信息的分数为0.62,通过对比归一化后的数据0.52、0.33、0.88和0.62可以清晰的展现学生的优点和缺点,该学生情绪状态最不理想,学习状态最好,精神状态和人际关系居中,因此教师首先需要针对主要矛盾,对该学生的情绪状态进行辅导。
校园安全预警报表包括:情绪状态预警、精神状态预警和学习状态预警。
具体的,预设预警阈值,根据情绪状态评价信息、精神状态评价信息以及学习状态评价信息的预设预警阈值生成情绪状态预警、精神状态预警和学习状态预警的学生ID,在一个具体的例子中,预设情绪状态评价信息中低落的占比超过50%时,生成该学生的情绪状态预警,并生成预警信息发送到用户终端设备及时提醒教师或家长,校园安全预警报表可以以全校或全班为单位生成,一个学校或一个班所生成的情绪预警学生ID可以为多个。针对情况比较严重的学生,通过生成校园安全预警报表可以及时进行相关情况的了解和辅导。
在又一个优选的例子中,分析报表还包括学业诊断报表。学业诊断报表包括:学习状态评价信息和学生成绩。根据学习状态评价信息和学生成绩生成辅导策略。
具体的,学业诊断报表可以以直角坐标系中象限的形式生成,在一个具体的例子中,以学习状态评价信息为纵轴,根据学习状态评价信息非常好、良好、正常、不佳所占的比例,按不佳时所占的预设阈值判断学习状态好和不好。以学生成绩为横轴,其中学生成绩从学生信息数据库获取。当学生学习状态为好,学生成绩为好时,学业诊断处于第一象限,需要鼓励;当学生学习状态为不好,学生成绩为好时,学业诊断处于第四象限,表示该学生在学习上有天赋,需进一步辅导,调整学习状态,让其更上一层楼;当学生学习状态和学生成绩都不好时,学业诊断处于第三象限,需要提升其对学习的兴趣,端正学习状态;当学生学习状态好,但是学生成绩不好时,说明学生的学习方法有问题,需要针对其学习方法进行辅导。根据学业诊断结果所处于的象限可以有针对性的对该学生生成辅导策略。
在又一个优选的方案中,分析报表还包括考勤报表。考勤报表包括:上课时间、上课科目、缺勤人数和姓名ID。该方法还包括根据行为数据识别班级所有学生ID,比对学生信息数据库中的本班学生ID,无匹配项的学生ID为缺勤学生ID;根据缺勤学生ID的个数,生成缺勤人数,根据获取行为数据的上课时间,上课科目,缺勤人数和学生ID,生成以班级为单位的每天每节课的考勤报表。若获取行为数据时,该学生处于睡觉或低头状态时,则该学生无法识别,标记为缺勤。
本发明的课堂数据处理方法,通过连续长时间采集学生在校的行为数据,实现了对学生综合素养、学业情况、情绪的全方位实时跟踪和对教师教学质量的实时跟踪,并通过全方位的实时跟踪有针对的生成辅导策略。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种课堂数据处理方法,其特征在于,所述方法包括:
视频服务终端采集学生的行为数据;
提取所述行为数据的行为特征信息;
根据所述行为特征信息生成行为评价信息;所述行为评价信息包括:精神状态评价信息、情绪状态评价信息、学习状态评价信息、人际关系评价信息;
根据教学信息数据、学生信息数据和预设时间内的多个所述行为评价信息生成分析报表;所述学生信息数据包括:学生ID;所述分析报表包括:综合素养评价报表、校园安全预警报表和教学质量评估报表。
2.根据权利要求1所述的课堂数据处理方法,其特征在于,所述行为数据包括上课行为数据、课间行为数据;
所述行为特征信息包括:上课姿态、表情、课间活动;
所述上课姿态包括:抬头、低头、左顾右盼、视线估计、趴着、手托头、举手;
所述表情包括:开心、正常和低落;
所述课间活动包括:站立、走动、正常坐姿、课间活动范围和预设距离内的同学数量。
3.根据权利要求1所述的课堂数据处理方法,其特征在于,所述综合素养评价报表包括:自律性管理信息、心理健康状态信息。
4.根据权利要求3所述的课堂数据处理方法,其特征在于,所述自律性管理信息包括:精神状态评价信息和学习状态评价信息;
所述心理健康状态信息包括:人际关系评价信息和情绪状态评价信息。
5.根据权利要求1所述的课堂数据处理方法,其特征在于,根据所述行为特征信息生成行为评价信息,具体为:
根据所述行为特征信息通过行为时序分析异常智能检测生成情绪状态评价信息;
根据所述行为特征信息通过行为交叉智能融合建模,生成精神状态评价信息。
6.根据权利要求1所述的课堂数据处理方法,其特征在于,所述教学质量评估报表包括:班级学习状态评估;
所述班级学习状态评估包括:精神状态评估、学习状态评估和情绪状态评估。
7.根据权利要求1所述的课堂数据处理方法,其特征在于,所述分析报表还包括优缺报表:
所述优缺报表包括:精神状态评价信息、情绪状态评价信息、学习状态评价信息和人际关系评价信息;
所述方法还包括:归一化所述精神状态评价信息、情绪状态评价信息、学习状态评价信息和人际关系评价信息的分数,生成优缺点比对信息;
根据所述优缺点比对信息生成学生辅导建议。
8.根据权利要求1所述的课堂数据处理方法,其特征在于,所述校园安全预警报表包括:
情绪状态预警、精神状态预警和学习状态预警。
9.根据权利要求1所述的课堂数据处理方法,其特征在于,所述分析报表还包括考勤报表;
所述考勤报表包括:上课时间、上课科目、缺勤人数和学生ID;
所述方法还包括:根据所述行为数据识别班级所有学生ID,比对学生信息数据库中的本班学生ID,无匹配项的学生ID为缺勤学生ID;
根据所述缺勤学生ID生成缺勤人数;
根据所述上课时间、上课科目、缺勤人数和学生ID,生成每节课的考勤报表。
10.根据权利要求1所述的课堂数据处理方法,其特征在于,所述分析报表还包括学业诊断报表;
所述学业诊断报表包括:学习状态评价信息和学生成绩;
所述方法还包括:根据所述学习状态评价信息和学生成绩生成辅导策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111658908.8A CN114358573A (zh) | 2021-12-30 | 2021-12-30 | 课堂数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111658908.8A CN114358573A (zh) | 2021-12-30 | 2021-12-30 | 课堂数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358573A true CN114358573A (zh) | 2022-04-15 |
Family
ID=81104763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111658908.8A Pending CN114358573A (zh) | 2021-12-30 | 2021-12-30 | 课堂数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358573A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101333129B1 (ko) * | 2013-03-08 | 2013-11-26 | 충남대학교산학협력단 | 기초학력 향상도 평가 시스템 |
CN107170069A (zh) * | 2017-06-02 | 2017-09-15 | 武汉纺织大学 | 基于人工智能的智能课堂点名系统 |
CN107169902A (zh) * | 2017-06-02 | 2017-09-15 | 武汉纺织大学 | 基于人工智能的微表情分析的课堂教学评价系统 |
CN109858809A (zh) * | 2019-01-31 | 2019-06-07 | 浙江传媒学院 | 基于课堂学生行为分析的学习质量评估方法和系统 |
CN109872587A (zh) * | 2019-01-07 | 2019-06-11 | 北京汉博信息技术有限公司 | 多维教学数据的处理系统 |
CN110827856A (zh) * | 2019-11-01 | 2020-02-21 | 广州云蝶科技有限公司 | 授课的测评方法 |
CN111127263A (zh) * | 2019-11-21 | 2020-05-08 | 张梓恒 | 一种基于区块链的学生成长发展智能分析平台 |
CN112115908A (zh) * | 2020-09-25 | 2020-12-22 | 北京易华录信息技术股份有限公司 | 一种社交能力评估方法及其装置 |
CN113011738A (zh) * | 2021-03-18 | 2021-06-22 | 四川文化传媒职业学院 | 一种教学督导云方法 |
KR20210111005A (ko) * | 2020-03-02 | 2021-09-10 | 김유정 | 빅데이터와 인공지능을 이용한 학생평가 및 학생 맞춤형 정보제공이 가능한 통합관리시스템 |
-
2021
- 2021-12-30 CN CN202111658908.8A patent/CN114358573A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101333129B1 (ko) * | 2013-03-08 | 2013-11-26 | 충남대학교산학협력단 | 기초학력 향상도 평가 시스템 |
CN107170069A (zh) * | 2017-06-02 | 2017-09-15 | 武汉纺织大学 | 基于人工智能的智能课堂点名系统 |
CN107169902A (zh) * | 2017-06-02 | 2017-09-15 | 武汉纺织大学 | 基于人工智能的微表情分析的课堂教学评价系统 |
CN109872587A (zh) * | 2019-01-07 | 2019-06-11 | 北京汉博信息技术有限公司 | 多维教学数据的处理系统 |
CN109858809A (zh) * | 2019-01-31 | 2019-06-07 | 浙江传媒学院 | 基于课堂学生行为分析的学习质量评估方法和系统 |
CN110827856A (zh) * | 2019-11-01 | 2020-02-21 | 广州云蝶科技有限公司 | 授课的测评方法 |
CN111127263A (zh) * | 2019-11-21 | 2020-05-08 | 张梓恒 | 一种基于区块链的学生成长发展智能分析平台 |
KR20210111005A (ko) * | 2020-03-02 | 2021-09-10 | 김유정 | 빅데이터와 인공지능을 이용한 학생평가 및 학생 맞춤형 정보제공이 가능한 통합관리시스템 |
CN112115908A (zh) * | 2020-09-25 | 2020-12-22 | 北京易华录信息技术股份有限公司 | 一种社交能力评估方法及其装置 |
CN113011738A (zh) * | 2021-03-18 | 2021-06-22 | 四川文化传媒职业学院 | 一种教学督导云方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3224675U (ja) | 瞳孔反応、顔追跡、及び感情検出を使用した対話型・適応型学習、神経認知障害診断、並びに非追随性検出のシステム | |
CN109727167B (zh) | 一种教学辅助系统 | |
Li et al. | Massive open online proctor: Protecting the credibility of MOOCs certificates | |
KR100986109B1 (ko) | 웹 서비스 기반의 인지능력 개발 시스템, 그 방법 및 이를기록한 기록매체 | |
CN110678935A (zh) | 采用面部追踪和情感检测及其相关的方法应用在一种交互式自适应学习及神经认知障碍诊断系统 | |
US20110043759A1 (en) | Method and system for determining familiarity with stimuli | |
Chizhik et al. | Are you privileged or oppressed? Students’ conceptions of themselves and others | |
US20010042004A1 (en) | Methods, systems and apparatuses for matching individuals with behavioral requirements and for managing providers of services to evaluate or increase individuals' behavioral capabilities | |
CN109685007B (zh) | 用眼习惯的预警方法、用户设备、存储介质及装置 | |
KR20150103051A (ko) | 교감 및 지각된 자극 현저성의 표지로서 깜박임 억제를 검출하기 위한 시스템들 및 방법들 | |
CN112070024B (zh) | 无纸化考试防作弊方法及无纸化考试系统的监考方法 | |
D'mello et al. | Mind and body: Dialogue and posture for affect detection in learning environments | |
CN112907054A (zh) | 一种基于ai与大数据分析的教学质量评估系统 | |
Miller et al. | “... and Nothing but the Truth” How Well Can Observers Detect Deceptive Testimony? | |
CN111160277A (zh) | 行为识别分析方法和系统、计算机可读存储介质 | |
Vrij | Deception detection. | |
Pillai | Student Engagement Detection in Classrooms through Computer Vision and Deep Learning: A Novel Approach Using YOLOv4 | |
van Driel et al. | Capturing and characterizing teachers’ noticing as basis for their classroom management in different career stages: A data paper | |
CN111666809A (zh) | 一种测评学生课堂表现的智能系统 | |
CN114358573A (zh) | 课堂数据处理方法 | |
CN110710983A (zh) | 一套自助测评儿童心理行为发育的方法 | |
CN114331159A (zh) | 教学管理系统 | |
Guia et al. | An exploratory study of factors indicative of affective states of students using SQL-Tutor | |
CN115690867A (zh) | 课堂专注度检测方法、装置、设备及存储介质 | |
WO2024062935A1 (ja) | 情報処理装置、システム、情報処理方法、およびプログラム |
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 |