CN114511424A - 基于大数据和智慧教育的课堂质量管理方法 - Google Patents

基于大数据和智慧教育的课堂质量管理方法 Download PDF

Info

Publication number
CN114511424A
CN114511424A CN202210031571.6A CN202210031571A CN114511424A CN 114511424 A CN114511424 A CN 114511424A CN 202210031571 A CN202210031571 A CN 202210031571A CN 114511424 A CN114511424 A CN 114511424A
Authority
CN
China
Prior art keywords
classroom
audio
data
time sequence
sequence
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
Application number
CN202210031571.6A
Other languages
English (en)
Inventor
张玉春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202210031571.6A priority Critical patent/CN114511424A/zh
Publication of CN114511424A publication Critical patent/CN114511424A/zh
Pending legal-status Critical Current

Links

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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/26—Pre-filtering or post-filtering
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Signal Processing (AREA)
  • Educational Technology (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明涉及一种基于大数据和智慧教育的课堂质量管理方法，其包括：教师终端发送课堂氛围分析请求到课堂氛围分析平台，课堂氛围分析平台根据课程标识符获取目标课程的课堂视频数据和课堂音频数据，并根据课堂视频数据和课堂音频数据进行处理得到课堂氛围特征向量，然后根据课堂氛围特征向量进行课堂氛围分析以生成课堂氛围数据。本发明根据课堂视频数据和课堂音频数据对课堂氛围进行分析，帮助老师调节师生关系形成和谐的师生互动以提高教学效果。

Description

基于大数据和智慧教育的课堂质量管理方法
技术领域
本发明涉及大数据和智慧教育领域，尤其涉及一种基于大数据和智慧教育的课堂质量管理方法。
背景技术
智慧教育是以数字化信息和网络为基础，在计算机和网络技术上建立起来的对教学、科研、管理、技术服务、生活服务等校园信息的收集、处理、整合、存储、传输和应用，使数字资源得到充分优化利用的一种虚拟教育环境。通过实现从环境、资源到应用的全部数字化，在传统校园基础上构建一个数字空间，以拓展现实教育的时间和空间维度，提升传统教育的管理、运行效率，扩展传统校园的业务功能，最终实现教育过程的全面信息化，从而达到提高管理水平。
为了校验每节课后教师的教学效果和质量，现在有些学校会在教室讲完课程后让学生对教师的课堂教学质量进行评价。但是，在学生评价中，学生带着感情色彩打分的现象非常普遍。
发明内容
有鉴于此，本发明提供了一种基于大数据和智慧教育的课堂质量管理方法，其包括：接收教师终端发送的课堂氛围分析请求，并根据所述课堂氛围分析请求中目标课程的课程标识符获取目标课程的课堂视频数据和课堂音频数据；
根据课堂音频数据得到课堂音频特征时序序列，并提取课堂音频数据的课堂文字数据和时间序列信号，然后根据时间序列信号对课堂文字数据进行处理以得到课堂文字特征时序序列；
提取课堂视频数据的课堂视频特征和时间序列信号，并分别将课堂视频特征和时间序列信号映射到多维空间以得到多维视频特征和多维时间特征，然后将多维空间中的多维视频特征和多维时间特征进行特征关联处理以得到课堂视频特征时序序列；
对课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列中对应时间段的课堂音频特征、课堂文字特征和课堂视频特征进行特征级联以得到课堂级联特征时序序列；
根据课堂级联特征时序序列得到课堂级联特征时序向量，并将课堂级联特征时序向量中的每个课堂级联向量进行正交变换，然后将正交变换后的课堂级联向量按照方差递减的顺序进行排序并选取方差大于阈值的课堂级联向量进行处理以到课堂氛围特征向量；
根据课堂氛围特征向量进行分析生成课堂氛围数据，并将其发送到相应教师终端。
根据一个优选实施方式，所述课堂氛围分析请求包括目标课程的课程标识符、授课时间、授课地点、授课教师和课程名称；所述课程标识符用于对课程进行唯一标识。所述教师终端为教师使用的具有通信功能和数据传输功能的智能设备，其包括：智能手机、平板电脑、笔记本电脑和台式电脑。
根据一个优选实施方式，所述课堂氛围数据包括课堂情绪分布数据、课堂活跃度数据和学生专注度数据。所述课堂音频序列包括若干个课堂音频，课堂音频为包含时间信息的音频数据。所述课堂视频数据为记录授课过程的监控视频数据。
根据一个优选实施方式，根据课堂音频数据得到课堂音频特征时序序列包括：
根据课堂音频数据得到课堂音频序列，并提取课堂音频序列中每个音频的声学特征；
去除所述声学特征中的冗余情感信息以得到每个音频的标准声学特征；
根据高斯混合模型和时间序列信号将课堂音频序列的所有标准声学特征按照时间顺序进行特征合并以得到课堂音频特征时序序列。
根据一个优选实施方式，根据课堂音频数据得到课堂音频序列包括：
对课堂音频数据进行信号转换处理得到课堂音频信号，并提取课堂音频数据的时间序列信号；
对时间序列信号和课堂音频信号进行信号融合处理以得到课堂音频序列。
根据一个优选实施方式，对课堂音频数据进行信号转换处理得到课堂音频信号包括：
对课堂音频数据进行下采样和量化操作，并对下采样和量化后的课堂音频数据进行滤波处理以得到第一课堂音频预信号；
通过对信号分割窗口函数和信号分割窗口对第一课堂音频预信号进行信号分割以得到第二课堂音频预信号；
识别第二课堂音频预信号的第一端点和第二端点，并提取出第二课堂音频预信号有声片段以得到课堂音频信号，所述第一端点为第二课堂音频预信号中有声片段的起点，第二端点为第二课堂音频预信号中有声片段的终点。
根据一个优选实施方式，根据时间序列信号对课堂文字数据进行处理以得到课堂文字特征时序序列包括：
将课堂文字数据进行分词，并提取每个分词的语义特征以得到每个分词的词向量；
将所有词向量进行处理进行文字特征矩阵；
将文字特征矩阵中的文本特征映射到高维特征空间，并提取时间序列信号的时间特征；
将时间序列信号的时间特征映射到与文本特征维数相同的高维特征空间；
将文本特征与时间特征在所述高维特征空间中进行关联以得到课堂文字特征时序序列。
根据一个优选实施方式，根据课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列得到课堂级联特征时序序列包括：
分别识别课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列中对应时间段的课堂音频特征、课堂文字特征和课堂视频特征；
将对应时间段的课堂音频特征、课堂文字特征和课堂视频特征进行组合并将其联合成向量以得到课堂联合向量；
将所有时间段的课堂联合向量进行处理以得到课堂级联特征时序序列。
本发明具有以下有益效果：本发明通过对目标课程的课堂视频数据和课堂音频进行时间关联处理得到具有时间信息的课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列并对其进行级联处理得到课堂级联特征时序序列。通过对课堂级联特征时序序列进行处理得到课堂氛围数据，授课教师根据课堂氛围数据优化教学互动的方式，提高教学效果。
附图说明
图1为基于大数据和智慧教育的课堂质量管理方法的流程图。
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。
另外，虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。另外，本文讨论的特定模块执行动作包括该特定模块本身执行动作，或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行动作)。因此，执行动作的特定模块可以包括执行动作的特定模块本身和/或执行动作的该特定模块调用或以其他方式访问的另一模块。
需要理解的是，尽管第一、第二、第三等术语在本文中可以用来描述各种设备、元件、部件或元素，但是这些设备、元件、部件或元素不应当由这些术语限制。这些术语仅用来将一个设备、元件、部件或元素与另一个设备、元件、部件或元素相区分。
尽管已经结合一些实施例描述了本发明，但是其不旨在被限于在本文中所阐述的特定形式。相反，本发明的范围仅由所附权利要求来限制。特征在权利要求中的次序不暗示特征必须以其工作的任何特定次序。此外，在权利要求中，词“包括”不排除其它元件，并且不定冠词“一”或“一个”不排除多个。
参见图1，在一个实施例中，基于大数据和智慧教育的课堂质量管理方法可以包括：
S1、教师终端发送课堂氛围分析请求到课堂氛围分析平台，课堂氛围分析平台的课堂数据获取模块根据目标课程的课程标识符获取目标课程的课堂视频数据和课堂音频数据。
可选地，教师终端为教师使用的具有通信功能和数据传输功能的智能设备，其包括：智能手机、平板电脑、笔记本电脑和台式电脑。课程标识符用于对课程进行唯一标识。授课时间用于指示课程的课程安排，具体包括在该学期的哪周的哪天的哪个时间段。授课地点用于指示课程授课的具体地点包括：哪栋教学楼的哪层楼的哪间教室。授课教师用于指示该课程的讲课老师的名字。课程名称用于指示课程的名称。
具体地，课堂数据获取模块根据课程标识符从数据库中获取对应的目标课程的课堂视频数据和课堂音频数据，课堂音频数据为授课过程中产生的音频数据，包括授课老师与听课学生在授课过程中的互动的音频记录。课堂视频数据为授课过程中的课堂监控视频，课堂视频数据和课堂音频数据用于对课堂气氛进行分析。
S2、音频分析模块根据课堂音频数据得到课堂音频特征时序序列。
具体地，音频分析模块根据课堂音频数据得到课堂音频序列，并提取课堂音频序列中每个音频的声学特征；
音频分析模块去除所述声学特征中的冗余情感信息以得到每个音频的标准声学特征；
音频分析模块根据高斯混合模型和时间序列信号将课堂音频序列的所有标准声学特征按照时间顺序进行特征合并以得到课堂音频特征时序序列；
在一个实施例中，音频分析模块根据课堂音频数据得到课堂音频序列包括：
音频分析模块对课堂音频数据进行信号转换处理得到课堂音频信号，并提取课堂音频数据的时间序列信号；
音频分析模块对时间序列信号和课堂音频信号进行信号融合处理以得到课堂音频序列。
在一个实施例中，音频分析模块对课堂音频数据进行信号转换处理得到课堂音频信号包括：
音频分析模块对课堂音频数据进行下采样和量化操作，并对下采样和量化后的课堂音频数据进行滤波处理以得到第一课堂音频预信号；
音频分析模块通过对信号分割窗口函数和信号分割窗口对第一课堂音频预信号进行信号分割以得到第二课堂音频预信号；
音频分析模块识别第二课堂音频预信号的第一端点和第二端点，并提取出第二课堂音频预信号有声片段以得到课堂音频信号，所述第一端点为第二课堂音频预信号中有声片段的起点，第二端点为第二课堂音频预信号中有声片段的终点。
可选地，在音频分析模块将课堂音频数据转化为课堂音频序列过程中，信号形式从模拟信号转化为数字信号。课堂音频序列包括若干个课堂音频，课堂音频为包含时间信息的音频数据。
本发明将没有声音的音频信号去掉以得到课堂音频信号，减少了对分析课堂氛围不重要的音频信号的计算和分析，节约了计算资源。
在一个实施例中，标准声学特征为每个音频去除冗余情感信息后得到的声学特征，本发明对声学特征进行去冗余操作，以减少冗余信息对课堂氛围分析的影响，提高了课堂氛围分析的准确度。
本发明分别提取了每个音频的声学特征和时间特征并重视了声学特征在时间和空间上的关联信息，以提高课堂气氛分析的准确度。
在一个实施例中，根据高斯混合模型和时间序列信号将课堂音频序列中的所有标准声学特征按照时间顺序进行特征合并以得到课堂音频特征时序序列包括：
Figure BDA0003466673710000061
其中，R(ck)为课堂音频特征时序序列的第k个课堂音频特征，γi为混合系数，G(c|vi,∑n)为第k个课堂音频特征的第i个特征分量，i为特征分量的索引，n为特征分量的个数，vi为第k个标准声学特征的第i个特征分量。
S3、文字分析模块提取课堂音频数据的课堂文字数据和时间序列信号，并根据时间序列信号对课堂文字数据进行处理以得到课堂文字特征时序序列。
在一个实施例中，文字分析模块根据时间序列信号对课堂文字数据进行处理以得到课堂文字特征时序序列包括：
文字分析模块将课堂文字数据进行分词，并提取每个分词的语义特征以得到每个分词的词向量；
文字分析模块将所有词向量进行处理进行文字特征矩阵；
文字分析模块将文字特征矩阵中的文本特征映射到高维特征空间，并提取时间序列信号的时间特征；
文字分析模块将时间序列信号的时间特征映射到与文本特征维数相同的高维特征空间；
文字分析模块将文本特征与时间特征在所述高维特征空间中进行关联以得到课堂文字特征时序序列。
S4、视频分析模块提取课堂视频数据的课堂视频特征和时间序列信号，并分别将课堂视频特征和时间序列信号映射到多维空间以得到多维视频特征和多维时间特征，并将多维空间中的多维视频特征和多维时间特征进行特征关联处理以得到课堂视频特征时序序列。
S5、特征级联模块对课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列中对应时间段的课堂音频特征、课堂文字特征和课堂视频特征进行特征级联以得到课堂级联特征时序序列。
具体地，特征级联模块分别识别课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列中对应时间段的课堂音频特征、课堂文字特征和课堂视频特征；
特征级联模块将对应时间段的课堂音频特征、课堂文字特征和课堂视频特征进行组合并将其联合成向量以得到课堂联合向量；
特征级联模块将所有时间段的课堂联合向量进行处理以得到课堂级联特征时序序列。
S6、特征级联模块根据课堂级联特征时序序列得到课堂级联特征时序向量，并将课堂级联特征时序向量中的每个课堂级联向量进行正交变换，并将正交变换后的课堂级联向量按照方差递减的顺序进行排序并选取方差大于阈值的课堂级联向量进行处理以到课堂氛围特征向量。
S7、课堂氛围分析模块根据课堂氛围特征向量进行课堂氛围分析生成课堂氛围数据，并将其发送到相应教师终端。
在一个实施例中，教师根据接收到的课堂氛围数据调整教学进度和授课方式。
在一个实施例中，课堂氛围数据包括课堂情绪分布数据、课堂活跃度数据和学生专注度数据。课堂情绪分布为整堂课程中情绪的分布情况，情绪包括：积极、消极、沉闷和活跃。课堂活跃度为根据课堂情绪分布计算出的课堂的活跃的程度，课堂活跃度越高则课堂氛围越好。
本发明通过对目标课程的课堂视频数据和课堂音频进行时间关联处理得到具有时间信息的课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列并对其进行级联处理得到课堂级联特征时序序列。通过对课堂级联特征时序序列进行处理得到课堂氛围数据，授课教师根据课堂氛围数据优化教学互动的方式，提高教学效果。
在另一个实施例中，课堂氛围分析平台根据课堂氛围数据获取课堂情绪分布数据、课堂活跃度数据和学生专注度数据；
课堂氛围分析平台根据课堂情绪分布数据、课堂活跃度数据和学生专注度数据创建课堂情绪向量、课堂活跃向量和学生专注向量；
课堂氛围分析平台从数据库获取课堂情绪标准向量、课堂活跃标准向量和学生专注标准向量；
课堂氛围分析平台分别获取课堂情绪标准向量、课堂活跃标准向量、学生专注标准向量和课堂情绪向量、课堂活跃向量、学生专注向量的相似度以得到课堂情绪值、课堂活跃值和学生专注值；
课堂氛围分析平台对课堂情绪值、课堂活跃值和学生专注值进行加权平均以得到课堂分析值，并根据课堂分析值得到课堂氛围等级，所述课堂氛围等级包括：高级、中级和低级。
在另一个实施例中，课堂氛围分析平台将课堂分析值于与第一阈值进行比较，在课堂分析值大于或等于第一阈值时，将课堂氛围等级设置为高级，在课堂分析值小于第一阈值时，将课堂分析值与第二阈值进行比较，在课堂分析值大于或等于第二阈值时，将课堂氛围等级设置为中级；在课堂分析值小于第二阈值时，将课堂氛围等级设置为低级。
在一个实施例中，用于执行本发明方法的基于大数据和智慧教育的课堂质量管理系统包括：若干个教师终端和课堂氛围分析平台，其中各教师终端与课堂氛围分析平台具有通信连接。
课堂氛围分析平台包括：课堂数据获取模块、音频分析模块、文字分析模块、视频分析模块、特征级联模块、课堂氛围分析模块和数据库，各模块间均具有通信连接。
教师终端发送课堂氛围分析请求到课堂氛围分析平台；
课堂氛围分析平台的课堂数据获取模块根据目标课程的课程标识符获取目标课程的课堂视频数据和课堂音频数据；
音频分析模块根据课堂音频数据得到课堂音频特征时序序列；
文字分析模块提取课堂音频数据的课堂文字数据和时间序列信号，并根据时间序列信号对课堂文字数据进行处理以得到课堂文字特征时序序列；
视频分析模块提取课堂视频数据的课堂视频特征和时间序列信号，并分别将课堂视频特征和时间序列信号映射到多维空间以得到多维视频特征和多维时间特征，并将多维空间中的多维视频特征和多维时间特征进行特征关联处理以得到课堂视频特征时序序列；
特征级联模块对课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列中对应时间段的课堂音频特征、课堂文字特征和课堂视频特征进行特征级联以得到课堂级联特征时序序列；
特征级联模块根据课堂级联特征时序序列得到课堂级联特征时序向量，并将课堂级联特征时序向量中的每个课堂级联向量进行正交变换，并将正交变换后的课堂级联向量按照方差递减的顺序进行排序并选取方差大于阈值的课堂级联向量进行处理以到课堂氛围特征向量；
课堂氛围分析模块根据课堂氛围特征向量进行课堂氛围分析生成课堂氛围数据，并将其发送到相应教师终端。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明保护的范围之内。

Claims (9)

1.一种基于大数据和智慧教育的课堂质量管理方法，其特征在于，接收教师终端发送的课堂氛围分析请求，并根据所述课堂氛围分析请求中目标课程的课程标识符获取目标课程的课堂视频数据和课堂音频数据；
根据课堂音频数据得到课堂音频特征时序序列，并提取课堂音频数据的课堂文字数据和时间序列信号，然后根据时间序列信号对课堂文字数据进行处理以得到课堂文字特征时序序列；
提取课堂视频数据的课堂视频特征和时间序列信号，并分别将课堂视频特征和时间序列信号映射到多维空间以得到多维视频特征和多维时间特征，然后将多维空间中的多维视频特征和多维时间特征进行特征关联处理以得到课堂视频特征时序序列；
对课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列中对应时间段的课堂音频特征、课堂文字特征和课堂视频特征进行特征级联以得到课堂级联特征时序序列；
根据课堂级联特征时序序列得到课堂级联特征时序向量，并将课堂级联特征时序向量中的每个课堂级联向量进行正交变换，然后将正交变换后的课堂级联向量按照方差递减的顺序进行排序并选取方差大于阈值的课堂级联向量进行处理以到课堂氛围特征向量；
根据课堂氛围特征向量进行分析生成课堂氛围数据，并将其发送到相应教师终端。
2.根据权利要求1所述的方法，其特征在于，所述课堂氛围分析请求包括目标课程的课程标识符、授课时间、授课地点、授课教师和课程名称；所述课程标识符用于对课程进行唯一标识。
3.根据权利要求1或2所述的方法，其特征在于，所述根据课堂音频数据得到课堂音频时序序列包括：
根据课堂音频数据得到课堂音频序列，并提取课堂音频序列中每个音频的声学特征；
去除所述声学特征中的冗余情感信息以得到每个音频的标准声学特征；
根据高斯混合模型和时间序列信号将课堂音频序列的所有标准声学特征按照时间顺序进行特征合并以得到课堂音频特征时序序列。
4.根据权利要求3所述的方法，其特征在于，根据课堂音频数据得到课堂音频序列包括：
对课堂音频数据进行信号转换处理得到课堂音频信号，并提取课堂音频数据的时间序列信号；
对时间序列信号和课堂音频信号进行信号融合处理以得到课堂音频序列。
5.根据权利要求4所述的方法，其特征在于，对课堂音频数据进行信号转换处理得到课堂音频信号包括：
对课堂音频数据进行下采样和量化操作，并对下采样和量化后的课堂音频数据进行滤波处理以得到第一课堂音频预信号；
通过对信号分割窗口函数和信号分割窗口对第一课堂音频预信号进行信号分割以得到第二课堂音频预信号；
识别第二课堂音频预信号的第一端点和第二端点，并提取出第二课堂音频预信号有声片段以得到课堂音频信号，所述第一端点为第二课堂音频预信号中有声片段的起点，第二端点为第二课堂音频预信号中有声片段的终点。
6.根据权利要求1至5之一所述的方法，其特征在于，根据时间序列信号对课堂文字数据进行处理以得到课堂文字特征时序序列包括：
将课堂文字数据进行分词，并提取每个分词的语义特征以得到每个分词的词向量；
将所有词向量进行处理进行文字特征矩阵；
将文字特征矩阵中的文本特征映射到高维特征空间，并提取时间序列信号的时间特征；
将时间序列信号的时间特征映射到与文本特征维数相同的高维特征空间；
将文本特征与时间特征在所述高维特征空间中进行关联以得到课堂文字特征时序序列。
7.根据权利要求6所述的方法，其特征在于，根据课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列得到课堂级联特征时序序列包括：
分别识别课堂音频特征时序序列、课堂文字特征时序序列和课堂视频特征时序序列中对应时间段的课堂音频特征、课堂文字特征和课堂视频特征；
将对应时间段的课堂音频特征、课堂文字特征和课堂视频特征进行组合并将其联合成向量以得到课堂联合向量；
将所有时间段的课堂联合向量进行处理以得到课堂级联特征时序序列。
8.根据权利要求7所述的方法，其特征在于，所述课堂氛围数据包括课堂情绪分布数据、课堂活跃度数据和学生专注度数据。
9.根据权利要求8所述的方法，其特征在于，所述课堂音频序列包括若干个课堂音频，课堂音频为包含时间信息的音频数据。
CN202210031571.6A 2022-01-12 2022-01-12 基于大数据和智慧教育的课堂质量管理方法 Pending CN114511424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210031571.6A CN114511424A (zh) 2022-01-12 2022-01-12 基于大数据和智慧教育的课堂质量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210031571.6A CN114511424A (zh) 2022-01-12 2022-01-12 基于大数据和智慧教育的课堂质量管理方法

Publications (1)

Publication Number Publication Date
CN114511424A true CN114511424A (zh) 2022-05-17

Family

ID=81550062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210031571.6A Pending CN114511424A (zh) 2022-01-12 2022-01-12 基于大数据和智慧教育的课堂质量管理方法

Country Status (1)

Country Link
CN (1) CN114511424A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195892A (zh) * 2023-11-08 2023-12-08 山东十二学教育科技有限公司 一种基于大数据的课堂教学评测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195892A (zh) * 2023-11-08 2023-12-08 山东十二学教育科技有限公司 一种基于大数据的课堂教学评测方法及系统
CN117195892B (zh) * 2023-11-08 2024-01-26 山东十二学教育科技有限公司 一种基于大数据的课堂教学评测方法及系统

Similar Documents

Publication Publication Date Title
CN109658928B (zh) 一种家庭服务机器人云端多模态对话方法、装置及系统
CN112115706B (zh) 文本处理方法、装置、电子设备及介质
WO2019095586A1 (zh) 会议纪要生成方法、应用服务器及计算机可读存储介质
CN109388701A (zh) 会议记录生成方法、装置、设备和计算机存储介质
WO2020134571A1 (zh) 页面展示方法、装置、终端设备及存储介质
WO2021218028A1 (zh) 基于人工智能的面试内容精炼方法、装置、设备及介质
CN107992195A (zh) 一种教学内容的处理方法、装置、服务器及存储介质
CN102855317B (zh) 一种基于演示视频的多模式索引方法及系统
CN110321409B (zh) 基于人工智能的辅助面试方法、装置、设备及存储介质
CN113590850A (zh) 多媒体数据的搜索方法、装置、设备及存储介质
CN109410918B (zh) 用于获取信息的方法及装置
CN112417158A (zh) 文本数据分类模型的训练方法、分类方法、装置和设备
CN111816170B (zh) 一种音频分类模型的训练和垃圾音频识别方法和装置
CN114866807A (zh) 虚拟形象视频生成方法、装置、电子设备及可读存储介质
CN108710653B (zh) 一种绘本朗读点播方法、装置及系统
CN114885216B (zh) 习题推送方法、系统、电子设备和存储介质
CN114511424A (zh) 基于大数据和智慧教育的课堂质量管理方法
CN110647613A (zh) 一种课件构建方法、装置、服务器和存储介质
CN111400463B (zh) 对话响应方法、装置、设备和介质
CN113301382B (zh) 视频处理方法、设备、介质及程序产品
CN111695763B (zh) 一种基于语音问答的排产排程系统及方法
CN110070869B (zh) 语音教学互动生成方法、装置、设备和介质
CN113393841A (zh) 语音识别模型的训练方法、装置、设备及存储介质
WO2022156468A1 (zh) 模型数据处理方法、装置、电子设备以及计算机可读介质
CN115623134A (zh) 会议音频处理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220517