CN114529987A - 高校用基于云数据在线教育的智能教学监测装置及方法 - Google Patents
高校用基于云数据在线教育的智能教学监测装置及方法 Download PDFInfo
- Publication number
- CN114529987A CN114529987A CN202210139901.3A CN202210139901A CN114529987A CN 114529987 A CN114529987 A CN 114529987A CN 202210139901 A CN202210139901 A CN 202210139901A CN 114529987 A CN114529987 A CN 114529987A
- Authority
- CN
- China
- Prior art keywords
- behavior
- acquiring
- preset
- behaviors
- node
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012806 monitoring device Methods 0.000 title claims abstract description 19
- 230000006399 behavior Effects 0.000 claims abstract description 400
- 230000002452 interceptive effect Effects 0.000 claims description 116
- 238000012216 screening Methods 0.000 claims description 37
- 238000005516 engineering process Methods 0.000 claims description 29
- 230000003828 downregulation Effects 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 24
- 239000000203 mixture Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000003111 delayed effect Effects 0.000 abstract 1
- 230000009471 action Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种高校用基于云数据在线教育的智能教学监测装置及方法，其中，装置包括：获取模块，用于当第一学生进入在线课堂后，获取第一学生的第一人物视频图像，同时，获取云数据；确定模块，用于基于第一人物视频图像，确定第一学生的当前行为；匹配模块，用于将当前行为与云数据中的第一非标准行为进行匹配；提醒模块，用于若匹配符合，对第一学生进行相应提醒。本发明的基于云数据在线教育的智能教学监测装置，当学生进入在线课堂后，确定其当前行为，并与云数据中的非标准行为进行匹配，若匹配符合，对大学生及时进行提醒，无需教师人工监督，帮助其更专心地讲课，无需教师人工提醒，避免了耽误课堂时间和分散其他同学的注意力的问题发生。
Description
技术领域
本发明涉及行为监测技术领域，特别涉及一种高校用基于云数据在线教育的智能教学监测装置及方法。
背景技术
目前，大学生参加在线教育时，均是进入预约科目的在线课堂，在线课堂主要基于视频会议的形式实现；当教师在在线课堂内上课时，均是人工监督听课学生是否认真，若否，人工进行相应提醒；但是，人工监督会耗费教师原本可以更多投入讲课中的精力，人工提醒还会耽误课堂时间，分散其他同学的注意力。
发明内容
本发明目的之一在于提供了一种高校用基于云数据在线教育的智能教学监测装置及方法，当学生进入在线课堂(开课)后，确定其当前行为，并与云数据中的非标准行为进行匹配，若匹配符合，对大学生及时进行提醒，无需教师人工监督，帮助其更专心地讲课，也无需教师人工提醒，避免了耽误课堂时间和分散其他同学的注意力的问题发生。
本发明实施例提供的一种高校用基于云数据在线教育的智能教学监测装置，包括：
获取模块，用于当第一学生进入在线课堂后，获取所述第一学生的第一人物视频图像，同时，获取云数据；
确定模块，用于基于所述第一人物视频图像，确定所述第一学生的当前行为；
匹配模块，用于将所述当前行为与所述云数据中的第一非标准行为进行匹配；
提醒模块，用于若匹配符合，对所述第一学生进行相应提醒。
优选的，获取云数据，包括：
获取预设的云节点集，所述云节点集包括：多个第一云节点；
查询预设的节点行为库，确定所述第一云节点历史上产生的多个第一节点行为；
查询预设的节点行为-风险值库，确定所述第一节点行为对应的第一风险值；
获取预设的风险值阈值；
根据预设的区间制定规则，基于所述风险值阈值，制定风险值筛选区间；
若所述第一风险值大于所述风险值阈值且未落在所述风险值筛选区间内，将对应所述第一节点行为作为第二节点行为；
若所述第一风险值落在所述风险值筛选区间内，将对应所述第一节点行为作为第三节点行为；
查询预设的节点行为-行为事件库，确定所述第三节点行为对应的行为事件；
获取预设的模拟空间；
获取预设的模拟模型，基于所述模拟模型，在所述模拟空间内模拟发生所述行为事件；
在模拟发生所述行为事件的过程中，获取预设的风险识别模型，识别模拟发生所述行为事件的过程的第二风险值；
若所述第二风险值大于等于所述风险值阈值，将对应所述第三节点行为作为第四节点行为；
统计所述第三节点行为和所述第四节点行为的第一总数目；
若所述第一总数目大于等于预设的数目阈值，剔除对应所述第一云节点；
当需要剔除的所述第一云节点均剔除后，将剔除剩余的所述第一云节点作为第二云节点；
获取所述第二云节点对应的信用信息；
将所述信用信息拆分成多个第一信息项；
获取所述第一信息项的第一产生时间点；
建立第一轴线，基于所述第一产生时间点，将所述第一信息项对应设置于所述第一轴线上；
对所述第一信息项进行特征提取，获得多个第一特征；
获取预设的不良特征库，将所述第一特征与所述不良特征库中的第二特征进行匹配，若匹配符合，将对应所述第一信息项作为第二信息项，同时，获取匹配符合的所述第二特征对应的至少一个筛选信息；
获取预设的使用记录信息；
将所述使用记录信息拆分成多个第一记录项；
获取所述第一记录下的第二产生时间点；
建立第二轴线，基于所述第二产生时间点，将所述第一记录项对应设置于所述第二轴线上；
确定所述第二信息项在所述第一轴线上的第一点位；
确定所述第二轴线上对应于所述第一点位的第二点位；
提取对应所述筛选信息中的查询方向、查询范围和查询特征；
确定所述第二轴线上所述第二点位的所述查询方向上所述查询范围内的所述第一记录项，并作为第二记录项；
对所述第二记录项进行特征提取，获得多个第三特征；
将所述第三特征与所述查询特征进行匹配，若匹配符合，获取匹配符合的查询特征对应的影响值，并与对应所述第二云节点进行关联；
累加计算所述第二云节点关联的所述影响值，获得影响值和；
若所述影响值和大于等于预设的影响值和阈值，剔除对应所述第二云节点；
当需要剔除的所述第二云节点均剔除后，将剔除剩余的所述第二云节点作为第三云节点；
通过所述第三云节点获取目标数据；
整合各个所述目标数据，获得云数据，完成获取。
优选的，所述确定模块执行如下操作：
基于人脸识别技术，识别所述第一人物视频图像中是否存在所述第一学生；
若是，基于行为识别技术，识别所述第一人物视频图像中对应于所述第一学生的当前行为，完成确定。
优选的，所述提醒模块执行如下操作：
获取匹配符合的所述第一非标准行为，并作为第二非标准行为；
构建非标准行为-提醒方式库，查询所述非标准行为-提醒方式库，确定所述第二非标准行为对应的第一提醒方式；
基于所述第二提醒方式，对所述第一学生进行相应提醒。
优选的，构建非标准行为-提醒方式库，包括：
获取预设的非标准行为集，所述非标准行为集包括：多个第三非标准行为；
获取预设的提醒方式集，所述提醒方式集包括：多个第二提醒方式；
随机建立一个查询组合，所述查询组合包括：所述第三非标准行为和所述第二提醒方式；
查询预设的查询组合-提醒记录库，确定所述查询组合对应的多个提醒记录；
将所述提醒记录拆分成多个第三记录项；
获取所述第三记录项对应的第三产生时间点；
建立第三轴线，基于所述第三产生时间点，将所述第三记录项对应设置于所述第三轴线上；
获取所述提醒记录对应的提醒时间点；
确定所述第三轴线上对应于所述提醒时间点的第三点位；
确定所述第三轴线上所述第三点位之后预设的第一范围内的所述第三记录项，并作为第四记录项；
提取所述第四记录项中对应于教师的第二人物视频图像；
基于所述行为识别技术，识别所述第二人物视频图像中对应于所述教师的多个第一教学行为；
获取预设的互动教学行为库，将所述第一教学行为与所述互动教学行为库中的第一互动教学行为进行匹配，若匹配符合，将匹配符合的所述第一教学行为作为第二教学行为，同时，将匹配符合的所述第一互动教学行为作为第二互动教学行为；
获取所述第二教学行为的行为时间点；
确定所述第三轴线上对应于所述行为时间点的第四点位；
确定所述第三轴线上所述第四点位之后预设的第二范围的所述第四记录项，并作为第五记录项；
提取所述第五记录项中对应于第二学生的第三人物视频图像；
基于行为识别技术，识别所述第三人物视频图像中所述第二学生的多个第一上课行为；
获取所述第二互动教学行为对应的上课互动反馈行为；
获取所述上课互动反馈行为的组成类型，所述组成类型包括：单一行为和组合行为；
当所述上课互动反馈行为的组成类型为单一行为时，将所述第一上课行为和对应所述上课互动反馈行为进行匹配，若匹配符合，获取预设的第一评分，并与对应所述查询组进行关联；
当所述上课互动反馈行为的组成类型为组合行为时，将对应所述上课互动反馈行为拆分成多个第一互动反馈子行为；
将所述第一上课行为与所述第一互动反馈子行为进行匹配，若匹配符合，将对应所述第一互动反馈子行为作为第二互动反馈子行为；
统计所述第一互动反馈子行为中除所述第二互动反馈子行为之外的第三互动反馈子行为的第二总数目，同时，统计所述第一互动反馈子行为的第三总数目；
计算所述第二总数目和所述第三总数目的比值；
获取所述比值对应的下调幅度值，基于所述下调幅度值，对所述第一评分进行下调，获得第二评分，并与对应所述查询组进行关联；
若所述第一教学行为与所述第一互动教学行为均不匹配，提取所述第四记录项中对应于第三学生的第四人物视频图像；
基于行为识别技术，识别所述第四人物视频图像中对应于所述第三学生的第二上课行为；
基于注意力分析技术，对所述第二上课行为进行注意力分析，获得第三评分；
累加所述查询组关联的所述第一评分、第二评分和所述第三评分，获得评分和；
将最大所述评分和对应的所述查询组作为配对组；
获取预设的基础数据库，将所述配对组输入至所述基础数据库中；
当需要输入至所述基础数据库中的所述配对组均输入后，将所述基础数据库作为非标准行为-提醒方式库，完成构建。
本发明实施例提供的一种高校用基于云数据在线教育的智能教学监测方法，包括：
步骤S1：当第一学生进入在线课堂后，获取所述第一学生的第一人物视频图像，同时，获取云数据；
步骤S2：基于所述第一人物视频图像，确定所述第一学生的当前行为；
步骤S3：将所述当前行为与所述云数据中的第一非标准行为进行匹配；
步骤S4：若匹配符合，对所述第一学生进行相应提醒。
优选的，所述步骤S1中，获取云数据，包括：
获取预设的云节点集，所述云节点集包括：多个第一云节点；
查询预设的节点行为库，确定所述第一云节点历史上产生的多个第一节点行为；
查询预设的节点行为-风险值库，确定所述第一节点行为对应的第一风险值；
获取预设的风险值阈值；
根据预设的区间制定规则，基于所述风险值阈值，制定风险值筛选区间；
若所述第一风险值大于所述风险值阈值且未落在所述风险值筛选区间内，将对应所述第一节点行为作为第二节点行为；
若所述第一风险值落在所述风险值筛选区间内，将对应所述第一节点行为作为第三节点行为；
查询预设的节点行为-行为事件库，确定所述第三节点行为对应的行为事件；
获取预设的模拟空间；
获取预设的模拟模型，基于所述模拟模型，在所述模拟空间内模拟发生所述行为事件；
在模拟发生所述行为事件的过程中，获取预设的风险识别模型，识别模拟发生所述行为事件的过程的第二风险值；
若所述第二风险值大于等于所述风险值阈值，将对应所述第三节点行为作为第四节点行为；
统计所述第三节点行为和所述第四节点行为的第一总数目；
若所述第一总数目大于等于预设的数目阈值，剔除对应所述第一云节点；
当需要剔除的所述第一云节点均剔除后，将剔除剩余的所述第一云节点作为第二云节点；
获取所述第二云节点对应的信用信息；
将所述信用信息拆分成多个第一信息项；
获取所述第一信息项的第一产生时间点；
建立第一轴线，基于所述第一产生时间点，将所述第一信息项对应设置于所述第一轴线上；
对所述第一信息项进行特征提取，获得多个第一特征；
获取预设的不良特征库，将所述第一特征与所述不良特征库中的第二特征进行匹配，若匹配符合，将对应所述第一信息项作为第二信息项，同时，获取匹配符合的所述第二特征对应的至少一个筛选信息；
获取预设的使用记录信息；
将所述使用记录信息拆分成多个第一记录项；
获取所述第一记录下的第二产生时间点；
建立第二轴线，基于所述第二产生时间点，将所述第一记录项对应设置于所述第二轴线上；
确定所述第二信息项在所述第一轴线上的第一点位；
确定所述第二轴线上对应于所述第一点位的第二点位；
提取对应所述筛选信息中的查询方向、查询范围和查询特征；
确定所述第二轴线上所述第二点位的所述查询方向上所述查询范围内的所述第一记录项，并作为第二记录项；
对所述第二记录项进行特征提取，获得多个第三特征；
将所述第三特征与所述查询特征进行匹配，若匹配符合，获取匹配符合的查询特征对应的影响值，并与对应所述第二云节点进行关联；
累加计算所述第二云节点关联的所述影响值，获得影响值和；
若所述影响值和大于等于预设的影响值和阈值，剔除对应所述第二云节点；
当需要剔除的所述第二云节点均剔除后，将剔除剩余的所述第二云节点作为第三云节点；
通过所述第三云节点获取目标数据；
整合各个所述目标数据，获得云数据，完成获取。
优选的，步骤S2：基于所述第一人物视频图像，确定所述第一学生的当前行为，包括：
基于人脸识别技术，识别所述第一人物视频图像中是否存在所述第一学生；
若是，基于行为识别技术，识别所述第一人物视频图像中对应于所述第一学生的当前行为，完成确定。
优选的，步骤S4：若匹配符合，对所述第一学生进行相应提醒，包括：
获取匹配符合的所述第一非标准行为，并作为第二非标准行为；
构建非标准行为-提醒方式库，查询所述非标准行为-提醒方式库，确定所述第二非标准行为对应的第一提醒方式；
基于所述第二提醒方式，对所述第一学生进行相应提醒。
优选的，构建非标准行为-提醒方式库，包括：
获取预设的非标准行为集，所述非标准行为集包括：多个第三非标准行为；
获取预设的提醒方式集，所述提醒方式集包括：多个第二提醒方式；
随机建立一个查询组合，所述查询组合包括：所述第三非标准行为和所述第二提醒方式；
查询预设的查询组合-提醒记录库，确定所述查询组合对应的多个提醒记录；
将所述提醒记录拆分成多个第三记录项；
获取所述第三记录项对应的第三产生时间点；
建立第三轴线，基于所述第三产生时间点，将所述第三记录项对应设置于所述第三轴线上；
获取所述提醒记录对应的提醒时间点；
确定所述第三轴线上对应于所述提醒时间点的第三点位；
确定所述第三轴线上所述第三点位之后预设的第一范围内的所述第三记录项，并作为第四记录项；
提取所述第四记录项中对应于教师的第二人物视频图像；
基于所述行为识别技术，识别所述第二人物视频图像中对应于所述教师的多个第一教学行为；
获取预设的互动教学行为库，将所述第一教学行为与所述互动教学行为库中的第一互动教学行为进行匹配，若匹配符合，将匹配符合的所述第一教学行为作为第二教学行为，同时，将匹配符合的所述第一互动教学行为作为第二互动教学行为；
获取所述第二教学行为的行为时间点；
确定所述第三轴线上对应于所述行为时间点的第四点位；
确定所述第三轴线上所述第四点位之后预设的第二范围的所述第四记录项，并作为第五记录项；
提取所述第五记录项中对应于第二学生的第三人物视频图像；
基于行为识别技术，识别所述第三人物视频图像中所述第二学生的多个第一上课行为；
获取所述第二互动教学行为对应的上课互动反馈行为；
获取所述上课互动反馈行为的组成类型，所述组成类型包括：单一行为和组合行为；
当所述上课互动反馈行为的组成类型为单一行为时，将所述第一上课行为和对应所述上课互动反馈行为进行匹配，若匹配符合，获取预设的第一评分，并与对应所述查询组进行关联；
当所述上课互动反馈行为的组成类型为组合行为时，将对应所述上课互动反馈行为拆分成多个第一互动反馈子行为；
将所述第一上课行为与所述第一互动反馈子行为进行匹配，若匹配符合，将对应所述第一互动反馈子行为作为第二互动反馈子行为；
统计所述第一互动反馈子行为中除所述第二互动反馈子行为之外的第三互动反馈子行为的第二总数目，同时，统计所述第一互动反馈子行为的第三总数目；
计算所述第二总数目和所述第三总数目的比值；
获取所述比值对应的下调幅度值，基于所述下调幅度值，对所述第一评分进行下调，获得第二评分，并与对应所述查询组进行关联；
若所述第一教学行为与所述第一互动教学行为均不匹配，提取所述第四记录项中对应于第三学生的第四人物视频图像；
基于行为识别技术，识别所述第四人物视频图像中对应于所述第三学生的第二上课行为；
基于注意力分析技术，对所述第二上课行为进行注意力分析，获得第三评分；
累加所述查询组关联的所述第一评分、第二评分和所述第三评分，获得评分和；
将最大所述评分和对应的所述查询组作为配对组；
获取预设的基础数据库，将所述配对组输入至所述基础数据库中；
当需要输入至所述基础数据库中的所述配对组均输入后，将所述基础数据库作为非标准行为-提醒方式库，完成构建。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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。
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。在附图中：
图1为本发明实施例中一种高校用基于云数据在线教育的智能教学监测装置的示意图；
图2为本发明实施例中一种高校用基于云数据在线教育的智能教学监测方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种高校用基于云数据在线教育的智能教学监测装置，如图1所示，包括：
获取模块1，用于当第一学生进入在线课堂后，获取所述第一学生的第一人物视频图像，同时，获取云数据；
确定模块2，用于基于所述第一人物视频图像，确定所述第一学生的当前行为；
匹配模块3，用于将所述当前行为与所述云数据中的第一非标准行为进行匹配；
提醒模块4，用于若匹配符合，对所述第一学生进行相应提醒。
上述技术方案的工作原理及有益效果为：
当大学生进入在线课堂后，获取大学生的第一人物视频图像，由大学生使用的智能终端(例如：智能手机、电脑等上的摄像头)采集，同时，获取云数据(大量不同大学生的上课不认真行为数据)；基于第一人物视频图像，确定第一学生的当前行为，并与云数据中的第一非标准行为进行匹配，若匹配符合，对第一学生进行相应提醒；
本发明实施例当学生进入在线课堂(开课)后，确定其当前行为，并与云数据中的非标准行为进行匹配，若匹配符合，对大学生及时进行提醒，无需教师人工监督，帮助其更专心地讲课，也无需教师人工提醒，避免了耽误课堂时间和分散其他同学的注意力的问题发生。
本发明实施例提供了一种高校用基于云数据在线教育的智能教学监测装置，获取云数据，包括：
获取预设的云节点集，所述云节点集包括：多个第一云节点；
查询预设的节点行为库，确定所述第一云节点历史上产生的多个第一节点行为；
查询预设的节点行为-风险值库，确定所述第一节点行为对应的第一风险值；
获取预设的风险值阈值；
根据预设的区间制定规则，基于所述风险值阈值，制定风险值筛选区间；
若所述第一风险值大于所述风险值阈值且未落在所述风险值筛选区间内，将对应所述第一节点行为作为第二节点行为；
若所述第一风险值落在所述风险值筛选区间内，将对应所述第一节点行为作为第三节点行为；
查询预设的节点行为-行为事件库，确定所述第三节点行为对应的行为事件；
获取预设的模拟空间；
获取预设的模拟模型，基于所述模拟模型，在所述模拟空间内模拟发生所述行为事件；
在模拟发生所述行为事件的过程中，获取预设的风险识别模型，识别模拟发生所述行为事件的过程的第二风险值；
若所述第二风险值大于等于所述风险值阈值，将对应所述第三节点行为作为第四节点行为；
统计所述第三节点行为和所述第四节点行为的第一总数目；
若所述第一总数目大于等于预设的数目阈值，剔除对应所述第一云节点；
当需要剔除的所述第一云节点均剔除后，将剔除剩余的所述第一云节点作为第二云节点；
获取所述第二云节点对应的信用信息；
将所述信用信息拆分成多个第一信息项；
获取所述第一信息项的第一产生时间点；
建立第一轴线，基于所述第一产生时间点，将所述第一信息项对应设置于所述第一轴线上；
对所述第一信息项进行特征提取，获得多个第一特征；
获取预设的不良特征库，将所述第一特征与所述不良特征库中的第二特征进行匹配，若匹配符合，将对应所述第一信息项作为第二信息项，同时，获取匹配符合的所述第二特征对应的至少一个筛选信息；
获取预设的使用记录信息；
将所述使用记录信息拆分成多个第一记录项；
获取所述第一记录下的第二产生时间点；
建立第二轴线，基于所述第二产生时间点，将所述第一记录项对应设置于所述第二轴线上；
确定所述第二信息项在所述第一轴线上的第一点位；
确定所述第二轴线上对应于所述第一点位的第二点位；
提取对应所述筛选信息中的查询方向、查询范围和查询特征；
确定所述第二轴线上所述第二点位的所述查询方向上所述查询范围内的所述第一记录项，并作为第二记录项；
对所述第二记录项进行特征提取，获得多个第三特征；
将所述第三特征与所述查询特征进行匹配，若匹配符合，获取匹配符合的查询特征对应的影响值，并与对应所述第二云节点进行关联；
累加计算所述第二云节点关联的所述影响值，获得影响值和；
若所述影响值和大于等于预设的影响值和阈值，剔除对应所述第二云节点；
当需要剔除的所述第二云节点均剔除后，将剔除剩余的所述第二云节点作为第三云节点；
通过所述第三云节点获取目标数据；
整合各个所述目标数据，获得云数据，完成获取。
上述技术方案的工作原理及有益效果为：
获取云数据时，获取第一云节点(对应一个云数据收集方，即收集大学生上课时不认真的行为数据)，确定第一云节点历史上产生的多个第一节点行为(例如：从某教育机构网站爬取)，并确定第一节点行为对应的第一风险值，第一风险值越大，行为的风险越大，根据预设的区间制定规则(例如：风险值阈值为7，制定区间为[5,8])，基于风险值阈值，制定风险值筛选区间；若第一风险值大于风险值阈值且未落在该风险值筛选区间内，说明风险情况明显，将对应第一节点行为作为第二节点行为；若第一风险值落在该风险值筛选区间内，说明风险情况不明显，需要进一步进行风险校验，将对应第一节点行为作为第三节点行为；确定第三节点行为对应的行为事件(云节点产生该节点行为的前后过程记录)，基于预设的模拟模型(预先训练的模型，用于进行事件模拟)，在预设的模拟空间内发生行为事件，在发生过程中，基于预设的风险识别模型(预先训练的模型，用于进行风险识别)，识别第二风险值，若第二风险值仍大于等于风险值阈值，说明的确行为风险较大，作为第四节点行为；统计第三节点行为和第四节点行为的第一总数目，若第一总数目较大，说明历史行为风险较大，剔除对应第一云节点；获取剔除剩余的第二云节点的信用信息(历史上收集的数据的可信程度信息和虚假程度信息等)，拆分成多个第一信息项，在第一轴线上(时间线)对应设置，提取出第一信息项的第一特征，并与预设的不良特征库中的第二特征(不良信用特征)进行匹配，若匹配符合，将对应第一信息项作为第二信息项，获取匹配符合的第二特征对应的筛选信息，筛选信息包含查询方向(例如：后)、查询范围(500秒内)和查询特征(表示不良信用造成影响的特征)；将预设的使用记录信息(使用云数据的记录信息，例如：用于进行某大学生上课行为是否认真的判定)，拆分成多个第一记录项，对应设置于第二轴线上；基于筛选信息，确定第二记录项，提取出第三特征，与查询特征进行匹配，若匹配符合，不良信用造成影响坐实，获取对应影响值；累加计算第二云节点关联的影响值，获得影响值和；若影响值和过大，剔除对应第二云节点；通过剔除剩余的第三云节点获取目标数据，整合各目标数据即获得云数据；
本发明实施例在获取云数据时，设置多个云节点，提升了云数据获取的全面性，提升了系统判断大学生上网课时的当前行为是否合格的能力；基于云节点产生的历史节点行为的风险情况和信用情况，对云节点进行筛选，保证云数据获取的质量，提升了云数据获取的精准性；基于历史节点行为对云节点进行筛选时，当风险不明确时(一般地，节点行为-风险值库的构建均是人工凭借风险判定经验进行构建，在构建时，人工还可以主观上判定风险不明确，将风险值标定于靠近风险值阈值)，进一步进行模拟风险校验，提升了筛选的筛选质量；在基于信用情况对云节点进行筛选时，设置筛选信息，基于其可以快速确定影响是否坐实，提升了筛选效率。
本发明实施例提供了一种高校用基于云数据在线教育的智能教学监测装置，所述确定模块2执行如下操作：
基于人脸识别技术，识别所述第一人物视频图像中是否存在所述第一学生；
若是，基于行为识别技术，识别所述第一人物视频图像中对应于所述第一学生的当前行为，完成确定。
上述技术方案的工作原理及有益效果为：
在确定大学生的当前行为时，首先基于人脸识别技术，识别人物视频图像中是否存在第一学生，若是，基于行为识别技术，识别其当前行为；
本发明实施例首先识别人物视频图像中是否存在第一学生，若是，再识别其当前行为，防止误识别。
本发明实施例提供了一种高校用基于云数据在线教育的智能教学监测装置，所述提醒模块4执行如下操作：
获取匹配符合的所述第一非标准行为，并作为第二非标准行为；
构建非标准行为-提醒方式库，查询所述非标准行为-提醒方式库，确定所述第二非标准行为对应的第一提醒方式；
基于所述第二提醒方式，对所述第一学生进行相应提醒。
上述技术方案的工作原理及有益效果为：
在对第一学生进行相应提醒时，确定匹配符合的第二非标准行为(例如：看手机)，查询构建的非标准行为-提醒方式库，确定对应第一提醒方式(例如：持续5秒语音提醒学生集中注意力)，基于第一提醒方式，对第一学生进行相应提醒；
本发明实施例在对第一学生进行提醒时，查库确定适宜的第一提醒方式，直接进行相应提醒，提升了提醒效率。
本发明实施例提供了一种高校用基于云数据在线教育的智能教学监测装置，构建非标准行为-提醒方式库，包括：
获取预设的非标准行为集，所述非标准行为集包括：多个第三非标准行为；
获取预设的提醒方式集，所述提醒方式集包括：多个第二提醒方式；
随机建立一个查询组合，所述查询组合包括：所述第三非标准行为和所述第二提醒方式；
查询预设的查询组合-提醒记录库，确定所述查询组合对应的多个提醒记录；
将所述提醒记录拆分成多个第三记录项；
获取所述第三记录项对应的第三产生时间点；
建立第三轴线，基于所述第三产生时间点，将所述第三记录项对应设置于所述第三轴线上；
获取所述提醒记录对应的提醒时间点；
确定所述第三轴线上对应于所述提醒时间点的第三点位；
确定所述第三轴线上所述第三点位之后预设的第一范围内的所述第三记录项，并作为第四记录项；
提取所述第四记录项中对应于教师的第二人物视频图像；
基于所述行为识别技术，识别所述第二人物视频图像中对应于所述教师的多个第一教学行为；
获取预设的互动教学行为库，将所述第一教学行为与所述互动教学行为库中的第一互动教学行为进行匹配，若匹配符合，将匹配符合的所述第一教学行为作为第二教学行为，同时，将匹配符合的所述第一互动教学行为作为第二互动教学行为；
获取所述第二教学行为的行为时间点；
确定所述第三轴线上对应于所述行为时间点的第四点位；
确定所述第三轴线上所述第四点位之后预设的第二范围的所述第四记录项，并作为第五记录项；
提取所述第五记录项中对应于第二学生的第三人物视频图像；
基于行为识别技术，识别所述第三人物视频图像中所述第二学生的多个第一上课行为；
获取所述第二互动教学行为对应的上课互动反馈行为；
获取所述上课互动反馈行为的组成类型，所述组成类型包括：单一行为和组合行为；
当所述上课互动反馈行为的组成类型为单一行为时，将所述第一上课行为和对应所述上课互动反馈行为进行匹配，若匹配符合，获取预设的第一评分，并与对应所述查询组进行关联；
当所述上课互动反馈行为的组成类型为组合行为时，将对应所述上课互动反馈行为拆分成多个第一互动反馈子行为；
将所述第一上课行为与所述第一互动反馈子行为进行匹配，若匹配符合，将对应所述第一互动反馈子行为作为第二互动反馈子行为；
统计所述第一互动反馈子行为中除所述第二互动反馈子行为之外的第三互动反馈子行为的第二总数目，同时，统计所述第一互动反馈子行为的第三总数目；
计算所述第二总数目和所述第三总数目的比值；
获取所述比值对应的下调幅度值，基于所述下调幅度值，对所述第一评分进行下调，获得第二评分，并与对应所述查询组进行关联；
若所述第一教学行为与所述第一互动教学行为均不匹配，提取所述第四记录项中对应于第三学生的第四人物视频图像；
基于行为识别技术，识别所述第四人物视频图像中对应于所述第三学生的第二上课行为；
基于注意力分析技术，对所述第二上课行为进行注意力分析，获得第三评分；
累加所述查询组关联的所述第一评分、第二评分和所述第三评分，获得评分和；
将最大所述评分和对应的所述查询组作为配对组；
获取预设的基础数据库，将所述配对组输入至所述基础数据库中；
当需要输入至所述基础数据库中的所述配对组均输入后，将所述基础数据库作为非标准行为-提醒方式库，完成构建。
上述技术方案的工作原理及有益效果为：
在构建非标准行为-提醒方式库，获取第三非标准行为(不同大学生上网课时会出现的上课不认真行为)，同时，获取第二提醒方式(不同提醒学生上网课集中注意力的提醒方式)；将第三非标准行为和第二提醒方式进行随机配对，建立查询组合；确定查询组合对应的提醒记录(历史上学生进行提醒的记录，被提醒学生产生第三非标准行为，提醒方式为对应第二提醒方式，提醒记录可来源于本地，也可来源于其他教育机构)；将提醒记录拆分成多个第三记录项，并对应设置于第三轴线上；获取提醒时间点(记录中对大学生进行提醒的时间点)，并确定对应第三点位；确定第三点位之后预设的第一范围(例如：2秒)内的第四记录项，提取出教师的第二人物视频图像，识别出第一教学行为，将其与预设的互动教学行为库中的第一互动教学行为(例如：舞蹈教学中的跟学动作)进行匹配，若匹配符合，说明学生需要产生互动，获取匹配符合的第二教学行为的行为时间点(产生时间)，确定对应第四点位，确定第四点位之后预设的第二范围(例如：30秒)内的第五记录项，提取出第三人物视频图像，识别出第一上课行为；获取匹配符合的第二互动教学行为对应的上课互动反馈行为，上课互动反馈行为的组成类型分为单一行为(教师产生一个动作，学生跟做一个动作)和组合行为(教师产生一个动作，学生需产生多个动作，例如：教师比出某舞蹈代表手势，学生做出对应一系列舞蹈动作)；当上课互动反馈行为的组成类型为单一行为时，将对应第一上课行为与对应上课互动反馈行为进行匹配，若匹配符合，将对应查询组关联预设的第一评分(常数)；当上课互动反馈行为的组成类型为组合行为时，将对应上课互动反馈行为拆分成多个第一互动反馈子行为，将第一上课行为与第一互动反馈子行为进行匹配，统计第二总数目和第三总数目，计算比值，获取比值对应的下调幅度值(比值越小，跟做程度越低，被提醒效果较差，下调幅度值应越小)，基于下调幅度值，对第一评分进行下调，将下调后的第二评分与对应查询组进行关联；若第一教学行为与第一互动教学行为均不匹配，提取第四任务视频图像，识别第二上课行为，基于注意力分析技术，分析获得第三评分；累加查询组关联的第一评分、第二评分和第三评分，获得评分和；将最大评分和对应的查询组作为配对组输入基础数据库则可完成非标准行为-提醒方式库的构建；
本发明实施例在构建非标准行为-提醒方式库时，保证非标准行为有最优的提醒方式，提升了系统对大学生的提醒效果，同时，也更加智能化；在对查询组进行效果评价时，获取对应提醒记录，首先看教师是否产生互动，若是，学生应与教师互动，可以直接显示被提醒后的效果，系统可以捕捉到这一特殊记录情形，还根据反馈行为的组合类型的不同，分别进行相应验证，提升了对查询组进行效果评价的效率；当教师没有产生互动行为时，基于注意力进行分析，设置合理。
本发明实施例提供了一种高校用基于云数据在线教育的智能教学监测装置，基于所述下调幅度值，对所述第一评分进行下调，获得第二评分，包括：
其中，mark′为下调后的第二评分，mark为下调前的第一评分，σ为所述下调幅度值，J为预设的修正系数。
上述技术方案的工作原理及有益效果为：
公式中，下调幅度与下调后的第二评分呈负相关，设置合理；
本发明实施例通过上述公式快速基于下调幅度对第一评分进行下调，提升了系统的工作效率。
本发明实施例提供了一种高校用基于云数据在线教育的智能教学监测方法，如图2所示，包括：
步骤S1：当第一学生进入在线课堂后，获取所述第一学生的第一人物视频图像，同时，获取云数据；
步骤S2：基于所述第一人物视频图像，确定所述第一学生的当前行为；
步骤S3：将所述当前行为与所述云数据中的第一非标准行为进行匹配；
步骤S4：若匹配符合，对所述第一学生进行相应提醒。
上述技术方案的工作原理及有益效果在系统权利要求中已经说明，不再赘述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种高校用基于云数据在线教育的智能教学监测装置，其特征在于，包括：
获取模块，用于当第一学生进入在线课堂后，获取所述第一学生的第一人物视频图像，同时，获取云数据；
确定模块，用于基于所述第一人物视频图像，确定所述第一学生的当前行为；
匹配模块，用于将所述当前行为与所述云数据中的第一非标准行为进行匹配；
提醒模块，用于若匹配符合，对所述第一学生进行相应提醒。
2.如权利要求1所述的一种高校用基于云数据在线教育的智能教学监测装置，其特征在于，获取云数据，包括：
获取预设的云节点集，所述云节点集包括：多个第一云节点；
查询预设的节点行为库，确定所述第一云节点历史上产生的多个第一节点行为；
查询预设的节点行为-风险值库，确定所述第一节点行为对应的第一风险值；
获取预设的风险值阈值；
根据预设的区间制定规则，基于所述风险值阈值，制定风险值筛选区间；
若所述第一风险值大于所述风险值阈值且未落在所述风险值筛选区间内，将对应所述第一节点行为作为第二节点行为；
若所述第一风险值落在所述风险值筛选区间内，将对应所述第一节点行为作为第三节点行为；
查询预设的节点行为-行为事件库，确定所述第三节点行为对应的行为事件；
获取预设的模拟空间；
获取预设的模拟模型，基于所述模拟模型，在所述模拟空间内模拟发生所述行为事件；
在模拟发生所述行为事件的过程中，获取预设的风险识别模型，识别模拟发生所述行为事件的过程的第二风险值；
若所述第二风险值大于等于所述风险值阈值，将对应所述第三节点行为作为第四节点行为；
统计所述第三节点行为和所述第四节点行为的第一总数目；
若所述第一总数目大于等于预设的数目阈值，剔除对应所述第一云节点；
当需要剔除的所述第一云节点均剔除后，将剔除剩余的所述第一云节点作为第二云节点；
获取所述第二云节点对应的信用信息；
将所述信用信息拆分成多个第一信息项；
获取所述第一信息项的第一产生时间点；
建立第一轴线，基于所述第一产生时间点，将所述第一信息项对应设置于所述第一轴线上；
对所述第一信息项进行特征提取，获得多个第一特征；
获取预设的不良特征库，将所述第一特征与所述不良特征库中的第二特征进行匹配，若匹配符合，将对应所述第一信息项作为第二信息项，同时，获取匹配符合的所述第二特征对应的至少一个筛选信息；
获取预设的使用记录信息；
将所述使用记录信息拆分成多个第一记录项；
获取所述第一记录下的第二产生时间点；
建立第二轴线，基于所述第二产生时间点，将所述第一记录项对应设置于所述第二轴线上；
确定所述第二信息项在所述第一轴线上的第一点位；
确定所述第二轴线上对应于所述第一点位的第二点位；
提取对应所述筛选信息中的查询方向、查询范围和查询特征；
确定所述第二轴线上所述第二点位的所述查询方向上所述查询范围内的所述第一记录项，并作为第二记录项；
对所述第二记录项进行特征提取，获得多个第三特征；
将所述第三特征与所述查询特征进行匹配，若匹配符合，获取匹配符合的查询特征对应的影响值，并与对应所述第二云节点进行关联；
累加计算所述第二云节点关联的所述影响值，获得影响值和；
若所述影响值和大于等于预设的影响值和阈值，剔除对应所述第二云节点；
当需要剔除的所述第二云节点均剔除后，将剔除剩余的所述第二云节点作为第三云节点；
通过所述第三云节点获取目标数据；
整合各个所述目标数据，获得云数据，完成获取。
3.如权利要求1所述的一种高校用基于云数据在线教育的智能教学监测装置，其特征在于，所述确定模块执行如下操作：
基于人脸识别技术，识别所述第一人物视频图像中是否存在所述第一学生；
若是，基于行为识别技术，识别所述第一人物视频图像中对应于所述第一学生的当前行为，完成确定。
4.如权利要求1所述的一种高校用基于云数据在线教育的智能教学监测装置，其特征在于，所述提醒模块执行如下操作：
获取匹配符合的所述第一非标准行为，并作为第二非标准行为；
构建非标准行为-提醒方式库，查询所述非标准行为-提醒方式库，确定所述第二非标准行为对应的第一提醒方式；
基于所述第二提醒方式，对所述第一学生进行相应提醒。
5.如权利要求4所述的一种高校用基于云数据在线教育的智能教学监测装置，其特征在于，构建非标准行为-提醒方式库，包括：
获取预设的非标准行为集，所述非标准行为集包括：多个第三非标准行为；
获取预设的提醒方式集，所述提醒方式集包括：多个第二提醒方式；
随机建立一个查询组合，所述查询组合包括：所述第三非标准行为和所述第二提醒方式；
查询预设的查询组合-提醒记录库，确定所述查询组合对应的多个提醒记录；
将所述提醒记录拆分成多个第三记录项；
获取所述第三记录项对应的第三产生时间点；
建立第三轴线，基于所述第三产生时间点，将所述第三记录项对应设置于所述第三轴线上；
获取所述提醒记录对应的提醒时间点；
确定所述第三轴线上对应于所述提醒时间点的第三点位；
确定所述第三轴线上所述第三点位之后预设的第一范围内的所述第三记录项，并作为第四记录项；
提取所述第四记录项中对应于教师的第二人物视频图像；
基于所述行为识别技术，识别所述第二人物视频图像中对应于所述教师的多个第一教学行为；
获取预设的互动教学行为库，将所述第一教学行为与所述互动教学行为库中的第一互动教学行为进行匹配，若匹配符合，将匹配符合的所述第一教学行为作为第二教学行为，同时，将匹配符合的所述第一互动教学行为作为第二互动教学行为；
获取所述第二教学行为的行为时间点；
确定所述第三轴线上对应于所述行为时间点的第四点位；
确定所述第三轴线上所述第四点位之后预设的第二范围的所述第四记录项，并作为第五记录项；
提取所述第五记录项中对应于第二学生的第三人物视频图像；
基于行为识别技术，识别所述第三人物视频图像中所述第二学生的多个第一上课行为；
获取所述第二互动教学行为对应的上课互动反馈行为；
获取所述上课互动反馈行为的组成类型，所述组成类型包括：单一行为和组合行为；
当所述上课互动反馈行为的组成类型为单一行为时，将所述第一上课行为和对应所述上课互动反馈行为进行匹配，若匹配符合，获取预设的第一评分，并与对应所述查询组进行关联；
当所述上课互动反馈行为的组成类型为组合行为时，将对应所述上课互动反馈行为拆分成多个第一互动反馈子行为；
将所述第一上课行为与所述第一互动反馈子行为进行匹配，若匹配符合，将对应所述第一互动反馈子行为作为第二互动反馈子行为；
统计所述第一互动反馈子行为中除所述第二互动反馈子行为之外的第三互动反馈子行为的第二总数目，同时，统计所述第一互动反馈子行为的第三总数目；
计算所述第二总数目和所述第三总数目的比值；
获取所述比值对应的下调幅度值，基于所述下调幅度值，对所述第一评分进行下调，获得第二评分，并与对应所述查询组进行关联；
若所述第一教学行为与所述第一互动教学行为均不匹配，提取所述第四记录项中对应于第三学生的第四人物视频图像；
基于行为识别技术，识别所述第四人物视频图像中对应于所述第三学生的第二上课行为；
基于注意力分析技术，对所述第二上课行为进行注意力分析，获得第三评分；
累加所述查询组关联的所述第一评分、第二评分和所述第三评分，获得评分和；
将最大所述评分和对应的所述查询组作为配对组；
获取预设的基础数据库，将所述配对组输入至所述基础数据库中；
当需要输入至所述基础数据库中的所述配对组均输入后，将所述基础数据库作为非标准行为-提醒方式库，完成构建。
6.一种高校用基于云数据在线教育的智能教学监测方法，其特征在于，包括：
步骤S1：当第一学生进入在线课堂后，获取所述第一学生的第一人物视频图像，同时，获取云数据；
步骤S2：基于所述第一人物视频图像，确定所述第一学生的当前行为；
步骤S3：将所述当前行为与所述云数据中的第一非标准行为进行匹配；
步骤S4：若匹配符合，对所述第一学生进行相应提醒。
7.如权利要求1所述的一种高校用基于云数据在线教育的智能教学监测方法，其特征在于，所述步骤S1中，获取云数据，包括：
获取预设的云节点集，所述云节点集包括：多个第一云节点；
查询预设的节点行为库，确定所述第一云节点历史上产生的多个第一节点行为；
查询预设的节点行为-风险值库，确定所述第一节点行为对应的第一风险值；
获取预设的风险值阈值；
根据预设的区间制定规则，基于所述风险值阈值，制定风险值筛选区间；
若所述第一风险值大于所述风险值阈值且未落在所述风险值筛选区间内，将对应所述第一节点行为作为第二节点行为；
若所述第一风险值落在所述风险值筛选区间内，将对应所述第一节点行为作为第三节点行为；
查询预设的节点行为-行为事件库，确定所述第三节点行为对应的行为事件；
获取预设的模拟空间；
获取预设的模拟模型，基于所述模拟模型，在所述模拟空间内模拟发生所述行为事件；
在模拟发生所述行为事件的过程中，获取预设的风险识别模型，识别模拟发生所述行为事件的过程的第二风险值；
若所述第二风险值大于等于所述风险值阈值，将对应所述第三节点行为作为第四节点行为；
统计所述第三节点行为和所述第四节点行为的第一总数目；
若所述第一总数目大于等于预设的数目阈值，剔除对应所述第一云节点；
当需要剔除的所述第一云节点均剔除后，将剔除剩余的所述第一云节点作为第二云节点；
获取所述第二云节点对应的信用信息；
将所述信用信息拆分成多个第一信息项；
获取所述第一信息项的第一产生时间点；
建立第一轴线，基于所述第一产生时间点，将所述第一信息项对应设置于所述第一轴线上；
对所述第一信息项进行特征提取，获得多个第一特征；
获取预设的不良特征库，将所述第一特征与所述不良特征库中的第二特征进行匹配，若匹配符合，将对应所述第一信息项作为第二信息项，同时，获取匹配符合的所述第二特征对应的至少一个筛选信息；
获取预设的使用记录信息；
将所述使用记录信息拆分成多个第一记录项；
获取所述第一记录下的第二产生时间点；
建立第二轴线，基于所述第二产生时间点，将所述第一记录项对应设置于所述第二轴线上；
确定所述第二信息项在所述第一轴线上的第一点位；
确定所述第二轴线上对应于所述第一点位的第二点位；
提取对应所述筛选信息中的查询方向、查询范围和查询特征；
确定所述第二轴线上所述第二点位的所述查询方向上所述查询范围内的所述第一记录项，并作为第二记录项；
对所述第二记录项进行特征提取，获得多个第三特征；
将所述第三特征与所述查询特征进行匹配，若匹配符合，获取匹配符合的查询特征对应的影响值，并与对应所述第二云节点进行关联；
累加计算所述第二云节点关联的所述影响值，获得影响值和；
若所述影响值和大于等于预设的影响值和阈值，剔除对应所述第二云节点；
当需要剔除的所述第二云节点均剔除后，将剔除剩余的所述第二云节点作为第三云节点；
通过所述第三云节点获取目标数据；
整合各个所述目标数据，获得云数据，完成获取。
8.如权利要求1所述的一种高校用基于云数据在线教育的智能教学监测方法，其特征在于，步骤S2：基于所述第一人物视频图像，确定所述第一学生的当前行为，包括：
基于人脸识别技术，识别所述第一人物视频图像中是否存在所述第一学生；
若是，基于行为识别技术，识别所述第一人物视频图像中对应于所述第一学生的当前行为，完成确定。
9.如权利要求1所述的一种高校用基于云数据在线教育的智能教学监测方法，其特征在于，步骤S4：若匹配符合，对所述第一学生进行相应提醒，包括：
获取匹配符合的所述第一非标准行为，并作为第二非标准行为；
构建非标准行为-提醒方式库，查询所述非标准行为-提醒方式库，确定所述第二非标准行为对应的第一提醒方式；
基于所述第二提醒方式，对所述第一学生进行相应提醒。
10.如权利要求9所述的一种高校用基于云数据在线教育的智能教学监测方法，其特征在于，构建非标准行为-提醒方式库，包括：
获取预设的非标准行为集，所述非标准行为集包括：多个第三非标准行为；
获取预设的提醒方式集，所述提醒方式集包括：多个第二提醒方式；
随机建立一个查询组合，所述查询组合包括：所述第三非标准行为和所述第二提醒方式；
查询预设的查询组合-提醒记录库，确定所述查询组合对应的多个提醒记录；
将所述提醒记录拆分成多个第三记录项；
获取所述第三记录项对应的第三产生时间点；
建立第三轴线，基于所述第三产生时间点，将所述第三记录项对应设置于所述第三轴线上；
获取所述提醒记录对应的提醒时间点；
确定所述第三轴线上对应于所述提醒时间点的第三点位；
确定所述第三轴线上所述第三点位之后预设的第一范围内的所述第三记录项，并作为第四记录项；
提取所述第四记录项中对应于教师的第二人物视频图像；
基于所述行为识别技术，识别所述第二人物视频图像中对应于所述教师的多个第一教学行为；
获取预设的互动教学行为库，将所述第一教学行为与所述互动教学行为库中的第一互动教学行为进行匹配，若匹配符合，将匹配符合的所述第一教学行为作为第二教学行为，同时，将匹配符合的所述第一互动教学行为作为第二互动教学行为；
获取所述第二教学行为的行为时间点；
确定所述第三轴线上对应于所述行为时间点的第四点位；
确定所述第三轴线上所述第四点位之后预设的第二范围的所述第四记录项，并作为第五记录项；
提取所述第五记录项中对应于第二学生的第三人物视频图像；
基于行为识别技术，识别所述第三人物视频图像中所述第二学生的多个第一上课行为；
获取所述第二互动教学行为对应的上课互动反馈行为；
获取所述上课互动反馈行为的组成类型，所述组成类型包括：单一行为和组合行为；
当所述上课互动反馈行为的组成类型为单一行为时，将所述第一上课行为和对应所述上课互动反馈行为进行匹配，若匹配符合，获取预设的第一评分，并与对应所述查询组进行关联；
当所述上课互动反馈行为的组成类型为组合行为时，将对应所述上课互动反馈行为拆分成多个第一互动反馈子行为；
将所述第一上课行为与所述第一互动反馈子行为进行匹配，若匹配符合，将对应所述第一互动反馈子行为作为第二互动反馈子行为；
统计所述第一互动反馈子行为中除所述第二互动反馈子行为之外的第三互动反馈子行为的第二总数目，同时，统计所述第一互动反馈子行为的第三总数目；
计算所述第二总数目和所述第三总数目的比值；
获取所述比值对应的下调幅度值，基于所述下调幅度值，对所述第一评分进行下调，获得第二评分，并与对应所述查询组进行关联；
若所述第一教学行为与所述第一互动教学行为均不匹配，提取所述第四记录项中对应于第三学生的第四人物视频图像；
基于行为识别技术，识别所述第四人物视频图像中对应于所述第三学生的第二上课行为；
基于注意力分析技术，对所述第二上课行为进行注意力分析，获得第三评分；
累加所述查询组关联的所述第一评分、第二评分和所述第三评分，获得评分和；
将最大所述评分和对应的所述查询组作为配对组；
获取预设的基础数据库，将所述配对组输入至所述基础数据库中；
当需要输入至所述基础数据库中的所述配对组均输入后，将所述基础数据库作为非标准行为-提醒方式库，完成构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210139901.3A CN114529987A (zh) | 2022-02-16 | 2022-02-16 | 高校用基于云数据在线教育的智能教学监测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210139901.3A CN114529987A (zh) | 2022-02-16 | 2022-02-16 | 高校用基于云数据在线教育的智能教学监测装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114529987A true CN114529987A (zh) | 2022-05-24 |
Family
ID=81622296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210139901.3A Pending CN114529987A (zh) | 2022-02-16 | 2022-02-16 | 高校用基于云数据在线教育的智能教学监测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114529987A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115326506A (zh) * | 2022-08-09 | 2022-11-11 | 广州莱德璞检测技术有限公司 | 一种多功能化妆品防水性能检测系统及方法 |
| CN117499748A (zh) * | 2023-11-02 | 2024-02-02 | 江苏濠汉信息技术有限公司 | 一种基于边缘计算的课堂教学互动方法及系统 |
-
2022
- 2022-02-16 CN CN202210139901.3A patent/CN114529987A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115326506A (zh) * | 2022-08-09 | 2022-11-11 | 广州莱德璞检测技术有限公司 | 一种多功能化妆品防水性能检测系统及方法 |
| CN117499748A (zh) * | 2023-11-02 | 2024-02-02 | 江苏濠汉信息技术有限公司 | 一种基于边缘计算的课堂教学互动方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2020525965A (ja) | 教学補助方法およびその方法を採用する教学補助システム | |
| CN114529987A (zh) | 高校用基于云数据在线教育的智能教学监测装置及方法 | |
| CN108399376A (zh) | 学生课堂学习兴趣智能分析方法及系统 | |
| CN111915148B (zh) | 一种基于信息技术的课堂教学评价方法和系统 | |
| CN108234610A (zh) | 一种课堂互动和反馈系统 | |
| CN106296307A (zh) | 基于人脸识别的电子站牌广告投放效果分析方法 | |
| CN110009210A (zh) | 一种基于关注度和专注度的学生听课水平综合评估方法 | |
| CN111046819A (zh) | 一种行为识别处理方法及装置 | |
| CN112333420B (zh) | 一种智慧校园的大数据信息安全管理系统 | |
| CN106251261B (zh) | 一种培训方案生成方法及装置 | |
| WO2022095386A1 (zh) | 在线培训的评价方法、装置、计算机设备和存储介质 | |
| CN112288239A (zh) | 一种智能终端在线教育平台 | |
| CN112001739A (zh) | 一种生成用户学习画像的方法和系统 | |
| CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名系统 | |
| CN110659311A (zh) | 题目推送方法、装置、电子设备及存储介质 | |
| CN110740298A (zh) | 分布式教室违纪行为检测系统、方法及介质 | |
| CN111192170B (zh) | 题目推送方法、装置、设备和计算机可读存储介质 | |
| CN112862257A (zh) | 学生画像生成方法、系统、设备及可读存储介质 | |
| CN111325082A (zh) | 一种人员专注度分析方法及装置 | |
| CN110111011B (zh) | 一种教学质量监管方法、装置及电子设备 | |
| Kumar et al. | Automated Attendance System Based on Face Recognition Using Opencv | |
| CN114202978A (zh) | 一种基于大数据的智能培训方法及系统 | |
| CN111311997A (zh) | 一种基于网络教育资源的互动方法 | |
| CN110807060A (zh) | 一种教育大数据分析系统 | |
| CN111078746B (zh) | 一种听写内容确定方法及电子设备 |
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 |