CN114550097A - 一种基于人工智能的跨校区联动考勤方法和系统 - Google Patents

一种基于人工智能的跨校区联动考勤方法和系统 Download PDF

Info

Publication number
CN114550097A
CN114550097A CN202210186723.XA CN202210186723A CN114550097A CN 114550097 A CN114550097 A CN 114550097A CN 202210186723 A CN202210186723 A CN 202210186723A CN 114550097 A CN114550097 A CN 114550097A
Authority
CN
China
Prior art keywords
information
students
roll
class
acquiring
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
CN202210186723.XA
Other languages
English (en)
Inventor
李媛媛
胡育兵
汪传辉
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.)
Anhui Yuzhilan Education Software Technology Co ltd
Original Assignee
Anhui Yuzhilan Education Software Technology Co ltd
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 Anhui Yuzhilan Education Software Technology Co ltd filed Critical Anhui Yuzhilan Education Software Technology Co ltd
Priority to CN202210186723.XA priority Critical patent/CN114550097A/zh
Publication of CN114550097A publication Critical patent/CN114550097A/zh
Priority to CN202211667047.4A priority patent/CN116189074A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (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

本发明公开了一种基于人工智能的跨校区联动考勤方法和系统，属于大学生考勤技术领域，包括服务器、人数识别模块、点名模块；所述人数识别模块用于识别教室内的人数，计算出勤率，获取当前学校具有的上课教室，根据上课教室建立识别库，识别当前上课教室的编号，根据上课教室编号在识别库中匹配到对应的识别模型，当开始上课后，采集当前上课教室的监控图像，将采集的监控图像发送到识别模型中，获得当前上课教室内的学生数量，获取当前课程应到学生数量，根据采集学生数量和应到学生数量计算当前课程的出勤率，并将计算的出勤率发送给显示端进行显示；所述点名模块用于老师进行点名，获取当前课程的出勤率。

Description

一种基于人工智能的跨校区联动考勤方法和系统
技术领域
本发明属于大学生考勤技术领域，具体是一种基于人工智能的跨校区联动考勤方法和系统。
背景技术
随着信息化的发展，各学校招生规模的不断扩大，众多学生的考勤管理越来越复杂，而考勤管理在学校中有着举足轻重的作用，关系到学分增减、期末考评和对学生学习情况的了解。传统的考勤工作通常采用人工点名的方式，由老师或学生干部记录学生上课出勤情况及留宿情况，这不仅浪费人力物力，而且也无法保证准确性和透明性，给管理带来了许多不便，尤其是对于因为特殊情况而选择跨校区选课的学生，进一步的增加考勤的难度；因此，目前需要一种基于人工智能的跨校区联动考勤方法和系统，用于解决大学生上课考勤的问题。
发明内容
为了解决上述方案存在的问题，本发明提供了一种基于人工智能的跨校区联动考勤方法和系统。
本发明的目的可以通过以下技术方案实现：
一种基于人工智能的跨校区联动考勤系统，包括服务器、人数识别模块、点名模块；
所述人数识别模块用于识别教室内的人数，计算出勤率，获取当前学校具有的上课教室，根据上课教室建立识别库，识别当前上课教室的编号，根据上课教室编号在识别库中匹配到对应的识别模型，当开始上课后，采集当前上课教室的监控图像，将采集的监控图像发送到识别模型中，获得当前上课教室内的学生数量，获取当前课程应到学生数量，根据采集学生数量和应到学生数量计算当前课程的出勤率，并将计算的出勤率发送给显示端进行显示；
所述点名模块用于老师进行点名，获取当前课程的出勤率，根据出勤率向老师推荐点名人数，由老师人工选择需要点名的人数，获取当前课程的学生信息，对获得的学生信息进行更新，获得点名信息，识别点名信息中的跨校区上课学生信息，将跨校区上课学生信息列为必点名信息，将剩余的点名信息标记为随机信息，设置优先值公式，根据优先值公式进行排序，获取老师选择的点名数量，设置排序值，根据排序值选择对应数量的排序后随机信息用于点名，在将剩余的点名数量在剩余的随机信息中随机选择，完成点名学生的设置，进行点名。
进一步地，根据上课教室建立识别库的方法包括：
获取所有上课教室的平面图，将相同的上课教室平面图进行标记，获取具有标记的平面图对应的上课教室内历史监控录像，根据监控录像将识别当前教室的监控数据采集是否相同，将监控数据相同的上课教室标记为相同教室，将未被标记的上课教室平面图标记为建模教室，从相同教室平面图中任选一个标记为建模教室；
建立训练模型，训练模型根据历史监控录像建立若干组训练集，构建人工智能模型；通过训练集对人工智能模型进行训练，将训练成功的人工智能模型标记为识别模型，并打上对应的建模教室标签，建立数据库，将识别模型储存到数据库，将当前的数据库标记为识别库。
进一步地，建立训练模型的方法包括：
设置图像识别单元，获取上课教室的监控图像，通过图像识别单元识别监控图像中具有的座位数，计算座位数具有的排列数，建立模拟模型，模拟模型根据排列数和对应的排列方式进行监控图像模拟，获得对应的模拟图像和学生人数，将一组模拟图像和学生人数作为一个训练集；将图像识别单元和模拟模型整合为训练模型。
进一步地，对获得的学生信息进行更新的方法包括：
设置对接单元，通过对接单元获取请假学生信息，将获得的请假学生信息与从云端信息库中获取的学生信息进行匹配，将匹配到的学生信息进行剔除，剩余的学生信息标记为点名信息。
进一步地，设置优先值公式的方法包括：
将随机信息中对应的学生标记为i，其中，i＝1、2、……、n，n为正整数；获取当前学校内所有的学生的旷课记录和不及格记录，建立云端重点库，将随机信息与云端重点库中的信息进行匹配，获得对应学生的旷课次数和不及格次数，将随机信息中学生的旷课次数和不及格次数分别标记为Pi和Li，则优先值公式为Qi＝b1×Pi+b2×Li，其中，b1和b2均为比例系数，1<b1≤2，0<b2≤1。
进一步地，还包括登录模块和云端信息库，所述登录模块用于老师进行系统登录，并选择需要进行点名的课程；所述云端信息库用于储存不同课程的学生信息，并设置不同的储存节点，将选择对应课程的学生信息储存到对应的储存节点中。
一种基于人工智能的跨校区联动考勤方法，具体方法包括：
步骤一：将学校的学生信息储存到云端；
步骤二：识别教室内的人数，计算出勤率；
步骤三：设置点名人数，获取点名信息，根据点名信息设置被点名的学生信息，进行点名。
与现有技术相比，本发明的有益效果是：实现根据历史学生的考勤记录和考试成绩进行动态选择考勤，加大对上述学生的重视力度，完成考勤的目的；通过建立云端信息库，实现不同校区的信息共享；通过将跨校区上课学生信息列为必点名信息，确保跨校区上课的学生出勤率，通过设置排序值，避免其他学生具有侥幸心理。
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的介绍，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
下面将结合实施例对本发明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。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他实施例，都属于本发明保护的范围。
如图1所示，一种基于人工智能的跨校区联动考勤系统，包括登录模块、云端信息库、服务器、人数识别模块、点名模块；
所述登录模块用于老师进行系统登录，并选择需要进行点名的课程。
所述云端信息库用于储存不同课程的学生信息，并根据不同课程、不同任课老师、不同上课时间等设置不同的储存节点，将选择对应课程的学生信息储存到对应的储存节点中；所述云端信息库是设置在云端上的，同一学校的不同校区均可访问云端信息库；当老师通过登录模块选择到对应的课程时，根据课程名称和地点匹配到对应的选择该课程的学生信息。
所述人数识别模块用于识别教室内的人数，计算出勤率，具体方法包括：
获取当前学校具有的上课教室，根据上课教室建立识别库，识别当前上课教室的编号，编号就是教室号，例如教D-320，根据上课教室编号在识别库中匹配到对应的识别模型，当开始上课后，采集当前上课教室的监控图像，将采集的监控图像发送到识别模型中，获得当前上课教室内的学生数量，获取当前课程应到学生数量，根据采集学生数量和应到学生数量计算当前课程的出勤率，并将计算的出勤率发送给显示端进行显示。
根据上课教室建立识别库的方法包括：
获取所有上课教室的平面图，将相同的上课教室平面图进行标记，获取具有标记的平面图对应的上课教室内历史监控录像，上课教室内历史监控录像指的是没有人员时拍摄的监控录像；根据监控录像将识别当前教室的监控数据采集是否相同，将监控数据相同的上课教室标记为相同教室，将未被标记的上课教室平面图标记为建模教室，从相同教室平面图中任选一个标记为建模教室；
建立训练模型，训练模型根据历史监控录像建立若干组训练集，构建人工智能模型；人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络，通过训练集对人工智能模型进行训练，将训练成功的人工智能模型标记为识别模型，并打上对应的建模教室标签，建立数据库，将识别模型储存到数据库，将当前的数据库标记为识别库。
根据监控录像将识别当前教室的监控数据采集是否相同，指的是在上课教室内没用人时采集的数据是否一致，用于判定被标记的上课教室是否相同，并不是指采集的图像一模一样，座椅、课桌等颜色不同在监控录像比较时，算做相同；因为有在学校内有很多的上课教室是相同的，对于相同的教室只需要建立一个识别模型即可，降低数据处理量，提高效率。
建立训练模型的方法包括：
设置图像识别单元，获取上课教室的监控图像，通过图像识别单元识别监控图像中具有的座位数，计算座位数具有的排列数，建立模拟模型，模拟模型根据排列数和对应的排列方式进行监控图像模拟，获得对应的模拟图像和学生人数，将一组模拟图像和学生人数作为一个训练集；将图像识别单元和模拟模型整合为训练模型。
计算座位数具有的排列数即为学生坐在座位上后，被坐的座位具有的排列数；
模拟模型是基于CNN网络或DNN网络进行建立的，用于根据排列方式在监控录像中模拟座位上有人后的监控录像，通过建立模拟训练集进行训练建立，模拟训练集包括原始监控录像和对应设置的模拟图像，原始监控录像指的是没有人员的监控录像。
所述点名模块用于老师进行点名，具体方法包括：
获取当前课程的出勤率，根据出勤率向老师推荐点名人数，由老师人工选择需要点名的人数，从云端信息库中获取当前课程的学生信息，对获得的学生信息进行更新，获得点名信息，识别点名信息中的跨校区上课学生信息，将跨校区上课学生信息列为必点名信息，将剩余的点名信息标记为随机信息，设置优先值公式，根据优先值公式进行排序，获取老师选择的点名数量，设置排序值，由专家组进行讨论设置，一般选百分之七十到八十，排序值即为选择多少的排序数量用于点名，根据排序值选择对应数量的排序后随机信息用于点名，在将剩余的点名数量在剩余的随机信息中随机选择，完成点名学生的设置，进行点名。
通过将跨校区上课学生信息列为必点名信息，确保跨校区上课的学生一定的会到，因为学校一般是不会提供跨校区选课的，但是当出现如重修等特殊情况，可能会发生跨校区选课，因为上课地点较远，对应的学生就会有极大的可能不来上课，因此需要重点关注。
根据出勤率向老师推荐点名人数的方法包括：
设置各个出勤率区间对应的点名人数百分比，由人工的方式进行设置，还可由任课老师进行个人调整，进而设置出勤率匹配表，根据获得的出勤率匹配到对应的点名百分比，根据获得点名百分比获得推荐点名人数。
对获得的学生信息进行更新的方法包括：
设置对接单元，所述对接单元用于各个年级辅导员进行对接使用，用于上传学生的请假信息，通过对接单元获取请假学生信息，将获得的请假学生信息与从云端信息库中获取的学生信息进行匹配，将匹配到的学生信息进行剔除，不参与点名，剩余的学生信息标记为点名信息。
避免当前大学在点名时，由同学拿着纸质的请假条向老师进行请假，老师也不清楚请假条是真是假，也不会去查证。
设置优先值公式的方法包括：
将随机信息中对应的学生标记为i，其中，i＝1、2、……、n，n为正整数；获取当前学校内所有的学生的旷课记录和不及格记录，建立云端重点库，将随机信息与云端重点库中的信息进行匹配，获得对应学生的旷课次数和不及格次数，将随机信息中学生的旷课次数和不及格次数分别标记为Pi和Li，则优先值公式为Qi＝b1×Pi+b2×Li，其中，b1和b2均为比例系数，1<b1≤2，0<b2≤1。
云端重点库就是根据获取的旷课记录和不及格记录进行建立的一种位于云端的数据库。
一种基于人工智能的跨校区联动考勤方法，具体方法包括：
步骤一：将学校的学生信息储存到云端；
步骤二：识别教室内的人数，计算出勤率；
步骤三：设置点名人数，获取点名信息，根据点名信息设置被点名的学生信息，进行点名。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
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 (7)

1.一种基于人工智能的跨校区联动考勤系统，其特征在于，包括服务器、人数识别模块、点名模块；
所述人数识别模块用于识别教室内的人数，计算出勤率，获取当前学校具有的上课教室，根据上课教室建立识别库，识别当前上课教室的编号，根据上课教室编号在识别库中匹配到对应的识别模型，当开始上课后，采集当前上课教室的监控图像，将采集的监控图像发送到识别模型中，获得当前上课教室内的学生数量，获取当前课程应到学生数量，根据采集学生数量和应到学生数量计算当前课程的出勤率，并将计算的出勤率发送给显示端进行显示；
所述点名模块用于老师进行点名，获取当前课程的出勤率，根据出勤率向老师推荐点名人数，由老师人工选择需要点名的人数，获取当前课程的学生信息，对获得的学生信息进行更新，获得点名信息，识别点名信息中的跨校区上课学生信息，将跨校区上课学生信息列为必点名信息，将剩余的点名信息标记为随机信息，设置优先值公式，根据优先值公式进行排序，获取老师选择的点名数量，设置排序值，根据排序值选择对应数量的排序后随机信息用于点名，在将剩余的点名数量在剩余的随机信息中随机选择，完成点名学生的设置，进行点名。
2.根据权利要求1所述的一种基于人工智能的跨校区联动考勤系统，其特征在于，根据上课教室建立识别库的方法包括：
获取所有上课教室的平面图，将相同的上课教室平面图进行标记，获取具有标记的平面图对应的上课教室内历史监控录像，根据监控录像将识别当前教室的监控数据采集是否相同，将监控数据相同的上课教室标记为相同教室，将未被标记的上课教室平面图标记为建模教室，从相同教室平面图中任选一个标记为建模教室；
建立训练模型，训练模型根据历史监控录像建立若干组训练集，构建人工智能模型；通过训练集对人工智能模型进行训练，将训练成功的人工智能模型标记为识别模型，并打上对应的建模教室标签，建立数据库，将识别模型储存到数据库，将当前的数据库标记为识别库。
3.根据权利要求2所述的一种基于人工智能的跨校区联动考勤系统，其特征在于，建立训练模型的方法包括：
设置图像识别单元，获取上课教室的监控图像，通过图像识别单元识别监控图像中具有的座位数，计算座位数具有的排列数，建立模拟模型，模拟模型根据排列数和对应的排列方式进行监控图像模拟，获得对应的模拟图像和学生人数，将一组模拟图像和学生人数作为一个训练集；将图像识别单元和模拟模型整合为训练模型。
4.根据权利要求1所述的一种基于人工智能的跨校区联动考勤系统，其特征在于，对获得的学生信息进行更新的方法包括：
设置对接单元，通过对接单元获取请假学生信息，将获得的请假学生信息与从云端信息库中获取的学生信息进行匹配，将匹配到的学生信息进行剔除，剩余的学生信息标记为点名信息。
5.根据权利要求1所述的一种基于人工智能的跨校区联动考勤系统，其特征在于，设置优先值公式的方法包括：
将随机信息中对应的学生标记为i，其中，i＝1、2、……、n，n为正整数；获取当前学校内所有的学生的旷课记录和不及格记录，建立云端重点库，将随机信息与云端重点库中的信息进行匹配，获得对应学生的旷课次数和不及格次数，将随机信息中学生的旷课次数和不及格次数分别标记为Pi和Li，则优先值公式为Qi＝b1×Pi+b2×Li，其中，b1和b2均为比例系数，1<b1≤2，0<b2≤1。
6.根据权利要求1所述的一种基于人工智能的跨校区联动考勤系统，其特征在于，还包括登录模块和云端信息库，所述登录模块用于老师进行系统登录，并选择需要进行点名的课程；所述云端信息库用于储存不同课程的学生信息，并设置不同的储存节点，将选择对应课程的学生信息储存到对应的储存节点中。
7.一种基于人工智能的跨校区联动考勤方法，其特征在于，应用于权利要求1至6中任一项所述的一种基于人工智能的跨校区联动考勤系统中，具体方法包括：
步骤一：将学校的学生信息储存到云端；
步骤二：识别教室内的人数，计算出勤率；
步骤三：设置点名人数，获取点名信息，根据点名信息设置被点名的学生信息，进行点名。
CN202210186723.XA 2022-02-28 2022-02-28 一种基于人工智能的跨校区联动考勤方法和系统 Pending CN114550097A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210186723.XA CN114550097A (zh) 2022-02-28 2022-02-28 一种基于人工智能的跨校区联动考勤方法和系统
CN202211667047.4A CN116189074A (zh) 2022-02-28 2022-12-22 一种基于人工智能的跨校区联动考勤方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210186723.XA CN114550097A (zh) 2022-02-28 2022-02-28 一种基于人工智能的跨校区联动考勤方法和系统

Publications (1)

Publication Number Publication Date
CN114550097A true CN114550097A (zh) 2022-05-27

Family

ID=81680400

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210186723.XA Pending CN114550097A (zh) 2022-02-28 2022-02-28 一种基于人工智能的跨校区联动考勤方法和系统
CN202211667047.4A Pending CN116189074A (zh) 2022-02-28 2022-12-22 一种基于人工智能的跨校区联动考勤方法和系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202211667047.4A Pending CN116189074A (zh) 2022-02-28 2022-12-22 一种基于人工智能的跨校区联动考勤方法和系统

Country Status (1)

Country Link
CN (2) CN114550097A (zh)

Also Published As

Publication number Publication date
CN116189074A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
JP3731868B2 (ja) 学習システム
Hirose Meticulous Learning Follow-up Systems for Undergraduate Students Using the Online Item Response Theory
CN108009754A (zh) 教学质量评估方法
CN110807962B (zh) 一种智能组卷考试系统
CN110009210B (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
CN108154304A (zh) 具有教学质量评估功能的服务器
CN114038256B (zh) 一种基于人工智能的教学互动系统
CN108171414A (zh) 教学质量评估系统
CN101465069A (zh) 一种学习支持系统及其学习评价方法
Florit et al. Distance learning and academic performance in accounting: a comparative study of the effect of the use of videoconferencing: Educación a distancia y resultados académicos en contabilidad: un estudio comparativo del uso de videoconferencia
CN115545982A (zh) 一种在线学生异质分组系统及方法
CN117151528A (zh) 一种职业教育培训管理系统
Wright Evaluation of the first British Reading Recovery programme
Hirose et al. Rediscovery of Initial Habituation Importance Learned from Analytics of Learning Check Testing in Mathematics for Undergraduate Students
CN107818707A (zh) 一种自动出题的考试系统
Chen et al. Team formation for collaborative learning with social network consideration based on edX's online discussion board
CN114550097A (zh) 一种基于人工智能的跨校区联动考勤方法和系统
Hirose Relationship Between Testing Time and Score in CBT
CN114037358A (zh) 基于高校互动课堂活动数据的学情分析方法及系统
JP2002140441A (ja) 情報交換方法、情報交換プログラムを記録したコンピュータ読み取り可能な記録媒体及び情報交換装置
Hirose More accurate evaluation of student’s ability based on a newly proposed ability equation
McLeod CHANGES IN THE VERBAL INTERACTION PATTERNS OF SECONDARY SCIENCE STUDENT TEACHERS WHO HAVE HAD TRAINING IN INTERACTION ANALYSIS AND THE RELATIONSHIP OF THESE CHANGES TO THE VERBAL INTERACTION OF THEIR COOPERATING TEACHERS. FINAL REPORT. SUMMARY REPORT.
Hirose Time Duration Statistics Spent for Tackling Online Testing
Bhanuprakash et al. An informal approach to identify bright graduate students by evaluating their classroom behavioral patterns by using Kohonen self organizing feature map
Al-Amarat The degree of applying Ishikawa (Fish Bone) Strategy and creative thinking by the principals of Tafila City Schools in solving the problems of school

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220527