CN114971425A - 数据库信息监控方法、装置、设备及存储介质 - Google Patents
数据库信息监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114971425A CN114971425A CN202210893159.5A CN202210893159A CN114971425A CN 114971425 A CN114971425 A CN 114971425A CN 202210893159 A CN202210893159 A CN 202210893159A CN 114971425 A CN114971425 A CN 114971425A
- Authority
- CN
- China
- Prior art keywords
- learning
- answer
- target
- course
- data
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000006872 improvement Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 40
- 238000013475 authorization Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000009432 framing Methods 0.000 description 9
- 210000003128 head Anatomy 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B19/00—Teaching not covered by other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Technology (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域，公开了一种数据库信息监控方法、装置、设备及存储介质，用于提高课程学习质量监控的准确率。所述数据库信息监控方法包括：从课程监控数据库中获取目标用户的课程学习视频数据，并查询课后答题数据；提取课程学习视频数据对应的视频时长，对视频时长进行标准化处理，得到学习时长；将课后答题数据输入答题评分模型中进行答题数据评分，得到目标答题评分；将课程学习视频数据输入眼部注意力识别模型进行眼部注意力识别，得到眼部注意力时长；根据学习时长、眼部注意力时长和目标答题评分输入学习质量评分模型进行学习质量检测，得到目标学习质量评分；根据目标学习质量评分生成学习改进方案。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种数据库信息监控方法、装置、设备及存储介质。
背景技术
随着计算机技术的高速发展，通过计算机和网络辅助学习和教学十分方便。老师可以通过直播或录播的方式同时对多个教室中的学生讲课，学生也可以选择自己喜欢的老师和课程等。
目前，现有方案没有有效的方式对视频线上学习的学生听课情况进行监控，对学生的学习质量评测的准确率低。
发明内容
本发明提供了一种数据库信息监控方法、装置、设备及存储介质，用于提高课程学习质量监控的准确率。
本发明第一方面提供了一种数据库信息监控方法，所述数据库信息监控方法包括：从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据；提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长；将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分；将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长；根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；根据所述目标学习质量评分生成所述目标用户对应的学习改进方案。
可选的，在本发明第一方面的第一种实现方式中，所述从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据，包括：获取目标用户的授权信息，并根据所述授权信息查询所述目标用户对应的数据缓存路径；基于所述数据缓存路径从预置的课程监控数据库中查询所述目标用户的课程学习视频数据；对所述课程学习视频数据进行课程信息匹配，得到所述课程学习视频数据对应的课程信息；根据所述课程信息和所述授权信息从预置的课程监控数据库中查询所述目标用户的课后答题数据。
可选的，在本发明第一方面的第二种实现方式中，所述提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长，包括：对所述课程学习视频数据进行时长数据解析，得到所述课程学习视频数据对应的视频时长；计算所述课程学习视频数据中的视频头时长、视频尾时长和课间休息时长；根据所述视频头时长、所述视频尾时长和所述课间休息时长生成所述课程学习视频数据对应的未授课时长；根据所述视频时长和所述未授课时长计算所述目标用户的学习时长。
可选的，在本发明第一方面的第三种实现方式中，所述将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分，包括：将所述课后答题数据输入预置的答题评分模型，其中，所述答题评分模型包括：多个标准问题以及每个标准问题对应的标准答案；对所述课后答题数据进行问题提取，得到所述课后答题数据对应的多个目标问题，并从所述课后答题数据中提取每个目标问题对应的目标答案；对每个目标问题和所述答题评分模型中的多个标准问题进行匹配，得到匹配结果；根据所述匹配结果并按照预设的评分标准对所述目标答案进行答题数据评分计算，得到目标答题评分。
可选的，在本发明第一方面的第四种实现方式中，所述将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长，包括：对所述课程学习视频数据进行分帧处理，得到所述课程学习视频数据对应的多个视频帧；分别将所述多个视频帧输入预置的眼部注意力识别模型，通过所述眼部注意力模型对每个视频帧进行眼部注意点识别，得到每个视频帧对应的眼部注意点；根据每个视频帧对应的眼部注意点计算所述眼部注意点符合预设区域时对应的时长，得到眼部注意力时长。
可选的，在本发明第一方面的第五种实现方式中，所述根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分，包括：对所述学习时长、所述眼部注意力时长和所述目标答题评分进行向量编码，生成输入向量；将所述输入向量输入预置的学习质量评分模型，通过所述学习质量评分模型中的多个门限循环单元对所述输入向量进行评分计算，得到每个门限循环单元对应的学习质量评分；对每个门限循环单元对应的学习质量评分进行平均归一化运算，得到目标学习质量评分。
可选的，在本发明第一方面的第六种实现方式中，所述根据所述目标学习质量评分生成所述目标用户对应的学习改进方案，包括：对所述目标学习质量评分和预设等级分数段进行比较，得到所述目标用户的学习等级；从预置的学习方案列表中匹配与所述学习等级对应的学习改进方案。
本发明第二方面提供了一种数据库信息监控装置，所述数据库信息监控装置包括：获取模块，用于从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据；提取模块，用于提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长；处理模块，用于将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分；识别模块，用于将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长；检测模块，用于根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；生成模块，用于根据所述目标学习质量评分生成所述目标用户对应的学习改进方案。
可选的，在本发明第二方面的第一种实现方式中，所述获取模块具体用于：获取目标用户的授权信息，并根据所述授权信息查询所述目标用户对应的数据缓存路径；基于所述数据缓存路径从预置的课程监控数据库中查询所述目标用户的课程学习视频数据；对所述课程学习视频数据进行课程信息匹配，得到所述课程学习视频数据对应的课程信息；根据所述课程信息和所述授权信息从预置的课程监控数据库中查询所述目标用户的课后答题数据。
可选的，在本发明第二方面的第二种实现方式中，所述提取模块具体用于：对所述课程学习视频数据进行时长数据解析，得到所述课程学习视频数据对应的视频时长；计算所述课程学习视频数据中的视频头时长、视频尾时长和课间休息时长；根据所述视频头时长、所述视频尾时长和所述课间休息时长生成所述课程学习视频数据对应的未授课时长；根据所述视频时长和所述未授课时长计算所述目标用户的学习时长。
可选的，在本发明第二方面的第三种实现方式中，所述处理模块具体用于：将所述课后答题数据输入预置的答题评分模型，其中，所述答题评分模型包括：多个标准问题以及每个标准问题对应的标准答案；对所述课后答题数据进行问题提取，得到所述课后答题数据对应的多个目标问题，并从所述课后答题数据中提取每个目标问题对应的目标答案；对每个目标问题和所述答题评分模型中的多个标准问题进行匹配，得到匹配结果；根据所述匹配结果并按照预设的评分标准对所述目标答案进行答题数据评分计算，得到目标答题评分。
可选的，在本发明第二方面的第四种实现方式中，所述识别模块还包括：分帧单元，用于对所述课程学习视频数据进行分帧处理，得到所述课程学习视频数据对应的多个视频帧；识别单元，用于分别将所述多个视频帧输入预置的眼部注意力识别模型，通过所述眼部注意力模型对每个视频帧进行眼部注意点识别，得到每个视频帧对应的眼部注意点；计算单元，用于根据每个视频帧对应的眼部注意点计算所述眼部注意点符合预设区域时对应的时长，得到眼部注意力时长。
可选的，在本发明第二方面的第五种实现方式中，所述检测模块具体用于：对所述学习时长、所述眼部注意力时长和所述目标答题评分进行向量编码，生成输入向量；将所述输入向量输入预置的学习质量评分模型，通过所述学习质量评分模型中的多个门限循环单元对所述输入向量进行评分计算，得到每个门限循环单元对应的学习质量评分；对每个门限循环单元对应的学习质量评分进行平均归一化运算，得到目标学习质量评分。
可选的，在本发明第二方面的第六种实现方式中，所述生成模块具体用于：对所述目标学习质量评分和预设等级分数段进行比较，得到所述目标用户的学习等级；从预置的学习方案列表中匹配与所述学习等级对应的学习改进方案。
本发明第三方面提供了一种数据库信息监控设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述数据库信息监控设备执行上述的数据库信息监控方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的数据库信息监控方法。
本发明提供的技术方案中，从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据；提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长；将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分；将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长；根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；根据所述目标学习质量评分生成所述目标用户对应的学习改进方案。本发明通过对课程学习视频数据进行注意力分析，并且加入了目标用户的课后答题数据进行学习质量评测，提高了课程学习质量监控的准确率。
附图说明
图1为本发明实施例中数据库信息监控方法的一个实施例示意图；
图2为本发明实施例中数据库信息监控方法的另一个实施例示意图；
图3为本发明实施例中数据库信息监控装置的一个实施例示意图；
图4为本发明实施例中数据库信息监控装置的另一个实施例示意图；
图5为本发明实施例中数据库信息监控设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种数据库信息监控方法、装置、设备及存储介质，用于提高课程学习质量监控的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中数据库信息监控方法的一个实施例包括：
101、从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询课程学习视频数据对应的课后答题数据；
可以理解的是，本发明的执行主体可以为数据库信息监控装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是，服务器获取目标用户的所有已修课程的授课信息及对应的课堂监控视频，其中，已修课程的授课信息至少包括课程名称和授课教师；
本实施例中，根据目标用户的唯一识别学号获取目标用户的所有已修课程的授课信息及对应的课堂监控视频，已修课程的授课信息包括课程名称、授课教师、授课教室和授课时间段，以此获取已修课程的每一堂课的课堂监控视频，进而服务器查询课程学习视频数据对应的课后答题数据。
102、提取课程学习视频数据对应的视频时长，对视频时长进行标准化处理，得到目标用户的学习时长；
具体的，服务器对该学习视频数据进行初始视频时长分析，得到对应的初始视频时长，进而对该初始视频时长进行习题数量分析，得到相应的做题时长数据，并对该做题时长数据进行对数转换，得到做题时长的对数值信息，进而服务器对该对数值信息进行min-max标准化，得到上述目标用户的学习时长。
103、将课后答题数据输入预置的答题评分模型中进行答题数据评分，得到课后答题数据对应的目标答题评分；
具体的，服务器将课后答题数据输入该答题评分模型进行评分处理，需要说明的是，服务器在将该答题数据输入答题评分模型后，首先对该答题数据依次进行灰度处理、二值化处理，得到二值化的灰度图像，然后进行全局定位块的识别，判断判断答题数据中答题图片的正反面，对图像进行旋转矫正，接着识别出所有的局部定位块对，将每行题目进行截图操作，对于选择题截图，识别出填涂位置，并根据选项划分比例计算出填涂的答案，对于主观题截图，通过红色的HSV模型判断出评分结果；最后将答题卡识别结果数据与标准答案比对，得到课后答题数据对应的目标答题评分。
104、将课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到目标用户对应的眼部注意力时长；
需要说明的是，该眼部注意力识别模型是基于预先设置的神经网络模型训练得到的，具体的，服务器对该学习视频数据进行人脸检测，并计算双眼和嘴部的中心坐标，进而截取眼部和嘴部三个区域，并将将人脸区域图像输入上述眼部注意力识别模型中的VGG16卷积神经网络，将眼部和嘴部区域图像输入到另一个VGG16卷积神经网络，得到四个一维特征向量，获取全局人脸图像和三个局部区域图像对应的权重系数，并将特征向量与权重系数相乘进行特征融合，最后输入全连接层进行特征降维，并通过Softmax激活函数激活得到目标用户对应的眼部注意力时长。
105、根据学习时长、眼部注意力时长和目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；
具体的，在进行质量评分前，需要对学习质量评分模型进行训练，首先对上述学习时长、眼部注意力时长和目标答题评分进行数据采集学习平台数据采集，具体的，通过调用在线学习平台数据库，或通过爬虫爬取课程数据完成对在线课程的数据采集，对数据进行预处理后，使用构建的学习质量评分模型对数据进行分析，得到定量的评估结果，对分析后的数据进行可视化处理，得到目标学习质量评分并且显示给目标用户。
106、根据目标学习质量评分生成目标用户对应的学习改进方案。
具体的，本发明实施例中利用目标用户的基本个人信息和核心课程成绩，分析这部分目标用户的在这些核心课程上的学习态度和自身定位，从而对这部分目标用户提供学习改进方案，例如，当该目标用户的数学科目质量评分较低时，则将该目标用户的课程分配进行调整，将该目标用户的数学课程占比调至原来的1.5倍，同时生成对应的学习改进方案。
本发明实施例中，从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询课程学习视频数据对应的课后答题数据；提取课程学习视频数据对应的视频时长，对视频时长进行标准化处理，得到目标用户的学习时长；将课后答题数据输入预置的答题评分模型中进行答题数据评分，得到课后答题数据对应的目标答题评分；将课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到目标用户对应的眼部注意力时长；根据学习时长、眼部注意力时长和目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；根据目标学习质量评分生成目标用户对应的学习改进方案。本发明通过对课程学习视频数据进行注意力分析，并且加入了目标用户的课后答题数据进行学习质量评测，提高了课程学习质量监控的准确率。
请参阅图2，本发明实施例中数据库信息监控方法的另一个实施例包括：
201、从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询课程学习视频数据对应的课后答题数据；
具体的，服务器获取目标用户的授权信息，并根据授权信息查询目标用户对应的数据缓存路径；基于数据缓存路径从预置的课程监控数据库中查询目标用户的课程学习视频数据；对课程学习视频数据进行课程信息匹配，得到课程学习视频数据对应的课程信息；根据课程信息和授权信息从预置的课程监控数据库中查询目标用户的课后答题数据。
其中，服务器获取目标用户的流程操作权限，目标用户为对运维流程进行用户授权的用户，从流程操作权限对应的一个或多个运维流程中，确定目标用户选择的目标运维流程，确定待授权的下级用户，下级用户的权限低于目标用户的权限，确定目标运维流程中待授权至下级用户的目标事项，并将目标事项授权至下级用户，目标事项为下级用户能够对目标运维流程进行操作的操作事项，据此得到目标用户的授权信息，该授权信息中包括课程视频保存路径标识，服务器通过该保存路径标识得到目标用户对应的数据缓存路径，需要说明的是，由于所有用户的课程数据均存储于预置的云存储平台中，当服务器获取数据缓存路径后，仍然需要通过该课程视频保存路径及上述目标用户的授权信息确定对应的数据接口，进而服务器通过该数据接口获取该目标用户的课程学习视频数据，然后服务器对该课程学习视频进行关键词查询，确定对应的目标关键词，服务器根据该目标关键词进行课程信息匹配，得到对应的课程信息，最后服务器根据课程信息及上述目标用户的授权信息从该课程监控数据库中获取对应的课后答题数据。
202、提取课程学习视频数据对应的视频时长，对视频时长进行标准化处理，得到目标用户的学习时长；
具体的，服务器对课程学习视频数据进行时长数据解析，得到课程学习视频数据对应的视频时长；计算课程学习视频数据中的视频头时长、视频尾时长和课间休息时长；根据视频头时长、视频尾时长和课间休息时长生成课程学习视频数据对应的未授课时长；根据视频时长和未授课时长计算目标用户的学习时长。
其中，本发明实施例中是通过对学习视频中的物理时长进行时长数据解析，最终得到该目标用户的学习时长，可选的，本实施例还可以通过对多个用户的学习视频数据进行分析，进而训练相应的学习时长预测模型，此方法可进一步提升数据处理的效率，具体的，服务器采集多个用户的学习视频数据，并根据该多个学习视频数据中的知识点测试情况进行分析，确定对应的知识点掌握情况阈值，其中，该阈值是通过对多个知识点测试情况评分进行加权平均得到的，例如，当多个目标用户的知识点测试评的加权平均分为90分时，则上述阈值即为90，进而服务器对该多个目标用户相应的物理学习时长进行标注，得到标注训练集，通过该标注训练集对预置的神经网络进行训练，进而得到学习时长预测模型，需要说明的是，服务器通过该学习时长预测模型进行预测时候会基于已学完知识点的平均用时、用户查看解析率、知识点被掌握率、知识点被其余学生学完的平均用时、以及用户的学习模式进行学习时长预测。
203、将课后答题数据输入预置的答题评分模型中进行答题数据评分，得到课后答题数据对应的目标答题评分；
具体的，服务器将课后答题数据输入预置的答题评分模型，其中，答题评分模型包括：多个标准问题以及每个标准问题对应的标准答案；对课后答题数据进行问题提取，得到课后答题数据对应的多个目标问题，并从课后答题数据中提取每个目标问题对应的目标答案；对每个目标问题和答题评分模型中的多个标准问题进行匹配，得到匹配结果；根据匹配结果并按照预设的评分标准对目标答案进行答题数据评分计算，得到目标答题评分。
可选的，服务器还可以通过获取标准问题的答案，将答案输入答题评分模型，评分模型为根据答案和标准答案之间的特征向量，将特征向量进行多项式回归的计算模型，特征向量表征答案和标准答案之间的相似度，根据评分模型的输出结果确定答案的评分。在建立多项式回归模型时，对获取到的训练答案进行同义词拓展，保证同样的语义用不同词语表达的时候获取到相同的分值。将获取到的答案输入到评分模型中，与预设的标准答案进行文本相似度对比，得到一个特征向量，将特征向量通过多项式回归输出计算结果。具体地，将答案进行分句，将分句与标准答案中的不同句子进行相似度对比，将所有分句的相似度对比结果集合形成一个特征向量，用于表示答案与标准答案之间的文本相似度。得到特征向量之后，根据预设的多项式回归模型进行计算，得到特征向量进行多项式回归的结果，并对每个目标问题和答题评分模型中的多个标准问题进行匹配，得到匹配结果；根据匹配结果并按照预设的评分标准对目标答案进行答题数据评分计算，得到目标答题评分。
204、对课程学习视频数据进行分帧处理，得到课程学习视频数据对应的多个视频帧；
205、分别将多个视频帧输入预置的眼部注意力识别模型，通过眼部注意力模型对每个视频帧进行眼部注意点识别，得到每个视频帧对应的眼部注意点；
206、根据每个视频帧对应的眼部注意点计算眼部注意点符合预设区域时对应的时长，得到眼部注意力时长；
具体的，将一段课程学习视频进行分帧是指将这一段课程学习视频拆解为多个图像，得到一个分帧图像组，该分帧图像组包括多个图像及多个图像对应的分帧编号，具体包括：将课程学习视频进行均匀分帧，得到多个图像，均匀分帧的频率不小于课程学习视频的默认帧率，每一图像对应一个三维数组，三维数组包括相应图像的宽度、高度和深度，根据多个图像展现的次序，将多个图像进行编号，得到多个图像的分帧编号，进而通过眼部注意力模型获取若干面部图像识别出各面部图像对应的眼部图像，根据若干眼部图像确定各眼部图像的瞳孔位置数据。基于瞳孔位置数据，确定测试者对视觉注意测试内容的注视点位置信息。根据注视点位置信息以及视觉注意测试内容，确定视觉注意测试者的视觉注意等级，得到每个视频帧对应的眼部注意点，根据每个视频帧对应的眼部注意点计算眼部注意点符合预设区域时对应的时长，得到眼部注意力时长。
207、根据学习时长、眼部注意力时长和目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；
具体的，服务器对学习时长、眼部注意力时长和目标答题评分进行向量编码，生成输入向量；将输入向量输入预置的学习质量评分模型，通过学习质量评分模型中的多个门限循环单元对输入向量进行评分计算，得到每个门限循环单元对应的学习质量评分；对每个门限循环单元对应的学习质量评分进行平均归一化运算，得到目标学习质量评分。
其中，服务器根据获得的每个指标与学习行为的相关系数构建输入向量，对学习时长、眼部注意力时长和目标答题评分进行向量编码，生成输入向量，对输入向量进行归一化处理得到标准向量，将标准向量按行求和再进行归一化处理，获得权重值，进而服务器进行权重得分计算，得出多个评价结果向量，然后服务器根据上述多个评价结果向量构建模糊评判向量，进而服务器通过学习质量评分模型中的多个门限循环单元对模糊评判向量进行评分计算，得到每个门限循环单元对应的学习质量评分，对每个门限循环单元对应的学习质量评分进行平均归一化运算，得到目标学习质量评分。
208、根据目标学习质量评分生成目标用户对应的学习改进方案。
具体的，服务器对目标学习质量评分和预设等级分数段进行比较，得到目标用户的学习等级；从预置的学习方案列表中匹配与学习等级对应的学习改进方案。
其中，本发明实施例中利用目标用户的基本个人信息和核心课程成绩，分析这部分目标用户的在这些核心课程上的学习态度和自身定位，从而对这部分目标用户提供学习改进方案，例如，当该目标用户的数学科目质量评分较低时，则将该目标用户的课程分配进行调整，将该目标用户的数学课程占比调至原来的1.5倍，同时生成对应的学习改进方案，同时服务器可以根据服务器对目标学习质量评分和预设等级分数段进行比较，需要说明的是，该预设等级分数段对应不同的课程安排，进而服务器通过获取目标用户的学习等级，从预置的学习方案列表中匹配与学习等级对应的学习改进方案。
本发明实施例中，从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询课程学习视频数据对应的课后答题数据；提取课程学习视频数据对应的视频时长，对视频时长进行标准化处理，得到目标用户的学习时长；将课后答题数据输入预置的答题评分模型中进行答题数据评分，得到课后答题数据对应的目标答题评分；将课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到目标用户对应的眼部注意力时长；根据学习时长、眼部注意力时长和目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；根据目标学习质量评分生成目标用户对应的学习改进方案。本发明通过对课程学习视频数据进行注意力分析，并且加入了目标用户的课后答题数据进行学习质量评测，提高了课程学习质量监控的准确率。
上面对本发明实施例中数据库信息监控方法进行了描述，下面对本发明实施例中数据库信息监控装置进行描述，请参阅图3，本发明实施例中数据库信息监控装置一个实施例包括：
获取模块301，用于从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据；
提取模块302，用于提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长；
处理模块303，用于将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分；
识别模块304，用于将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长；
检测模块305，用于根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；
生成模块306，用于根据所述目标学习质量评分生成所述目标用户对应的学习改进方案。
本发明实施例中，从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据；提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长；将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分；将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长；根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；根据所述目标学习质量评分生成所述目标用户对应的学习改进方案。本发明通过对课程学习视频数据进行注意力分析，并且加入了目标用户的课后答题数据进行学习质量评测，提高了课程学习质量监控的准确率。
请参阅图4，本发明实施例中数据库信息监控装置另一个实施例包括：
获取模块301，用于从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据；
提取模块302，用于提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长；
处理模块303，用于将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分；
识别模块304，用于将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长；
检测模块305，用于根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；
生成模块306，用于根据所述目标学习质量评分生成所述目标用户对应的学习改进方案。
可选的，所述获取模块301具体用于：获取目标用户的授权信息，并根据所述授权信息查询所述目标用户对应的数据缓存路径；基于所述数据缓存路径从预置的课程监控数据库中查询所述目标用户的课程学习视频数据；对所述课程学习视频数据进行课程信息匹配，得到所述课程学习视频数据对应的课程信息；根据所述课程信息和所述授权信息从预置的课程监控数据库中查询所述目标用户的课后答题数据。
可选的，所述提取模块302具体用于：对所述课程学习视频数据进行时长数据解析，得到所述课程学习视频数据对应的视频时长；计算所述课程学习视频数据中的视频头时长、视频尾时长和课间休息时长；根据所述视频头时长、所述视频尾时长和所述课间休息时长生成所述课程学习视频数据对应的未授课时长；根据所述视频时长和所述未授课时长计算所述目标用户的学习时长。
可选的，所述处理模块303具体用于：将所述课后答题数据输入预置的答题评分模型，其中，所述答题评分模型包括：多个标准问题以及每个标准问题对应的标准答案；对所述课后答题数据进行问题提取，得到所述课后答题数据对应的多个目标问题，并从所述课后答题数据中提取每个目标问题对应的目标答案；对每个目标问题和所述答题评分模型中的多个标准问题进行匹配，得到匹配结果；根据所述匹配结果并按照预设的评分标准对所述目标答案进行答题数据评分计算，得到目标答题评分。
可选的，所述识别模块304还包括：
分帧单元3041，用于对所述课程学习视频数据进行分帧处理，得到所述课程学习视频数据对应的多个视频帧；
识别单元3042，用于分别将所述多个视频帧输入预置的眼部注意力识别模型，通过所述眼部注意力模型对每个视频帧进行眼部注意点识别，得到每个视频帧对应的眼部注意点；
计算单元3043，用于根据每个视频帧对应的眼部注意点计算所述眼部注意点符合预设区域时对应的时长，得到眼部注意力时长。
可选的，所述检测模块305具体用于：对所述学习时长、所述眼部注意力时长和所述目标答题评分进行向量编码，生成输入向量；将所述输入向量输入预置的学习质量评分模型，通过所述学习质量评分模型中的多个门限循环单元对所述输入向量进行评分计算，得到每个门限循环单元对应的学习质量评分；对每个门限循环单元对应的学习质量评分进行平均归一化运算，得到目标学习质量评分。
可选的，所述生成模块306具体用于：对所述目标学习质量评分和预设等级分数段进行比较，得到所述目标用户的学习等级；从预置的学习方案列表中匹配与所述学习等级对应的学习改进方案。
本发明实施例中，从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据；提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长；将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分；将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长；根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；根据所述目标学习质量评分生成所述目标用户对应的学习改进方案。本发明通过对课程学习视频数据进行注意力分析，并且加入了目标用户的课后答题数据进行学习质量评测，提高了课程学习质量监控的准确率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的数据库信息监控装置进行详细描述，下面从硬件处理的角度对本发明实施例中数据库信息监控设备进行详细描述。
图5是本发明实施例提供的一种数据库信息监控设备的结构示意图，该数据库信息监控设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对数据库信息监控设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在数据库信息监控设备500上执行存储介质530中的一系列指令操作。
数据库信息监控设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的数据库信息监控设备结构并不构成对数据库信息监控设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种数据库信息监控设备，所述数据库信息监控设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述数据库信息监控方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述数据库信息监控方法的步骤。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种数据库信息监控方法，其特征在于，所述数据库信息监控方法包括：
从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据；
提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长；
将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分；
将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长；
根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；
根据所述目标学习质量评分生成所述目标用户对应的学习改进方案。
2.根据权利要求1所述的数据库信息监控方法，其特征在于，所述从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据，包括：
获取目标用户的授权信息，并根据所述授权信息查询所述目标用户对应的数据缓存路径；
基于所述数据缓存路径从预置的课程监控数据库中查询所述目标用户的课程学习视频数据；
对所述课程学习视频数据进行课程信息匹配，得到所述课程学习视频数据对应的课程信息；
根据所述课程信息和所述授权信息从预置的课程监控数据库中查询所述目标用户的课后答题数据。
3.根据权利要求1所述的数据库信息监控方法，其特征在于，所述提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长，包括：
对所述课程学习视频数据进行时长数据解析，得到所述课程学习视频数据对应的视频时长；
计算所述课程学习视频数据中的视频头时长、视频尾时长和课间休息时长；
根据所述视频头时长、所述视频尾时长和所述课间休息时长生成所述课程学习视频数据对应的未授课时长；
根据所述视频时长和所述未授课时长计算所述目标用户的学习时长。
4.根据权利要求1所述的数据库信息监控方法，其特征在于，所述将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分，包括：
将所述课后答题数据输入预置的答题评分模型，其中，所述答题评分模型包括：多个标准问题以及每个标准问题对应的标准答案；
对所述课后答题数据进行问题提取，得到所述课后答题数据对应的多个目标问题，并从所述课后答题数据中提取每个目标问题对应的目标答案；
对每个目标问题和所述答题评分模型中的多个标准问题进行匹配，得到匹配结果；
根据所述匹配结果并按照预设的评分标准对所述目标答案进行答题数据评分计算，得到目标答题评分。
5.根据权利要求1所述的数据库信息监控方法，其特征在于，所述将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长，包括：
对所述课程学习视频数据进行分帧处理，得到所述课程学习视频数据对应的多个视频帧；
分别将所述多个视频帧输入预置的眼部注意力识别模型，通过所述眼部注意力模型对每个视频帧进行眼部注意点识别，得到每个视频帧对应的眼部注意点；
根据每个视频帧对应的眼部注意点计算所述眼部注意点符合预设区域时对应的时长，得到眼部注意力时长。
6.根据权利要求1所述的数据库信息监控方法，其特征在于，所述根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分，包括：
对所述学习时长、所述眼部注意力时长和所述目标答题评分进行向量编码，生成输入向量；
将所述输入向量输入预置的学习质量评分模型，通过所述学习质量评分模型中的多个门限循环单元对所述输入向量进行评分计算，得到每个门限循环单元对应的学习质量评分；
对每个门限循环单元对应的学习质量评分进行平均归一化运算，得到目标学习质量评分。
7.根据权利要求1-6中任一项所述的数据库信息监控方法，其特征在于，所述根据所述目标学习质量评分生成所述目标用户对应的学习改进方案，包括：
对所述目标学习质量评分和预设等级分数段进行比较，得到所述目标用户的学习等级；
从预置的学习方案列表中匹配与所述学习等级对应的学习改进方案。
8.一种数据库信息监控装置，其特征在于，所述数据库信息监控装置包括：
获取模块，用于从预置的课程监控数据库中获取目标用户的课程学习视频数据，并查询所述课程学习视频数据对应的课后答题数据；
提取模块，用于提取所述课程学习视频数据对应的视频时长，对所述视频时长进行标准化处理，得到所述目标用户的学习时长；
处理模块，用于将所述课后答题数据输入预置的答题评分模型中进行答题数据评分，得到所述课后答题数据对应的目标答题评分；
识别模块，用于将所述课程学习视频数据输入预置的眼部注意力识别模型进行眼部注意力识别，得到所述目标用户对应的眼部注意力时长；
检测模块，用于根据所述学习时长、所述眼部注意力时长和所述目标答题评分输入预置的学习质量评分模型进行学习质量检测，得到目标学习质量评分；
生成模块，用于根据所述目标学习质量评分生成所述目标用户对应的学习改进方案。
9.一种数据库信息监控设备，其特征在于，所述数据库信息监控设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述数据库信息监控设备执行如权利要求1-7中任一项所述的数据库信息监控方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的数据库信息监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210893159.5A CN114971425B (zh) | 2022-07-27 | 2022-07-27 | 数据库信息监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210893159.5A CN114971425B (zh) | 2022-07-27 | 2022-07-27 | 数据库信息监控方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114971425A true CN114971425A (zh) | 2022-08-30 |
| CN114971425B CN114971425B (zh) | 2022-10-21 |
Family
ID=82969728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210893159.5A Active CN114971425B (zh) | 2022-07-27 | 2022-07-27 | 数据库信息监控方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114971425B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258613A (zh) * | 2023-02-14 | 2023-06-13 | 广州秒可科技有限公司 | 课程规划方法、课程规划设备和可读存储介质 |
| CN118378956A (zh) * | 2024-06-21 | 2024-07-23 | 杭州杰竞科技有限公司 | 一种基于ai学员课后点评方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815491A (zh) * | 2019-01-08 | 2019-05-28 | 平安科技（深圳）有限公司 | 答题评分方法、装置、计算机设备及存储介质 |
| CN110070295A (zh) * | 2019-04-25 | 2019-07-30 | 平安科技（深圳）有限公司 | 课堂教学质量的评析方法、装置和计算机设备 |
| WO2019218427A1 (zh) * | 2018-05-17 | 2019-11-21 | 深圳市鹰硕技术有限公司 | 基于行为特征对比的关注度检测方法以及装置 |
| CN110929515A (zh) * | 2019-11-21 | 2020-03-27 | 中国民航大学 | 基于协同注意力和自适应调整的阅读理解方法及系统 |
| CN112070641A (zh) * | 2020-09-16 | 2020-12-11 | 东莞市东全智能科技有限公司 | 基于眼动追踪的教学质量评测方法、装置及系统 |
| US20200410345A1 (en) * | 2018-02-27 | 2020-12-31 | Nippon Telegraph And Telephone Corporation | Learning quality estimation device, method, and program |
| CN112949461A (zh) * | 2021-02-26 | 2021-06-11 | 北京高途云集教育科技有限公司 | 一种学习状态的分析方法、装置以及电子设备 |
| CN113724110A (zh) * | 2021-08-27 | 2021-11-30 | 中国海洋大学 | 一种可解释的深度知识追踪方法、系统及其应用 |
| CN114169739A (zh) * | 2021-12-03 | 2022-03-11 | 深圳十方融海科技有限公司 | 一种课程权限控制方法、装置、电子设备及存储介质 |
-
2022
- 2022-07-27 CN CN202210893159.5A patent/CN114971425B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200410345A1 (en) * | 2018-02-27 | 2020-12-31 | Nippon Telegraph And Telephone Corporation | Learning quality estimation device, method, and program |
| WO2019218427A1 (zh) * | 2018-05-17 | 2019-11-21 | 深圳市鹰硕技术有限公司 | 基于行为特征对比的关注度检测方法以及装置 |
| CN109815491A (zh) * | 2019-01-08 | 2019-05-28 | 平安科技（深圳）有限公司 | 答题评分方法、装置、计算机设备及存储介质 |
| CN110070295A (zh) * | 2019-04-25 | 2019-07-30 | 平安科技（深圳）有限公司 | 课堂教学质量的评析方法、装置和计算机设备 |
| CN110929515A (zh) * | 2019-11-21 | 2020-03-27 | 中国民航大学 | 基于协同注意力和自适应调整的阅读理解方法及系统 |
| CN112070641A (zh) * | 2020-09-16 | 2020-12-11 | 东莞市东全智能科技有限公司 | 基于眼动追踪的教学质量评测方法、装置及系统 |
| CN112949461A (zh) * | 2021-02-26 | 2021-06-11 | 北京高途云集教育科技有限公司 | 一种学习状态的分析方法、装置以及电子设备 |
| CN113724110A (zh) * | 2021-08-27 | 2021-11-30 | 中国海洋大学 | 一种可解释的深度知识追踪方法、系统及其应用 |
| CN114169739A (zh) * | 2021-12-03 | 2022-03-11 | 深圳十方融海科技有限公司 | 一种课程权限控制方法、装置、电子设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258613A (zh) * | 2023-02-14 | 2023-06-13 | 广州秒可科技有限公司 | 课程规划方法、课程规划设备和可读存储介质 |
| CN116258613B (zh) * | 2023-02-14 | 2024-04-30 | 广州秒可科技有限公司 | 课程规划方法、课程规划设备和可读存储介质 |
| CN118378956A (zh) * | 2024-06-21 | 2024-07-23 | 杭州杰竞科技有限公司 | 一种基于ai学员课后点评方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114971425B (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114971425B (zh) | 数据库信息监控方法、装置、设备及存储介质 | |
| CN107274020B (zh) | 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法 | |
| CN112069970B (zh) | 课堂教学事件分析方法及装置 | |
| CN115205764B (zh) | 基于机器视觉的在线学习专注度监测方法、系统及介质 | |
| CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
| CN115496638B (zh) | 基于智慧校园的学生课程成绩分析管理方法及系统 | |
| CN115100007B (zh) | 基于人工智能的在线教学管理方法及系统 | |
| CN115082041A (zh) | 用户信息管理方法、装置、设备及存储介质 | |
| CN117151949A (zh) | 一种基于bim技术的航道工程虚拟培训方法及系统 | |
| Wang et al. | Educational question mining at scale: Prediction, analysis and personalization | |
| CN116883208A (zh) | 一种基于图像的课堂质量评估系统 | |
| CN113554909A (zh) | 一种在线教育平台 | |
| CN115952908A (zh) | 学习路径规划方法、系统、设备及存储介质 | |
| CN113919983A (zh) | 试题画像方法、装置、电子设备和存储介质 | |
| CN112784144B (zh) | 一种基于大数据的在线教育课件推送方法 | |
| CN114444500A (zh) | 基于表达式链表树匹配程度的数学主观题评分方法及系统 | |
| Maraza-Quispe et al. | Predictive model of student academic performance from LMS data based on learning analytics | |
| Zong et al. | A Crowd–AI Collaborative Approach to Address Demographic Bias for Student Performance Prediction in Online Education | |
| CN111985793A (zh) | 一种学生网上评教方法 | |
| Kharis et al. | Students' success prediction based on the Fuzzy K-Nearest Neighbor method in Universitas Terbuka | |
| CN117252461B (zh) | 基于大数据的线上培训多模式教学方法及系统 | |
| CN118364340B (zh) | 基于深度学习的学员课程短板定位方法、系统及存储介质 | |
| CN117952687B (zh) | 一种混合式教学ai评价系统 | |
| CN116824459B (zh) | 一种实操考试的智能监测考评方法、系统及存储介质 | |
| Wang et al. | Large-scale educational question analysis with partial variational auto-encoders |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |