CN114971974A - 教学处理方法、装置、设备及介质 - Google Patents
教学处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114971974A CN114971974A CN202210751703.2A CN202210751703A CN114971974A CN 114971974 A CN114971974 A CN 114971974A CN 202210751703 A CN202210751703 A CN 202210751703A CN 114971974 A CN114971974 A CN 114971974A
- Authority
- CN
- China
- Prior art keywords
- student
- lesson preparation
- lesson
- attribute information
- students
- 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 30
- 238000002360 preparation method Methods 0.000 claims abstract description 265
- 238000000034 method Methods 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000010146 3D printing Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (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
本公开提供一种教学处理方法、装置、设备及介质,其中该教学处理方法包括:针对目标课程获取多个学生的备课属性信息,备课属性信息包括多个维度的课中专注信息,以及课后成绩信息;基于备课属性信息对多个学生进行相似性聚类,得到多个学生集合;基于多个学生集合以及每个学生的备课属性信息,确定目标课程的备课数据。本公开对学生聚类时依据的维度较为全面,提高了聚类的准确性,进而基于聚类获得的学生集合进行备课内容确定时的准确性较高,从而能够有效的提升教学效果。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及教学处理方法、装置、设备及介质。
背景技术
备课是指教师在讲课前准备讲课内容,一个好的备课是好的教学效果的基础。相关技术中,可以根据学生历史错题,将学生掌握薄弱的知识点推荐给教师,教师根据该知识点进行上课。该种备课方法考虑的学生因素比较单一,不够全面,影响备课准确性,进而影响教学效果。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种教学处理方法、装置、设备及介质。
根据本公开的一方面,提供了一种教学处理方法,包括:针对目标课程获取多个学生的备课属性信息,所述备课属性信息包括多个维度的课中专注信息,以及课后成绩信息;基于所述备课属性信息对所述多个学生进行相似性聚类,得到多个学生集合;基于所述多个学生集合以及每个学生的备课属性信息,确定所述目标课程的备课数据。
根据本公开的另一方面,提供了一种教学处理装置,所述装置,包括:信息获取模块,用于针对目标课程获取多个学生的备课属性信息,所述备课属性信息包括多个维度的课中专注信息,以及课后成绩信息;学生聚类模块,基于所述备课属性信息对所述多个学生进行相似性聚类,得到多个学生集合;数据确定模块,基于所述多个学生集合以及每个学生的备课属性信息,确定所述目标课程的备课数据。
根据本公开的另一方面,提供了一种电子设备,包括:处理器;以及存储程序的存储器,其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行上述教学处理方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述教学处理方法。
本公开实施例中提供的上述教学处理方法及装置,能够针对目标课程获取多个学生的备课属性信息,备课属性信息包括多个维度的课中专注信息,以及课后成绩信息;基于备课属性信息对多个学生进行相似性聚类,得到多个学生集合;基于多个学生集合以及每个学生的备课属性信息,确定目标课程的备课数据。采用上述技术方案,获取学生的多个维度的课中专注信息以及课后成绩信息作为备课属性信息,之后可以基于多维度的备课属性信息确定学生的相似性并进行聚类,基于聚类后的学生集合以及备课属性信息可以生成备课数据,由于对学生聚类时依据的维度较为全面,提高了聚类的准确性,进而基于聚类获得的学生集合进行备课内容确定时的准确性较高,从而能够有效的提升教学效果。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种教学处理方法的流程示意图;
图2为本公开实施例提供的另一种教学处理方法的流程示意图;
图3为本公开实施例提供的一种目标学生集合的示意图;
图4为本公开实施例提供的又一种教学处理方法的流程示意图;
图5为本公开实施例提供的一种课前、课中、课后的教学处理过程的示意图;
图6为本公开实施例提供的一种教学处理装置的结构示意图;
图7为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本公开使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
为了改善以上至少一种问题,本公开实施例提供了一种教学处理方法、装置、设备及介质,为便于理解,以下进行阐述说明。
图1为本公开实施例提供的一种教学处理方法的流程示意图,该方法可以由教学处理装置执行,其中该装置可以采用软件和/或硬件实现,一般可集成在电子设备中。如图1所示,该方法主要包括:
步骤101、针对目标课程获取多个学生的备课属性信息,备课属性信息包括多个维度的课中专注信息,以及课后成绩信息。
其中,目标课程可以为需要进行备课处理的课程,本实施例对该目标课程的类型不做限制,例如该目标课程的类型可以包括:语文、数学、英语中的至少一种。备课属性信息可以为从多个维度表征学生与目标课程关系的本质特征。可以理解地,备课为课前教师进行的准备,为了提高备课的针对性,在本公开实施例中,该备课属性信息可以包括多个维度的课中专注信息以及课后成绩信息。
课中专注信息可以为表征学生在上课过程中的专注度的数据,该课中专注信息包括但不限于:专注时长信息和/或专注程度信息,本实施例对该课中专注信息的获取方法不做限制,例如:可以对学生在该目标课程中的历史影像数据进行神经网络计算,根据计算结果确定该课中专注信息。课后成绩信息可以为表征学生在该课程的成绩的数据,该课后成绩信息包括但不限于:难题正确率、填空题正确率、选择题正确率中的一个或多个,本实施例对该课后成绩信息的获取方法不做限制,例如:可以将与该目标课程相关的习题按照难易程度进行分类,统计学生针对不同难以程度的习题的作答结果,确定课后成绩信息。
在本实施例中,教学处理装置可以获取目标课程,并根据该目标课程对原始信息库进行查询,从而获得学生针对该目标课程的备课属性信息,其中,原始信息库中包括多个学生对应的多种课程的备课属性信息。上述通过原始信息库获取备课属性信息仅为示例,本实施例中还可以通过其他方法实现,具体不限。
可选的,备课属性信息可以采用表格方式进行表示。举例而言,获取的备课属性信息可以如表1所示:
表1信息表
f<sub>1</sub> | f<sub>2</sub> | f<sub>3</sub> | ... | f<sub>m</sub> | |
X<sub>1</sub> | 0.89 | 0.46 | 0.15 | 0.32 | 0.06 |
X<sub>2</sub> | 0.27 | 0.77 | 0.24 | 0.26 | 0.09 |
X<sub>3</sub> | 0.03 | 0.08 | 0.92 | 0.88 | 0.27 |
... | ... | ... | ... | ... | ... |
X<sub>n</sub> | 0.26 | 0.09 | 0.07 | 0.24 | 0.71 |
如表1的信息表,其中f可以表示备课属性信息的不同维度,X可以表示不同的学生。在本示例中,包括X1至Xn共n名学生,并且每名学生具有f1至fm共m个维度的备课属性信息,该备课属性信息包括课中专注信息以及课后成绩信息,该课中专注信息可以包括学生对课件中预设图片的埋点数据的专注时长信息,该课后成绩信息可以包括课后作业中学生针对预设题型的作答情况和/或针对预设难度知识点的掌握情况等。
步骤102、基于备课属性信息对多个学生进行相似性聚类,得到多个学生集合。
其中,学生集合为根据备课属性信息对学生进行聚类获得的多个集合,同一个学生集合中的学生对应的备课属性信息的相似度较高。
在一些实施例中,图2为本公开实施例提供的另一种教学处理方法的流程示意图,如图2所示,其中,多个学生集合的数量为预设数量,基于备课属性信息对多个学生进行相似性聚类,得到多个学生集合,包括如下步骤:
步骤201、从多个学生中随机提取预设数量的学生作为第一集合中心。
其中,预设数量为经过相似性聚类获得的学生集合的数量,该预设数量可以根据用户需求等进行设置,本实施例不做限制,例如,用户可以将该预设数量设置为3个。第一集合中心为当前对学生进行聚类的依据,在本步骤中,第一集合中心为首次迭代过程中的集合中心。
在首次迭代的过程中,教学处理装置可以从学生中随机获取预设数量的学生,并将获取的学生作为第一集合中心。举例而言,若预设数量为3,教学处理装置可以随机提取3个学生,并将该3个学生作为第一集合中心。本实施例中,教学处理装置可以基于备课属性信息对学生进行一次或多次的聚类迭代从而确定最终的学生集合。
步骤202、基于备课属性信息确定每个学生到各第一集合中心的相似度,并将每个学生分配到与其相似度最大的第一集合中心所在的学生集合,得到预设数量的目标学生集合。
其中,目标学生集合可以为在当前步骤对学生进行聚类获得的多个学生集合。学生与第一集合中心的相似度可以为,该学生对应的备课属性信息与第一集合中心对应的备课属性信息之间的相似度,本实施例对该相似度的计算方法不做限制,例如,该相似度可以通过欧氏距离算法或曼哈顿距离算法等算法获得。以欧式距离算法为例:
在一些实施例中,基于备课属性信息确定每个学生到各第一集合中心的相似度,包括:采用欧式距离算法确定学生的备课属性信息与各第一集合中心的备课属性信息之间的欧式距离,将欧式距离确定为相似度,欧式距离越小,相似度越大。其中,欧式距离算法可以为学生的备课属性信息与第一集合中心的备课属性信息之间,相应属性的差的平方和。
在本实施例中,欧式距离能够表征学生的备课属性信息与第一集合中心的备课属性信息之间差异,因而可以将该欧式距离确定为相似度。可以理解地,计算获得的欧式距离越大,表征学生的备课属性信息和该第一集合中心的备课属性信息之间的差异越大,因而相似度越小;计算获得的欧式距离越小,表征学生的备课属性信息和该第一集合中心的备课属性信息之间的差异越小,因而相似度越大。
举例而言,若需要将n个学生根据备课属性信息的聚类到K个学生集合中,其中,1<K≤n。首先,可以随机将K个学生选取作为集合中心{C1,C2,...,CK},计算每个学生到每个集合中心的欧式距离dis(Xi,Cj)为:
其中Xi表示第i个学生,Cj表示第j个集合中心,Xit表示第i个学生的第t个属性,Cjt表示第j个集合中心的第t个属性,m表示备课属性信息的属性数量。
在本实施例中,在首次迭代的过程中,确定第一集合中心之后,教学处理装置可以基于第一集合中心对每个学生进行聚类处理,从而确定此时的目标学生集合,目标学生集合的数量为上述预设数量。具体地,以当前学生为例,教学处理装置可以计算当前学生到各第一集合中心的第一中心相似度,确定各第一中心相似度中最小的第一目标相似度,将当前学生分配至该第一目标相似度对应的第一集合中心所在的学生集合中。对每个学生进行上述聚类处理,从而获得预设数量的目标学生集合。
步骤203、确定各目标学生集合的第二集合中心,并判断是否满足停止迭代条件,若是,则停止迭代;否则,将第二集合中心作为新的第一集合中心返回确定基于备课属性信息每个学生到各新的第一集合中心的相似度,直到达到停止迭代条件。
其中,第二集合中心可以为根据目标学生集合中学生的备课属性信息,通过数学运算获得的各学生集合的中心。停止迭代条件可以为对学生进行聚类迭代的停止条件,当满足该停止迭代条件时则停止对学生进行聚类。
在本实施例中,教学处理装置可以根据目标学生集合中学生的备课属性信息确定第二集合中心,该第二集合中心的确定方法有多种,本实施例不做限制。例如,教学处理装置可以确定一个目标学生集合中包括的目标学生,获取各目标学生对应的备课属性信息的平均值,将该平均值确定为该目标学生集合对应的第二集合中心。进一步地,确定第二集合中心之后,判断是否满足停止迭代条件,若满足停止迭代条件,则停止迭代,将当前的目标学生集合确定为最终聚类得到学生集合;若不满足停止迭代条件,说明需要继续进行下一步的迭代,若需进行下一步的迭代,教学处理装置可以将计算获得的第二集合中心作为新的第一集合中心,并且根据该新的第一集合中心对学生进行聚类分组,获得新的目标学生集合。
示例性的,以当前学生为例,教学处理装置可以计算当前学生到各新的第一集合中心的相似度,将其中相似度最大的作为新的第一目标中心,将当前学生分配至该新的第一目标中心对应的学生集合中,对每个学生进行上述聚类操作,获得新的目标学生集合;进而,基于该新的目标学生集合计算第二集合中心,以此实现迭代。在每次迭代计算获得第二集合中心之后,教学处理装置可以进行判断是否满足停止迭代条件,若满足迭代停止条件,则停止迭代;若不满足迭代停止条件,则继续进行迭代计算,直至满足停止迭代条件。
其中,判断是否满足停止迭代条件的方法有多种,本实施例不做限制,示例说明如下:
一种可选的实施方式中,教学处理装置可以判断迭代次数是否等于次数阈值,若是则满足停止迭代条件;否则,不满足停止迭代条件。其中,迭代次数为当前通过迭代对学生进行聚类分组的次数,次数阈值为判断进行迭代的次数是否足够的数值,该次数阈值可以根据用户需求等进行设置,本实施例不做限制。在本实施例中,教学处理装置可以将迭代次数与次数阈值进行对比,如果迭代次数与次数阈值相等,则说明满足迭代停止条件;如果迭代次数与次数阈值不相等,则说明不满足迭代停止条件,并继续进行迭代。
另一种可选的实施方式中,判断各第二集合中心与相应的第一集合中心的相似度的平均值是否小于临界值,若该平均值小于临界值,则达到满足迭代条件;若该平均值不小于临界值,则未达到停止迭代条件。其中,临界值可以为针对两次集合中心相似度的平均值设置的一个最大值,也是判断是否需要对当前迭代获得的目标学生集合进行进一步迭代的数值,该临界值可以根据用户需求等进行设置,本实施例不做限制。
在本实施例中,第一集合中心可以为基于前一次对学生进行聚类的结果确定的中心,第二集合中心可以为基于前一次确定的第一集合中心对备课属性信息进行计算获得的中心,例如,若基于前一次确定的第一集合中心确定了目标学生集合,该第二集合中心可以为同一目标学生集合中包括的备课属性信息的平均值。进而,将第二集合中心和第一集合中心进行对比,从而能够确定第一集合中心和第二集合中心两者之间是否相差较大。
具体地,教学处理装置可以计算目标学生集合对应的第一集合中心与第二集合中心的相似度,该相似度的计算方法有多种,本实施例不做限制。例如,教学处理装置可以计算第一集合中心与第二集合中心的距离,将该距离作为第一集合中心和第二集合中心之间的相似度。由于第一集合中心和第二集合中心的数量均为多个,计算获得各目标学生集合对应的第一集合中心和第二集合中心之间的多个相似度,并计算该多个相似度的平均值,将该平均值和临界值进行数值比较,如果平均值小于临界值,则说明当前情况满足迭代停止条件,不需要再进行下一步的迭代操作;如果平均值不小于临界值,则说明当前情况未满足迭代停止条件,还需进行下一步的迭代操作。
步骤204、将停止迭代时的预设数量的目标学生集合确定为最终得到的多个学生集合。
在本实施例中,当满足停止迭代条件时停止迭代,并获得最后一次迭代对应的预设数量的目标学生集合,将该目标学生集合确定为对学生进行分组获得的最终学生集合。
举例而言,若在确定了学生到集合中心的相似度之后,将学生分配到相似度最大的集合中心所在的集合中,得到K个集合{S1,S2,...,SK},集合中心为该集合包括的各学生的备课属性信息的平均值,则第二集合中心Cu为:
其中,count(Si)表示该集合中学生的个数,Xi表示该集合中的某一个学生。每次迭代可以产生对应的目标学生集合,图3为本公开实施例提供的一种目标学生集合的示意图,如图3所示,区域301为C1集合、区域302为C2集合、区域303为C3集合,其中,C1集合为以C1为集合中心聚类获得的;C2集合为以C2为集合中心聚类获得的;C3集合为以C3为集合中心聚类获得的。C1集合中包括2个学生,C2集合中包括10个学生,C3集合中包括4个学生。
经过数次迭代后,直到各学生集合对应的第一集合中心CK与第二集合中心Cu之间的相似度的平均值小于临界值则停止迭代,完成集合中心及学生集合的计算。
需要说明的是,上述通过迭代方法对学生进行相似性聚类仅为示例,而非限定,本实施例还可以通过神经网络聚类、密度聚类等方法实现对学生的相似性聚类处理,具体不限。
步骤103、基于多个学生集合以及每个学生的备课属性信息,确定目标课程的备课数据。
其中,备课数据可以为基于备课属性信息确定的用于上课的数据,基于该备课数据教师可以上课。该备课数据有多种,本实施例不做限制。在一些实施例中,备课数据包括针对目标课程的预设知识点的备课时长、多个备课难度的题目占比和备课内容。其中,预设知识点可以为教师根据实际教学情况确定的,例如,预设知识点可以为教师根据教材中的知识点顺序确定的。其中,备课时长可以为针对目标课程设置的上课的有效时长,备课难度可以为某一知识点的题目对应的难度系数,备课难度的题目占比可以为不同备课难度对应的题目所占比重,备课内容可以为多个备课题目组成的、支持教师完成课堂的题目组。
可以理解地,学生集合中包括了经过聚类分组处理确定的备课属性信息相似度较高的学生,并且备课属性信息中包括学生在不同维度的特征信息。因而,教学处理装置可以基于学生集合中的学生数量等数据以及备课属性信息中的课中专注度、课后成绩信息等数据确定目标课程的相应备课数据。
在一些实施例中,在基于多个学生集合以及每个学生的备课属性信息,确定目标课程的备课数据之前,该教学处理方法还包括:
步骤401、基于每个学生集合中学生数量、多个学生的总数量,确定每个学生集合的重要程度。
其中,学生数量可以为一个学生集合中包括的学生的数量,多个学生的总数量可以为所有学生集合中包括的学生的数量。重要程度可以为表征学生集合在所有学生集合中权重的参数。
在本实施例中,教学处理装置可以计算每个学生集合中包括的学生数量,并且计算所有学生集合中学生的总数量,从而根据各学生集合对应的学生数量以及学生的总数量确定学生在学生集合中的分布规律,基于该分布规律确定学生集合的重要程度。举例而言,集合i的重要程度ωi为:
其中,count(Si)表示该集合中学生的个数,n为学生的总数量。步骤401之后,教学处理装置可以根据备课数据的种类确定后续执行步骤,在一些实施例中,当备课数据为备课时长,基于多个学生集合以及每个学生的备课属性信息,确定目标课程的备课数据,可以包括如下步骤402-403;当备课数据为多个备课难度的题目占比,基于多个学生集合以及每个学生的备课属性信息,确定目标课程的备课数据可以包括步骤404-405,当备课数据为备课内容,基于多个学生集合以及每个学生的备课属性信息,确定目标课程的备课数据可以包括步骤406-407。
步骤402、基于每个学生集合的重要程度以及每个学生集合中各学生在目标课程下的专注时长的中位数,确定每个学生集合的有效时长。
其中,专注时长可以为表征学生在目标课程中保持专注的时间长度的参数,该参数可以通过收集学生在该目标课程中预设时间段内的保持注意力集中的时间获得。有效时长可以为表征教师在学生保持专注的情况下讲授知识的时间长度的一个分量参数。
在本实施例中,教学处理装置可以提取学生集合中每个学生的备课属性信息中的专注时长,并计算其中位数,获得各学生集合对应的专注时长的中位数。进而基于各学生集合对应的该中位数以及重要程度,计算获得各学生集合对应的有效时长。举例而言,集合i对应的有效时长t可以为:其中,ωi表示第i个集合的重要程度,表示第i个集合中学生专注时长的中位数。
步骤403、将各学生集合的有效时长之和,确定为备课时长。
其中,备课时长可以为针对目标课程设置的上课的有效时长,该备课时长可以为指导教师在学生保持专注的情况下讲授知识的参数。可以理解地,若课堂上讲授知识的时间超过该备课时长,则可能导致在学生注意力不集中的情况下讲授知识,从而降低了学生对知识的吸收率;若课堂上讲授知识的时间小于该备课时长,则可能导致学生注意力仍集中但知识已经讲授完毕。
步骤404、基于每个学生集合中各学生对预设知识点多个备课难度的作答正确率,以及每个学生集合的重要程度,确定各备课难度的错误率。
其中,预设知识点可以存在不同难度的题目,备课难度可以为表征预设知识点下题目难度的参数,可选的,可以将该备课难度设置为5个难度级别。作答正确率可以为表征学生对该备课难度对应的题目作答结果为正确的概率。备课难度的错误率可以为表征所有学生对该备课难度对应的题目作答结果为错误的概率。
在本实施例中,教学处理装置可以从学生的备课属性信息中提取预设知识点下不同备课难度的作答情况,并以学生集合为单位,统计该作答情况,从而确定预设知识点对应的多个备课难度的作答正确率和作答错误率,进而基于该作答错误率以及各学生集合的重要程度,确定各备课难度的错误率。
步骤405、基于各备课难度的错误率与各备课难度的错误率之和,确定各备课难度的题目占比。
其中,错误率之和可以为对各备课难度进行相加处理获得的数值。
在本实施例中,确定各备课难度的错误率之后,教学处理装置可以计算各备课难度的错误率之和,从而根据该备课难度的错误率以及该错误率之和确定各备课难度的题目占比。该题目占比的确定方法有多种,可以根据应用场景进行设置,本实施例不作限制。例如,若应用场景为针对错题进行练习,则可以将该备课难度对应的错误率与错误率之和的比值作为对应的题目占比,则错误率越高对应的题目占比越高。其中,错误率之和可以通过将各备课难度对应的错误率累加获得,并且累加的错误率的数量与备课难度的个数一致。
各备课难度的题目占比DHj为:
其中,d为备课难度的个数。在本实施例中,可以合理的确定备课难度的题目占比,从而提高了课堂中题目的合理性,通过该课堂能够更好的达成教师的教学目标。
步骤406、基于备课时长与多个备课难度的题目占比,确定各备课难度的分配时长。
其中,备课难度的分配时长为表征划分到该备课难度的时间长度的参数。
在本实施例中,确定备课时长以及多个备课难度的题目占比之后,教学处理装置可以结合备课时长以及该备课难度的题目占比,对各备课难度分配分配时长。举例而言,各备课难度的分配时长THj为:
步骤407、基于每个备课难度的分配时长在预设知识点的题库中筛选获得对应的备课题目,将各备课难度的备课题目组合得到备课内容。
其中,题库可以为包括多个知识点下的多个备课难度题目的数据库。备课题目为提前准备好的教师在课堂上使用的题目。备课内容为多个备课题目组成的,用于支持教师完成课堂的题目组。
在本实施例中,以备课难度为当前备课难度为例,教学处理装置可以确定预设知识点的题库中与该当前备课难度匹配的候选题目,根据当前备课难度的分配时长对候选题目进行筛选,获得备课题目,可以理解的,若当前备课难度的分配时长较长,则备课题目数量较多;若当前备课难度的分配时长较短,则备课题目数量较少。进而,确认每个备课难度对应的备课题目,将各备课难度的备课题目组成备课内容。
可选的,在确定目标课程的备课数据之后,可以将该备课数据发送至教师端和学生端。其中,教师端可以为用户身份是教师的客户端;学生端可以为用户身份是学生的客户端。
在本实施例中,在确定目标课程的备课数据之后,将该备课数据发送至教师端,以使教师用户基于目标课程的备课数据进行教学,并且还可以将该备课数据发送至学生端,以使学生用户基于目标课程的备课数据进行课前预习。
本公开实施例提供的教学处理方案,针对目标课程获取多个学生的备课属性信息,备课属性信息包括多个维度的课中专注信息,以及课后成绩信息;基于备课属性信息对多个学生进行相似性聚类,得到多个学生集合;基于多个学生集合以及每个学生的备课属性信息,确定目标课程的备课数据。采用上述技术方案,获取学生的多个维度的课中专注信息以及课后成绩信息作为备课属性信息,之后可以基于多维度的备课属性信息确定学生的相似性并进行聚类,基于聚类后的学生集合以及备课属性信息可以生成备课数据,由于对学生聚类时依据的维度较为全面,提高了聚类的准确性,进而基于聚类获得的学生集合进行备课内容确定时的准确性较高,从而能够有效的提升教学效果。
在一些实施例中,课中专注信息包括对知识点或题目的专注时长,课后成绩信息包括对知识点或题目的正确率或错误率;课中专注信息为上课过程中基于多维度的实时数据确定,实时数据通过多种硬件采集,包括心跳数据、视频数据、音频中的至少一种。
其中,专注时长为学生在知识点或题目上保持专注的时间长度。正确率为学生在针对知识点或题目作答时候,答案为正确的概率;错误率为学生在针对知识点或题目作答时候,答案为错误的概率。实时数据为从多个维度实时表征学生专注度的原始数据。心跳数据可以为表征学生心跳的数据,视频数据可以为表征学生专注度的影像数据,音频可以为表征学生专注度的音像数据。
在本实施例中,教学处理装置可以在上课的过程中通过多个硬件设备采集学生的实时数据,例如,可以通过心跳采集设备采集学生的心跳数据,可以通过摄像头采集学生的视频数据,可以通过麦克风采集学生的音频。进而使用神经网络、专家系统等方法对采集到的实时数据进行分析,获得课中专注信息。可选的,还可以在该实时数据中标记时间戳,根据时间戳确定该课中专注信息对应的知识点或题目。在本实施例中,教学处理装置可以对学生作业作答情况和/或考试情况进行统计分析,从而获得相应的题目或知识点的正确率或错误率。
接下来通过具体的示例对本公开实施例中的教学处理方法,进行进一步说明。
图5为本公开实施例提供的一种课前、课中、课后的教学处理过程的示意图,如图5所示,在本实施例中,存在多模态硬件,通过该多模态硬件能够实现学生课堂表现数据的采集以及学生课后作业的数据采集等,基于该多模态硬件采集的数据能够获取学生数据,该学生数据包括不限于:学生课堂专注度、学生个性化作业的做答结果、班级高频错题、班级学情、历年高频考点中的至少一个。
在课前场景中,教师可以根据在终端设备上获取学生数据,将该学生数据作为备课素材,从而为教师提供精准教学指导。其中,该终端设备包括但不限于:手机端、电脑端、平板电脑端中的至少一种。该学生数据包括:高频考点、班级高频错题、个性化作业结果、学生表现、网盘数据中的至少一种。在本实施例中,还存在资源分享平台,该资源分享平台可以对接多种预设数据源,例如第三方资料系统、教辅材料系统、公开课系统等。教师可以将手机照片等数据上传到该资源分享平台中,通过该资源分享平台能够实现教师之间的资源共享,从而为备课提供更多的素材,提高教学的数字化。教师完成智能备课后,可以将备课资料在资源分享平台进行分享,从而使学生更有针对性的进行课前预习,促进学生在课堂上的投入感和参与感,最终达到提升学生学习成绩的目标。
在课中场景中,可以分为线上和线下的两种教学模式。在线下教学模式中,学生和老师可以佩戴手环,该手环能够监测用户的心跳等信息,通过心跳信息能够获取用户的投入程度,针对学生,能够基于手环数据对学生进行个人兴趣点挖掘,以及学生的课堂注意力分析。针对教师,能够基于手环数据对教师进行教学质量分析。如果发现某学生在某一课程中,通过心跳表现确定该学生长期处于兴奋或者高度专注状态,那么结合学生在本课程中的成绩,可以更好的提前发现孩子的兴趣点,并进行针对性培养。例如若学生在某一课程中专注度高且较为兴奋,但是该课程成绩不理想,则说明该学生在该课程的学习方法有待提高,可以提醒教师对该种情况进行针对性干预。教室内的摄像头和麦克风也可以和手环进行配合,从而实现学生投入度和老师教学质量的监测,例如,当摄像头捕捉到学生或者老师出现疲倦神情时,手环可进行震动提醒,从而提升用户的专注时长。同时,学生在课堂中可以佩戴增强现实(Augmented Reality,AR)或虚拟现实(Virtual Reality,VR)眼镜,并且结合三维打印技术,实现沉浸式的体验课堂。例如,在地理课上,可以通过三维打印技术打印出地球仪、山川河流等,通过AR实景展示,可以使学生沉浸式的参与地理课,从而增加学生的课堂专注度,教师能够提供沉浸式教学体验,最终达到提升学生成绩的目的。在线上教学模式中,可以使用电脑自带的麦克风和摄像头,收集教师或学生对于对方的反馈信息,从而分析确定学生的专注度和教师的教学质量,用户可以佩戴手环,从而收集用户的心跳信息,并在学生专注度较低或教师的教学质量较低时进行提示,从而最终达到提升学生成绩的目的。
在课后场景中,在作答过程中还可以使用点阵笔、美学灯等实时采集学生的做答结果,做答时长等,其中,通过美学灯还可以查看到答题过程中用户专注度,答题习惯等等,降低了数据收集过程中对用户的影响。用户可以通过手机端小程序拍照的方式或者美学机扫描的方式,将做答结果上传到云端后台进行分析。云端后台中预先配置有人工智能自动批改技术,通过人工智能自动批改技术能够实现作答结果的批改并生成学情报告,并使用美学机进行留痕打印,将批改痕迹打印在试卷上。并且也可以根据用户历史做答数据生成个性化作业。用户完成个性化作业后,进一步自动打印错题、学情报告等,从而实现了因材施教,避免用户陷入题海战内,减轻了学生的负担,同时人工智能自动批改技术可以减轻教师的批改负担。从而随着数据量的不断积累,个性化作业以及学情报告会越来越贴近于学生的真实情况,配合平板电脑端对学生错题的讲解与解析,使学生进一步了解个人薄弱点,并且就薄弱点进行反复提升练习,从而达到提升学习成绩的目标。其中,点阵笔在点阵纸张上书写,能够产生压感数据,并且点阵笔的内部配置有摄像头,该摄像头能够记录点阵笔的运行轨迹。美学机为一种兼顾高速扫描、双面高速打印、留痕打印功能的机器。美学灯为内置摄像头的灯具,通过该美学灯能够将教师和学生的批改过程、做答过程的数据进行收集,并且该美学灯可以连接打印机,将错题进行打印。
上述方案中,覆盖了“课前,课中,课后”教学场景,并且通过多模态的科技手段,实现了对学生的因材施教,并且通过AI技术提升了教师的教学效率及课堂质量,能够挖掘学生个人兴趣点及个人潜质,提高了教学过程中的乐趣以及课堂沉浸感,并且提升了学生的学习成绩。
对应于前述教学处理方法,本公开实施例还提供了一种教学处理装置,图6为本公开实施例提供的一种教学处理装置的结构示意图,该装置可由软件和/或硬件实现,一般可集成在电子设备中。如图6所示,教学处理装置600包括:
信息获取模块601,用于针对目标课程获取多个学生的备课属性信息,所述备课属性信息包括多个维度的课中专注信息,以及课后成绩信息;
学生聚类模块602,用于基于所述备课属性信息对所述多个学生进行相似性聚类,得到多个学生集合;
数据确定模块603,用于基于所述多个学生集合以及每个学生的备课属性信息,确定所述目标课程的备课数据。
在一些实施方式中,所述学生聚类模块602,包括:
提取子模块,用于从所述多个学生中随机提取所述预设数量的学生作为第一集合中心;
分配子模块,用于基于所述备课属性信息确定每个学生到各所述第一集合中心的相似度,并将每个学生分配到与其相似度最大的第一集合中心所在的学生集合,得到预设数量的目标学生集合;
判断子模块,用于确定各目标学生集合的第二集合中心,并判断是否满足停止迭代条件,若是,则停止迭代;否则,将所述第二集合中心作为新的第一集合中心返回确定基于所述备课属性信息每个学生到各所述新的第一集合中心的相似度,直到达到所述停止迭代条件;
确定子模块,用于将停止迭代时的预设数量的目标学生集合确定为最终得到的所述多个学生集合。
在一些实施方式中,分配子模块,用于:
采用欧式距离算法确定所述学生的备课属性信息与各所述第一集合中心的备课属性信息之间的欧式距离,将所述欧式距离确定为相似度,欧式距离越小,相似度越大。
在一些实施方式中,所述备课数据包括针对所述目标课程的预设知识点的备课时长、多个备课难度的题目占比和备课内容。
在一些实施方式中,所述装置还包括:
重要确定模块,用于在基于所述多个学生集合以及每个学生的备课属性信息确定所述目标课程的备课数据之前,基于每个所述学生集合中学生数量、所述多个学生的总数量,确定每个所述学生集合的重要程度。
在一些实施方式中,当所述备课数据为所述备课时长,数据确定模块603,包括:
基于每个所述学生集合的重要程度以及每个所述学生集合中各学生在所述目标课程下的专注时长的中位数,确定每个所述学生集合的有效时长;
将各所述学生集合的有效时长之和,确定为所述备课时长。
在一些实施方式中,当所述备课数据为所述多个备课难度的题目占比,数据确定模块603,包括:
基于每个所述学生集合中各学生对所述预设知识点多个备课难度的作答正确率,以及每个所述学生集合的重要程度,确定各备课难度的错误率;
基于各备课难度的错误率与各备课难度的错误率之和,确定各备课难度的题目占比。
在一些实施方式中,数据确定模块603,包括:
基于所述备课时长与所述多个备课难度的题目占比,确定各备课难度的分配时长;
基于所述每个备课难度的分配时长在所述预设知识点的题库中筛选获得对应的备课题目,将各备课难度的备课题目组合得到所述备课内容。
在一些实施方式中,所述课中专注信息包括对知识点或题目的专注时长,所述课后成绩信息包括对知识点或题目的正确率或错误率;所述课中专注信息为上课过程中基于多维度的实时数据确定,所述实时数据通过多种硬件采集,包括心跳数据、视频数据、音频中的至少一种。
本公开实施例所提供的教学处理装置可执行本公开任意实施例所提供的教学处理方法,具备执行方法相应的功能模块和有益效果。
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,上述描述的装置实施例的具体工作过程,可以参考方法实施例中的对应过程,在此不再赘述。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
本公开示例性实施例还提供一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序,所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。
本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本公开实施例所提供的教学处理方法。所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理。例如,在一些实施例中,教学处理方法均可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到电子设备700上。在一些实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行教学处理方法。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本公开使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (12)
1.一种教学处理方法,包括:
针对目标课程获取多个学生的备课属性信息,所述备课属性信息包括多个维度的课中专注信息,以及课后成绩信息;
基于所述备课属性信息对所述多个学生进行相似性聚类,得到多个学生集合;
基于所述多个学生集合以及每个学生的备课属性信息,确定所述目标课程的备课数据。
2.如权利要求1所述的教学处理方法,其中,所述多个学生集合的数量为预设数量,基于所述备课属性信息对所述多个学生进行相似性聚类,得到多个学生集合,包括:
从所述多个学生中随机提取所述预设数量的学生作为第一集合中心;
基于所述备课属性信息确定每个学生到各所述第一集合中心的相似度,并将每个学生分配到与其相似度最大的第一集合中心所在的学生集合,得到预设数量的目标学生集合;
确定各目标学生集合的第二集合中心,并判断是否满足停止迭代条件,若是,则停止迭代;否则,将所述第二集合中心作为新的第一集合中心返回确定基于所述备课属性信息每个学生到各所述新的第一集合中心的相似度,直到达到所述停止迭代条件;
将停止迭代时的预设数量的目标学生集合确定为最终得到的所述多个学生集合。
3.如权利要求2所述的教学处理方法,其中,基于所述备课属性信息确定每个学生到各所述第一集合中心的相似度,包括:
采用欧式距离算法确定所述学生的备课属性信息与各所述第一集合中心的备课属性信息之间的欧式距离,将所述欧式距离确定为相似度,欧式距离越小,相似度越大。
4.如权利要求1所述的教学处理方法,其中,所述备课数据包括针对所述目标课程的预设知识点的备课时长、多个备课难度的题目占比和备课内容。
5.如权利要求4所述的教学处理方法,其中,在基于所述多个学生集合以及每个学生的备课属性信息,确定所述目标课程的备课数据之前,所述方法还包括:
基于每个所述学生集合中学生数量、所述多个学生的总数量,确定每个所述学生集合的重要程度。
6.如权利要求5所述的教学处理方法,其中,当所述备课数据为所述备课时长,基于所述多个学生集合以及每个学生的备课属性信息,确定所述目标课程的备课数据,包括:
基于每个所述学生集合的重要程度以及每个所述学生集合中各学生在所述目标课程下的专注时长的中位数,确定每个所述学生集合的有效时长;
将各所述学生集合的有效时长之和,确定为所述备课时长。
7.如权利要求5所述的教学处理方法,其中,当所述备课数据为所述多个备课难度的题目占比,基于所述多个学生集合以及每个学生的备课属性信息,确定所述目标课程的备课数据,包括:
基于每个所述学生集合中各学生对所述预设知识点多个备课难度的作答正确率,以及每个所述学生集合的重要程度,确定各备课难度的错误率;
基于各备课难度的错误率与各备课难度的错误率之和,确定各备课难度的题目占比。
8.如权利要求5所述的教学处理方法,其中,当所述备课数据为所述备课内容,基于所述多个学生集合以及每个学生的备课属性信息,确定所述目标课程的备课数据,包括:
基于所述备课时长与所述多个备课难度的题目占比,确定各备课难度的分配时长;
基于所述每个备课难度的分配时长在所述预设知识点的题库中筛选获得对应的备课题目,将各备课难度的备课题目组合得到所述备课内容。
9.如权利要求1所述的教学处理方法,其中,所述课中专注信息包括对知识点或题目的专注时长,所述课后成绩信息包括对知识点或题目的正确率或错误率;
所述课中专注信息为上课过程中基于多维度的实时数据确定,所述实时数据通过多种硬件采集,包括心跳数据、视频数据、音频中的至少一种。
10.一种教学处理装置,包括:
信息获取模块,用于针对目标课程获取多个学生的备课属性信息,所述备课属性信息包括多个维度的课中专注信息,以及课后成绩信息;
学生聚类模块,用于基于所述备课属性信息对所述多个学生进行相似性聚类,得到多个学生集合;
数据确定模块,用于基于所述多个学生集合以及每个学生的备课属性信息,确定所述目标课程的备课数据。
11.一种电子设备,包括:
处理器;以及
存储程序的存储器,
其中,所述程序包括指令,所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-9中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751703.2A CN114971974A (zh) | 2022-06-28 | 2022-06-28 | 教学处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751703.2A CN114971974A (zh) | 2022-06-28 | 2022-06-28 | 教学处理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971974A true CN114971974A (zh) | 2022-08-30 |
Family
ID=82967827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210751703.2A Pending CN114971974A (zh) | 2022-06-28 | 2022-06-28 | 教学处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971974A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188208A (zh) * | 2022-10-12 | 2023-05-30 | 北京雪杉教育科技发展有限公司 | 学生用户信息处理方法、装置、电子设备和计算机介质 |
-
2022
- 2022-06-28 CN CN202210751703.2A patent/CN114971974A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188208A (zh) * | 2022-10-12 | 2023-05-30 | 北京雪杉教育科技发展有限公司 | 学生用户信息处理方法、装置、电子设备和计算机介质 |
CN116188208B (zh) * | 2022-10-12 | 2023-12-19 | 北京雪杉教育科技发展有限公司 | 学生用户信息处理方法、装置、电子设备和计算机介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109408821B (zh) | 一种语料生成方法、装置、计算设备及存储介质 | |
CN112150331A (zh) | 面向教育目标进行层级分配的教育资源远程共享系统 | |
CN108959331A (zh) | 运用设备学习框架的方法、装置及计算机程序 | |
CN111831831A (zh) | 一种基于知识图谱的个性化学习平台及其构建方法 | |
WO2022170985A1 (zh) | 选题方法、装置、计算机设备和存储介质 | |
US10410041B2 (en) | Kinematic and morpometric analysis of digitized handwriting tracings | |
CN114819924A (zh) | 一种基于画像分析的企业信息推送处理方法及设备 | |
CN110659311A (zh) | 题目推送方法、装置、电子设备及存储介质 | |
CN110223202A (zh) | 一种教学道具识别与评分的方法及系统 | |
CN115760500A (zh) | 一种优化老师批阅作业的方法、装置、设备及存储介质 | |
CN114971974A (zh) | 教学处理方法、装置、设备及介质 | |
CN110111011B (zh) | 一种教学质量监管方法、装置及电子设备 | |
CN114021962A (zh) | 教学评估方法、评估装置及其相关设备和存储介质 | |
CN114202978A (zh) | 一种基于大数据的智能培训方法及系统 | |
CN114117252A (zh) | 一种学生智能专属题库推荐方法及系统 | |
CN111930908A (zh) | 基于人工智能的答案识别方法及装置、介质、电子设备 | |
JP2010243662A (ja) | リメディアル教育支援システム、リメディアル教育支援方法、およびメディアル教育支援プログラム | |
CN111949786A (zh) | 智能问答模型优化方法及装置 | |
CN111415283A (zh) | 一种有效在线教学的因素分析方法和装置 | |
CN111563697A (zh) | 一种线上课堂学生情绪分析方法和系统 | |
CN108305193B (zh) | 动态课程的创建方法及系统 | |
CN111382263B (zh) | 数据处理方法、装置和系统 | |
CN113793539A (zh) | 辅助教学方法、装置及电子设备和存储介质 | |
CN107622461B (zh) | 一种面向慕课系统的作业主观题互评方法 | |
CN117726082B (zh) | 一种教学资源推荐方法、装置、电子设备及可读存储介质 |
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 |