CN115082269B - 一种基于大数据的教学规划方法及系统 - Google Patents

一种基于大数据的教学规划方法及系统 Download PDF

Info

Publication number
CN115082269B
CN115082269B CN202210844270.5A CN202210844270A CN115082269B CN 115082269 B CN115082269 B CN 115082269B CN 202210844270 A CN202210844270 A CN 202210844270A CN 115082269 B CN115082269 B CN 115082269B
Authority
CN
China
Prior art keywords
learner
learning
matching
node
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.)
Active
Application number
CN202210844270.5A
Other languages
English (en)
Other versions
CN115082269A (zh
Inventor
张梅
山艳
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.)
North China University of Science and Technology
Original Assignee
North China University of Science and Technology
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 North China University of Science and Technology filed Critical North China University of Science and Technology
Priority to CN202210844270.5A priority Critical patent/CN115082269B/zh
Publication of CN115082269A publication Critical patent/CN115082269A/zh
Application granted granted Critical
Publication of CN115082269B publication Critical patent/CN115082269B/zh
Priority to PCT/CN2023/091946 priority patent/WO2023131361A2/zh
Priority to ZA2023/07444A priority patent/ZA202307444B/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Educational Technology (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于大数据的教学规划方法及系统，属于教学规划领域，本发明通过在授课时分为课前、课中和课后三个阶段，课前时教学者在授课之前，需要根据学习者反馈的问题进行整理，并结合学习平台中相似相同的问题进行比较；课中时教学者将需要授课的知识进行系统性的讲述，并根据学习者在授前的问题进行着重讲解，并组织学习教学；课后教学者根据学习者反应的问题，进行整理和归纳，以及传输至学习平台；同时通过分析学习者的学习状态并结合反馈的问题，可以帮助教学者了解学习者的学习情况，从而本发明可以帮助教学者了解学习者的学习情况和自己的授课方式情况，提高学习效率和授课的多方式性。

Description

一种基于大数据的教学规划方法及系统
技术领域
本发明涉及一种基于大数据的教学规划方法及系统，属于教学规划领域。
背景技术
国内外混合式教学经过20余年的发展，不论是研究者、教学实践者,还是政府和教育机构,对其已基本达成了共识:混合式教学将成为未来教育的“新常态”；特别是在当下大数据的背景下,混合式教学呈现出井喷式的发展,火爆的大数据+教学也让社会各界重新聚焦于混合式教学。在教育技术学的以往研究中，混合式学习是与混合式教学最为相近的表述，将混合式学习和混合式教学的概念直接等同，混合式学习的关注点聚焦于学习的主体为学习者，与混合式学习不同的是，混合式教学从教师的主导地位出发，关注如何帮助学习者取得最优化的学习效果；混合式教学是指在适当的时间，通过应用适当的媒体技术，提供与适当的学习环境相契合的资源和活动，让适当的学习者形成适当的能力，从而取得最优化教学效果的教学方式；现有技术中的混合式教学，授课者可以进行线上线下的教学，但是由于学习者的数量不同，授课者无法完全掌握每个学习者的学习情况以及喜好情况，从而导致学习者无法集中学习，以及让授课者出现教学方式单一的局面，这对授课者与学习者都有着很大的损失。
发明内容
发明目的：提供一种基于大数据的教学规划方法及系统，解决上述提到的问题。
技术方案：一种基于大数据的教学规划方法，包括：
步骤1、教学者在授课之前，需要根据学习者反馈的问题进行整理，并结合学习平台中相似相同的问题进行比较，从而保证在教学中着重强调；
步骤2、教学者将需要授课的知识进行系统性的讲述，并根据学习者在授前的问题进行着重讲解，并组织学习教学，使学习者可以充分理解掌握知识；
步骤3、教学者根据学习者反应的问题，进行整理和归纳，方便进行解答，以及传输至学习平台；学习者根据教学者和其他学习者的建议，修改、完善、提炼自己的学习成果和反思总结并提交至学习平台；
步骤4、学习平台根据使用者所使用的数据进行分类挖掘，并进行分析和存储，并结合数据库根据不同的使用者进行数据标注。
在进一步的实施例中，在步骤1中，教学者在结合学习者反馈的问题时学习平台会进行相同相似问题的检索，进而匹配到类似的问题，供教学者备课参考；从而在根据反馈的问题进行数据匹配时，学习平台内设置的三个控制节点将完成上述工作，其中三个控制节点包括：
中央控制节点，负责存放当前的特征提取规则以及匹配参数，即向量因子权重、超时时间等，实时接收采集节点和撮合节点反馈，调用后端机器学习算法调整模型，并修正规则和参数；
采集节点：负责从多个客户端收集用户反馈的问题，从中央控制节点获取特征提取规则，按规则对信息进行特征提取，并生成统一格式的报文通过分布式流式计算平台发送给撮合节点，采集节点会收集用户的反馈信息，并向中央控制节点进行反馈；
撮合节点：撮合节点负责接收采集节点发过来的信息，按照一定规则，以预先设定的目标进行撮合，撮合节点和中央控制节点保持通信，随时根据中央控制节点参数调整撮合行为，撮合节点根据匹配成功率、匹配效果向中央控制节点反馈。
在进一步的实施例中，采集节点在收集用户反馈的问题时，需要先进行数据的处理，采集节点中处理子节点的Kafka消费者不断从Kafka集群获取Kafka消息，然后从Kafka消息中取出消息内容和消息键值，数据处理子节点将消息内容和消息键值作为函数参数传递给数据处理模块，数据处理模块首先会取出数据中终端的序列号，然后分析Kafka消息的键值获取通信上下文信息，序列号和通信上下文信息将会构成一个键值对；具体步骤如下：
首先数据处理模块会判断该键值对是否在表中；如果该键值对存在于表中，则继续判断键值对中的通信上下文信息是否有更新，如果通信上下文信息有更新，那么会更新表中序列号对应的键值对，同时保存并更新内存数据库中的序列号对应的通信上下文信息；如果表中不存在该键值对，那么则将该键值对作为新的一项插入到表中，同时对保存在内存数据库中的该序列号对应的通信上下文信息进行更新或者插入；
其次接着处理采集到的数据，然后将处理结果加载进入目标数据库中；
最后，如果对应的数据处理协议需要响应消息，数据处理模块会生成响应消息，然后作为函数返回值回传给数据处理节点；数据处理节点中会处理函数返回结果，使用Kafka生产者将响应消息通过Kafka集群发送给数据采集节点，由数据采集节点发送给传感器终端中央控制节点和撮合节点。
在进一步的实施例中，在步骤1中，教学者需要将设计并已制作好的自主学习任务单上传至学习平台，从而学习者根据自主学习任务单的相关内容，利用网络学习平台上的相关资源开展自主学习，完成教学者设定的任务，并将自主学习过程中遇到的相关困惑及建议提交至学习平台，进而教学者可根据学习者反馈的问题指定教学任务。
在进一步的实施例中，在学习者遇到问题时，学习平台会根据问题，进行匹配相关的讲解；具体步骤如下：
首先学习者进行提出问题，学习平台将匹配请求发送到采集节点，采集节点根据从中央控制节点获取的特征提取规则，对原始请求进行规则提取和规范化处理，得到特征向量，并将这些特征向量按不同主题发送给不同的撮合节点；
其次撮合节点根据从中央控制节点获取的匹配参数及匹配目标，将采集节点传来的特征向量流封装成若干分布式弹性数据集以及一系列操作，将其提交给实时计算框架进行匹配处理，实时计算框架分为多个微批次进行处理，每次处理后都会存在一些匹配失败的特征向量；
最后撮合节点将这些向量暂时缓存在远程字典服务中，积累到一定数量后，根据机器学习算法结果调整参数，再次封装为若干分布式弹性数据集提交给实时计算框架进行二次匹配，同时撮合节点还会根据匹配成功率、匹配效果向中央控制节点进行反馈，以帮助中央控制节点标记参数样本，进行自我优化。
在进一步的实施例中，在步骤2中，在授课工作中，教学者将学习者所要学习的知识进行逐一讲解，并针对学习者在任务完成过程中存在的共性问题，采用集中讲授或组织讨论的方式进行答疑解惑；在授课的过程中，学习者可以通过不同形式展示研究性学习成果，分享学习心得和体会，同时教学者需要这个过程中不仅要对学习者的学习成果予以点评和指导，引导学习者反思在知识、技能上的收获，还要引导学习者进行学习过程、学习态度、学习经验、学习方法等方面的反思和总结，并开展自我评价，建构自我意识。
在进一步的实施例中，在步骤3中，完成授课后，教学者和学习者需要进行课程问题的复盘，学习者根据教学者和其他学习者的建议，修改、完善、提炼自己的学习成果和反思总结并提交至学习平台，以进行更大范围的交流和传播；教学者一方面可以将其作为过程性学习评价的重要组成部分，另一方面也可以将其转化为可重用、可再生的学习文化资源和教育改革资源。
在进一步的实施例中，在步骤4中，需要对学习者和教学者所产生的数据分析与存储，其中包括对学习者在授课中的学习评价，通过分析学习者的学习状态并结合反馈的问题，可以帮助教学者了解学习者的学习情况，具体步骤如下：
第一步：视频输入，学习平台根据教学者上传的教学视频中包含了视频的录像时间，场地，课堂简介等，得到标注后的课堂录像；
第二步：图像采集，在标注后的课堂录像的基础上，按照一定的时间间隔将视频的画面抽取出来，得到图像序列；
第三步：图像标注，对图像序列中的观察对象进行标注，标注内容包括学习者的状态，姿势，动作，周边对象的状态，得到观察对象的表现序列；
第四步：量化处理，根据行为表现因子的权重，将观察对象的表现序列进行量化，得到观察对象表现的可计算的数值；
第五步：表现分析，结合学习者表现的数值以及时间，得到学习者课堂表现的序列图；然后在序列图的基础上结合表现评价方法进行计算，得到学习者的综合表现的数值。
在进一步的实施例中，在进行对学习者表现分析的情况时，第一步需要对采集的图像进行处理，被采集后通过采集图像的预处理后，并通过深度学习模型来学习图像的本质特征，从而与数据库进行特征匹配，将匹配的结果作为识别的结果，具体步骤如下：
首先建立深度神经网络，并采用数据库中的信息来对深度神经网络进行训练和学习，由于人物图像数据的像素多，因此，第1层为输入层，第2层为卷积层，卷积核的形式采用Gabor小波，通过权值共享的方法减少需要训练的权值参数.从第2层到n-1层为RBM构成的对等层，实现特征的自动提取，并通过CD算法实现每2层RBM的训练，最终训练出整个的自动特征提取的RBM深度网络；第n层为标签层，对数据库中不同人脸建立标签，同时增加一个未知类型的标签，并通过反向传播算法实现从第n-1到第n层的权值训练；
其次进行人物脸部情况的匹配，采集图像经过预处理成灰度图后，就可以将其输入到多层的深度神经网络，经过深度神经网络中的Gabor卷积层进行降噪，并通过多层的RBM进行自动特征提取，最后在标签层被激活的神经元对应的标签即为检测的结果。
在进一步的实施例中，第二步需要根据学习者的两种情况进行分析，一种是学习者走神分心的情况，另一种是学习积极听课的情况；首先将学习者走神分心的表现用a，从而可以得出：
Figure BDA0003751726760000051
Figure BDA0003751726760000052
其中，N表示图像采集的数量，Si表示第i次课程的平均表现值，Tij表示第i次观察中，第j个表现因子的权重，M表示观察点的次数；从而可以得到学习者在某一节课总体上的不认真程度、某同学这一学期的不认真程度等，如若对每一位学习者进行数据计算，就可以知道班上所有学习者的上课不认真程度；
其次，在教学者授课中，如果提到学习者感兴趣的知识点时，学习者的集中力是最集中的，从而将学习者集中的表现用b，从而可以得出：
Figure BDA0003751726760000053
Ri＝Z/X
其中，Ri表示第i次课程的学习者课堂认真听讲人数比例，Z表示采集图像中认真听讲人数，X为采集图像中的人数；从而可以得出某一节课学习者群体的集中力程度，以及不同授课者，采用的不同授课方式，学习者所接受的程度。
一种基于大数据的教学规划系统，包括：
应用单元，即教学者、学习者所用的互联网设备，以及学习平台，用于进行各个不同客户端进入学习平台，实现学习与交流；
网络单元，用于进行对应用单元中不同客户端之间的连接，实现数据传输；
数据库单元，用于存储数据，并结合互联网进行数据更新。
在进一步的实施例中，所述数据库单元包括：
数据采集模块，用于对应用单元中不同终端所产生的学习行为数据和授课数据进行捕获，并通过定位系统和传感器对使用者的活动行为进行记录，并进行实时反馈；
数据处理模块，主要对每个使用者所浏览学习的内容进行处理，从而进行记录每个使用者所喜欢的领域和存在的问题、以及对知识所掌握的程度；
数据存储模块，用于存储通过多方位采集不同终端所产生的学习行为数据和授课数据，且存储数据时需要从数据服务、数据管理、平台管理和云计算等方面对数据进行存储。
在进一步的实施例中，所述数据采集模块采集的数据包括：使用者在终端下使用触控操作所产生的数据；在利用多感知数据层面上，借助感应功能对使用者的外部行为进行记录，这类数据包括学习者应用互动交流软件形成的远程视频交互数据以及学习者使用移动终端的手持偏好数据；实时传感数据层面上，通过定位系统和传感器对学习者的活动行为进行记录，这类数据主要是学习者使用移动终端进行社会活动所产生的实时反馈数据。
有益效果：本发明涉及一种基于大数据的教学规划方法及系统，属于教学规划领域，本发明通过在授课时分为课前、课中和课后三个阶段，课前时教学者在授课之前，需要根据学习者反馈的问题进行整理，并结合学习平台中相似相同的问题进行比较，从而保证在教学中着重强调；课中时教学者将需要授课的知识进行系统性的讲述，并根据学习者在授前的问题进行着重讲解，并组织学习教学，使学习者可以充分理解掌握知识；课后教学者根据学习者反应的问题，进行整理和归纳，方便进行解答，以及传输至学习平台；学习者根据教学者和其他学习者的建议，修改、完善、提炼自己的学习成果和反思总结并提交至学习平台；同时通过分析学习者的学习状态并结合反馈的问题，可以帮助教学者了解学习者的学习情况，从而本发明可以帮助教学者了解学习者的学习情况和自己的授课方式情况，提高学习效率和授课的多方式性。
附图说明
图1是本发明的方法示意图。
图2是本发明的系统示意图。
图3是本发明的示意图。
图4是本发明的数据库单元示意图。
图5本发明的步骤4具体示意图。
图6是本发明的步骤1数据匹配示意图。
图7是本发明的步骤1采集节点示意图。
图8本发明的步骤4人脸识别流程图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施；在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
如图1至图8所示，一种基于大数据的教学规划方法，包括：
步骤1、教学者在授课之前，需要根据学习者反馈的问题进行整理，并结合学习平台中相似相同的问题进行比较，从而保证在教学中着重强调；
步骤2、教学者将需要授课的知识进行系统性的讲述，并根据学习者在授前的问题进行着重讲解，并组织学习教学，使学习者可以充分理解掌握知识；
步骤3、教学者根据学习者反应的问题，进行整理和归纳，方便进行解答，以及传输至学习平台；学习者根据教学者和其他学习者的建议，修改、完善、提炼自己的学习成果和反思总结并提交至学习平台；
步骤4、学习平台根据使用者所使用的数据进行分类挖掘，并进行分析和存储，并结合数据库根据不同的使用者进行数据标注；
在一个实施例中，教学者在结合学习者反馈的问题时学习平台会进行相同相似问题的检索，进而匹配到类似的问题，供教学者备课参考；从而在根据反馈的问题进行数据匹配时，学习平台内设置的三个控制节点将完成上述工作，其中三个控制节点包括：
中央控制节点，负责存放当前的特征提取规则以及匹配参数，即向量因子权重、超时时间等，实时接收采集节点和撮合节点反馈，调用后端机器学习算法调整模型，并修正规则和参数；
采集节点：负责从多个客户端收集用户反馈的问题，从中央控制节点获取特征提取规则，按规则对信息进行特征提取，并生成统一格式的报文通过分布式流式计算平台发送给撮合节点，采集节点会收集用户的反馈信息，并向中央控制节点进行反馈；
撮合节点：撮合节点负责接收采集节点发过来的信息，按照一定规则，以预先设定的目标进行撮合，撮合节点和中央控制节点保持通信，随时根据中央控制节点参数调整撮合行为，撮合节点根据匹配成功率、匹配效果向中央控制节点反馈。
在一个实施例中，采集节点在收集用户反馈的问题时，需要先进行数据的处理，采集节点中处理子节点的Kafka消费者不断从Kafka集群获取Kafka消息，然后从Kafka消息中取出消息内容和消息键值，数据处理子节点将消息内容和消息键值作为函数参数传递给数据处理模块，数据处理模块首先会取出数据中终端的序列号，然后分析Kafka消息的键值获取通信上下文信息，序列号和通信上下文信息将会构成一个键值对；具体步骤如下：
首先数据处理模块会判断该键值对是否在表中；如果该键值对存在于表中，则继续判断键值对中的通信上下文信息是否有更新，如果通信上下文信息有更新，那么会更新表中序列号对应的键值对，同时保存并更新内存数据库中的序列号对应的通信上下文信息；如果表中不存在该键值对，那么则将该键值对作为新的一项插入到表中，同时对保存在内存数据库中的该序列号对应的通信上下文信息进行更新或者插入；
其次接着处理采集到的数据，然后将处理结果加载进入目标数据库中；
最后，如果对应的数据处理协议需要响应消息，数据处理模块会生成响应消息，然后作为函数返回值回传给数据处理节点；数据处理节点中会处理函数返回结果，使用Kafka生产者将响应消息通过Kafka集群发送给数据采集节点，由数据采集节点发送给传感器终端中央控制节点和撮合节点。
在一个实施例中，在步骤1中，教学者需要将设计并已制作好的自主学习任务单上传至学习平台，从而学习者根据自主学习任务单的相关内容，利用网络学习平台上的相关资源开展自主学习，完成教学者设定的任务，并将自主学习过程中遇到的相关困惑及建议提交至学习平台，进而教学者可根据学习者反馈的问题指定教学任务。
在一个实施例中，在学习者遇到问题时，学习平台会根据问题，进行匹配相关的讲解；具体步骤如下：
首先学习者进行提出问题，学习平台将匹配请求发送到采集节点，采集节点根据从中央控制节点获取的特征提取规则，对原始请求进行规则提取和规范化处理，得到特征向量，并将这些特征向量按不同主题发送给不同的撮合节点；
其次撮合节点根据从中央控制节点获取的匹配参数及匹配目标，将采集节点传来的特征向量流封装成若干分布式弹性数据集以及一系列操作，将其提交给实时计算框架进行匹配处理，实时计算框架分为多个微批次进行处理，每次处理后都会存在一些匹配失败的特征向量；
最后撮合节点将这些向量暂时缓存在远程字典服务中，积累到一定数量后，根据机器学习算法结果调整参数，再次封装为若干分布式弹性数据集提交给实时计算框架进行二次匹配，同时撮合节点还会根据匹配成功率、匹配效果向中央控制节点进行反馈，以帮助中央控制节点标记参数样本，进行自我优化。
在一个实施例中，在步骤2中，在授课工作中，教学者将学习者所要学习的知识进行逐一讲解，并针对学习者在任务完成过程中存在的共性问题，采用集中讲授或组织讨论的方式进行答疑解惑；在授课的过程中，学习者可以通过不同形式展示研究性学习成果，分享学习心得和体会，同时教学者需要这个过程中不仅要对学习者的学习成果予以点评和指导，引导学习者反思在知识、技能上的收获，还要引导学习者进行学习过程、学习态度、学习经验、学习方法等方面的反思和总结，并开展自我评价，建构自我意识。
在一个实施例中，在步骤3中，完成授课后，教学者和学习者需要进行课程问题的复盘，学习者根据教学者和其他学习者的建议，修改、完善、提炼自己的学习成果和反思总结并提交至学习平台，以进行更大范围的交流和传播；教学者一方面可以将其作为过程性学习评价的重要组成部分，另一方面也可以将其转化为可重用、可再生的学习文化资源和教育改革资源。
在一个实施例中，在步骤4中，需要对学习者和教学者所产生的数据分析与存储，其中包括对学习者在授课中的学习评价，通过分析学习者的学习状态并结合反馈的问题，可以帮助教学者了解学习者的学习情况，具体步骤如下：
第一步：视频输入，学习平台根据教学者上传的教学视频中包含了视频的录像时间，场地，课堂简介等，得到标注后的课堂录像；
第二步：图像采集，在标注后的课堂录像的基础上，按照一定的时间间隔将视频的画面抽取出来，得到图像序列；
第三步：图像标注，对图像序列中的观察对象进行标注，标注内容包括学习者的状态，姿势，动作，周边对象的状态，得到观察对象的表现序列；
第四步：量化处理，根据行为表现因子的权重，将观察对象的表现序列进行量化，得到观察对象表现的可计算的数值；
第五步：表现分析，结合学习者表现的数值以及时间，得到学习者课堂表现的序列图；然后在序列图的基础上结合表现评价方法进行计算，得到学习者的综合表现的数值。
在一个实施例中，在进行对学习者表现分析的情况时，第一步需要对采集的图像进行处理，被采集后通过采集图像的预处理后，并通过深度学习模型来学习图像的本质特征，从而与数据库进行特征匹配，将匹配的结果作为识别的结果，具体步骤如下：
首先建立深度神经网络，并采用数据库中的信息来对深度神经网络进行训练和学习，由于人物图像数据的像素多，因此，第1层为输入层，第2层为卷积层，卷积核的形式采用Gabor小波，通过权值共享的方法减少需要训练的权值参数.从第2层到n-1层为RBM构成的对等层，实现特征的自动提取，并通过CD算法实现每2层RBM的训练，最终训练出整个的自动特征提取的RBM深度网络；第n层为标签层，对数据库中不同人脸建立标签，同时增加一个未知类型的标签，并通过反向传播算法实现从第n-1到第n层的权值训练；
其次进行人物脸部情况的匹配，采集图像经过预处理成灰度图后，就可以将其输入到多层的深度神经网络，经过深度神经网络中的Gabor卷积层进行降噪，并通过多层的RBM进行自动特征提取，最后在标签层被激活的神经元对应的标签即为检测的结果。
在一个实施例中，第二步需要根据学习者的两种情况进行分析，一种是学习者走神分心的情况，另一种是学习积极听课的情况；首先将学习者走神分心的表现用a，从而可以得出：
Figure BDA0003751726760000101
Figure BDA0003751726760000102
其中，N表示图像采集的数量，Si表示第i次课程的平均表现值，Tij表示第i次观察中，第j个表现因子的权重，M表示观察点的次数；从而可以得到学习者在某一节课总体上的不认真程度、某同学这一学期的不认真程度等，如若对每一位学习者进行数据计算，就可以知道班上所有学习者的上课不认真程度；
其次，在教学者授课中，如果提到学习者感兴趣的知识点时，学习者的集中力是最集中的，从而将学习者集中的表现用b，从而可以得出：
Figure BDA0003751726760000103
Ri＝Z/X
其中，Ri表示第i次课程的学习者课堂认真听讲人数比例，Z表示采集图像中认真听讲人数，X为采集图像中的人数；从而可以得出某一节课学习者群体的集中力程度，以及不同授课者，采用的不同授课方式，学习者所接受的程度。
在一个实施例中，一种基于大数据的教学规划系统，包括：
应用单元，即教学者、学习者所用的互联网设备，以及学习平台，用于进行各个不同客户端进入学习平台，实现学习与交流；
网络单元，用于进行对应用单元中不同客户端之间的连接，实现数据传输；
数据库单元，用于存储数据，并结合互联网进行数据更新。
在一个实施例中，所述数据库单元包括：
数据采集模块，用于对应用单元中不同终端所产生的学习行为数据和授课数据进行捕获，并通过定位系统和传感器对使用者的活动行为进行记录，并进行实时反馈；
数据处理模块，主要对每个使用者所浏览学习的内容进行处理，从而进行记录每个使用者所喜欢的领域和存在的问题、以及对知识所掌握的程度；
数据存储模块，用于存储通过多方位采集不同终端所产生的学习行为数据和授课数据，且存储数据时需要从数据服务、数据管理、平台管理和云计算等方面对数据进行存储。
在一个实施例中，所述数据采集模块采集的数据包括：使用者在终端下使用触控操作所产生的数据；在利用多感知数据层面上，借助感应功能对使用者的外部行为进行记录，这类数据包括学习者应用互动交流软件形成的远程视频交互数据以及学习者使用移动终端的手持偏好数据；实时传感数据层面上，通过定位系统和传感器对学习者的活动行为进行记录，这类数据主要是学习者使用移动终端进行社会活动所产生的实时反馈数据
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (6)

1.一种基于大数据的教学规划方法，其特征在于，包括：
步骤1、教学者在授课之前，需要根据学习者反馈的问题进行整理，并结合学习平台中相似相同的问题进行比较，从而保证在教学中着重强调；
步骤2、教学者将需要授课的知识进行系统性的讲述，并根据学习者在授前的问题进行着重讲解，并组织学习教学，使学习者充分理解掌握知识；
步骤3、教学者根据学习者反应的问题，进行整理和归纳，方便进行解答，以及传输至学习平台；学习者根据教学者和其他学习者的建议，修改、完善、提炼自己的学习成果和反思总结并提交至学习平台；
步骤4、学习平台根据使用者所使用的数据进行分类挖掘，并进行分析和存储，并结合数据库根据不同的使用者进行数据标注；
在步骤1中，教学者在结合学习者反馈的问题时学习平台会进行相同相似问题的检索，进而匹配到类似的问题，供教学者备课参考；从而在根据反馈的问题进行数据匹配时，学习平台内设置的三个控制节点将完成检索、匹配和参考工作，其中三个控制节点包括：
中央控制节点，负责存放当前的特征提取规则以及匹配参数，匹配参数包括向量因子权重和超时时间，实时接收采集节点和撮合节点反馈，调用后端机器学习算法调整模型，并修正规则和参数；
采集节点：负责从多个客户端收集用户反馈的问题，从中央控制节点获取特征提取规则，按规则对信息进行特征提取，并生成统一格式的报文通过分布式流式计算平台发送给撮合节点，采集节点会收集用户的反馈信息，并向中央控制节点进行反馈；
撮合节点：撮合节点负责接收采集节点发过来的信息，按照预设规则，以预先设定的目标进行撮合，撮合节点和中央控制节点保持通信，随时根据中央控制节点参数调整撮合行为，撮合节点根据匹配成功率、匹配效果向中央控制节点反馈；
采集节点在收集用户反馈的问题时，需要先进行数据的处理，采集节点中处理子节点的Kafka消费者不断从Kafka集群获取Kafka消息，然后从Kafka消息中取出消息内容和消息键值，数据处理子节点将消息内容和消息键值作为函数参数传递给数据处理模块，数据处理模块首先会取出数据中终端的序列号，然后分析Kafka消息的键值获取通信上下文信息，序列号和通信上下文信息将会构成一个键值对；具体步骤：
首先数据处理模块会判断该键值对是否在表中；如果该键值对存在于表中，则继续判断键值对中的通信上下文信息是否有更新，如果通信上下文信息有更新，那么会更新表中序列号对应的键值对，同时保存并更新内存数据库中的序列号对应的通信上下文信息；如果表中不存在该键值对，那么则将该键值对作为新的一项插入到表中，同时对保存在内存数据库中的该序列号对应的通信上下文信息进行更新或者插入；
其次接着处理采集到的数据，然后将处理结果加载进入目标数据库中；
最后，如果对应的数据处理协议需要响应消息，数据处理模块会生成响应消息，然后作为函数返回值回传给数据处理节点；数据处理节点中会处理函数返回结果，使用Kafka生产者将响应消息通过Kafka集群发送给数据采集节点，由数据采集节点发送给传感器终端中央控制节点和撮合节点。
2.根据权利要求1所述的一种基于大数据的教学规划方法，其特征在于，
在步骤1中，教学者需要将设计并已制作好的自主学习任务单上传至学习平台，从而学习者根据自主学习任务单的相关内容，利用网络学习平台上的相关资源开展自主学习，完成教学者设定的任务，并将自主学习过程中遇到的相关困惑及建议提交至学习平台，进而教学者根据学习者反馈的问题指定教学任务；
在学习者遇到问题时，学习平台会根据问题，进行匹配相关的讲解；具体步骤：
首先学习者进行提出问题，学习平台将匹配请求发送到采集节点，采集节点根据从中央控制节点获取的特征提取规则，对原始请求进行规则提取和规范化处理，得到特征向量，并将这些特征向量按不同主题发送给不同的撮合节点；
其次撮合节点根据从中央控制节点获取的匹配参数及匹配目标，将采集节点传来的特征向量流封装成若干分布式弹性数据集以及一系列操作，将其提交给实时计算框架进行匹配处理，实时计算框架分为多个微批次进行处理，每次处理后都会存在一些匹配失败的特征向量；
最后撮合节点将这些向量暂时缓存在远程字典服务中，积累到一定数量后，根据机器学习算法结果调整参数，再次封装为若干分布式弹性数据集提交给实时计算框架进行二次匹配，同时撮合节点还会根据匹配成功率、匹配效果向中央控制节点进行反馈，以帮助中央控制节点标记参数样本，进行自我优化。
3.根据权利要求1所述的一种基于大数据的教学规划方法，其特征在于，
在步骤2中，在授课工作中，教学者将学习者所要学习的知识进行逐一讲解，并针对学习者在任务完成过程中存在的共性问题，采用集中讲授或组织讨论的方式进行答疑解惑；在授课的过程中，学习者通过不同形式展示研究性学习成果，分享学习心得和体会，同时教学者需要这个过程中不仅要对学习者的学习成果予以点评和指导，引导学习者反思在知识、技能上的收获，还要引导学习者进行学习过程、学习态度、学习经验、学习方法方面的反思和总结，并开展自我评价，建构自我意识。
4.根据权利要求1所述的一种基于大数据的教学规划方法，其特征在于，
在步骤3中，完成授课后，教学者和学习者需要进行课程问题的复盘，学习者根据教学者和其他学习者的建议，修改、完善、提炼自己的学习成果和反思总结并提交至学习平台，以进行更大范围的交流和传播；教学者一方面将其作为过程性学习评价的重要组成部分，另一方面也将其转化为可重用、可再生的学习文化资源和教育改革资源。
5.根据权利要求1所述的一种基于大数据的教学规划方法，其特征在于，
在步骤4中，需要对学习者和教学者所产生的数据分析与存储，其中包括对学习者在授课中的学习评价，通过分析学习者的学习状态并结合反馈的问题，帮助教学者了解学习者的学习情况，具体步骤：
第一步：视频输入，学习平台根据教学者上传的教学视频中包含了视频的录像时间，场地，课堂简介，得到标注后的课堂录像；
第二步：图像采集，在标注后的课堂录像的基础上，按照一定的时间间隔将视频的画面抽取出来，得到图像序列；
第三步：图像标注，对图像序列中的观察对象进行标注，标注内容包括学习者的状态，姿势，动作，周边对象的状态，得到观察对象的表现序列；
第四步：量化处理，根据行为表现因子的权重，将观察对象的表现序列进行量化，得到观察对象表现的可计算的数值；
第五步：表现分析，结合学习者表现的数值以及时间，得到学习者课堂表现的序列图；然后在序列图的基础上结合表现评价方法进行计算，得到学习者的综合表现的数值。
6.根据权利要求5所述的一种基于大数据的教学规划方法，其特征在于，
在进行对学习者表现分析的情况时，第一步需要对采集的图像进行处理，被采集后通过采集图像的预处理后，并通过深度学习模型来学习图像的本质特征，从而与数据库进行特征匹配，将匹配的结果作为识别的结果，具体步骤：
首先建立深度神经网络，并采用数据库中的信息来对深度神经网络进行训练和学习，由于人物图像数据的像素多，因此，第1层为输入层，第2层为卷积层，卷积核的形式采用Gabor小波，通过权值共享的方法减少需要训练的权值参数．从第2层到 n-1层为RBM构成的对等层，实现特征的自动提取，并通过CD 算法实现每 2 层RBM的训练，最终训练出整个的自动特征提取的RBM深度网络；第n层为标签层，对数据库中不同人脸建立标签，同时增加一个未知类型的标签，并通过反向传播算法实现从第n-1到第n层的权值训练；
其次进行人物脸部情况的匹配，采集图像经过预处理成灰度图后，将其输入到多层的深度神经网络，经过深度神经网络中的Gabor卷积层进行降噪，并通过多层的RBM进行自动特征提取，最后在标签层被激活的神经元对应的标签即为检测的结果；
第二步需要根据学习者的两种情况进行分析，一种是学习者走神分心的情况，另一种是学习积极听课的情况；首先将学习者走神分心的表现用
Figure DEST_PATH_IMAGE001
，从而得出：
Figure DEST_PATH_IMAGE003
Figure DEST_PATH_IMAGE005
其中，
Figure 699352DEST_PATH_IMAGE006
表示图像采集的数量，
Figure DEST_PATH_IMAGE007
表示第ｉ次课程的平均表现值，
Figure 272285DEST_PATH_IMAGE008
表示第ｉ次观察中，第ｊ个表现因子的权重，M表示观察点的次数；从而得到学习者在某一节课总体上的不认真程度、某同学这一学期的不认真程度，如若对每一位学习者进行数据计算，知道班上所有学习者的上课不认真程度；
其次，在教学者授课中，如果提到学习者感兴趣的知识点时，学习者的集中力是最集中的，从而将学习者集中的表现用
Figure DEST_PATH_IMAGE009
，从而得出：
Figure DEST_PATH_IMAGE011
Figure DEST_PATH_IMAGE013
其中，
Figure 520864DEST_PATH_IMAGE014
表示第ｉ次课程的学习者课堂认真听讲人数比例，
Figure DEST_PATH_IMAGE015
表示采集图像中认真听讲人数，
Figure 870068DEST_PATH_IMAGE016
为采集图像中的人数；从而得出某一节课学习者群体的集中力程度，以及不同授课者，采用的不同授课方式，学习者所接受的程度。
CN202210844270.5A 2022-07-18 2022-07-18 一种基于大数据的教学规划方法及系统 Active CN115082269B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210844270.5A CN115082269B (zh) 2022-07-18 2022-07-18 一种基于大数据的教学规划方法及系统
PCT/CN2023/091946 WO2023131361A2 (zh) 2022-07-18 2023-05-04 一种基于大数据的教学规划方法及系统
ZA2023/07444A ZA202307444B (en) 2022-07-18 2023-07-26 Big-data-based teaching planning method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210844270.5A CN115082269B (zh) 2022-07-18 2022-07-18 一种基于大数据的教学规划方法及系统

Publications (2)

Publication Number Publication Date
CN115082269A CN115082269A (zh) 2022-09-20
CN115082269B true CN115082269B (zh) 2023-01-20

Family

ID=83258805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210844270.5A Active CN115082269B (zh) 2022-07-18 2022-07-18 一种基于大数据的教学规划方法及系统

Country Status (3)

Country Link
CN (1) CN115082269B (zh)
WO (1) WO2023131361A2 (zh)
ZA (1) ZA202307444B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626628A (zh) * 2020-06-01 2020-09-04 梅和珍 一种用于课外辅导的网络教学系统
CN115082269B (zh) * 2022-07-18 2023-01-20 华北理工大学 一种基于大数据的教学规划方法及系统
CN117274507B (zh) * 2023-11-21 2024-02-23 长沙美莱医疗美容医院有限公司 基于互联网的面部美容整形的ai仿真模拟方法及系统
CN117826448B (zh) * 2024-01-24 2024-08-27 江苏鸿晨集团有限公司 基于过渡区域优化的自矫正高阶像差镜片及加工方法
CN117763361B (zh) * 2024-02-22 2024-04-30 泰山学院 一种基于人工智能的学生成绩预测方法及系统
CN117834724B (zh) * 2024-03-04 2024-04-30 中科软股教育科技(北京)股份有限公司 一种基于大数据分析的视频学习资源管理系统
CN117910560B (zh) * 2024-03-20 2024-06-07 徐州医科大学 一种基于学习偏好测评的多风格学习教程生成系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452550A (zh) * 2008-11-19 2009-06-10 中国网络通信集团公司 系统的需求信息处理方法
CN102648465A (zh) * 2009-08-26 2012-08-22 杰维斯股份公司 远程数据收集系统和方法
CN106354810A (zh) * 2016-08-27 2017-01-25 锁福涛 一种利用大数据技术的互联网教学系统
CN108121785A (zh) * 2017-12-15 2018-06-05 华中师范大学 一种基于教育大数据的分析方法
CN108965478A (zh) * 2018-09-03 2018-12-07 北京许继电气有限公司 基于区块链技术的分布式数据采集方法和系统
CN110909235A (zh) * 2019-10-24 2020-03-24 东莞成电智信信息科技有限公司 一种基于大数据的企业创新专家智库平台
CN111445331A (zh) * 2020-03-24 2020-07-24 中国工商银行股份有限公司 交易撮合方法及装置
CN111796935A (zh) * 2020-06-29 2020-10-20 中国工商银行股份有限公司 调用日志信息的消费实例分配方法及系统
CN113160624A (zh) * 2021-03-29 2021-07-23 贵州商学院 财务管理混合式课堂教学控制系统及方法、介质及应用

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105704400B (zh) * 2016-04-26 2018-10-26 山东大学 一种基于多平台终端和云服务的学习系统及其运行方法
CN109118860A (zh) * 2018-09-19 2019-01-01 江苏金惠甫山软件科技有限公司 基于人工智能的英语培训系统及方法
US11379670B1 (en) * 2019-09-30 2022-07-05 Splunk, Inc. Automatically populating responses using artificial intelligence
US11747996B2 (en) * 2020-08-05 2023-09-05 Dropbox, Inc. System and methods for implementing a key-value data store
CN113643163A (zh) * 2021-08-11 2021-11-12 江苏熙枫教育科技有限公司 基于深度学习的互联网教育学生综合画像标签管理系统
CN114626694B (zh) * 2022-02-24 2022-11-08 深圳市华师兄弟教育科技有限公司 一种基于互联网的网络课程规划管理系统
CN115082269B (zh) * 2022-07-18 2023-01-20 华北理工大学 一种基于大数据的教学规划方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452550A (zh) * 2008-11-19 2009-06-10 中国网络通信集团公司 系统的需求信息处理方法
CN102648465A (zh) * 2009-08-26 2012-08-22 杰维斯股份公司 远程数据收集系统和方法
CN106354810A (zh) * 2016-08-27 2017-01-25 锁福涛 一种利用大数据技术的互联网教学系统
CN108121785A (zh) * 2017-12-15 2018-06-05 华中师范大学 一种基于教育大数据的分析方法
CN108965478A (zh) * 2018-09-03 2018-12-07 北京许继电气有限公司 基于区块链技术的分布式数据采集方法和系统
CN110909235A (zh) * 2019-10-24 2020-03-24 东莞成电智信信息科技有限公司 一种基于大数据的企业创新专家智库平台
CN111445331A (zh) * 2020-03-24 2020-07-24 中国工商银行股份有限公司 交易撮合方法及装置
CN111796935A (zh) * 2020-06-29 2020-10-20 中国工商银行股份有限公司 调用日志信息的消费实例分配方法及系统
CN113160624A (zh) * 2021-03-29 2021-07-23 贵州商学院 财务管理混合式课堂教学控制系统及方法、介质及应用

Also Published As

Publication number Publication date
ZA202307444B (en) 2023-08-30
WO2023131361A3 (zh) 2023-09-07
CN115082269A (zh) 2022-09-20
WO2023131361A2 (zh) 2023-07-13

Similar Documents

Publication Publication Date Title
CN115082269B (zh) 一种基于大数据的教学规划方法及系统
CN113095969B (zh) 一种基于多虚拟化身的沉浸式翻转课堂教学系统及其工作方法
Marques et al. Teaching machine learning in school: A systematic mapping of the state of the art
CN105469662A (zh) 教学过程中学生答题信息实时采集、高效智能批改系统及使用方法
CN109872587A (zh) 多维教学数据的处理系统
CN109214664B (zh) 一种基于人工智能的情绪行为综合分析系统
Hieu et al. Identifying learners’ behavior from videos affects teaching methods of lecturers in Universities
Shan et al. Blended teaching design of college students’ mental health education course based on artificial intelligence flipped class
CN117150151A (zh) 一种基于大语言模型的错题分析及试题推荐系统和方法
CN114283036A (zh) 一种基于大数据的减负增效学习系统
CN207742815U (zh) 一种互动式慕课学习机
CN117037552A (zh) 智慧课堂交互系统及方法
CN115545982A (zh) 一种在线学生异质分组系统及方法
CN118053331A (zh) 一种在线教学人工智能辅导的方法、介质及系统
CN112215506A (zh) 智慧数字教育ai课堂大数据管理平台及装置
Noskova et al. Communication models in the digital learning environment
CN112116841A (zh) 一种基于深度学习的个性化远程教育系统及方法
CN112269914A (zh) 一种基于人工智能的在线教育课程共享分配平台
Zheng et al. Relevant Concepts, Key Technologies and Typical Application Scenarios of AI+ Education
Paragoo et al. Flipped classrooms for engaged learning during the pandemic: Teachers' perspectives and challenges in a South African high school
Zhang et al. Future Challenges of Accounting Education in China Using Artificial Intelligence Assisted Multimedia Based Smart Accounting System
CN113704610B (zh) 一种基于学习成长数据的学习风格画像生成方法及系统
Rabeya et al. A Comparison of the Application of Artificial Intelligence in the Educational System
Komaravalli et al. Detecting Academic Affective States of Learners in Online Learning Environments Using Deep Transfer Learning
Dong et al. The Application of Artificial Intelligence in Computer-Assisted College English Teaching Tasks

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20220920

Assignee: Tangshan Jincheng Shengda Education Technology Co.,Ltd.

Assignor: NORTH CHINA University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2023110000087

Denomination of invention: A teaching planning method and system based on Big data

Granted publication date: 20230120

License type: Common License

Record date: 20230717