CN115409413A - 一种面向学生教研的多源数据管理方法、系统及存储介质 - Google Patents

一种面向学生教研的多源数据管理方法、系统及存储介质 Download PDF

Info

Publication number
CN115409413A
CN115409413A CN202211158353.5A CN202211158353A CN115409413A CN 115409413 A CN115409413 A CN 115409413A CN 202211158353 A CN202211158353 A CN 202211158353A CN 115409413 A CN115409413 A CN 115409413A
Authority
CN
China
Prior art keywords
classroom
knowledge point
information
knowledge
student
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
CN202211158353.5A
Other languages
English (en)
Inventor
魏忠
魏诚
叶铭
黄皑青
刘前锋
张慧萍
徐立利
王丹丹
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.)
Suzhou Gvsun Education Intelligent Science & Technology Co ltd
Xi'an Gvsun Network Information Technology Co ltd
Zhuhai Gvsun Education Technology Co ltd
Shanghai Gvsun Network Information Technology Co ltd
Original Assignee
Suzhou Gvsun Education Intelligent Science & Technology Co ltd
Xi'an Gvsun Network Information Technology Co ltd
Zhuhai Gvsun Education Technology Co ltd
Shanghai Gvsun Network Information 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 Suzhou Gvsun Education Intelligent Science & Technology Co ltd, Xi'an Gvsun Network Information Technology Co ltd, Zhuhai Gvsun Education Technology Co ltd, Shanghai Gvsun Network Information Technology Co ltd filed Critical Suzhou Gvsun Education Intelligent Science & Technology Co ltd
Priority to CN202211158353.5A priority Critical patent/CN115409413A/zh
Publication of CN115409413A publication Critical patent/CN115409413A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06F16/23—Updating
    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • G06V10/82—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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Educational Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本申请涉及一种面向学生教研的多源数据管理方法、系统及存储介质，其中，一种面向学生教研的多源数据管理方法包括，获取教学信息；每获取一次教学信息，从课堂视频中提取学生在学习不同知识点时的课堂状态，根据课堂状态计算出每个知识点的课堂掌握得分，并且对知识点的课堂掌握得分进行标签化存储；获取试卷图像，解析试卷图像中各知识点的平均得分率；获取知识点信息，并且对知识点信息进行存储，知识点信息包括知识点ID、知识点内容以及练习题；基于知识点课堂掌握得分和知识点的平均得分率，筛选出待巩固知识点，并且对待巩固知识点进行标签化存储；根据待巩固知识点从知识点信息中选出对应的练习题，并且形成测试卷，输出测试卷。本申请有助于减轻老师的教学负担。

Description

一种面向学生教研的多源数据管理方法、系统及存储介质
技术领域
本申请涉及智慧教学的学情分析领域，尤其是涉及一种面向学生教研的多源数据管理方法、系统及存储介质。
背景技术
很多高校每年都招收大批的学生，随着社会的发展，学校对于学生的学业越来越重视，随之而来的是频繁的考试，例如周考、月考甚至是随堂考。每次经过考试，老师都会针对试卷以及学生的课堂状况进行教研活动，进而了解学生对于知识的掌握情况，以便对学生进行针对性训练。
在实现本申请的过程中，发明人发现上述技术至少存在以下问题：对整个年级学生的试卷进行批改，并且结合学生上课状态等进行多角度分析，再根据分析结果对学生进行查漏补缺，该过程使得老师的教学负担较大。
发明内容
为了有助于减轻老师的教学负担，本申请提供一种面向学生教研的多源数据管理方法、系统及存储介质。
第一方面，本申请提供的一种面向学生教研的多源数据管理方法，采用如下的技术方案：
一种面向学生教研的多源数据管理方法，包括以下步骤：
获取教学信息，教学信息包括课堂视频以及课堂视频对应的知识点ID，课堂视频用于记录学生的课堂状态；
每获取一次教学信息，从课堂视频中提取学生在学习不同知识点时的课堂状态，根据课堂状态计算出每个知识点的课堂掌握得分，并且对知识点的课堂掌握得分进行标签化存储；
获取试卷图像，试卷图像包含若干试题信息，每条试题信息内均包括题干数据、得分值、总分值和对应知识点ID；
解析试卷图像中各知识点的平均得分率；
获取知识点信息，并且对知识点信息进行存储，知识点信息包括知识点ID、知识点内容以及练习题；
基于知识点课堂掌握得分和知识点的平均得分率，筛选出待巩固知识点，并且对待巩固知识点进行标签化存储；
根据待巩固知识点从知识点信息中选出对应的练习题，并且形成测试卷，输出测试卷。
通过采用上述技术方案，对教学信息进行批量处理，分析出学生的上课状态；对批量的试卷图像进行处理，分析出试卷中包含的知识点的得分率，并且根据各个知识点的得分率和学生在学习各个知识点的上课状态，对学生对知识点的掌握程度进行分析，筛选出根据学生掌握程度较差的知识点作为待巩固的知识点，最后将待巩固知识点对应的练习题汇总成测试卷，以便老师将测试卷分发给学生，对掌握程度较差的知识点进行针对性测试，进而实现综合学生的上课情况和大量的学生试卷对知识点的掌握分析，有助于减轻老师的教学负担。
在一个具体的可实施方案中，所述课堂状态包括：认真听讲状态和不认真听讲状态；
所述从课堂视频中提取学生在学习不同知识点时的课堂状态，包括：
对课堂视频画面中学生的面部信息进行提取，得到学生的面部器官位置信息；学生的所述面部器官位置信息包括眼部轮廓位置和嘴部轮廓位置；
根据学生的面部器官位置信息进行分析，根据所述眼部轮廓位置判断学生是否处于打盹状态；根据所述嘴部轮廓位置判断学生是否处于打哈欠状态；
当学生处于打盹状态或者处于打哈欠状态时即为不认真听讲状态，否则即为认真听讲状态。
通过采用上述技术方案，对课堂视频画面中的学生的面部信息进行提取，根据面部信息的嘴部轮廓位置判断学生是否处于打哈欠状态，并且根据面部信息中的眼部轮廓位置判断学生是否处于打盹状态，当学生处于这两种状态中的任意一种时，均为不认真听讲状态。
在一种具体的可实施方案中，所述根据课堂状态计算出每个知识点的课堂掌握得分，包括，
计算学生处于认真听讲状态的平均时长；
将平均时长与课堂视频的时长的比值作为学生对课堂视频对应知识点的课堂掌握得分。
通过采用上述技术方案，统计每个学生处于认真听课状态的平均时长以及课堂视频的总时长，根据计算出的学生的课堂掌握得分，分析学生对知识点的平均掌握水平，以便老师对学生对知识点的课堂掌握情况有所了解。
在一种具体的可实施方案中，所述计算学生处于认真听讲状态的平均时长，包括，
累计学生处于打盹状态和打哈欠状态的时长总和；
统计视频图像中学生的人数；
根据所述时长总和以及所述人数计算出每个学生处于未认真听课状态的平均时长；
接着用课堂视频时长减去每个学生处于未认真听课状态的平均时长即可得出每个学生处于认真听课状态的平均时长。
通过采用上述技术方案，在识别出学生处于打盹状态或者打哈欠状态时，开始进行时长累计，将累计的时长平均在每个人的身上，得出每个人在该视频中的走神时长。用视频总时长减去一个人的走神时长可以得出每个人在视频张处于认真听讲状态的时长，进而便于计算出每个学生认真听讲状态的平均时长。
在一种具体的可实施方案中，所述解析试卷图像中各知识点的平均得分率，包括：
识别出试卷图像上每条试题信息的得分值；
解析出试卷图像上每条试题信息的对应知识点ID；
对试题信息中的得分值进行计算，根据所述知识点ID得出每个知识点的平均得分率。
通过采用上述技术方案，由于一张试卷中多个考题对应一个知识点，并且不同考题的分值也不同，因此，需要先识别出每个考题的得分值，接着统计每个考题对应的知识点ID，根据知识点ID计算出属于相同知识点的考题的得分总和，并且统计出属于相同知识点的考题的分值总和，将得分总和与分值总和的比值作为每个知识点的平均得分率，有助于准确的分析学生对于知识点的掌握情况。
在一种具体的可实施方案中，所述筛选出待巩固知识点之后，还包括：
筛选出总和达到预设的得分阈值的知识点作为已掌握知识点；
根据知识点ID删除数据库中待巩固知识点表中与已掌握知识点ID相同的待巩固知识点。
通过采用上述技术方案，在筛分出待巩固知识点之后，再筛分出已掌握的知识点，并且将数据库中待巩固知识点中属于已掌握的知识点进行删除，实现对数据库中待巩固知识点的更新，有助于提高测试卷出题的针对性。
在一种具体的可实施方案中，所述根据待巩固知识点从知识点信息中选出对应的练习题，并且形成测试卷，包括，
计算待巩固知识点难度；
根据知识点难度从知识点信息中筛选出对应的练习题；
将筛选出的练习题汇总成测试卷。
通过采用上述技术方案，根据待巩固知识点的难度，合理分配测试卷的题目，使学生从简到难逐渐加强对待巩固知识点的练习，有助于加强学生学习时的自信。
在一种具体的可实施方案中，所述教学信息还包括用于记录课堂教学内容的教学视频；
所述对待巩固知识点进行标签化存储之后，还包括，根据所述知识点ID，将属于巩固知识点所对应的练习题和教学信息中的教学视频进行整合，并且输出。
通过采用上述技术方案，便于学生练习各个待巩固知识点的所有练习题，实现自主练习，加强对待巩固知识点的掌握。并且在做题的过程中，可以查看教学视频，有助于提高对知识点的理解。
第二方面，本申请提供一种面向学生教研的多源数据管理系统，采用如下的技术方案：一种面向学生教研的多源数据管理系统，包括：教研终端、下游子系统和KAFK服务器；所述教研终端用于获取教学信息、试卷图像和知识点信息，并且分别以教学信息、试卷信息和知识点信息为主题发布在KAFKA服务器上；
所述下游子系统包括，视频分析模块、试卷图像分析模块和出卷模块；
所述视频分析模块用于订阅KAFKA服务器上以教学信息为主题的消息，从课堂视频中提取学生在学习不同知识点时的课堂状态，根据课堂状态计算出每个知识点的课堂掌握得分，并且对知识点的课堂掌握得分进行标签化存储；
所述试卷图像分析模块用于订阅KAFKA服务器上以试卷信息为主题的消息，并且解析试卷图像中各知识点的平均得分率。
通过采用上述技术方案，对教学信息进行批量处理，分析出学生的上课状态；对批量的试卷图像进行处理，分析出试卷中包含的知识点的得分率，并且根据各个知识点的得分率和学生在学习各个知识点的上课状态，对学生对知识点的掌握程度进行分析，筛选出根据学生掌握程度较差的知识点作为待巩固的知识点，最后将待巩固知识点对应的练习题汇总成测试卷，以便老师将测试卷分发给学生，对掌握程度较差的知识点进行针对性测试，进而实现综合学生的上课情况和大量的学生试卷对学生对知识点的掌握情况的分析，有助于减轻老师的教学负担。并且根据每次的测试结果，掌握程度较差的知识点进行更新，使得测试和练习更具有针对性。
第三方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面任一所述的一种面向学生教研的多源数据管理方法。
通过采用上述技术方案，对教学信息进行批量处理，分析出学生的上课状态；对批量的试卷图像进行处理，分析出试卷中包含的知识点的得分率，并且根据各个知识点的得分率和学生在学习各个知识点的上课状态，对学生对知识点的掌握程度进行分析，筛选出根据学生掌握程度较差的知识点作为待巩固的知识点，最后将待巩固知识点对应的练习题汇总成测试卷，以便老师将测试卷分发给学生，对掌握程度较差的知识点进行针对性测试，进而实现综合学生的上课情况和大量的学生试卷对学生对知识点的掌握情况的分析，有助于减轻老师的教学负担。并且根据每次的测试结果，掌握程度较差的知识点进行更新，使得测试和练习更具有针对性。
综上所述，本申请包括以下至少一种有益技术效果：
1.对教学信息进行批量处理，分析出学生的上课状态；对批量的试卷图像进行处理，分析出试卷中包含的知识点的得分率，并且根据各个知识点的得分率和学生在学习各个知识点的上课状态，对学生对知识点的掌握程度进行分析，筛选出根据学生掌握程度较差的知识点作为待巩固的知识点，最后将待巩固知识点对应的练习题汇总成测试卷，以便老师将测试卷分发给学生，对掌握程度较差的知识点进行针对性测试，进而实现综合学生的上课情况和大量的学生试卷对知识点的掌握分析，有助于减轻老师的教学负担；
2.通过判断学生在各个教学视频中的上课状态，累计学生处于认真听讲状态的总时长，计算对知识点的课堂掌握得分，便于老师了解学生的课堂掌握情况；
3.根据每次的测试结果，对待巩固知识点进行更新，即掌握程度较差的知识点，使得测试和练习更具有针对性。
4.对待巩固知识点所对应的所有练习题进行输出，便于学生练习各个待巩固知识点的所有练习题，实现自主练习，加强对待巩固知识点的掌握。并且在做题的过程中，可以查看教学视频，有助于提高对知识点的理解。
附图说明
图1是本申请实施例中面向学生教研的多源数据管理方法的流程示意图。
图2是本申请实施例中面向学生教研的多源数据管理系统的结构框图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请使用的KAFKA是一个分布式、支持分区的、多副本的分布式发布订阅消息系统。它的最大的特性就是可以实时的处理大量数据以满足各种需求场景，统一订阅相同主题的下游系统的数据。
本申请实施例公开一种面向学生教研的多源数据管理方法，参照图1，面向学生教研的多源数据管理方法包括以下步骤：
S100、获取教学信息，所述教学信息包括课堂视频以及所述课堂视频对应的知识点ID，所述课堂视频用于记录学生的课堂状态；
具体的，上述教学信息指的是，老师每上完一节课后，发布到KAFKA服务器上以教学信息为主题的消息队列中的课堂视频以及课堂视频对应的知识点ID。其中，知识点ID用于标识不同的知识点。在实施中，通过订阅KAFKA服务器上教学信息主题，获取教学信息。
S200、每获取一次教学信息，从所述课堂视频中提取学生在学习不同知识点时的课堂状态，根据所述课堂状态计算出每个知识点的课堂掌握得分，并且对所述知识点的课堂掌握得分进行标签化存储；
具体的步骤S200包括以下子步骤：
S201，对课堂视频画面中学生的面部信息进行提取，得到学生的面部器官位置信息。
在实施中，按照预设的面部标志估算算法，检测每一帧课堂视频画面中，各个学生的面部器官位置信息。具体的，基于dlib，检测出每一帧课堂视频画面中人脸区域的边界。接着对每个人脸区域进行若干子区域的划分，并通过预选训练好的用于识别人脸各个器官的模型，检测各个子区域内的器官特征点，实现对人脸各个器官的识别，之后输出各个面部器官对应的面部标志的索引。最后，通过opencv对视频流进行灰度化处理，并识别出课堂视频画面中学生各个面部器官的位置信息。
S202，根据学生的面部器官位置信息进行分析，判断学生是否为认真听讲状态。
具体的，上述判断学生是否为认真听讲状态主要通过判断学生是否处于打盹状态和打哈欠状态来判定。在实施中，根据学生眼部的位置信息，对每一帧课堂视频画面中每个学生的闭眼情况进行识别。在识别出有一个学生出现闭眼是记录当前帧，并且识别下一帧该同学是否还是闭眼，当该闭眼的学生睁眼时，停止记录；若统计的闭眼帧时长超过2s，则判断该学生处于打盹状态。
同样的，根据学生嘴部的位置信息，对每一帧课堂视频画面中每个学生的打哈欠情况进行识别。具体的，通过识别每个学生嘴部图像的宽高比来判断嘴巴的张开程度，若有学生嘴巴张开程度的宽高比小于预设的阈值T，可判断当前图像帧为该学生的打哈欠帧，若该同学的打哈欠帧连续达到K帧时，则判断该学生为打哈欠状态。其中，阈值T和K值由老师人为设定。
S203，计算学生处于认真听讲状态的平均时长，将平均时长与课堂视频的时长的比值作为学生对课堂视频对应知识点的课堂掌握得分。
具体的，累计所有学生处于打盹状态和打哈欠状态的时长总和。并且，在检测出课堂视频画面中人脸区域的边界时，统计识别出的人脸区域的总个数，进而统计出视频图像中学生的人数。计算出每个学生处于未认真听课状态的平均时长；接着用课堂视频时长减去每个学生处于未认真听课状态的平均时长即可得出每个学生处于认真听课状态的平均时长；最后将每个学生处于认真听课状态的平均时长与课堂视频的时长的比值作为学生对对应知识点的课堂掌握得分。
S204，对知识点的课堂掌握得分进行标签化存储。
具体的，每计算完一个知识点的课堂掌握得分，根据知识点ID将知识点的课堂掌握得分存储到数据库内建立的课堂掌握得分值表。
S300、获取试卷图像，所述试卷图像包含若干试题信息，每条试题信息内均包括题干数据、得分值、总分值和对应知识点ID。
具体的，上述试卷图像指的是，考试完发布到KAFKA服务器上以试卷信息为主题的消息队列中的纸质试卷的图像，图像中携带有若干试题信息。其中每条试题信息均包括题干数据、得分值和对应知识点ID。在实施中，通过订阅KAFKA服务器上试卷信息主题，获取试卷图像。
S400、解析所述试卷图像中各知识点的平均得分率。
具体的，步骤S400包括以下子步骤：
S401，识别出试卷图像上每条试题信息的得分值。
在实施中，通过目标检测算法，例如YOLO算法、SSD算法等，先构建用于识别试卷图像上的题目和得分的识别模型；接着将大量试卷图像作为训练集，根据训练集对识别模型进行训练，提高模型的识别效果。最后对试卷图像进行分区，试卷图像上的每个试题信息均对应一个子区域，通过训练好的识别模型识别出每个子区域中的分数值，最后对分数识别结果进行修正，得到每道试题信息的得分值。
S402，解析出试卷图像上每条试题信息的对应知识点ID。
具体的，上述试卷图像上每个子区域内均有一个携带有对应知识点ID的二维码。以下以其中一个子区域的二维码识别过程进行描述：具体的，通过zbar算法先对子区域进行平滑滤波、二值化处理，并识别出图像上二维码的轮廓；接着通过从筛选后的轮廓中找到面积最接近的三个点，得到二维码的定位角点，识别出二维码所在区域；最后接着对区域内的二维码进行译码，得到该子区域内的知识点ID。
S403，对试题信息中的得分值进行计算，得出每个知识点的平均得分率。
在实施中，每条试题信息中的总分值用于表示对应试题的总分，计算每条试题信息中的得分值与总分值的比值，作为对应试题信息的得分率；接着根据知识点ID对所有试题信息进行分类，计算相同类别的试题信息中得分率的总和，将总和与对一个类别中试题信息的个数的比值作为每个知识点的平均得分率。
S500、获取知识点信息，并且对知识点信息进行存储，知识点信息包括知识点ID、知识点内容以及练习题。
具体的，上述知识点信息包括发布到KAFKA服务器上以知识点信息为主题的消息队列中的知识点ID、知识点内容以及练习题。在实施中，老师可以在上完课后，将课堂上教授的知识点所对应的知识点信息通过教学终端发布到KAFKA服务器上以知识点信息为主题的消息队列中。通过订阅知识点信息主题，获取教学信息。根据知识点ID将知识点信息存储到数据库内建立的知识点信息表中，实现对知识点信息的标签化存储。
S600、基于知识点课堂掌握得分和知识点的平均得分率，筛选出待巩固知识点，并且对所述待巩固知识点进行标签化存储。
具体的，计算各个知识点的课堂掌握得分和平均得分率的总和，若有知识点对应的总和没有达到预设的得分阈值，则将该知识点列为待巩固知识点，并且根据知识点ID将待巩固知识点存储到数据库内建立的待巩固知识点表中，实现对待巩固知识点的标签化存储。
可选的，在计算各个知识点的课堂掌握得分和平均得分率的总和之后，筛选出总和达到预设的得分阈值的知识点，并将其作为已掌握知识点，根据知识点ID删除数据库中待巩固知识点表中与已掌握知识点ID相同的待巩固知识点。实现对待巩固知识点表的更新。
S700、根据所述待巩固知识点从知识点信息中选出对应的练习题，并且形成测试卷，输出测试卷。
S701、计算待巩固知识点难度。
具体的，根据待巩固知识点表，计算出每个待巩固知识点的难度。知识点难度分为容易和困难。在实施中，在识别出试卷图像上每条试题信息的得分值之后，通过计算试卷图像上所有试题信息的得分值，计算出每个学生的总成绩。接着对若干学生的总成绩进行排序，并筛选出总成绩排名位于20%-80%的试卷图像。将筛选出的试卷图像上属于待巩固知识点的试题信息作为样本数据，根据知识点ID计算样本数据中各个待巩固知识点的平均得分率。若待巩固知识点的平均得分率达到预设的阈值，则待巩固知识点难度为容易，否则为困难。阈值由老师根据学生知识的接受能力进行人为设定。
S702、根据知识点难度从知识点信息中筛选出对应的练习题，形成测试卷，并且输出测试卷。
在实施中，从知识点信息中，随机筛选n道待巩固知识点难度为容易的练习题，并且随机筛选出m道待巩固知识点难度为困难的练习题，根据筛选出的练习题形成试卷，并且输出至教研终端。以便老师将试卷打印出来，对学生做针对性测试。
可选的，在同一实施例中，教学信息还包括用于记录课堂教学内容的教学视频。在对待巩固知识点进行标签化存储之后，遍历待巩固知识点表内的知识点ID，并且根据知识点ID从知识点信息表中查找对应的练习题。将练习题和教学视频进行整合，形成巩固学习数据，并且输送至学习终端，以便学生通过学习终端练习各个待巩固知识点的练习题，实现自主练习，加强对待巩固知识点的掌握。并且在做题的过程中，学生结合教学视频，便于提高对知识点的理解。
本申请实施例还公开一种面向学生教研的多源数据管理系统。参照图2，教研系统包括教研终端、下游子系统和KAFK服务器，其中教研终端用于获取教学信息、试卷图像和知识点信息，并且分别以教学信息、试卷信息和知识点信息为主题发布在KAFKA服务器上。
下游子系统包括，视频分析模块、试卷图像分析模块和出卷模块：
视频分析模块用于订阅KAFKA服务器上以教学信息为主题的消息，从所述课堂视频中提取学生在学习不同知识点时的课堂状态，根据所述课堂状态计算出每个知识点的课堂掌握得分，并且对所述知识点的课堂掌握得分进行标签化存储。
试卷图像分析模块用于订阅KAFKA服务器上以试卷信息为主题的消息，并且解析所述试卷图像中各知识点的平均得分率。
出卷模块用于订阅KAFKA服务器上以知识点信息为主题的消息，并且基于所述知识点课堂掌握得分和所述知识点的平均得分，筛选出待巩固知识点，对所述待巩固知识点进行标签化存储，根据待巩固知识点从练练习题中选出对应的练习题，输出练习题。
本申请实施例还公开一种计算机可读存储介质，包括能够被处理器加载执行时实现上述一种面向学生教研的多源数据管理方法流程中的各个步骤。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (10)

1.一种面向学生教研的多源数据管理方法，其特征在于，包括以下步骤：
获取教学信息，教学信息包括课堂视频以及课堂视频对应的知识点ID，课堂视频用于记录学生的课堂状态；
每获取一次教学信息，从课堂视频中提取学生在学习不同知识点时的课堂状态，根据课堂状态计算出每个知识点的课堂掌握得分，并且对知识点的课堂掌握得分进行标签化存储；
获取试卷图像，试卷图像包含若干试题信息，每条试题信息内均包括题干数据、得分值、总分值和对应知识点ID；
解析试卷图像中各知识点的平均得分率；
获取知识点信息，并且对知识点信息进行存储，知识点信息包括知识点ID、知识点内容以及练习题；
基于知识点课堂掌握得分和知识点的平均得分率，筛选出待巩固知识点，并且对待巩固知识点进行标签化存储；
根据待巩固知识点从知识点信息中选出对应的练习题，并且形成测试卷，输出测试卷。
2.根据权利要求1所述的一种面向学生教研的多源数据管理方法，其特征在于：所述课堂状态包括：认真听讲状态和不认真听讲状态；
所述从课堂视频中提取学生在学习不同知识点时的课堂状态，包括：
对课堂视频画面中学生的面部信息进行提取，得到学生的面部器官位置信息；学生的所述面部器官位置信息包括眼部轮廓位置和嘴部轮廓位置；
根据学生的面部器官位置信息进行分析，根据所述眼部轮廓位置判断学生是否处于打盹状态；根据所述嘴部轮廓位置判断学生是否处于打哈欠状态；
当学生处于打盹状态或者处于打哈欠状态时即为不认真听讲状态，否则即为认真听讲状态。
3.根据权利要求2所述的一种面向学生教研的多源数据管理方法，其特征在于：所述根据课堂状态计算出每个知识点的课堂掌握得分，包括，
计算学生处于认真听讲状态的平均时长；
将平均时长与课堂视频的时长的比值作为学生对课堂视频对应知识点的课堂掌握得分。
4.根据权利要求3所述的一种面向学生教研的多源数据管理方法，其特征在于：所述计算学生处于认真听讲状态的平均时长，包括，
累计学生处于打盹状态和打哈欠状态的时长总和；
统计视频图像中学生的人数；
根据所述时长总和以及所述人数计算出每个学生处于未认真听课状态的平均时长；
接着用课堂视频时长减去每个学生处于未认真听课状态的平均时长即可得出每个学生处于认真听课状态的平均时长。
5.根据权利要求4所述的一种面向学生教研的多源数据管理方法，其特征在于：所述解析试卷图像中各知识点的平均得分率，包括：
识别出试卷图像上每条试题信息的得分值；
解析出试卷图像上每条试题信息的对应知识点ID；
对试题信息中的得分值进行计算，根据所述知识点ID得出每个知识点的平均得分率。
6.根据权利要求1所述的一种面向学生教研的多源数据管理方法，其特征在于：所述筛选出待巩固知识点之后，还包括：
筛选出总和达到预设的得分阈值的知识点作为已掌握知识点；
根据知识点ID删除数据库中待巩固知识点表中与已掌握知识点ID相同的待巩固知识点。
7.根据权利要求1所述的一种面向学生教研的多源数据管理方法，其特征在于：所述根据待巩固知识点从知识点信息中选出对应的练习题，并且形成测试卷，包括，
计算待巩固知识点难度；
根据知识点难度从知识点信息中筛选出对应的练习题；
将筛选出的练习题汇总成测试卷。
8.根据权利要求1所述的一种面向学生教研的多源数据管理方法，其特征在于：所述教学信息还包括用于记录课堂教学内容的教学视频；
所述对待巩固知识点进行标签化存储之后，还包括，根据所述知识点ID，将属于巩固知识点所对应的练习题和教学信息中的教学视频进行整合，并且输出。
9.一种面向学生教研的多源数据管理系统，其特征在于，包括：教研终端、下游子系统和KAFK服务器；所述教研终端用于获取教学信息、试卷图像和知识点信息，并且分别以教学信息、试卷信息和知识点信息为主题发布在KAFKA服务器上；
所述下游子系统包括，视频分析模块、试卷图像分析模块和出卷模块；
所述视频分析模块用于订阅KAFKA服务器上以教学信息为主题的消息，从课堂视频中提取学生在学习不同知识点时的课堂状态，根据课堂状态计算出每个知识点的课堂掌握得分，并且对知识点的课堂掌握得分进行标签化存储；
所述试卷图像分析模块用于订阅KAFKA服务器上以试卷信息为主题的消息，并且解析试卷图像中各知识点的平均得分率。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至8任一所述的一种面向学生教研的多源数据管理方法。
CN202211158353.5A 2022-09-22 2022-09-22 一种面向学生教研的多源数据管理方法、系统及存储介质 Pending CN115409413A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211158353.5A CN115409413A (zh) 2022-09-22 2022-09-22 一种面向学生教研的多源数据管理方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211158353.5A CN115409413A (zh) 2022-09-22 2022-09-22 一种面向学生教研的多源数据管理方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN115409413A true CN115409413A (zh) 2022-11-29

Family

ID=84164913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211158353.5A Pending CN115409413A (zh) 2022-09-22 2022-09-22 一种面向学生教研的多源数据管理方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN115409413A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843088A (zh) * 2023-09-04 2023-10-03 北京思源智通科技有限责任公司 基于个人学生档案的教育大数据平台管理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843088A (zh) * 2023-09-04 2023-10-03 北京思源智通科技有限责任公司 基于个人学生档案的教育大数据平台管理方法

Similar Documents

Publication Publication Date Title
CN109522815B (zh) 一种专注度评估方法、装置及电子设备
CN108648757B (zh) 一种基于多维度课堂信息的分析方法
CN110992741A (zh) 一种基于课堂情绪和行为分析的学习辅助方法及系统
CN111027865B (zh) 基于行为和表情识别的教学分析与质量评估系统及方法
CN111915148B (zh) 一种基于信息技术的课堂教学评价方法和系统
CN111709358A (zh) 基于课堂视频的师生行为分析系统
CN108154304A (zh) 具有教学质量评估功能的服务器
CN107918821A (zh) 基于人工智能技术的教师课堂教学过程分析方法和系统
CN108171414A (zh) 教学质量评估系统
CN108257056A (zh) 一种应用于教学行业的大数据的课堂辅助教学系统
CN108182649A (zh) 用于教学质量评估的智能机器人
CN111160277A (zh) 行为识别分析方法和系统、计算机可读存储介质
CN110009539A (zh) 一种学生在校学习状态智能档案系统及使用方法
CN112785205A (zh) 一种基于教育大数据的智慧教学综合分析系统
CN115409413A (zh) 一种面向学生教研的多源数据管理方法、系统及存储介质
CN111523445A (zh) 一种基于改进的Openpose模型和面部微表情的考试行为检测方法
CN116050892A (zh) 一种基于人工智能的智能教育评价监督方法
CN112766130A (zh) 一种课堂教学质量监测方法、系统、终端及存储介质
CN112507792A (zh) 在线视频关键帧定位方法、定位系统、设备及存储介质
CN112116841A (zh) 一种基于深度学习的个性化远程教育系统及方法
CN112164259A (zh) 一种课堂师生互动教学系统及方法
CN111199378B (zh) 学员管理方法、装置、电子设备及存储介质
CN111563697A (zh) 一种线上课堂学生情绪分析方法和系统
CN115511670A (zh) 一种在线教育方法及在线教育平台
CN115544226A (zh) 一种基于多模态情感分析的相似识别方法

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