CN115511670A - 一种在线教育方法及在线教育平台 - Google Patents
一种在线教育方法及在线教育平台 Download PDFInfo
- Publication number
- CN115511670A CN115511670A CN202210932590.6A CN202210932590A CN115511670A CN 115511670 A CN115511670 A CN 115511670A CN 202210932590 A CN202210932590 A CN 202210932590A CN 115511670 A CN115511670 A CN 115511670A
- Authority
- CN
- China
- Prior art keywords
- audio
- students
- learning
- teacher
- teaching
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000002787 reinforcement Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 8
- 206010041349 Somnolence Diseases 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004397 blinking Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000037321 sleepiness Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G09B5/00—Electrically-operated educational appliances
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
- G09B5/14—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations with provision for individual teacher-student communication
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种在线教育方法及在线教育平台，包括：用户通过在线教育平台输入注册信息、身份验证；对学生和/或老师进行数据采集，以获取学生和/或老师的音频和图像数据，以音频的形式采集学生的声音和/或老师的声音；以视频的形式采集学生的学习过程和/或老师的授课过程；将各音频和图像数据作数据整合生成音频和图像数据集，并将音频和图像数据导入至预设的在线学习模型训练库中进行训练；根据预设的判断策略对训练后的音频和图像数据进行分析，并输出判断结果和记录结果当前的时间序列信息；根据判断结果和/或时间序列信息和/或授课过程，输出学生与老师的最佳匹配结果和/或老师最佳授课内容结果。
Description
技术领域
本发明涉及计算机技术领域，特别是涉及一种在线教育方法及在线教育平台。
背景技术
目前，现有教育培训系统很大一部分主要是通过网络进行在线学习，然而在现有系统当中，老师和教育管理人员并不能随时了解学生的具体学习状态，或者虽然能够通过在线培训系统监控学生的整个学习状态，然而并不能切实有效地提高学生的学习效率和学习激情。同时，也无法帮助教师进行自查，提高教学质量。
另外，现有技术中则常不能对这些学习音频和图像数据进行有效处理，进而导致不能有效图像增强网络的学习，影响在线教学的教学效率及在线教育平台的功能。
发明内容
为了克服上述现有技术的不足，本发明提供了一种在线教育方法及在线教育平台，通过获取在线教育的音频图像数据，并通过在线学习模型的训练提高有效图像增强网络的学习功能，提升在线教育的教学效率和教学质量。
为解决上述问题，本发明的第一目的在于提供一种在线教育方法，所述在线教育方法包括：
S100：用户通过在线教育平台输入注册信息、身份验证，所述在线教育平台根据所述用户输入的注册信息进行权限管理；
其中，所述用户具体包括学生、老师和教育管理者；
S200：对学生和/或老师进行数据采集，以获取所述学生和/或老师的音频和图像数据；
其中，以音频的形式全程采集学生的声音和/或老师的声音；以视频的形式全程采集学生的学习过程和/或老师的授课过程；
S300：将各所述音频和图像数据作数据整合并生成音频和图像数据集，并将所述音频和图像数据导入至预设的在线学习模型训练库中进行训练，并将训练后的音频和图像数据依序存储；
S400：根据预设的判断策略对训练后的音频和图像数据进行分析，并输出判断结果和记录所述判断结果当前的时间序列信息；
S500：根据所述判断结果和/或所述时间序列信息和/或所述授课过程，输出所述学生与所述老师的最佳匹配结果和/或所述老师最佳授课内容结果。
可选的，所述方法还包括：
S600：在载入不同的网络后，生成在线教育评测界面，所述在线教育评测界面上设有多个评测反馈文件；
获取输入至所述评测反馈文件的评测反馈结果，并基于所述评测反馈结果生成评测反馈报告；
将所述评测反馈报告发送至预设的报告接收端口，其中，所述报告接收端口为在线测评平台的后台工作人员的信息接收端口。
可选的，在步骤S500中，所述输出所述学生与所述老师的最佳匹配结果和/或所述老师最佳授课内容结果具体包括：
S510：确定同一学生对不同老师同一和/或不同教学内容的授课过程输出的时间序列信息中专注状态持续时间，并将所述专注状态持续时间按照大小进行排序，将所述专注状态持续时间最大的老师与所述学生进行匹配，从而确定所述学生与所述老师的最佳匹配结果；
S520：确定不同学生对同一和/或不同老师同一和/或不同教学内容的授课过程输出的时间序列信息中专注状态持续时间的大小，并将所述专注状态持续时间按照大小进行排序，将处于所述专注状态持续时间最大的授课内容作为所述老师的最佳授课内容，并输出所述老师最佳授课内容结果。
可选的，在步骤S510中，所述确定所述学生与所述老师的最佳匹配结果还包括：
在统计学生对于不同授课老师同一授课内容的专注状态持续时间时，按照授课的先后顺序，对上述专注状态持续时间分别乘以平衡系数γ，所述平衡系数γ按照授课的先后顺序逐步增大，对修正后的所述专注状态持续时间按照大小进行排序，以确定最佳匹配结果。
可选的，在步骤S510中，所述确定所述学生与所述老师的最佳匹配结果还包括：
步骤1：每季度进行在线摸底考试，确定全体学生的成绩排名；
步骤2：通过对学生群体按照成绩顺序进行排序，并对上述排序进行分段，在每一分段中随机抽取n名样本学生，样本学生数量n与授课老师数量m相等，样本学生的学习进度领先该分段中其他学生一天；
步骤3：每一分段中的n名样本学生学习第Q天的学习内容，n名样本学生分别学习m名授课老师的相同教学内容，确定每一分段n名样本学生分别对应的专注状态持续时间的结果，从而确定该分段学生与m名授课老师对于第Q天学习内容的匹配结果，其中Q初始化为1；
步骤4：根据确定的匹配老师，安排下一天该分段中其他学生的授课老师，该分段中其他学生学习所述授课老师的第Q天的学习内容；
步骤5：如果未完成一季度的学习，则返回步骤3，且令Q＝Q+1；如完成一季度的学习，则返回步骤1。
可选的，在步骤S520中，所述输出所述老师最佳授课内容结果还包括：
将不同老师的同一教学内容所对应的学生进行分组，其中，所述分组中包含的学生人数相同；
分别计算不同组别下的学生与其对应的老师的同一教学内容的专注状态持续时间之和，将所述专注状态持续时间之和按照大小进行排序，将所述注状态持续时间之和中最大的教学内容作为该老师的最佳授课内容结果。
可选的，在步骤S300中，所述在线学习模型训练库包括音频增强网络和图像增强网络，其中：
基于所述音频增强网络对所述音频数据集作音频增强处理，并生成增强后的增强学习音频；
基于所述图像增强网络对所述图像数据集作图像增强处理，并生成增强后的增强学习图像；
分别将待增强的音频和图像输入学习好的音频增强网络和图像增强网络的第一卷积层进行卷积运算。
本发明的第二目的在于提供一种在线教育平台，包括：
注册登录模块，用于用户输入注册信息、身份验证以及权限管理；
音频和图像数据采集模块，用于获取在线学习的音频数据和图像数据，
增强学习模块，用于将各所述音频数据和图像数据作数据整合生成音频图像数据集，基于所述音频增强网络和图像增强网络对所述音频图像数据集作音频图像增强处理，并生成增强后的增强学习音频和增强学习图像；
数据分析模块，用于对训练后的增强学习音频和增强学习图像进行分析，并输出判断结果和记录所述判断结果当前的时间序列信息。
本发明的第三目的在于提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述在线教育方法的步骤。
本发明的第四目的在于提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述在线教育方法的步骤。
本发明与现有技术相比具有显著的优点和有益效果，具体体现在以下方面：
1、通过获取在线学习的学习音频和图像数据，并将各所述学习音频和图像数据作数据整合并生成音频图像数据集；基于在线学习模型训练库对所述音频图像数据集作音频图像增强处理并生成增强后的增强学习音频图像；将所述增强学习音频图像导入至预设的在线学习模型库中，并将增强音频图像依序存储，在存储完成后生成网络可导入指令；根据网络可导入指令生成网络载入界面，并在所述网络载入界面上设置网络载入端口，所述网络载入端口用于使载入不同的网络，基于区块链技术将经所述网络载入端口载入的信息哈希上链，进而实现提高有效图像增强网络的学习功能，提升在线教学的教学效率。
2、本发明的音频图像增强网络基于全卷积神经网络，且通过残差连接和稠密连接来完成对原始图像的各级特征融合，并结合亚像素卷积层进行上采样，最终得到增强学习音频图像，这样，可以接受任意大小的网络输入，且能同时完成提升对比度、解析度和去噪等多方面的增强，且在各方面都能达到较好的增强效果
3、本发明根据不同实际情况采用不同的方式确定了学生与老师之间的最佳匹配结果，由此可以个性化地为学生分配老师，由此可以显著提高学生的学习激情和学习效率。同时，本发明还可根据不同情况确定老师的最佳授课内容，方便老师间的相互学习和交流。同时，还可将上述最佳授课内容以视频的形式输出至数据存储单元中，方便教育管理者查看，了解教学质量。
附图说明
图1为本发明实施例中一种在线教育方法的流程图；
图2为本发明实施例中一种在线教育系统的结构示意图；
图3为本发明实施例中计算机设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
请参阅图1所示，在本发明的实施例当中提供了一种在线教育方法，所述在线教育方法包括：
S100：用户通过在线教育平台输入注册信息、身份验证，所述在线教育平台根据所述用户输入的注册信息进行权限管理；
其中，所述用户具体包括学生、老师和教育管理者；
S200：对学生和/或老师进行数据采集，以获取所述学生和/或老师的音频和图像数据；
其中，以音频的形式全程采集学生的声音和/或老师的声音；以视频的形式全程采集学生的学习过程和/或老师的授课过程；
S300：将各所述音频和图像数据作数据整合并生成音频和图像数据集，并将所述音频和图像数据导入至预设的在线学习模型训练库中进行训练，并将训练后的音频和图像数据依序存储；
S400：根据预设的判断策略对训练后的音频和图像数据进行分析，并输出判断结果和记录所述判断结果当前的时间序列信息；
S500：根据所述判断结果和/或所述时间序列信息和/或所述授课过程，输出所述学生与所述老师的最佳匹配结果和/或所述老师最佳授课内容结果。
进一步地，在本发明的实施例当中，所述方法还包括：
S600：在载入不同的网络后，生成在线教育评测界面，所述在线教育评测界面上设有多个评测反馈文件；
获取输入至所述评测反馈文件的评测反馈结果，并基于所述评测反馈结果生成评测反馈报告；
将所述评测反馈报告发送至预设的报告接收端口，其中，所述报告接收端口为在线测评平台的后台工作人员的信息接收端口。
进一步地，在本发明的实施例当中，在步骤S500中，所述输出所述学生与所述老师的最佳匹配结果和/或所述老师最佳授课内容结果具体包括：
S510：确定同一学生对不同老师同一和/或不同教学内容的授课过程输出的时间序列信息中专注状态持续时间，并将所述专注状态持续时间按照大小进行排序，将所述专注状态持续时间最大的老师与所述学生进行匹配，从而确定所述学生与所述老师的最佳匹配结果；
S520：确定不同学生对同一和/或不同老师同一和/或不同教学内容的授课过程输出的时间序列信息中专注状态持续时间的大小，并将所述专注状态持续时间按照大小进行排序，将处于所述专注状态持续时间最大的授课内容作为所述老师的最佳授课内容，并输出所述老师最佳授课内容结果。
进一步地，在本发明的实施例当中，在步骤S510中，所述确定所述学生与所述老师的最佳匹配结果还包括：
在统计学生对于不同授课老师同一授课内容的专注状态持续时间时，按照授课的先后顺序，对上述专注状态持续时间分别乘以平衡系数γ，所述平衡系数γ按照授课的先后顺序逐步增大，对修正后的所述专注状态持续时间按照大小进行排序，以确定最佳匹配结果。
进一步地，在本发明的实施例当中，在步骤S510中，所述确定所述学生与所述老师的最佳匹配结果还包括：
步骤1：每季度进行在线摸底考试，确定全体学生的成绩排名；
步骤2：通过对学生群体按照成绩顺序进行排序，并对上述排序进行分段，在每一分段中随机抽取n名样本学生，样本学生数量n与授课老师数量m相等，样本学生的学习进度领先该分段中其他学生一天；
步骤3：每一分段中的n名样本学生学习第Q天的学习内容，n名样本学生分别学习m名授课老师的相同教学内容，确定每一分段n名样本学生分别对应的专注状态持续时间的结果，从而确定该分段学生与m名授课老师对于第Q天学习内容的匹配结果，其中Q初始化为1；
步骤4：根据确定的匹配老师，安排下一天该分段中其他学生的授课老师，该分段中其他学生学习所述授课老师的第Q天的学习内容；
步骤5：如果未完成一季度的学习，则返回步骤3，且令Q＝Q+1；如完成一季度的学习，则返回步骤1。
进一步地，在本发明的实施例当中，在步骤S520中，所述输出所述老师最佳授课内容结果还包括：
将不同老师的同一教学内容所对应的学生进行分组，其中，所述分组中包含的学生人数相同；
分别计算不同组别下的学生与其对应的老师的同一教学内容的专注状态持续时间之和，将所述专注状态持续时间之和按照大小进行排序，将所述注状态持续时间之和中最大的教学内容作为该老师的最佳授课内容结果。
进一步地，在步骤S300中，所述在线学习模型训练库包括音频增强网络和图像增强网络，其中：
基于所述音频增强网络对所述音频数据集作音频增强处理，并生成增强后的增强学习音频；
基于所述图像增强网络对所述图像数据集作图像增强处理，并生成增强后的增强学习图像；
分别将待增强的音频和图像输入学习好的音频增强网络和图像增强网络的第一卷积层进行卷积运算。
进一步地，在步骤S300中，所述将各所述音频和图像数据作数据整合并生成音频和图像数据集，该过程采用的是一种基于密度分布评估的自适应过程采样数据不平衡处理方法。具体步骤如下：
(1)定义可能存在数据不平衡的音频图像数据集为D＝{x1,x2,...,xm}。定义音频图像数据集所包含的数据类别数为n，则其中的n-1个类别为少数类，余下的1个类别为数据量最多的多数类。记多数类的集合为Dq＝{x1,x2,...,xq}，即个数为q。
对于n-1个少数类，遍历执行步骤(2)-(6)。记任意一个少数类的样本数为p。
(2)计算不平衡指数i，当i小于1时，可认为存在数据不平衡，i的计算式为
其中，λ是过滤参数，用于过滤轻微的，对后续的情感分类任务影响不大的数据不平衡问题，其取值范围为[p/q,1]。
(3)计算该少数类所需合成的样本的总数，
N＝α(q-p),α∈(0,1]， (2)
其中，α是调节参数，用于设定所需要的调节程度，当α＝1时，即需要调节至数据完全平衡。
(4)根据欧式距离，求取每个少数类样本xi的k个邻近样本，
其中，t表示音频图像数据的特征维数，xi代表少数类样本，yj代表多数类样本。并且记xi的这k个邻近样本中多数类样本的个数为si。
(5)计算密度分布，具体而言，计算该少数类样本xi的k个邻近样本范围内的多数类样本的密度分布，并做归一化处理，即有
(6)依据归一化后的密度分布值，求得该样本需要合成的新样本的个数，
完成数据不平衡处理后，对音频信号和图像信号进行必要的数据预处理操作，包括采样、量化、预加重、加窗等，之后绘制出原始的语谱图，此时的语谱图是长语谱图，接着选取固定步长对该语谱图进行裁剪，以达到数据增扩的目的，由此获得音频图像数据集。
具体地，在步骤S300中，将所述音频和图像数据导入至预设的在线学习模型训练库中进行训练，所述在线学习模型训练库中采用元学习进行训练。
元学习的训练过程称为元学习训练，简称为“元训练”，类似的，其测试过程被称为元学习测试，简称为“元测试”。在元学习中，训练集和测试集均被进一步地拆分为支持集(Support set)和查询集(Query set)两部分，训练集中的支持集和测试集分别被称为S和Q，测试集中的支持集和测试集则分别被称为S'和Q'。
具体过程如下：
(1)从原始音频图像测试集中选取N类样本，所选出的这N类样本中含有众多样本；
(2)从这N类样本的每类中随机选出k+x个样本(x指可选任意个，但k+x不能超过每类中的样本总数)，其中的k个样本被放入支持集S'，另外的x个样本将被放入查询集Q'；
(3)按照(2)的步骤，获取元训练过程中的支持集S和查询集Q。
可以从原始的音频图像训练集中选取x类样本，x可任意指定，此处规定仍取N，也可以不再从每类样本中选取k+x个样本，此处规定仍与测试集中的选取个数保持一致。
按照上述内容，将步骤S200所获取的音频图像数据集转换成四部分，即元训练阶段所使用的支持集S和测试集Q，以及元测试阶段所使用的支持集S'和测试集Q'。
(4)搭建基于度量学习的在线学习模型。
基于度量学习搭建在线学习模型，具体来说，采用原型网络实现模型。原型网络将每个类别中的样本数据映射到一个空间当中，并且提取他们的“均值”来表示为该类的原型。
原型网络的核心是由神经网络所构成的嵌入函数f，首先选择合适的网络模型构成嵌入函数，以卷积神经网络为例，之后设置初始超参数，初始参数，并选择优化算法，一般选择自适应运动估计算法(Adaptive Moment Estimation，Adam)对参数进行优化，并设定损失函数。
在本发明实施例中，令支持集为
S＝{(x1,y1),(x2,y2),...,(xn,yn)},i＝1,2,...,n， (6)
其中，xi是特征向量，yi是标签信息。
投影到嵌入空间后，每一个类的原型按公式(7)进行求取
其中，n表示样本类别，zn表示类n的原型，Sn表示类集合，f表示嵌入函数。
对查询集的每个样本，按公式(8)计算属于每个类的概率
其中，n表示预测的样本类别，n'表示样本的真实类别。
由此，可定义损失函数为
Jθ＝-log(pθ(y＝n'|x)) (9)
其中，n'表示样本的真实类别。
(5)分元训练和元测试两阶段，对步骤四所提出的在线学习模型进行训练和测试，其中元训练阶段训练超参数，元测试阶段训练参数。
首先通过元训练对步骤四中所设定的模型超参数进行学习，在学习到最好的超参数后，进入元测试阶段，即训练模型参数，以获得最优模型参数。
请参阅图2所示，图2为本申请实施例提供的一种在线教育平台，包括：
注册登录模块，用于用户输入注册信息、身份验证以及权限管理。
其中，注册信息具体包括但不限于：用户的姓名、年龄、联系方式等。
权限管理用于学生、老师和教育管理者中各个角色对本在线教育平台中不同单元的使用权限进行管理，例如：
老师可以访问数据存储单元中的视频，以便了解自己的教学过程，得到学生的反馈信息等，
教育管理者则可以访问数据存储单元中的视频以便了解老师培训质量等，方便教学培训的实时调整，具体将在后续说明。
音频和图像数据采集模块，用于获取在线学习的音频数据和图像数据。
需要说明的是，采样模块包括但不限于影像采集模块和声音采集模块，其中，通过影像采集单元以视频的方式全程采集学生的学习过程以及老师的授课过程；声音采集单元可全程采集学生的声音和老师的声音。其中，所述采样模块还将采集的样本数据传输至数据分析模块和/或数据存储模块。
增强学习模块，用于将各所述音频数据和图像数据作数据整合生成音频图像数据集，基于所述音频增强网络和图像增强网络对所述音频图像数据集作音频图像增强处理，并生成增强后的增强学习音频和增强学习图像；
数据分析模块，用于对训练后的增强学习音频和增强学习图像进行分析，并输出判断结果和记录所述判断结果当前的时间序列信息。
数据分析模块用于根据预设的判断策略，对采样模块采集的样本数据进行分析，并输出判断结果。
其中，在本发明中的一个实施例中，采用以下判断方法构建所述判断策略，输入的状态参数包括眼部状态、嘴部状态以及声音状态。
具体地，本发明中构建的判断方法如下所示：
以眼部状态为例，根据眨眼状态判断人员所处状态。具体地，人在处于正常状态时会以一定的频率眨眼，一般而言在每分钟10-15次左右；然而当人在瞌睡时眼睛处于闭眼状态，困倦状态时眼睛处于缓慢眨眼状态，而当眼睛处于不眨眼状态时，此处有可能处于卡顿状态或者此时可能出现以图片代替学生的特殊情况，因此此时输出结果为失效。
综上，以眨眼频率作为眼部状态的判断阈值，以10-15次/分作为正常值，超过正常值范围可认为处于缓慢眨眼状态。当然，此处只是示例性地示出上述判断阈值，
本领域技术人员还可根据实际情况进行适当的调整。其同样地，当人处于正常学习状态或者困倦等状态时，一般嘴部处于闭合状态，当处于启闭交替状态时说明此时交谈或者说话状态，并且还可根据声音信息进行判断，例如当存在呼噜声或者环境音时说明此时可能处于瞌睡等困倦状态或者专注学习等状态，当出现人声时说明处于交谈或者说话状态。
以上只是本实施例中判断方法的示意性参考，本领域技术人员还可根据实际需要进行调整，例如可将困倦和瞌睡归为一种疲劳状态等，在此不做赘述。
优选地，在本发明的实施例当中，通过抽取视频中关键帧的方式完成提取。
具体地，以一段记录了150帧的图像为例，每5帧进行一次抽取，一共抽取30帧图像，并将这30帧图像作为样本数据，确定每一帧图像中人员的眼部状态、嘴部状态，同时通过声音采集模块实时采集的声音信息判断声音状态，最后确定30帧图像里每一帧中人员的眼部状态、嘴部状态和声音状态，将上述结果输入至判断模块，并根据预设的判断方法确定此时人员所处的状态(例如瞌睡、困倦、专注、分神等状态)，即确定了30帧里每一帧中人员的状态。
当然，上述参数设置仅仅示例，在实际应用过程中可根据具体的视频信息进行相应的调整，以确保判断结果的准确性。
优选地，数据分析模块根据预设判断策略输出所述判断结果，同时还记录所述判断结果当前的时间序列信息，具体地，所述时间序列信息包括按照时间顺序输出的所述判断结果的持续时间，以及所述判断结果的代表颜色，例如红色代表瞌睡或者困倦；黄色代表分神；绿色代表专注等。
上述输出的视频影像可以被老师和教育管理者访问，老师可以根据输出的视频影像了解自己的教学过程，得到学生的反馈信息，从而可以改进自己的教学方式和或备课方式，同时还可根据上述时间序列信息或者视频影像为学生匹配最佳老师。另外，教育管理者也可以通过获取的视频影像实时了解学生角色在学习过程中所处状态，方便课后跟踪和辅导教育等。
请参阅图3所示，本发明实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述在线教育方法的步骤。
本申请实施例提供的计算机设备，可用于执行上述任一方法实施例提供的在线教育方法，其实现原理和技术效果类似，在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当计算机执行指令在在计算机上运行时，使得计算机执行上述所述的在线教育方法。
需要说明的是，上述的计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
可选的，将可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种在线教育方法，其特征在于，包括：
S100：用户通过在线教育平台输入注册信息、身份验证，所述在线教育平台根据所述用户输入的注册信息进行权限管理；
其中，所述用户具体包括学生、老师和教育管理者；
S200：对学生和/或老师进行数据采集，以获取所述学生和/或老师的音频和图像数据；
其中，以音频的形式全程采集学生的声音和/或老师的声音；以视频的形式全程采集学生的学习过程和/或老师的授课过程；
S300：将各所述音频和图像数据作数据整合并生成音频和图像数据集，并将所述音频和图像数据导入至预设的在线学习模型训练库中进行训练，并将训练后的音频和图像数据依序存储；
S400：根据预设的判断策略对训练后的音频和图像数据进行分析，并输出判断结果和记录所述判断结果当前的时间序列信息；
S500：根据所述判断结果和/或所述时间序列信息和/或所述授课过程，输出所述学生与所述老师的最佳匹配结果和/或所述老师最佳授课内容结果。
2.根据权利要求1所述的在线教育方法，其特征在于，所述方法还包括：
S600：在载入不同的网络后，生成在线教育评测界面，所述在线教育评测界面上设有多个评测反馈文件；
获取输入至所述评测反馈文件的评测反馈结果，并基于所述评测反馈结果生成评测反馈报告；
将所述评测反馈报告发送至预设的报告接收端口，其中，所述报告接收端口为在线测评平台的后台工作人员的信息接收端口。
3.根据权利要求1所述的在线教育方法，其特征在于，在步骤S500中，所述输出所述学生与所述老师的最佳匹配结果和/或所述老师最佳授课内容结果具体包括：
S510：确定同一学生对不同老师同一和/或不同教学内容的授课过程输出的时间序列信息中专注状态持续时间，并将所述专注状态持续时间按照大小进行排序，将所述专注状态持续时间最大的老师与所述学生进行匹配，从而确定所述学生与所述老师的最佳匹配结果；
S520：确定不同学生对同一和/或不同老师同一和/或不同教学内容的授课过程输出的时间序列信息中专注状态持续时间的大小，并将所述专注状态持续时间按照大小进行排序，将处于所述专注状态持续时间最大的授课内容作为所述老师的最佳授课内容，并输出所述老师最佳授课内容结果。
4.根据权利要求3所述的在线教育方法，其特征在于，在步骤S510中，所述确定所述学生与所述老师的最佳匹配结果还包括：
在统计学生对于不同授课老师同一授课内容的专注状态持续时间时，按照授课的先后顺序，对上述专注状态持续时间分别乘以平衡系数γ，所述平衡系数γ按照授课的先后顺序逐步增大，对修正后的所述专注状态持续时间按照大小进行排序，以确定最佳匹配结果。
5.根据权利要求3所述的在线教育方法，其特征在于，在步骤S510中，所述确定所述学生与所述老师的最佳匹配结果还包括：
步骤1：每季度进行在线摸底考试，确定全体学生的成绩排名；
步骤2：通过对学生群体按照成绩顺序进行排序，并对上述排序进行分段，在每一分段中随机抽取n名样本学生，样本学生数量n与授课老师数量m相等，样本学生的学习进度领先该分段中其他学生一天；
步骤3：每一分段中的n名样本学生学习第Q天的学习内容，n名样本学生分别学习m名授课老师的相同教学内容，确定每一分段n名样本学生分别对应的专注状态持续时间的结果，从而确定该分段学生与m名授课老师对于第Q天学习内容的匹配结果，其中Q初始化为1；
步骤4：根据确定的匹配老师，安排下一天该分段中其他学生的授课老师，该分段中其他学生学习所述授课老师的第Q天的学习内容；
步骤5：如果未完成一季度的学习，则返回步骤3，且令Q＝Q+1；如完成一季度的学习，则返回步骤1。
6.根据权利要求1所述的在线教育方法，其特征在于，在步骤S520中，所述输出所述老师最佳授课内容结果还包括：
将不同老师的同一教学内容所对应的学生进行分组，其中，所述分组中包含的学生人数相同；
分别计算不同组别下的学生与其对应的老师的同一教学内容的专注状态持续时间之和，将所述专注状态持续时间之和按照大小进行排序，将所述注状态持续时间之和中最大的教学内容作为该老师的最佳授课内容结果。
7.根据权利要求1所述的在线教育方法，其特征在于，在步骤S300中，所述在线学习模型训练库包括音频增强网络和图像增强网络，其中：
基于所述音频增强网络对所述音频数据集作音频增强处理，并生成增强后的增强学习音频；
基于所述图像增强网络对所述图像数据集作图像增强处理，并生成增强后的增强学习图像；
分别将待增强的音频和图像输入学习好的音频增强网络和图像增强网络的第一卷积层进行卷积运算。
8.一种在线教育平台，采用如权利要求1-7任一项所述的在线教育方法，其特征在于，所述平台包括：
注册登录模块，用于用户输入注册信息、身份验证以及权限管理；
音频和图像数据采集模块，用于获取在线学习的音频数据和图像数据，
增强学习模块，用于将各所述音频数据和图像数据作数据整合生成音频图像数据集，基于所述音频增强网络和图像增强网络对所述音频图像数据集作音频图像增强处理，并生成增强后的增强学习音频和增强学习图像；
数据分析模块，用于对训练后的增强学习音频和增强学习图像进行分析，并输出判断结果和记录所述判断结果当前的时间序列信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述在线教育方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的在线教育方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932590.6A CN115511670A (zh) | 2022-08-04 | 2022-08-04 | 一种在线教育方法及在线教育平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932590.6A CN115511670A (zh) | 2022-08-04 | 2022-08-04 | 一种在线教育方法及在线教育平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115511670A true CN115511670A (zh) | 2022-12-23 |
Family
ID=84502084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210932590.6A Withdrawn CN115511670A (zh) | 2022-08-04 | 2022-08-04 | 一种在线教育方法及在线教育平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511670A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116259004A (zh) * | 2023-01-09 | 2023-06-13 | 盐城工学院 | 一种应用于在线教育的学生学习状态检测方法及系统 |
-
2022
- 2022-08-04 CN CN202210932590.6A patent/CN115511670A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116259004A (zh) * | 2023-01-09 | 2023-06-13 | 盐城工学院 | 一种应用于在线教育的学生学习状态检测方法及系统 |
| CN116259004B (zh) * | 2023-01-09 | 2023-08-15 | 盐城工学院 | 一种应用于在线教育的学生学习状态检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104239858B (zh) | 一种人脸特征验证的方法和装置 | |
| CN110097003A (zh) | 基于神经网络的课堂考勤方法、设备、存储介质及装置 | |
| US20150039541A1 (en) | Feature Extraction and Machine Learning for Evaluation of Audio-Type, Media-Rich Coursework | |
| CN112466298A (zh) | 语音检测方法、装置、电子设备和存储介质 | |
| CN112699283B (zh) | 试卷生成方法及装置 | |
| CN114254208A (zh) | 薄弱知识点的识别方法、学习路径的规划方法与装置 | |
| CN106897746A (zh) | 数据分类模型训练方法和装置 | |
| CN110288007A (zh) | 数据标注的方法、装置及电子设备 | |
| CN112487139A (zh) | 基于文本的自动出题方法、装置及计算机设备 | |
| CN110689523A (zh) | 基于元学习个性化图像信息评价方法、信息数据处理终端 | |
| CN110009535A (zh) | 基于互联网的中国传统文化教育信息处理系统及方法 | |
| CN116541538B (zh) | 基于大数据的智慧学习知识点挖掘方法及系统 | |
| JP2020047234A (ja) | データ評価方法、装置、機器及び読み取り可能な記憶媒体 | |
| CN115511670A (zh) | 一种在线教育方法及在线教育平台 | |
| CN115546692A (zh) | 一种远程教育数据采集分析方法、设备及计算机存储介质 | |
| CN112837190B (zh) | 一种基于在线互动培训课堂培训装置的培训方法 | |
| CN114971425B (zh) | 数据库信息监控方法、装置、设备及存储介质 | |
| CN112183638A (zh) | 基于声纹深度特征的硬岩拉剪破裂识别方法及装置 | |
| CN114862636A (zh) | 一种金融智能授课与隐私保护方法 | |
| CN113919983A (zh) | 试题画像方法、装置、电子设备和存储介质 | |
| CN112784154B (zh) | 一种带有数据增强的线上教学推荐系统 | |
| YURTKAN et al. | Student Success Prediction Using Feedforward Neural Networks | |
| CN114117033A (zh) | 知识追踪方法及系统 | |
| CN114090526A (zh) | 一种云教育资源管理系统 | |
| CN112614034A (zh) | 一种试题推荐方法、装置、电子设备和可读存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221223 |
|
| WW01 | Invention patent application withdrawn after publication |