CN115907507B - 一种联合课堂场景的学生课堂行为检测和学情分析方法 - Google Patents
一种联合课堂场景的学生课堂行为检测和学情分析方法 Download PDFInfo
- Publication number
- CN115907507B CN115907507B CN202211255660.5A CN202211255660A CN115907507B CN 115907507 B CN115907507 B CN 115907507B CN 202211255660 A CN202211255660 A CN 202211255660A CN 115907507 B CN115907507 B CN 115907507B
- Authority
- CN
- China
- Prior art keywords
- class
- classroom
- behaviors
- behavior
- 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.)
- Active
Links
- 230000006399 behavior Effects 0.000 title claims abstract description 150
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000007935 neutral effect Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 5
- 206010048232 Yawning Diseases 0.000 claims description 3
- 230000035622 drinking Effects 0.000 claims description 3
- 230000008451 emotion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000011002 quantification Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 15
- 238000002372 labelling Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 241001282135 Poromitra oscitans Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种联合课堂场景的学生课堂行为检测和学情分析方法,属于智能教学技术领域。课堂行为检测方法包括:对不同课堂场景下的视频图像中的学生课堂行为进行标注,构建与课堂场景相关的课堂行为数据集;将Faster RCNN的主干网络替换为Swin Transformer,作为课堂行为检测网络;利用构建的课堂行为数据集,对课堂行为检测网络进行迭代训练,得到训练好的课堂行为检测模型;利用训练好的课堂行为检测模型检测目标视频中的学生课堂行为,并根据不同的课堂场景类别对检测到的学生课堂行为进行分类,得到学生课堂行为类别。本发明可识别出课堂内多种行为类别,降低行为检测误差,并判断学生一段时间内学情情况,加强课堂教学质量评估,支持智慧课堂的发展。
Description
技术领域
本发明属于智能教学技术领域,更具体地,涉及一种联合课堂场景的学生课堂行为检测和学情分析方法。
背景技术
随着人类教育教学活动的信息化、智能化,科技赋能教育,利用智能化信息监测评估课堂教学质量逐步已成趋势。课堂学生行为检测是衡量学生课堂学生学情的重要途径,从视频或图像的高维采样数据中挖掘出其内蕴的学生不同行为的表达,可分为基于分类的行为识别方法、基于检测的行为检测方法、和基于骨架的行为检测方法。
基于分类的行为识别方法主要通过在已检测的时空框中解析和判别视觉特征,识别出对应的目标。该类方法归一化学生大小,便于网络学习拟合,但严重依赖于人体检测的准确性,并忽略了空间上下文信息的支撑;基于检测的行为方法通常将课堂行为检测看作目标检测任务的应用,检测图像内多个小学生课堂行为,这类方法的优点在于可端对端实现,但缺点在于对于小目标(如后排同学)的检测率会因分辨率不足受到影响;基于骨架的方法考虑行为的主要载体为人体骨架,利用生成的骨架信息,检测识别人体行为,然而该类方法严重依赖于骨架的推断准确率,并无法区分与环境进行交互的交互行为,如“看书”和“写字”。综上,面对课堂学生行为的数据集少、高交互性、尺度变化大等难题,当前方法性能尚有欠缺,制约了实时课堂学生行为检测和课堂质量评估的发展,亟需一种综合考虑场景的学生课堂行为检测与学情分析方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种联合课堂场景的学生课堂行为检测和学情分析方法,其目的在于解决课堂学生行为的数据集少、高交互性、尺度变化大的问题,以提升检测性能。
为实现上述目的,按照本发明的一个方面,提供了一种联合课堂场景的学生课堂行为检测方法,包括:
S1.获取不同课堂场景下的课堂视频,并对视频图像中的学生课堂行为进行标注,构建与课堂场景相关的课堂行为数据集;
S2.将Faster RCNN的主干网络替换为Swin Transformer,作为课堂行为检测网络;
S3.利用构建的与课堂场景相关的课堂行为数据集,对课堂行为检测网络进行迭代训练,得到训练好的课堂行为检测模型;
S4.利用训练好的课堂行为检测模型检测目标视频中的学生课堂行为,并根据不同的课堂场景类别对检测到的学生课堂行为进行分类,得到学生课堂行为类别。
进一步地,学生课堂行为包括:看黑板、看学生、看老师、讨论、回答问题,写字、阅读、拍照、玩手机、用电脑、吃东西、喝东西、睡觉、打哈欠、伸懒腰、开小差、小动作、未知和其他。
进一步地,课堂场景包括:“授课场景”、“回答问题场景”、“随堂测试场景”、“学生授课场景”四种场景。
进一步地,获取的课堂视频具有真实多样的课堂环境,包括晴天、雨天、阴天不同的光照条件;普通教室、多媒体教室、大教室、小教室的不同型号的课堂教室,以及各类课程不同班级的课堂学生。
进一步地,课堂行为检测网络包括Swin Transformer网络、区域候选网络模块、感兴趣区域池化层和全连接层;
其中,Swin Transformer网络作为主干网络用于特征提取,输出特征层;
区域候选网络模块,用于根据特征层输出候选区域;
感兴趣区域池化层,用于将候选区域映射到特征层对应的区域,生成固定维度的感兴趣区域特征层;
全连接层,用于对感兴趣区域特征层提取特征,进行目标的分类与回归的预测。
进一步地,学生课堂行为类别包括积极行为、中性行为和消极行为。
本发明还提供了一种联合课堂场景的学生课堂行为检测系统,包括:
数据集构建模块,用于获取不同课堂场景下的课堂视频,并对视频图像中的学生课堂行为进行标注,构建与课堂场景相关的课堂行为数据集;
课堂行为检测网络构建模块,用于将Faster RCNN的主干网络替换为SwinTransformer,作为课堂行为检测网络;
课堂行为检测模型训练模块,利用构建的与课堂场景相关的课堂行为数据集,对课堂行为检测网络进行迭代训练,得到训练好的课堂行为检测模型;
学生课堂行为分类模块,用于利用训练好的课堂行为检测模型检测目标视频中的学生课堂行为,并根据不同的课堂场景类别对检测到的学生课堂行为进行分类,得到学生课堂行为类别。
本发明还提供了一种基于上述检测方法的学情分析方法,包括:统计学生在课堂内持续一段时间内的学生行为属性,得到学生学情分析的量化结果。
进一步地,采用如下公式对学生学情进行量化:
其中,0<β<α<1,Npositive、Nneutral、Nnegative分别为积极行为、中性行为和消极行为。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)本发明采用改进的Faster RCNN网络模型,利用Swin Transformer可建立空间上下文信息关系,并放大细节,便于识别交互行为与距离较远的学生行为,提升检测性能。
(2)本发明的课堂行为分类,在常规课堂行为分类的基础上,进一步进行划分,有助于在不同课堂场景下课堂行为性质的确定,特别是在不同课堂场景下学生表现的相同行为动作,具有不同的课堂行为性质,有利于加强对课堂行为类别性质的细粒度划分,从而更加精准地评估学生的听课情况。
(3)本发明提供提出一种学情分数的量化指标,实施跟踪学生学情情况,利于教师能够更加直观迅速地观测到学生的听课情况,从而对自己教学进程的安排、教学内容难易程度的把控及时调整
附图说明
图1为本发明方法流程图。
图2为本发明实施例提供的网络模型结构图。
图3为本发明实施例提供的Swin Transformer结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种联合课堂场景的学生课堂行为检测方法,实施过程如图1所示,具体包含以下步骤:
S1.在不同课堂场景下,采集学生课堂视频数据,并标注学生的课堂位置、课堂行为,来构建场景相关的课堂行为数据集;
本发明根据学生课堂表现、课堂学习状态和课堂教师评价,结合具体的行为动作,确定学生课堂行为类别;具体实施时,搜集了大量学生的课堂视频,对学生的行为进行分析,标记每个课堂学生出现的大量共性行为,作为判断其与课堂内容相关性高低的依据;在实际教室中,结合课堂活动内容,观察并记录学生的表现、状态、行为动作,由有经验的教师评估后,聚焦于其所关心的课堂行为类别,确定行为类别标签及其属性;针对确定的行为类别,界定每一类行为标签下的具体行为表现。
最终确定,学生课堂行为类别包括“看黑板”、“看学生”、“看老师”、“讨论”、“回答问题”,“写字”、“阅读”、“拍照”、“玩手机”、“用电脑”、“吃东西”、“喝东西”、“睡觉”、“打哈欠”、“伸懒腰”、“开小差”、“小动作”、“未知”、“其他”十九类课堂行为。
以华中科技大学多个教学楼下的不同教室为采样地点,采集学生课堂行为视频素材,得到相关课程教师授权后,在教室的黑板中央上方安装摄像头,以从老师上课开始到学生全部离开教室结束为单位,时长1小时以上,进行视频录制工作,录制内容涵盖“授课场景”、“回答问题场景”、“随堂练习场景”“学生授课场景”的课堂场景。
作为本发明优选的实施方式,制作学生课堂行为数据集的具体过程如下:标注5000张真实有效的图片:对所选每一张图片的课堂行为用标注工具labelme进行标注,并保存其标注位置坐标和标注标签信息于标注文件中。将标注好的图片随机按照9∶1的比例划分为训练集和测试集。
S2.建立图像行为检测网络模型,将Swin Transformer替换Faster RCNN基网络进行改进,并设置其训练参数;
首先构建Faster RCNN-Swin Transformer网络:将Swin Transformer作为FasterRCNN的主干网络,用于特征提取;如图2所示,将Faster RCNN的Resnet-50改进为SwinTransformer,整个Swin Transformer都是由图像块分区以及4个阶段块组成的,每个阶段块中都包含了核心的移位窗口转换器块Swin Transformer Block,其结构示意图如图3所示,具体地,操作步骤如下:
将一张800×1333×3的图片输入到Swin Transformer中,经过图像块嵌入获得1个48通道的200×334的特征层;
依次通过4个阶段,每个阶段都有不同数量的块:[2,2,N,2],依次输出200×334×96、100×167×192、50×88×384、25×44×768的特征层;
将最后输出的特征层送入区域候选网络模块获得候选区域,并与特征层共同送入感兴趣区域池化层,获得候选特征层;
所有的候选特征层平铺后与全连层相接,分别进行回归预测以及分类预测。
设置模型的训练参数:
阶段3中块的个数为6;模型学习率为0.0001;批量尺寸为50;迭代次数为100;
在本发明中,针对不同的课堂场景,背景内容复杂、目标尺度变化多样的课堂教室输入图像,本Faster RCNN-Swin Transformer网络通过滑窗操作,将注意力计算限制在单个窗口中,大幅度降低了计算复杂度,并且在移动过程中,相邻两个窗口之间进行交互,使得上下层之间跨窗口连接,从而变相达到了一种全局建模的效果,拥有了更好的特征表征能力。多阶段的层级结构,能够生成多尺度特征,从而更好地建模不同尺寸的物体。
S3.利用构建的行为数据集,对网络进行训练测试,选取损失值最低的权值作为模型参数;
S4.将训练好的模型集成到学生课堂行为检测平台上,模型将检测出学生的课堂行为,并根据不同的课堂场景类别,输出学生的行为类别及其属性;
由于不同的课堂场景,学生相同的课堂行为下具有的不同行为性质,比如:“随堂测试场景”下的“看学生”行为是消极行为,“回答问题场景”下的“看学生”是积极行为;“随堂测试场景”下的“看黑板”行为是消极行为,“授课场景”下的“看黑板”是积极行为。因此,具体实施时,行为检测平台在窗口每一秒输出一次学生的课堂行为类别名称,并根据输入的“授课场景”、“回答问题场景”、“随堂测试场景”、“学生授课场景”课堂场景类别,来判断该课堂行为类别为积极行为、中性行为、消极行为。
作为一种优选地实施例,本发明还可统计一段时间内的学生行为属性,得出学生学情分析的量化结果。具体实施时,统计学生在课堂内持续一段时间内的积极、中性、消极行为的数量,并根据数量计算对应的学情分数,动态更新不同学生的学情情况,公式如下所示:
其中0<β<α<1。
对本发明改进的基于改进的Faster RCNN目标检测模型与现有的Faster RCNN模型进行训练和测试,得到结果如表1所示,其中,mAP表示各类平均精度,FPS表示每秒传输帧数:
表1 Faster RCNN与改进后的Faster RCNN的比较
由表1可知本发明改进后的模型比原始模型在检测速度上更快一点,检测效果也有明显的提升。这证明本发明研究所提出的网络,适用于高交互性、尺度变化大的课堂学生行为检测,并联合课堂场景类别,可实时综合判断学生学情情况,为课堂质量评估的发展提供有利支撑。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于联合课堂场景的学生课堂行为检测的学情分析方法,其特征在于,包括:
S1.获取不同课堂场景下的课堂视频,并对视频图像中的学生课堂行为进行标注,构建与课堂场景相关的课堂行为数据集;
学生课堂行为包括:看黑板、看学生、看老师、讨论、回答问题、写字、阅读、拍照、玩手机、用电脑、吃东西、喝东西、睡觉、打哈欠、伸懒腰、开小差和小动作;
课堂场景包括:授课场景、回答问题场景和随堂测试场景;
获取的课堂视频具有真实多样的课堂环境,包括晴天、雨天、阴天不同的光照条件;普通教室、多媒体教室、大教室、小教室的不同型号的课堂教室,以及各类课程不同班级的课堂学生;
S2.将Faster RCNN的主干网络替换为Swin Transformer,作为课堂行为检测网络;
课堂行为检测网络包括Swin Transformer网络、区域候选网络模块、感兴趣区域池化层和全连接层;
其中,Swin Transformer网络作为主干网络用于特征提取,输出特征层;
区域候选网络模块,用于根据特征层输出候选区域;
感兴趣区域池化层,用于将候选区域映射到特征层对应的区域,生成固定维度的感兴趣区域特征层;
全连接层,用于对感兴趣区域特征层提取特征,进行目标的分类与回归的预测;
S3.利用构建的与课堂场景相关的课堂行为数据集,对课堂行为检测网络进行迭代训练,得到训练好的课堂行为检测模型;
S4.利用训练好的课堂行为检测模型检测目标视频中的学生课堂行为,并根据不同的课堂场景类别对检测到的学生课堂行为进行分类,得到学生课堂行为类别;
学生课堂行为类别包括积极行为、中性行为和消极行为;其中,不同课堂场景下学生表现的相同学生课堂行为,具有不同的学生课堂行为类别,随堂测试场景下的看学生行为是消极行为,回答问题场景下的看学生行为是积极行为,随堂测试场景下的看黑板行为是消极行为,回答问题场景下的看黑板行为是积极行为,有利于加强对课堂行为类别性质的细粒度划分;
统计学生在课堂内持续一段时间内的学生行为属性,得到学生学情分析的量化结果;
采用如下公式对学生学情进行量化:
其中,0<β<α<1,Npositive、Nneutral、Nnegative分别为积极行为、中性行为和消极行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255660.5A CN115907507B (zh) | 2022-10-13 | 2022-10-13 | 一种联合课堂场景的学生课堂行为检测和学情分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255660.5A CN115907507B (zh) | 2022-10-13 | 2022-10-13 | 一种联合课堂场景的学生课堂行为检测和学情分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115907507A CN115907507A (zh) | 2023-04-04 |
CN115907507B true CN115907507B (zh) | 2023-11-14 |
Family
ID=86492751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211255660.5A Active CN115907507B (zh) | 2022-10-13 | 2022-10-13 | 一种联合课堂场景的学生课堂行为检测和学情分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907507B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095464A (zh) * | 2023-09-12 | 2023-11-21 | 广州乐庚信息科技有限公司 | 一种基于图像识别的学生课堂学习习惯分析方法及系统 |
CN117079222B (zh) * | 2023-10-17 | 2024-01-26 | 广州乐庚信息科技有限公司 | 一种基于课堂音视频智能分析的教案生成方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740446A (zh) * | 2018-12-14 | 2019-05-10 | 深圳壹账通智能科技有限公司 | 课堂学生行为分析方法及装置 |
CN110334610A (zh) * | 2019-06-14 | 2019-10-15 | 华中师范大学 | 一种基于计算机视觉的多维度课堂量化系统及方法 |
CN112287844A (zh) * | 2020-10-30 | 2021-01-29 | 北京市商汤科技开发有限公司 | 学情分析方法及装置、电子设备和存储介质 |
CN112308746A (zh) * | 2020-09-28 | 2021-02-02 | 北京邮电大学 | 一种教学状态评估方法、装置及电子设备 |
CN112861809A (zh) * | 2021-03-22 | 2021-05-28 | 南京大学 | 基于多目标视频分析的课堂抬头检测系统及其工作方法 |
CN113239914A (zh) * | 2021-07-13 | 2021-08-10 | 北京邮电大学 | 课堂学生表情识别及课堂状态评估方法、装置 |
CN113591678A (zh) * | 2021-07-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 课堂注意力确定方法、装置、设备、存储介质及程序产品 |
CN114067391A (zh) * | 2021-10-22 | 2022-02-18 | 北京金茂教育科技有限公司 | 识别课堂教学视频中行为的方法及装置 |
CN114693919A (zh) * | 2022-03-31 | 2022-07-01 | 西安天和防务技术股份有限公司 | 一种目标检测方法、终端设备及存储介质 |
CN114708525A (zh) * | 2022-03-04 | 2022-07-05 | 河北工程大学 | 一种基于深度学习的学生课堂行为识别方法及系统 |
-
2022
- 2022-10-13 CN CN202211255660.5A patent/CN115907507B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109740446A (zh) * | 2018-12-14 | 2019-05-10 | 深圳壹账通智能科技有限公司 | 课堂学生行为分析方法及装置 |
CN110334610A (zh) * | 2019-06-14 | 2019-10-15 | 华中师范大学 | 一种基于计算机视觉的多维度课堂量化系统及方法 |
CN112308746A (zh) * | 2020-09-28 | 2021-02-02 | 北京邮电大学 | 一种教学状态评估方法、装置及电子设备 |
CN112287844A (zh) * | 2020-10-30 | 2021-01-29 | 北京市商汤科技开发有限公司 | 学情分析方法及装置、电子设备和存储介质 |
CN112861809A (zh) * | 2021-03-22 | 2021-05-28 | 南京大学 | 基于多目标视频分析的课堂抬头检测系统及其工作方法 |
CN113239914A (zh) * | 2021-07-13 | 2021-08-10 | 北京邮电大学 | 课堂学生表情识别及课堂状态评估方法、装置 |
CN113591678A (zh) * | 2021-07-28 | 2021-11-02 | 北京百度网讯科技有限公司 | 课堂注意力确定方法、装置、设备、存储介质及程序产品 |
CN114067391A (zh) * | 2021-10-22 | 2022-02-18 | 北京金茂教育科技有限公司 | 识别课堂教学视频中行为的方法及装置 |
CN114708525A (zh) * | 2022-03-04 | 2022-07-05 | 河北工程大学 | 一种基于深度学习的学生课堂行为识别方法及系统 |
CN114693919A (zh) * | 2022-03-31 | 2022-07-01 | 西安天和防务技术股份有限公司 | 一种目标检测方法、终端设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于混合式教学的高职学生高数课堂参与积极性的激发策略;王健;;试题与研究(第28期);153-154 * |
Also Published As
Publication number | Publication date |
---|---|
CN115907507A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115907507B (zh) | 一种联合课堂场景的学生课堂行为检测和学情分析方法 | |
CN109359215B (zh) | 视频智能推送方法和系统 | |
Peng et al. | Where do emotions come from? predicting the emotion stimuli map | |
WO2020010785A1 (zh) | 一种课堂教学认知负荷测量系统 | |
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 | |
WO2019028592A1 (zh) | 一种教学辅助方法及采用该方法的教学辅助系统 | |
CN106874826A (zh) | 人脸关键点跟踪方法和装置 | |
CN110069707A (zh) | 一种人工智能自适应互动教学系统 | |
CN111524578B (zh) | 一种基于电子心理沙盘的心理评估装置、方法及系统 | |
Hieu et al. | Identifying learners’ behavior from videos affects teaching methods of lecturers in Universities | |
CN111932418B (zh) | 一种学生学习情况识别方法、系统、教学终端及存储介质 | |
CN113239916A (zh) | 一种表情识别及课堂状态评估方法、设备及介质 | |
CN111814718A (zh) | 一种融合多种判别技术的注意力检测方法 | |
CN112102129A (zh) | 一种基于学生端数据处理的智能考试作弊识别系统 | |
CN111597305A (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
Yang et al. | Student in-class behaviors detection and analysis system based on CBAM-YOLOv5 | |
JP2022014889A (ja) | 達成度判別プログラム | |
CN112580584A (zh) | 起立行为检测方法、装置、系统及存储介质 | |
CN110765953A (zh) | 一种多媒体教学教师签到监控方法及系统 | |
CN115810163A (zh) | 一种基于ai课堂行为识别的教学评估方法和系统 | |
Bajaj et al. | Classification of Student Affective States in Online Learning using Neural Networks | |
CN113239915A (zh) | 一种课堂行为的识别方法、装置、设备及存储介质 | |
Wang et al. | A Learning Analytic Model for Smart Classroom | |
Shiyan et al. | Automatic Recognition of Teachers' Nonverbal Behavior Based on Dilated Convolution | |
Xu et al. | Target classification system based on target detection for students' classroom assessment |
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 |