CN116778210A - 教学影像评价系统以及教学影像评价方法 - Google Patents

Abstract

本发明提出一种教学影像评价系统以及教学影像评价方法。教学影像评价系统包括储存装置以及处理器。储存装置储存教学风格分类器模型以及总分计算模型。处理器执行教学风格分类器模型以及总分计算模型。处理器取得教学影像资料，并且将教学影像资料输入至教学风格分类器模型，以使教学风格分类器模型根据教学影像资料输出对应于多个教学风格类型的多个预测概率值。处理器将多个预测概率值输入总分计算模型，以使总分计算模型根据多个预测概率值输出评价总分，用以评价教学的品质。

Description

教学影像评价系统以及教学影像评价方法

技术领域

本发明关于一种影像分析技术，且特别是关于一种教学影像评价系统以及教学影像评价方法。

背景技术

对于现有技术的教学影像评价，多是以人为进行评价或利用粗糙的分析模型来进行评价，因此导致评价的标准不公正且缺乏效率。随着线上授课以及对于授课品质要求的提升，如何有效且以相同标准来评价各类型教学风格的教学影像，以有效提升教学品质以及教学管理是本领域目前重要的课题之一。

举例而言，基于BP神经网路的课堂教学评价模型通常是建立一个三层的网路结构，输入层为所有评价指标，输出层为1个节点，即评价总分。该模型确实能够较好地建模评价过程的非线性，从而取得较好的评价效果。但是，目前训练资料集的标签(评价总分)是人为指定的，而机器学习方法是一种资料驱动的方法，即学习结果的好坏很大程度上取决于训练资料集的品质好坏，因此目前的人为标签界定方式会导致学到的神经网路模型带有个人的主观偏向，即教学评价结果不是公正的。

本“背景技术”段落只是用来帮助了解本发明内容，因此在“背景技术”段落所公开的内容可能包含一些没有构成本领域技术人员所知道的现有技术。在“背景技术”段落所公开的内容，不代表该内容或者本发明一个或多个实施例所要解决的问题，在本发明申请前已被本领域技术人员所知晓或认知。

发明内容

本发明提供一种教学影像评价系统以及教学影像评价方法，可评价教学影像资料，并且判断教学影像资料的教学风格类型，以及计算教学的评价总分，用以评价教学的品质。

本发明的其他目的和优点可以从本发明所公开的技术特征中得到进一步的了解。

为达到上述之一或部分或全部目的或是其他目的，本发明的教学影像评价系统包括储存装置以及处理器，储存装置储存教学风格分类器模型以及总分计算模型。处理器耦接储存装置，并且执行教学风格分类器模型以及总分计算模型。处理器取得教学影像资料，并且将教学影像资料输入至教学风格分类器模型，以使教学风格分类器模型根据教学影像资料输出对应于多个教学风格类型的多个预测概率值。处理器将多个预测概率值输入至总分计算模型，以使总分计算模型根据多个预测概率值输出评价总分。

为达到上述之一或部分或全部目的或是其他目的，本发明的教学影像评价方法包括以下步骤：借由处理器取得教学影像资料，并且将教学影像资料输入至教学风格分类器模型；借由教学风格分类器模型根据教学影像资料输出对应于多个教学风格类型的多个预测概率值；借由处理器将多个预测概率值输入至总分计算模型；以及借由总分计算模型根据多个预测概率值输出评价总分。

基于上述，本发明的教学影像评价系统以及教学影像评价方法可自动且快速地评价教学影像资料，可产生此教学影像资料的教学风格类型的判断结果，以及输出对应的评价总分。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合附图作详细说明如下。

附图说明

图1是依照本发明的一实施例的一种教学影像评价系统的示意图。

图2是依照本发明的一实施例的一种教学影像评价方法的流程图。

图3是依照本发明的一实施例的分析教学影像资料的示意图。

图4是依照本发明的一实施例的聚类模型的执行流程图。

图5是依照本发明的一实施例的教学风格分类器模型的训练流程图。

图6是依照本发明的一实施例的训练教学风格分类器模型的示意图。

附图标记列表

100:教学影像评价系统

110:处理器

120:储存装置

121:教学风格分类器模型

122:总分计算模型

123:聚类模型

301:教学影像资料

302_1～302_M:评价指标资料

303_1～303_N:预测概率值

304:评价总分

601:训练数据集

602_1～602_P:评价指标

603_1～603_R:输出资料

S210～S240、S410～S460、S510～S550:步骤。

具体实施方式

有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图的一优选实施例的详细说明中，将可清楚的呈现。

为了使本发明的内容可以被更容易明了，以下特举实施例做为本发明确实能够据以实施的范例。另外，凡可能之处，在附图及实施方式中使用相同标号的元件/构件/步骤，是代表相同或类似部件。

图1是依照本发明的一实施例的一种教学影像评价系统的示意图。参考图1，教学影像评价系统100包括处理器110、储存装置120。处理器110耦接储存装置120。储存装置120可储存教学风格分类器模型121以及总分计算模型122。在本实施例中，教学影像评价系统100的处理器110可执行教学风格分类器模型121以及总分计算模型122，并且可取得由使用者以其他装置输入或上传的教学影像资料。教学风格分类器模型121以及总分计算模型122可经预先的深度学习训练，以可实现教学风格类型的判断功能以及产生评价总分的功能。换言之，教学影像评价系统100可借由教学风格分类器模型121自动分析教学影像资料，以自动且快速地产生教学风格类型的判断结果。并且教学影像评价系统100可借由总分计算模型122根据前述的教学风格类型的判断结果进一步计算对应的评价总分，以提供可靠且便捷的教学品质评价资讯。

在本实施例中，教学影像评价系统100可例如设置在云端伺服器(Cloud Server)、个人电脑(Personal computer，PC)、笔记型电脑(Laptop PC)、平板电脑(Tablet PC)或相关具有运算功能的电子设备中。以教学影像评价系统100设置在云端伺服器为例，教学影像评价系统100可实现一种云端服务功能，以让使用者可操作其他装置(个人电脑)并借由特定的使用者界面来连线并执行在云端伺服器中的教学影像评价系统100的服务，并输入教学影像资料(例如某一堂课的教学视频中的相关视频数据作为输入的变量)至教学影像评价系统100。如此一来，教学影像评价系统100可自动且快速地产生此教学影像资料的教学风格类型的判断结果以及评价总分。

在本实施例中，处理器110可包括具有影像资料处理以及运算功能的中央处理单元(Central Processing Unit，CPU)，或是其他可编程之一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(Digital Signal Processor，DSP)、影像处理器(Image Processing Unit，IPU)、图形处理器(Graphics Processing Unit，GPU)、可编程控制器、特殊应用集成电路(Application Specific Integrated Circuits，ASIC)、可编程逻辑装置(Programmable Logic Device，PLD)、其他类似处理装置或这些装置的结合。

在本实施例中，储存装置120可为硬盘(Hard Disk Drive，HDD，存储器(Memory)，例如动态随机存取存储器(Dynamic Random Access Memory，DRAM)、快闪存储器(Flashmemory)或非挥发性随机存取存储器(Non-Volatile Random Access Memory，NVRAM)等。储存装置120还可储存相关的演算法、多媒体资料、多媒体处理程式以及操作指令等，以供前述的处理器110存取并执行之。

图2是依照本发明的一实施例的一种教学影像评价方法的流程图。图3是依照本发明的一实施例的分析教学影像资料的示意图。参考图1至图3，教学影像评价系统100可执行步骤S210～S240。在步骤S210，处理器110可取得教学影像资料，并且将教学影像资料301(相关的视频数据)输入至教学风格分类器模型121。在本实施例中，教学风格分类器模型121可为反向传播(Backpropagation，BP)神经网路模型(Neural Network)，并且可包括一个输入层(input layer)、一个或多个隐藏层(hidden layer)以及一个输出层(outputlayer)。在本实施例中，处理器110可将教学影像资料301的多个评价指标资料302_1～302_M作为教学风格分类器模型121的输入资料，其中M为正整数。评价指标资料302_1～302_M可例如是如以下表1的资料内容。值得注意的是，以下的评价指标资料302_1～302_M的资料内容可例如由处理器110自动判断以及当教学影像资料上传至网路教学平台一段预设时间后进行统计所产生的结果。

表1

在本实施例中，处理器110先对评价指针数据302_1～302_M中的非数值型指标进行编码。其中，无序分类型数据(变量)进行one-hot编码，有序分类型数据(变量)会从1开始编码，即1、2、3等。然后，对编码后的评价指针数据302_1～302_M进行标准化处理。最后，经标准化处理后的评价指标资料302_1～302_M则可作为输入资料输入至教学风格分类器模型121。

在步骤S220，处理器110可借由教学风格分类器模型121根据教学影像资料301输出对应于多个教学风格类型的多个预测概率值303_1～303_N，其中N为正整数。举例而言，教学风格分类器模型121的输出节点可例如为5个(即N＝5)，并且所述多个教学风格类型可例如分别为风格1、风格2、风格3、风格4以及风格5，并且可对应于由高到低排序的得分(例如100分、90分、80分、70分、60分)。在本实施例中，处理器110可根据这些预测概率值303_1～303_N中的最高的一者来决定此教学影像资料301的教学风格类型。

在步骤S230，处理器110可将多个预测概率值303_1～303_N输入至总分计算模型122。在本实施例中，处理器110可使用softmax激活函数进行对预测概率值303_1～303_N进行归一化处理后产生对应于不同教学风格类型的预测概率所组成的概率向量，以作为总分计算模型122的输入资料。

在步骤S240，处理器110可借由总分计算模型122根据多个预测概率值输出评价总分304。在本实施例中，总分计算模型122可为单一层神经网路，并且输出节点为一个。举例而言，总分计算模型122的输入节点可例如为5个，并且各输入节点所对应的权重值可分别为100、90、80、70、60。如此一来，总分计算模型122即可输出相应的评价总分304。因此，本实施例的教学影像评价方法以及教学影像评价系统100可实现自动且快速的教学影像评价功能。

另外，在一实施例中，处理器110还可根据教学影像资料301的评价指标资料302_1～302_M的至少其中一部分及其对应的分数分布来产生雷达图，并输出此雷达图至使用者操作的电子装置，以透过特定的使用者界面显示。具体而言，处理器110可计算用于训练教学风格分类器模型121的训练资料集的每一个样本取值点的各个评价指标的灵敏度，并且计算各个评价指标在不同样本取值点的灵敏度的多个均值。接着，处理器110可根据这些均值对这些评价指标进行排序，以决定这些评价指标的至少其中一部分可用于产生雷达图。如此一来，教学影像评价系统100还可提供图形化的教学影像评价结果，以便于使用者可对评价结果进行快速理解以及重点判断。

图4是依照本发明的一实施例的聚类模型的执行流程图。图5是依照本发明的一实施例的教学风格分类器模型的训练流程图。图6是依照本发明的一实施例的训练教学风格分类器模型的示意图。先参考图1、图4以及图6，教学影像评价系统100可先取得训练资料集(为多个训练资料，所要输入聚类模型的数据是全部数据，会得到全部标签；然后，再把全部数据划分为训练资料集和验证资料集，训练资料集用来训练分类器模型，验证数据集用来测试分类器模型)，进一步解释，处理器110借由训练资料集的一部分来训练教学风格分类器模型121，并且借由训练资料集的另一部分来测试教学风格分类器模型121。

并且执行如以下步骤S410～S460以建立聚类模型123。聚类模型123可储存于储存装置120且处理器110可执行聚类模型123。所述训练资料集可包括多笔教学影像资料，并且训练资料集可包括教学影像资料的多个评价指标。在本实施例中，聚类模型123可包括K均值(K-means)聚类演算法。值得注意的是，处理器110先对评价指针数据302_1～302_M中的非数值型指标进行编码。其中，无序分类型数据(变量)进行one-hot编码，有序分类型数据(变量)会从1开始编码，即1、2、3等。然后，对编码后的评价指针数据302_1～302_M进行标准化处理。最后，经标准化处理后的训练资料集的资料则可用于建立聚类模型123。

在步骤S410，处理器110可随机选取训练资料集的第一部分作为多个初始聚类中心，也就是训练资料集中多个样本数据(例如对应教学影像资料的数据)作为多个初始聚类中心。在步骤S420，处理器110可计算训练资料集的每一个样本数据分别与多个聚类中心的每一个之间的欧式距离。在本实施例中，欧式距离(Euclidean Distance)的计算公式可如以下公式(1)。x为资料对象，Ci为第i个聚类中心，m为资料对象的维度，xj以及Cij分别为x和Ci的第j个属性值。

在步骤S430，处理器110可将训练资料集的多个样本数据指派到与之具有最近欧式距离的聚类中心所对应的教学风格类别。在步骤S440，处理器110可重新选定各个教学风格类别中各个数据维度的均值作为多个新的聚类中心，并且计算新的距离平方和。在本实施例中，距离平方和(Distance Sum of Square)SSD可由以下公式(2)的计算取得。

在步骤S450，处理器110可判断距离平方和(SSD)是否变化。若是，则重新执行步骤S420，以迭代(iteration)计算直到距离平方和SSD不再变化，并且执行步骤S460。在步骤S460，处理器110可输出聚类结果。处理器110可预先定义对应于风格1、风格2、风格3、风格4以及风格5的多个教学风格类别(例如参考“优-良-中-及格-差”的评价尺度进行定义与排序)。对此，处理器110可根据训练资料集的各个评价指标分别计算这些教学风格类别所分别对应的多个指标均值，并且根据这些指标均值对这些教学风格类别进行排序，以决定聚类结果的次序。在本实施例中，处理器110可将训练资料集分别的聚类结果(风格1、风格2、风格3、风格4或风格5)作为训练资料集中对应资料对象的标签，并且训练教学风格分类器模型121。

接着，参考图1、图5以及图6，教学影像评价系统100可利用前述的训练资料集的聚类结果及其多个评价指标来训练教学风格分类器模型121。处理器110可执行如以下步骤S510～S550以训练教学风格分类器模型121。在步骤S510，处理器110可建立教学风格分类器模型121。处理器110可选择反向传播神经网路模型作为教学风格分类器模型121。

在步骤S520，处理器110可对教学风格分类器模型121进行参数调优(优化)。处理器110可例如对教学风格分类器模型121中的隐藏层的层数、各个隐藏层的神经元数量、学习率以及批尺寸(batchsize)等超参数的至少其中之一进行调整。在步骤S530，处理器110可训练并测试教学风格分类器模型。如图6所示，训练数据集601可先输入至聚类模型123，并输出聚类结果及其多个评价指标602_1～602_P至教学风格分类器模型121的多个输入节点，产生多个输出资料603_1～603_R(即多个预测概率结果)，其中R为正整数(R＝N)。聚类模型123用以训练教学风格分类器模型121，其中P为正整数(P＝M)。在步骤S540，处理器110可判断测试表现是否通过。对此，处理器110可借由训练资料集中选出测试资料集。

在步骤S550，当教学风格分类器模型121训练完成后，处理器110可保存模型参数，以完成教学风格分类器模型121的训练。

综上所述，本发明的教学影像评价系统以及教学影像评价方法可输入教学影像资料至预先训练好的教学风格分类器模型，以使预先训练好的教学风格分类器模型可输出对应的教学风格预测结果，并且可进一步利用总分计算模型根据教学风格预测结果产生对应的评价总分。如此一来，本发明的教学影像评价系统以及教学影像评价方法可实现自动、快速且公正的教学影像评价功能，并还可反馈对应的雷达图，以便于使用者进行评价判断与相关分析工作。

以上所述，仅为本发明的优选实施例，不能以此限定本发明实施的范围，即凡是依照本发明权利要求书及说明书内容所作的简单的等效变化与修饰，皆仍属本发明专利涵盖的范围内。另外本发明的任一实施例或权利要求不须达到本发明所公开的全部目的或优点或特点。此外，说明书摘要和发明名称仅是用来辅助专利文件检索，并非用来限制本发明的权利范围。

此外，本说明书或权利要求书中提及的“第一”、“第二”等用语仅用以命名元件(element)的名称或区别不同实施例或范围，而并非用来限制元件数量上的上限或下限。

Claims (20)

1.一种教学影像评价系统，其特征在于，所述教学影像评价系统包括储存装置以及处理器，其中

所述储存装置储存教学风格分类器模型以及总分计算模型；以及

所述处理器耦接所述储存装置，并且执行所述教学风格分类器模型以及所述总分计算模型，

其中所述处理器取得教学影像资料，并且将所述教学影像资料输入至所述教学风格分类器模型，以使所述教学风格分类器模型根据所述教学影像资料输出对应于多个教学风格类型的多个预测概率值，

其中所述处理器将所述多个预测概率值输入至所述总分计算模型，以使所述总分计算模型根据所述多个预测概率值输出评价总分。

2.根据权利要求1所述的教学影像评价系统，其特征在于，所述处理器根据所述多个预测概率值中的最高的一者来决定所述教学影像资料的所述教学风格类型。

3.根据权利要求1所述的教学影像评价系统，其特征在于，所述总分计算模型根据对应于所述多个教学风格类型的不同的多个权重值以及所述多个预测概率值计算所述评价总分。

4.根据权利要求1所述的教学影像评价系统，其特征在于，所述教学风格分类器模型为反向传播神经网路模型。

5.根据权利要求1所述的教学影像评价系统，其特征在于，所述储存装置还储存聚类模型，以及所述处理器还执行聚类模型，并且将训练资料集输入至所述聚类模型，以将所述训练资料集分类为多个教学风格类别，以输出聚类结果，其中所述处理器根据所述聚类结果以及所述训练资料集分别的多个评价指标训练并测试所述教学风格分类器模型。

6.根据权利要求5所述的教学影像评价系统，其特征在于，所述处理器根据所述训练资料集的各个评价指标分别计算所述多个教学风格类别所分别对应的多个指标均值，并且所述处理器根据所述多个指标均值对所述多个教学风格类别进行排序，以决定所述聚类结果的次序。

7.根据权利要求5所述的教学影像评价系统，其特征在于，所述处理器借由所述训练资料集的一部分来训练所述教学风格分类器模型，并且借由所述训练资料集的另一部分来测试所述教学风格分类器模型。

8.根据权利要求5所述的教学影像评价系统，其特征在于，所述聚类模型包括K均值聚类演算法。

9.根据权利要求1所述的教学影像评价系统，其特征在于，所述处理器根据所述教学影像资料的所述多个评价指标的其中一部分来产生雷达图，并输出所述雷达图。

10.根据权利要求9所述的教学影像评价系统，其特征在于，所述处理器计算训练资料集的每一个样本取值点的各个评价指标的灵敏度，并且计算各个评价指标在不同样本取值点的所述灵敏度的多个均值，其中所述处理器根据所述多个均值对所述多个评价指标进行排序，以决定所述多个评价指标的所述其中一部分用于产生所述雷达图。

11.一种教学影像评价方法，其特征在于，所述教学影像评价方法包括：

借由处理器取得教学影像资料，并且将所述教学影像资料输入至教学风格分类器模型；

借由所述教学风格分类器模型根据所述教学影像资料输出对应于多个教学风格类型的多个预测概率值；

借由所述处理器将所述多个预测概率值输入至所述总分计算模型；以及

借由所述总分计算模型根据所述多个预测概率值输出评价总分。

12.根据权利要求11所述的教学影像评价方法，其特征在于，所述教学影像评价方法还包括：

借由所述处理器根据所述多个预测概率值中的最高的一者来决定所述教学影像资料的所述教学风格类型。

13.根据权利要求11所述的教学影像评价方法，其特征在于，借由所述总分计算模型根据所述多个预测概率值输出所述评价总分的步骤包括：

借由所述总分计算模型根据对应于所述多个教学风格类型的不同的多个权重值以及所述多个预测概率值计算所述评价总分。

14.根据权利要求11所述的教学影像评价方法，其特征在于，所述教学风格分类器模型为反向传播神经网路模型。

15.根据权利要求11所述的教学影像评价方法，其特征在于，所述教学影像评价方法还包括：

借由所述处理器还执行聚类模型，并且将训练资料集输入至所述聚类模型，以将所述训练资料集分类为多个教学风格类别，以输出聚类结果；以及

借由所述处理器根据所述聚类结果以及所述训练资料集分别的多个评价指标训练并测试所述教学风格分类器模型。

16.根据权利要求15所述的教学影像评价方法，其特征在于，输出所述聚类结果的步骤还包括：

借由所述处理器根据所述训练资料集的各个评价指标分别计算所述多个教学风格类别所分别对应的多个指标均值；以及

借由所述处理器根据所述多个指标均值对所述多个教学风格类别进行排序，以决定所述聚类结果的次序。

17.根据权利要求15所述的教学影像评价方法，其特征在于，训练并测试所述教学风格分类器模型的步骤包括：

借由所述处理器通过所述训练资料集的一部分来训练所述教学风格分类器模型；以及

借由所述训练资料集的另一部分来测试所述教学风格分类器模型。

18.根据权利要求15所述的教学影像评价方法，其特征在于，所述聚类模型包括K均值聚类演算法。

19.根据权利要求11所述的教学影像评价方法，其特征在于，所述教学影像评价方法还包括：

借由所述处理器根据所述教学影像资料的所述多个评价指标的其中一部分来产生雷达图，并输出所述雷达图。

20.根据权利要求19所述的教学影像评价方法，其特征在于，所述教学影像评价方法还包括：

借由所述处理器计算所述训练资料集的每一个样本取值点的各个评价指标的灵敏度；

借由所述处理器计算各个评价指标在不同样本取值点的所述灵敏度的多个均值；以及

借由所述处理器根据所述多个均值对所述多个评价指标进行排序，以决定所述多个评价指标的所述其中一部分用于产生所述雷达图。