CN116955555A - 一种基于自然语言处理的数字人教师在课堂教学的方法 - Google Patents
一种基于自然语言处理的数字人教师在课堂教学的方法 Download PDFInfo
- Publication number
- CN116955555A CN116955555A CN202310835917.2A CN202310835917A CN116955555A CN 116955555 A CN116955555 A CN 116955555A CN 202310835917 A CN202310835917 A CN 202310835917A CN 116955555 A CN116955555 A CN 116955555A
- Authority
- CN
- China
- Prior art keywords
- teaching
- students
- data
- learning
- digital human
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003058 natural language processing Methods 0.000 title claims description 18
- 230000000694 effects Effects 0.000 claims abstract description 78
- 230000006399 behavior Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 108700041286 delta Proteins 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及涉及一种基于自然语音处理的数字人教师在课堂教学的方法,通过采集学生学习轨迹,包括考试成绩、作业成绩、学生在课堂参与、提问、回答问题等行为,对学生的行为进行分类和分析,通过训练HMM的模型,实现对学生行为的自动分类和分析,从而识别学生的学习状态和行为模式,识别学生在学习过程中的困惑和挑战,以及学生在解决问题时的思考和决策过程。调整教学策略和教学资源,以满足学生的学习需求和提高学习效果,使数字人教师具备一定的学科知识储备和教育教学经验,提供智能化、高效率和便捷性的教学服务。该方法具有高度的可定制性和扩展性,帮助学生提高学习效率、提高学习动力。
Description
技术领域
本发明涉及数字人教师教学领域,具体涉及一种基于自然语音处理的数字人教师课堂教学的方法。
背景技术
在现代社会中,数字化教育已经成为一种趋势,数字人教师授课、备课主要是基于传统的教育经验和教学资源进行的。由于教育资源的局限性和质量参差不齐,数字人教师授课的效果往往不尽如人意。因此,如何利用隐马尔可夫模型(Hidden Markov Model,HMM)来优化数字人教师课堂教学的方法,提高数字人教师课堂教学的效果,是当前需要迫切解决的问题。
发明内容
为优化数字人教师课堂教学的方法,提高数字人教师课堂教学的效果,本发明提出一种基于自然语言处理的数字人教师在课堂教学的方法,具体技术方案如下:
一种基于自然语言处理的数字人教师在课堂教学的方法,该方法用于数字人教师个性化教学平台,其特征在于:包括如下步骤:
1)收集学生的学习轨迹数据;
2)对上述数据进行预处理;
3)模型训练,利用预处理后的数据训练隐马尔可夫模型;
4)模型测试,将新的教育活动数据输入到训练好的隐马尔可夫模型中,预测学生在该活动中的表现;
5)数字人教师进行备课;
6)数字人教师根据备课内容进行授课。
进一步的,上述步骤1)中收集学生的学习轨迹数据包括学生的语音数据、学生的文本数据、学生的行为数据、学生反馈的数据和教材数据;通过收集学生的语音数据、学生的文本数据来优化隐马尔可夫模型;收集学生的行为数据、学生反馈的数据来评估学生的学习效果和学习行为,了解学生的学习体验和教学需求;收集教材数据为教学提供教学内容和学习资源;收集学生的学习轨迹数据通过隐马尔可夫模型来预测学生对某个知识点掌握的程度,授课时,规划对某个知识点的授课时间;课堂测试时,根据隐马尔可夫模型分析题目的难度来规划题目的数量和练习时长,从而调整教学方式,高效的完成教学目标,为班级内的学生提供个性化的教学设计、个性化学习过程和学习资源、个性化评估反馈,帮助学生更好地了解自己的学习状况和提高学习效果。
进一步的,上述收集学生的语音数据包括学生的发音、语调、语速、流畅度;
收集学生的文本数据包括学生的语法、词汇、语境;
收集学生的行为数据包括学生的学习时间、学习进度、学习错误;
学生反馈的数据包括学生的满意度、反馈意见、教学需求;
收集教材数据包括教程文本、音频和视频;
其中,学生的语音和文本数据通过语音识别技术自动获取,学生的行为和反馈数据通过学习管理系统和调查问卷的方式获取,教材数据通过资源库和互联网途径获取。
进一步的,上述步骤2)中对数据进行预处理包括对收集到的教学课堂数据进行预处理,以及提取与分析教育活动相关的特征,处理后的数据将作为隐马尔可夫模型的输入;
对收集到的教学课堂数据进行预处理包括如下步骤:
(1)数据清洗:首先需要对收集到的数据进行清洗,去除无效数据、缺失值和异常值,以保证数据的准确性和可靠性,避免在后续分析过程中产生误差;
(2)数据转换:将原始数据转化成适合分析的格式,可以将日期格式转换为数值格式,让数据更加规范化和易于分析;
(3)建立数据集,将课堂产生的数据都记录到数据库内,将不同格式、来源的数据设置统一标准,建立统一的数据集;
提取与分析教育活动相关的特征包括如下步骤:
(4)根据教学计划,确定教学活动,从而定义教学特征。比如学习成绩、课堂参与度、交流能力等特征;
(5)在收集到的数据集里取出数据进行特征提取,根据定义好的特征,提取相关特征:比如计算平均成绩、参与课堂的百分笔,学生交流的次数、提问的次数等,可以用到特征选择、特征降维、特征变化;
(6)特征分析,对提取到的特征进行分析、探究特征之间的关系和对教学效果的影响,通过学习成绩对教学参与度的相关性进行分析,探究学生的参与度对学习成绩的影响;
(7)得出结论,根据特征分析的结果,得出相应的结论,从而规划课堂的教学活动。
进一步的,步骤3)中模型训练包括如下内容:
利用预处理后的数据训练隐马尔可夫模型,隐马尔可夫模型包括三个概率模型:初始状态概率模型、转移概率模型和发射概率模型,这些概率模型由模型训练算法自动学习得到;
隐马尔可夫模型是包含N个隐藏状态和M个观测状态的隐马尔可夫模型,其中:
Q={q1,q2,...,qN}为所有可能的隐藏状态集合;
V={v1,v2,...,vM}为所有可能的观测状态集合;
A={a[i,j]}为状态转移概率矩阵,其中a[i,j]表示从状态i转移到状态j的概率;
B={b[i,k]}为观测概率矩阵,其中b[i,k]表示在状态i时观测到状态k的概率;
π={π[i]}为初始状态概率向量,其中π[i]表示模型开始时处于状态i的概率。
进一步的,步骤4)中模型测试包括如下内容:
(1)将输入的教育活动数据进行预处理,提取相应的特征,对于一个教学活动,特征可以包括正确答题数量、完成活动所需时间和难度级别等;
(2)利用Viterbi算法求解隐马尔可夫模型中的最优路径,得到学生在该活动中的表现预测结果;
(3)通过分析预测结果,调整教育活动的难度级别或分配的时间,以优化学习体验。
进一步的,步骤5)中数字人教师进行备课,数字人教师备课不是全智能的,需要结合教师辅助,数字人教师结合学生的学习进度、知识点掌握情况、学生在不同的发展阶段的不同认知结构和思维方式进行备课,提供相应的学习建议和辅导服务,让数字人教师在教育领域的授课服务为学生提供更加便捷、智能和个性化的学习体验,具体包括如下步骤:
(1)明确教学目标,找出教学备课的重点和难点,并进行教学设计;
(2)制定教学计划,在明确教学目标的情况下,制定教学计划,明确教学内容、教学方法、教学资源,确定教学流程;
(3)选择教学资源,教材、多媒体视频、多媒体课件;
(4)设计教学计划,为了让教学活动更好的进行,设计授课、讨论、练习活动;
(5)制定评价标准,对学生学习水平和能力进行评估,包括课堂测试、作业打分,满分九十分以上就是优秀,八十到九十之间为良好,以此类推;
(6)调整教学方案,在制定完教学方案后,对学生的学习情况和教学效果使用隐马尔可夫模型进行调整和改进,以达到更好的教学效果,结合学生现有的学习情况进行调整。
本发明还提供一种电子设备,其特征在于:包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时,执行前面所述的一种基于自然语言处理的数字人教师在课堂教学的方法的步骤。
本发明还提供一种计算机可读存储介质,其存储计算机程序,其特征在于,所述计算机程序使得计算机执行前面所述的一种基于自然语言处理的数字人教师在课堂教学的方法的步骤。
本发明具有如下有益技术效果:
1、本发明的一种基于自然语音处理的数字人教师课堂教学的方法利用隐马尔可夫模型,优化了数字人教师课堂教学的方法,提高了数字人教师课堂教学的效果。
2、本发明的一种基于自然语音处理的数字人教师课堂教学的方法,通过训练HMM的模型,实现对学生行为的自动分类和分析,从而识别学生的学习状态和行为模式,提高了数字人教师的智能化水平。
3、本发明的一种基于自然语音处理的数字人教师课堂教学的方法,还能识别学生在学习过程中的困惑和挑战,以及学生在解决问题时的思考和决策过程,能够调整教学策略和教学资源,以满足学生的学习需求和提高学习效果,使数字人教师具备一定的学科知识储备和教育教学经验,提供智能化、高效率和便捷性的教学服务。
4、本发明的一种基于自然语音处理的数字人教师课堂教学的方法,具有高度的可定制性和扩展性,帮助学生提高学习效率、提高学习动力。
附图说明
图1是本发明所述的一种基于自然语音处理的数字人教师课堂教学的方法的流程图。
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1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。
从图1可以看出,本发明提供一种基于自然语言处理的数字人教师在课堂教学的方法,该方法用于数字人教师个性化教学平台,其特征在于:包括如下步骤:
1)收集学生的学习轨迹数据;
2)对上述数据进行预处理;
3)模型训练,利用预处理后的数据训练隐马尔可夫模型;
4)模型测试,将新的教育活动数据输入到训练好的隐马尔可夫模型中,预测学生在该活动中的表现;
5)数字人教师进行备课;
6)数字人教师根据备课内容进行授课。
进一步的,上述步骤1)中收集学生的学习轨迹数据包括学生的语音数据、学生的文本数据、学生的行为数据、学生反馈的数据和教材数据;通过收集学生的语音数据、学生的文本数据来优化隐马尔可夫模型;收集学生的行为数据、学生反馈的数据来评估学生的学习效果和学习行为,了解学生的学习体验和教学需求;收集教材数据为教学提供教学内容和学习资源;收集学生的学习轨迹数据通过隐马尔可夫模型来预测学生对某个知识点掌握的程度,授课时,规划对某个知识点的授课时间;课堂测试时,根据隐马尔可夫模型分析题目的难度来规划题目的数量和练习时长,从而调整教学方式,高效的完成教学目标,为班级内的学生提供个性化的教学设计、个性化学习过程和学习资源、个性化评估反馈,帮助学生更好地了解自己的学习状况和提高学习效果。
进一步的,上述收集学生的语音数据包括学生的发音、语调、语速、流畅度;
收集学生的文本数据包括学生的语法、词汇、语境;
收集学生的行为数据包括学生的学习时间、学习进度、学习错误;
学生反馈的数据包括学生的满意度、反馈意见、教学需求;
收集教材数据包括教程文本、音频和视频;
其中,学生的语音和文本数据通过语音识别技术自动获取,学生的行为和反馈数据通过学习管理系统和调查问卷的方式获取,教材数据通过资源库和互联网途径获取。
进一步的,上述步骤2)中对数据进行预处理包括对收集到的教学课堂数据进行预处理,以及提取与分析教育活动相关的特征,处理后的数据将作为隐马尔可夫模型的输入;
对收集到的教学课堂数据进行预处理包括如下步骤:
(1)数据清洗:首先需要对收集到的数据进行清洗,去除无效数据、缺失值和异常值,以保证数据的准确性和可靠性,避免在后续分析过程中产生误差;
(2)数据转换:将原始数据转化成适合分析的格式,可以将日期格式转换为数值格式,让数据更加规范化和易于分析;
(3)建立数据集,将课堂产生的数据都记录到数据库内,将不同格式、来源的数据设置统一标准,建立统一的数据集;
提取与分析教育活动相关的特征包括如下步骤:
(4)根据教学计划,确定教学活动,从而定义教学特征。比如学习成绩、课堂参与度、交流能力等特征;
(5)在收集到的数据集里取出数据进行特征提取,根据定义好的特征,提取相关特征:比如计算平均成绩、参与课堂的百分比,学生交流的次数、提问的次数等,可以用到特征选择、特征降维、特征变化;
(6)特征分析,对提取到的特征进行分析、探究特征之间的关系和对教学效果的影响,通过学习成绩对教学参与度的相关性进行分析,探究学生的参与度对学习成绩的影响;
(7)得出结论,根据特征分析的结果,得出相应的结论,从而规划课堂的教学活动。
进一步的,步骤3)中模型训练包括如下内容:
利用预处理后的数据训练隐马尔可夫模型,隐马尔可夫模型包括三个概率模型:初始状态概率模型、转移概率模型和发射概率模型,这些概率模型由模型训练算法自动学习得到;
隐马尔可夫模型是包含N个隐藏状态和M个观测状态的隐马尔可夫模型,其中:
Q={q1,q2,...,qN}为所有可能的隐藏状态集合;
V={v1,v2,...,vM}为所有可能的观测状态集合;
A={a[i,j]}为状态转移概率矩阵,其中a[i,j]表示从状态i转移到状态j的概率;
B={b[i,k]}为观测概率矩阵,其中b[i,k]表示在状态i时观测到状态k的概率;
π={π[i]}为初始状态概率向量,其中π[i]表示模型开始时处于状态i的概率。
进一步的,步骤4)中模型测试包括如下内容:
(1)将输入的教育活动数据进行预处理,提取相应的特征,对于一个教学活动,特征可以包括正确答题数量、完成活动所需时间和难度级别;
(2)利用Viterbi算法求解隐马尔可夫模型中的最优路径,得到学生在该活动中的表现预测结果;
隐马尔可夫模型是包含N个隐藏状态和M个观测状态的隐马尔可夫模型,其中:
Q={q1,q2,...,qN}为所有可能的隐藏状态集合;
V={v1,v2,...,vM}为所有可能的观测状态集合;
A={a[i,j]}为状态转移概率矩阵,其中a[i,j]表示从状态i转移到状态j的概率;
B={b[i,k]}为观测概率矩阵,其中b[i,k]表示在状态i时观测到状态k的概率;
π={π[i]}为初始状态概率向量,其中π[i]表示模型开始时处于状态i的概率
Viterbi算法的流程如下:
用q_1代表q1,v_1代表v1,以此类推,更好直观的看数学符号。
viterbi算法是每次记录到当前时刻,每个观察标签的最优序列,假设在t时刻已经保存了从0到t-1时刻的最优路径,那么t时刻只需要计算从t-1到t的最优路径就可以了。
初始化:对于第一个观测状态v_1,计算所有可能的隐藏状态q_1的初始概率即π[q_1],并将其作为第一列的概率值delta_1(q_1)。
递推:其中m是观测序列长度,v_t是学生在第t个时间的观测值。其中q_t是学生在第t个时间的隐藏状态。对于每个可能的隐藏状态q_t,计算其到达该状态的最大概率值,即前一个状态q_{t-1}的概率值delta_{t-1}(q_{t-1})乘以从q_{t-1}转移到q_t的概率P(q_t|q_{t-1}),以及该状态下观测状态v_t的概率P(v_t|q_t),即delta_t(q_t)。
根据动态规划的思想,比较P(v_t|q_t),以及delta_{t-1}(q_{t-1})乘以q_{t-1}的大小,从两者中取最大值,同时,在计算过程中记录下达到该状态的最大概率即delta_t(q_t)。
终止:通过递推确定每个状态的最终最大概率值为delta_t(q_t),即最后一列中所有概率值的最大值,最优路径的最后一个隐藏状态为q_t。
回溯:从q_t开始,依次回溯到q_1,每次记录下当前的最优路径中的隐藏状态,即可得到最优路径。
如果隐马尔可夫模型中存在多个具有相同最大概率值的隐藏状态,可以任选其中一个作为最优路径中的隐藏状态。
(3)通过分析预测结果,调整教育活动的难度级别或分配的时间,以优化学习体验。
进一步的,步骤5)中数字人教师进行备课,数字人教师备课不是全智能的,需要结合教师辅助,数字人教师结合学生的学习进度、知识点掌握情况、学生在不同的发展阶段的不同认知结构和思维方式进行备课,提供相应的学习建议和辅导服务,让数字人教师在教育领域的授课服务为学生提供更加便捷、智能和个性化的学习体验,具体包括如下步骤:
(1)明确教学目标,找出教学备课的重点和难点,并进行教学设计;
(2)制定教学计划,在明确教学目标的情况下,制定教学计划,明确教学内容、教学方法、教学资源,确定教学流程;
(3)选择教学资源,教材、多媒体视频、多媒体课件;
(4)设计教学计划,为了让教学活动更好的进行,设计授课、讨论、练习活动;
(5)制定评价标准,对学生学习水平和能力进行评估,包括课堂测试、作业打分,满分九十分以上就是优秀,八十到九十之间为良好,以此类推;
(6)调整教学方案,在制定完教学方案后,对学生的学习情况和教学效果使用隐马尔可夫模型进行调整和改进,以达到更好的教学效果,结合学生现有的学习情况进行调整。
为了更好地说明一种基于自然语言处理的数字人教师在课堂教学的方法,提供如下具体实施例:
数字人教师想要制定个性化的课程计划,以更好地满足学生的学习需求。数字人教师首先收集学生在以前的数学活动中的表现数据,包括正确答题数量、完成活动所需时间和难度级别。正确答题数量、完成活动所需时间和难度级别,根据应用场景来区分,如果是已经发生的教学活动,学生课堂中产生了的活动,放入模型训练,并存入数据库。未发生的教学活动,将要发生的教学活动,数字人教师需要进行备课,预设了一个教学场景,预测学生的表现情况,来规划教学活动。已经发生的学生正确答题数量、完成活动所需时间和难度级别用来模型训练;预测学生正确答题数量、完成活动所需时间和难度级别用来模型测试。
数字人教师将这些数据进行预处理,提取相应的特征,并用这些特征训练HMM模型。
数字人教师选择使用Baum-Welch算法训练HMM模型。在训练过程中,数字人教师需要确定HMM模型的参数,包括初始状态概率、转移概率和发射概率。这些参数将用于预测学生在新的数学活动中的表现。
初始状态概率:π=[0.1,0.2,0.3,0.4]
假设在某个时间点,学生处于“未掌握”状态的概率为0.1,处于“初步掌握”状态的概率为0.2,处于“掌握较好”状态的概率为0.3,处于“完全掌握”状态的概率为0.4。则可以设置初始概率向量为[0.1,0.2,0.3,0.4]。
其中,π[i]表示这个班学生在任意时间点处于状态i的概率。
则可以设置转移概率矩阵为:
转移概率:A=[[0.1,0.3,0.3,0.3],
[0.2,0.2,0.4,0.2],
[0.3,0.3,0.1,0.3],
[0.4,0.2,0.2,0.2]]
其中,a[i,j]表示从状态i转移到状态j的概率。例如,a[1,2]表示从状态1转移到状态2的概率。
发射概率:假设在“掌握程度较低”状态下,一个学生需要花费较长的时间才能掌握知识点,而在“掌握程度较高”状态下,一个学生需要花费较短的时间就能掌握知识点。则可以设置发射概率:
B=[[0.5,0.2,0.2,0.1],
[0.2,0.3,0.3,0.1],
[0.3,0.2,0.1,0.1],
[0.2,0.1,0.1,0]]
其中,b[i,k]表示在状态i时观测到观测状态k的概率。例如,b[1,2]表示在状态1时观测到观测状态2的概率。
其中,每一行表示学生处于相应状态下需要花费的时间的概率。
数字人教师利用训练好的HMM模型,对某个班学生的数学活动进行预测。例如,数字人教师可以选择给学生分配一个数学活动,其难度级别为3,需要回答5个问题,预测这个班完成这项活动的时间。数字人教师将这些信息输入到HMM模型中,预测这个班级学生在该活动中的表现。
数字人教师使用Viterbi算法求解HMM模型中的最优路径,预测得到班级学生在该活动中的表现结果。例如,数字人教师预测某个班级学生将在课堂活动中回答5个数学问题,难度级别为3,所花费的时间。预测结果为完成该活动需要15分钟,数字人教师通过分析预测结果,通过HMM模型对教学场景进行预测以便更好的完成个性化备课。
教学活动场景是数字人教师在课堂中的教学行为,如讲授内容、教学方法、策略,对教学工具、设备的使用,对教学内容的难度、范围、目标、任务的设置。
另外,本发明还提供一种电子设备,其特征在于:包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时,执行前面所述的一种基于自然语言处理的数字人教师在课堂教学的方法的步骤。
本发明还提供一种计算机可读存储介质,其存储计算机程序,其特征在于,所述计算机程序使得计算机执行前面所述的一种基于自然语言处理的数字人教师在课堂教学的方法的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于自然语言处理的数字人教师在课堂教学的方法,其特征在于,该方法用于数字人教师个性化教学平台,其特征在于:包括如下步骤:
1)收集学生的学习轨迹数据;
2)对上述数据进行预处理;
3)模型训练,利用预处理后的数据训练隐马尔可夫模型;
4)模型测试,将新的教育活动数据输入到训练好的隐马尔可夫模型中,预测学生在该活动中的表现;
5)数字人教师进行备课;
6)数字人教师根据备课内容进行授课。
2.根据权利要求1所述的一种基于自然语言处理的数字人教师在课堂教学的方法,其特征在于:
步骤1)中收集学生的学习轨迹数据包括学生的语音数据、学生的文本数据、学生的行为数据、学生反馈的数据和教材数据;通过收集学生的语音数据、学生的文本数据来优化隐马尔可夫模型;收集学生的行为数据、学生反馈的数据来评估学生的学习效果和学习行为,了解学生的学习体验和教学需求;收集教材数据为教学提供教学内容和学习资源;收集学生的学习轨迹数据通过隐马尔可夫模型来预测学生对某个知识点掌握的程度,授课时,规划对某个知识点的授课时间;课堂测试时,根据隐马尔可夫模型分析题目的难度来规划题目的数量和练习时长,从而调整教学方式,高效的完成教学目标,为班级内的学生提供个性化的教学设计、个性化学习过程和学习资源、个性化评估反馈,帮助学生更好地了解自己的学习状况和提高学习效果。
3.根据权利要求2所述的一种基于自然语言处理的数字人教师在课堂教学的方法,其特征在于:
收集学生的语音数据包括学生的发音、语调、语速、流畅度;
收集学生的文本数据包括学生的语法、词汇、语境;
收集学生的行为数据包括学生的学习时间、学习进度、学习错误;
学生反馈的数据包括学生的满意度、反馈意见、教学需求;
收集教材数据包括教程文本、音频和视频;
其中,学生的语音和文本数据通过语音识别技术自动获取,学生的行为和反馈数据通过学习管理系统和调查问卷的方式获取,教材数据通过资源库和互联网途径获取。
4.根据权利要求1所述的一种基于自然语言处理的数字人教师在课堂教学的方法,其特征在于,
步骤2)中对数据进行预处理包括对收集到的教学课堂数据进行预处理,以及提取与分析教育活动相关的特征,处理后的数据将作为隐马尔可夫模型的输入;
对收集到的教学课堂数据进行预处理包括如下步骤:
(1)数据清洗:首先需要对收集到的数据进行清洗,去除无效数据、缺失值和异常值,以保证数据的准确性和可靠性,避免在后续分析过程中产生误差;
(2)数据转换:将原始数据转化成适合分析的格式,让数据更加规范化和易于分析;
(3)建立数据集,将课堂产生的数据都记录到数据库内,将不同格式、来源的数据设置统一标准,建立统一的数据集;
提取与分析教育活动相关的特征包括如下步骤:
(4)根据教学计划,确定教学活动,从而定义教学特征;
(5)在收集到的数据集里取出数据进行特征提取,根据定义好的特征,提取相关特征;
(6)特征分析,对提取到的特征进行分析、探究特征之间的关系和对教学效果的影响;
(7)得出结论,根据特征分析的结果,得出相应的结论,从而规划课堂的教学活动。
5.根据权利要求1所述的一种基于自然语言处理的数字人教师在课堂教学的方法,其特征在于,步骤3)中模型训练包括如下内容:
利用预处理后的数据训练隐马尔可夫模型,隐马尔可夫模型包括三个概率模型:初始状态概率模型、转移概率模型和发射概率模型,这些概率模型由模型训练算法自动学习得到;
隐马尔可夫模型是包含N个隐藏状态和M个观测状态的隐马尔可夫模型,其中:
Q={q1,q2,...,qN}为所有可能的隐藏状态集合;
V={v1,v2,...,vM}为所有可能的观测状态集合;
A={a[i,j]}为状态转移概率矩阵,其中a[i,j]表示从状态i转移到状态j的概率;
B={b[i,k]}为观测概率矩阵,其中b[i,k]表示在状态i时观测到状态k的概率;
π={π[i]}为初始状态概率向量,其中π[i]表示模型开始时处于状态i的概率。
6.根据权利要求1所述的一种基于自然语言处理的数字人教师在课堂教学的方法,其特征在于,步骤4)中模型测试包括如下内容:
(1)将输入的教育活动数据进行预处理,提取相应的特征;
(2)利用Viterbi算法求解隐马尔可夫模型中的最优路径,得到学生在该活动中的表现预测结果;
(3)通过分析预测结果,调整教育活动的难度级别或分配的时间,以优化学习体验。
7.根据权利要求1所述的一种基于自然语言处理的数字人教师在课堂教学的方法,其特征在于,步骤5)中数字人教师进行备课,数字人教师备课不是全智能的,需要结合教师辅助,数字人教师结合学生的学习进度、知识点掌握情况、学生在不同的发展阶段的不同认知结构和思维方式进行备课,提供相应的学习建议和辅导服务,让数字人教师在教育领域的授课服务为学生提供更加便捷、智能和个性化的学习体验,具体包括如下步骤:
(1)明确教学目标,找出教学备课的重点和难点,并进行教学设计;
(2)制定教学计划,在明确教学目标的情况下,制定教学计划,明确教学内容、教学方法、教学资源,确定教学流程;
(3)选择教学资源;
(4)设计教学计划,为了让教学活动更好的进行,设计授课、讨论、练习活动;
(5)制定评价标准,对学生学习水平和能力进行评估;
(6)调整教学方案,在制定完教学方案后,对学生的学习情况和教学效果使用隐马尔可夫模型进行调整和改进,以达到更好的教学效果,结合学生现有的学习情况进行调整。
8.一种电子设备,其特征在于:包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时,执行如权利要求1-7任一项所述的一种基于自然语言处理的数字人教师在课堂教学的方法的步骤。
9.一种计算机可读存储介质,其存储计算机程序,其特征在于,所述计算机程序使得计算机执行权利要求1-7任一项所述的一种基于自然语言处理的数字人教师在课堂教学的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835917.2A CN116955555A (zh) | 2023-07-10 | 2023-07-10 | 一种基于自然语言处理的数字人教师在课堂教学的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835917.2A CN116955555A (zh) | 2023-07-10 | 2023-07-10 | 一种基于自然语言处理的数字人教师在课堂教学的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116955555A true CN116955555A (zh) | 2023-10-27 |
Family
ID=88454063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310835917.2A Pending CN116955555A (zh) | 2023-07-10 | 2023-07-10 | 一种基于自然语言处理的数字人教师在课堂教学的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116955555A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117808643A (zh) * | 2024-02-29 | 2024-04-02 | 四川师范大学 | 一种基于汉语言的教学管理系统 |
CN117852758A (zh) * | 2024-01-03 | 2024-04-09 | 青岛两栖蛙蛙信息技术有限公司 | 一种基于人工智能的个性化教育方法 |
-
2023
- 2023-07-10 CN CN202310835917.2A patent/CN116955555A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117852758A (zh) * | 2024-01-03 | 2024-04-09 | 青岛两栖蛙蛙信息技术有限公司 | 一种基于人工智能的个性化教育方法 |
CN117808643A (zh) * | 2024-02-29 | 2024-04-02 | 四川师范大学 | 一种基于汉语言的教学管理系统 |
CN117808643B (zh) * | 2024-02-29 | 2024-05-28 | 四川师范大学 | 一种基于汉语言的教学管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8682241B2 (en) | Method and system for improving the quality of teaching through analysis using a virtual teaching device | |
CN106485964B (zh) | 一种课堂教学的录制和点播的方法及系统 | |
CN108563780B (zh) | 课程内容推荐方法和装置 | |
CN111274411A (zh) | 课程推荐方法、装置、电子设备及可读存储介质 | |
CN116059646B (zh) | 一种交互式专家指导系统 | |
US11557217B1 (en) | Communications training system | |
Goodman et al. | Using dialogue features to predict trouble during collaborative learning | |
CN112149994A (zh) | 一种基于统计分析的英语个人能力追踪学习系统 | |
CN116259004B (zh) | 一种应用于在线教育的学生学习状态检测方法及系统 | |
CN110189238A (zh) | 辅助学习的方法、装置、介质以及电子设备 | |
CN116955555A (zh) | 一种基于自然语言处理的数字人教师在课堂教学的方法 | |
Datta et al. | Improving classification through weak supervision in context-specific conversational agent development for teacher education | |
CN117150151B (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 | |
CN116226410B (zh) | 一种知识元联结学习者状态的教学评估与反馈方法及系统 | |
CN113282840A (zh) | 一种训练采集综合管理平台 | |
Nammakhunt et al. | Creating and Collecting e-Learning Event Logs to Analyze Learning Behavior of Students through Process Mining | |
CN114925610A (zh) | 一种学习者知识结构与水平建模方法、系统、设备及终端 | |
CN113919567A (zh) | 一种结合知识追踪和序列标注模型的试卷成绩预测方法 | |
CN111506806A (zh) | 教学顾问培训提醒方法、系统、设备及存储介质 | |
US20180182255A1 (en) | Automatically generated flash cards | |
CN117540108B (zh) | 基于考点数据分布式总结的智能推荐答题系统 | |
CN117743699B (zh) | 一种基于dkt与汤普森采样算法的习题推荐方法及系统 | |
CN117455126B (zh) | 一种泛在实训教学和考评管理系统及方法 | |
de Deus Guterres et al. | PREDICTING STUDENTS’PERFORMANCE IN BASIC ALGORITHMS PROGRAMMING IN AN E-LEARNING ENVIRONMENT USING DECISION TREE APPROACH | |
CN116151242B (zh) | 一种编程学习场景的智能习题推荐方法、系统及储存介质 |
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 |