CN117078094A - 一种基于人工智能的教师综合能力评估方法 - Google Patents
一种基于人工智能的教师综合能力评估方法 Download PDFInfo
- Publication number
- CN117078094A CN117078094A CN202311059771.3A CN202311059771A CN117078094A CN 117078094 A CN117078094 A CN 117078094A CN 202311059771 A CN202311059771 A CN 202311059771A CN 117078094 A CN117078094 A CN 117078094A
- Authority
- CN
- China
- Prior art keywords
- teaching
- teacher
- score
- video
- analyzed
- 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 110
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000009471 action Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 24
- 241001310793 Podium Species 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013518 transcription Methods 0.000 claims description 3
- 230000035897 transcription Effects 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 230000002829 reductive effect Effects 0.000 abstract description 2
- 238000011158 quantitative evaluation Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 13
- 230000007246 mechanism Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000288906 Primates Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 235000021395 porridge Nutrition 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Technology (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于人工智能的教师综合能力评估方法,涉及智慧教学技术领域,包括:录制教学视频、音频文件;利用预训练的语音识别模型得到教学过程文本;构建知识点库,计算得到教师的教学内容评分;对教学过程文本进行关键字搜索和文本分析,得到教师的教学素质评分;利用预训练的动作识别模型计算教师的教学状态评分;利用预训练的目标检测模型量化得到教师的教学方式评分;按照教学阶段统计每个教师进行教学的班级学习成绩,得到教师的教学质量评分;将教学内容、教学素质、教学状态、教学方式和教学质量进行综合处理,得到教师的综合能力评估结果。本发明对教师进行自动量化评价,使教师评估的过程客观、全面,且大大降低督导组人力成本。
Description
技术领域
本发明涉及智慧教学技术领域,具体涉及一种基于人工智能的教师综合能力评估方法。
背景技术
现有主流的教学综合评估依据主要是学生考试成绩、教学督导反馈和教师自评互评,其中学生考试成绩客观性强易量化比较,而教学督导反馈和教师自评互评有非常强的主观性和偶发性,且评价结果不易量化。该过程主要由教学督导组通过周期性的随堂听课以及教师备课、讲课、辅导、答疑、作业、考核等情况进行随机抽查的方式,并教师的教学情况进行评估,同时采纳教师间互相评估结果,最终得到教师的教学工作综合评价。
该传统方式存在一定的局限性,首先仅采取教师互评或督导组评估等人为主观评估的方式,缺乏客观性。同时,随堂听课的结果缺乏代表性,被考察教师往往做出提前准备。最后,学校教师数量众多,督导组频繁巡课会消耗大量的人力资源。
中国申请号为202010387265.7的发明专利公开了一种教学质量评测方法及系统,该发明专利通过不同的评价指标,从课堂秩序、课堂氛围、教学效率的角度来对教学质量进行量化分析,从而对教师进行评估,该方法在一定程度上能够解决传统方法中人为观察单个角度来评估教师教学质量所带来的片面性缺陷。但该技术仍然也有它的局限性,其并不能真正对教师的教学能力进行全面而客观的评价。
发明内容
有鉴于此,本发明提出了一种基于人工智能的教师综合能力评估方法,利用神经网络模型来对教师的教学内容、教学状态、教学方式、教学素质和教学质量进行自动化的量化评价,以此为基础对教师的综合能力进行评估,使教师评估的过程客观、全面,且大大降低督导组人力成本。
本发明的技术方案是这样实现的:本发明提供了一种基于人工智能的教师综合能力评估方法,包括:
S1利用智慧课堂录制教师在不同教学阶段的教学视频,并将教学视频上传至流媒体服务器;
S2从流媒体服务器中获取所需教学阶段的教学视频,作为待解析视频,根据音频工具从待解析视频中提取得到音频文件,并对音频文件进行预处理;
S3利用预训练的语音识别模型将预处理的音频文件进行课堂语音转录,得到教学过程文本;
S4构建知识点库,知识点库中包括教学内容中的各个知识点,将教学过程文本进行教学内容的提取,并与知识点库进行比对,得到教学过程文本中各个知识点出现的频次,并计算得到教师的教学内容评分;
S5对教学过程文本进行关键字搜索和文本分析,得到教师的教学素质评分;
S6利用预训练的动作识别模型对待解析视频中的师生行为进行识别,统计并计算教师的互动行为评分,利用预训练的目标检测模型对待解析视频中的教师行动轨迹进行识别,得到教师的巡视评分,将互动行为评分和巡视评分作为教师的教学状态评分;
S7利用预训练的目标检测模型对待解析视频进行帧级别的检测,提取投影仪的PPT区域和黑板区域,统计PPT区域和黑板区域的变化次数,并将变化次数进行评分量化得到教师的教学方式评分;
S8按照教学阶段统计每个教师进行教学的班级学习成绩,根据学习成绩对教师的教学质量进行评估,得到教师的教学质量评分;
S9将教师的教学内容评分、教师的教学素质评分、教师的教学状态评分、教师的教学方式评分和教师的教学质量评分进行综合处理,得到教师的综合能力评估结果。
进一步优选的,步骤S4包括:
S41获取教学内容,根据教学内容确定不同教学阶段的各个知识点,将所有知识点构成知识点库;
S42将教学过程文本与知识点库进行比对,统计得到知识点库中的各个知识点在教学过程文本中出现的频次;
S43获取与教学过程文本的教学阶段相同的历史视频,结合教学过程文本的知识点频次计算得到教师的教学内容评分,所述历史视频包括由人工标注的各个知识点出现的频次;
其中,计算公式如下:
式中,i1代表相同教学阶段的历史视频的数量,表示教师的教学内容评分,n1代表知识点库中隶属于该教学阶段的知识点的数量,/>是权重,权重代表不同知识点的重要程度,/>代表第j个知识点在历史视频中出现的频次,kj代表第j个知识点在教学过程文本中出现的频次。
进一步优选的,步骤S5包括:
S51构建文明用语表,根据文明用语表确定不文明关键字,在教学过程文本中利用不文明关键字进行搜索,统计得到教学过程文本的不文明关键字的频次;
S52收集周期性的话题文本,将教学过程文本与话题文本进行文本相似度比较,统计得到教学过程文本的不当言论的频次;
S53收集教学禁用语文本,将教学过程文本与教学禁用语文本进行文本相似度比较,统计得到教学过程文本的教学禁用语的频次;
S54根据教学过程文本的不文明关键字的频次、教学过程文本的不当言论的频次和教学过程文本的教学禁用语的频次计算得到教师的教学素质评分,计算公式如下:
式中,Se代表教师的教学素质评分,we表示权重,e1为教学过程文本的不文明关键字的频次,e2为教学过程文本的教学禁用语的频次,Pr代表是否出现不当言论,若出现则Pr=1,若未出现则Pr=0。
进一步优选的,步骤S6包括:
S61根据预训练的动作识别模型,对待解析视频中的师生行为进行识别,统计每种师生行为出现的次数,所述师生行为包括学生起立、学生举手、学生趴桌子、老师点人和老师坐讲台;
S62获取相同教学阶段的历史视频的各种师生行为出现的次数,将历史视频的各种师生行为出现的次数进行向量化和标准化,得到历史标准向量;
S63根据待解析视频中每种师生行为出现的次数和历史标准向量计算得到教师的互动行为评分;
S64根据预训练的目标检测模型对待解析视频进行检测,以教师左上角为原点,定位课堂中教师出现的位置坐标,每10s定位一次教师的位置坐标,得到位置坐标集合;
S65提取待解析视频中的讲台区域,并将待解析视频中除讲台区域以外的其他区域作为非讲台区域,统计位置坐标集合中位于非讲台区域的位置坐标的个数占位置坐标集合中位置坐标总数的比例,并结合教师行动轨迹的离散值,得到教师的巡视情况;
S66获取相同教学阶段的历史视频的巡视情况;
S67结合历史视频的巡视情况和待解析视频的巡视情况进行计算,得到教师的巡视评分;
S68将待解析视频的互动行为评分和待解析视频的巡视评分进行加权平均得到教师的教学状态评分。
进一步优选的,步骤S63中,计算公式为:
式中,Sa为教师的互动行为评分,a1为学生起立出现的次数,a2为学生举手出现的次数,a3为学生趴桌子出现的次数,a4为老师点人出现的次数,a5为老师坐讲台出现的次数,λ为平衡各种师生行为出现次数的权重,std为历史标准向量,m即代表五种师生行为中的其中一种师生行为。
进一步优选的,步骤S65中,教师行动轨迹的离散值的计算公式为:
式中,x、y分别表示横坐标和纵坐标,Sx代表横坐标方向的行动轨迹的离散值,Sy代表纵坐标方向的行动轨迹的离散值,分别为位置坐标集合中横坐标的均值和纵坐标的均值,i2表示第i2个教师所在的位置,n2为位置坐标集合中的位置坐标数量,即教师行动轨迹的数量。
进一步优选的,步骤S7包括:
S71将待解析视频进行帧采样,利用预训练的目标检测模型对帧进行目标检测,提取投影仪的PPT区域和黑板区域,并按照待解析视频中视频内容的变化情况对目标检测的结果进行去重,统计得到待解析视频的PPT区域和黑板区域的变化次数;
S72获取相同教学阶段的多个历史视频的PPT区域和黑板区域的变化次数,将其与待解析视频的PPT区域和黑板区域的变化次数进行相似度计算,将相似度计算结果按照从大到小的顺序排列,选取第一个和第二个相似度对应的历史视频,作为相似历史视频;
S73获取相似历史视频的教学方式评分,根据相似历史视频的PPT区域和黑板区域的变化次数、相似历史视频的教学方式评分计算得到教师的教学方式评分。
进一步优选的,步骤S73中,计算公式为:
式中,Sv为教师的教学方式评分,s1、s2分别为两个相似历史视频的PPT区域和黑板区域的变化次数,c1、c2分别为两个相似历史视频的教学方式评分。
进一步优选的,步骤S8包括:
S81按照教学阶段统计教师的教学班级对应学科的平均分ts、及格率tp和优分率te;
S82引入平衡系数β,平衡系数的值为全校学生的各学科总分的平均分/教师的教学班级中学生各学科总分的平均分;
S83根据平衡系数β、平均分ts、及格率tp和优分率te计算得到教师的教学质量评分,计算公式如下:
式中,Sq为教师的教学质量评分,β为平衡系数,分别是ts、tp、te对应的权重。
进一步优选的,步骤S9包括:
S91将教师的教学内容评分、教师的教学素质评分、教师的教学状态评分、教师的教学方式评分和教师的教学质量评分分别进行百分制的统一化,得到该教师的教学内容分值、教学素质分值、教学状态分值、教学方式分值和教学质量分值;
S92根据该教师的教学内容分值、教学素质分值、教学状态分值、教学方式分值和教学质量分值绘制等边五边形,以教学内容、教学素质、教学状态、教学方式和教学质量作为等边五边形的五个顶点,每个顶点与等边五边形的中心点之间的连线根据百分制进行刻度划分,得到带有百分制刻度的等边五边形;
S93按照教学内容分值、教学素质分值、教学状态分值、教学方式分值和教学质量分值在带有百分制刻度的等边五边形中分别寻找到对应的五个刻度点,将五个刻度点按照相邻规则依次连接,得到教师的综合能力五边形,作为教师的综合能力评估结果。
本发明的方法相对于现有技术具有以下有益效果:
(1)本发明随机抽取录播视频,再利用深度学习算法分析视频以及音频,通过客观数据的分析,从教学内容、教学状态、教学方式、教学素质、教学质量这五大方面给出评估意见,使教师评估的过程客观、全面,且大大降低督导组人力成本
(2)同时结合语音识别、动作识别、目标识别等多种人工智能技术,对日常上课录播视频进行随机多次抽取和长音频的转录,自动化地对老师教学情况进行评估、量化,为教学督导提供以数据为依据的可靠教学评估意见;
(3)本发明提供了教学内容、教学状态、教学方式、教学素质、教学质量这五项评估指标,这些评估指标具有全面性和可扩展性的特点;
(4)本发明还提供了各项评估指标的量化公式和参考标准,能够对教师的教学能力进行快速的评估;
(5)本发明将五项评估结果形成便于理解的五边形能力示意图,将五个抽象概念量化后进行图示展示,为教师年度考核、评职称提供数据依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图;
图2为本发明实施例的教师综合能力的评估架构图;
图3为本发明实施例的教师的综合能力五边形示意图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
如图1所示,本发明提供一种基于人工智能的教师综合能力评估方法,包括:
S1利用智慧课堂录制教师在不同教学阶段的教学视频,并将教学视频上传至流媒体服务器;
S2从流媒体服务器中获取所需教学阶段的教学视频,作为待解析视频,根据音频工具从待解析视频中提取得到音频文件,并对音频文件进行预处理;
S3利用预训练的语音识别模型将预处理的音频文件进行课堂语音转录,得到教学过程文本;
S4构建知识点库,知识点库中包括教学内容中的各个知识点,将教学过程文本进行教学内容的提取,并与知识点库进行比对,得到教学过程文本中各个知识点出现的频次,并计算得到教师的教学内容评分;
S5对教学过程文本进行关键字搜索和文本分析,得到教师的教学素质评分;
S6利用预训练的动作识别模型对待解析视频中的师生行为进行识别,统计并计算教师的互动行为评分,利用预训练的目标检测模型对待解析视频中的教师行动轨迹进行识别,得到教师的巡视评分,将互动行为评分和巡视评分作为教师的教学状态评分;
S7利用预训练的目标检测模型对待解析视频进行帧级别的检测,提取投影仪的PPT区域和黑板区域,统计PPT区域和黑板区域的变化次数,并将变化次数进行评分量化得到教师的教学方式评分;
S8按照教学阶段统计每个教师进行教学的班级学习成绩,根据学习成绩对教师的教学质量进行评估,得到教师的教学质量评分;
S9将教师的教学内容评分、教师的教学素质评分、教师的教学状态评分、教师的教学方式评分和教师的教学质量评分进行综合处理,得到教师的综合能力评估结果。
请参阅图2,学校对教师的综合评价与年度考核是学校教学质量监控与保障体系的重要组成部分,是学校落实教学质量管理的必要手段。为了完善教学督导制度,确保教学督导工作有效开展,推动教学改革不断深化,促进教学质量不断提高,特制定本办法。
教学评估需要深入课堂对教学环境、教学内容进行监督,需要深入学生对教学质量、教学状态进行监督,需要深入管理,对教学素质、教学质量进行监督,教学监督过程应坚持客观公正、实事求是的原则。
随着教育信息化的发展,智慧课堂已出现在众多学校的教学过程中,本发明利用智慧课堂中产生的大量录播视频,同时结合语音识别、动作识别以及目标检测多种人工智能技术,对日常上课录播视频进行随机多次抽取进行音视频的数据分析,全方面客观地对老师教学情况进行评估。
采用依赖人工智能教学督导的方式,针对教学内容、教学状态、教学方式、教学素质、教学质量这五大方面进行评估,将教师的教学过程数字化,为教师的综合评价提供可靠的数据依据。
具体地,步骤S1的实现过程包括:
智慧课堂为师生提供全流程的教学支持,可实现远程互动教学、常态化录制、视频会议、网络教研等功能,同时为各级管理者提供实时数据监测,可通过大数据看板动态监管,辅助科学决策、支撑精细管理。
智慧课堂采用双摄像头模式,在教室前后各安置一个摄像头,分别为学生视角摄像机和老师视角摄像机,保证将课堂过程完整记录。同时根据实际需求部署录播主机,用于缓存录播视频以及合成音视频等。在完成录播后由录播主机上传视频至流媒体服务器,并通知云平台发布视频分析任务。
将常态化录制视频作为历史视频进行人工标注,这些常态化录制视频包括了各个不同的教学阶段的教学视频,人工标注的过程具体是由教学督导组人员针对教学内容、教学状态、教学方式和教学素质四个方面进行人工评估量化。
(1)针对教学内容进行督导组人工评估,主要参考依据有知识点全面性、核心知识点突出性以及教学计划合理性。
(2)针对教学状态进行督导组人工评估,主要参考依据有教学过程的师生互动情况和教师授课巡视情况。
(3)针对教学素质进行督导组人工评估,主要参考依据有教师讲授过程中是否有不当言论、不文明用语以及教学禁用语的情况。
(4)针对教学方式进行督导组人工评估,主要参考依据有教师授课过程中黑板以及多媒体的使用情况。
在本发明一实施例中,所述方法所用到的神经网络模型包括动作识别模型、语音识别模型和目标检测模型,在对教学视频进行解析之前,需要对这些模型进行预训练。
1、动作识别模型的预训练
本实施例采用SlowFast动作识别方法,该方法是一种仿灵长类视觉中的视网膜神经运作原理的动作识别方法,该方法提出一种双路结构模型:慢通道和快通道。其中SlowPathway用于捕捉稀疏帧反映的空间语义信息(物体、颜色、形状等),它使用的帧频率非常低。而FastPathway用于捕捉快速变化的运行信息(鼓掌、挥手、走路),它使用的帧频率非常高。两条路径中间有Fast到Slow的直通连接,即运动信息到空间语义的融合。与其他方法相比,SlowFast的整体计算复杂度更低,准确度更高。
A、视频准备
从流媒体服务器中拉取数据质量较高的录播视频(1920*1080以上),并将视频裁剪成3s的短视频,从中选取有识别动作的短视频。
B、切割视频为图片
使用ffmpeg将视频按照2种方式进行裁剪,第一种为slow,以30fps的频为例,每秒裁剪1帧。第二种为fast,每秒裁剪15帧。
C、人物检测
使用目标检测模型例如yolov5或faster rcnn将图片中的人物框选出来(也可手动进行),形成自动标注的csv文件。
D、图片标注
使用via工具导入图片以及csv文件,手动去掉一些不需要的检测结果,然后将via数据转换为ava数据并进行标注。
E、模型训练
部署slowfast环境,下载预训练模型,根据模型实际需求修改以及硬件情况配置文件,主要包含batch_size(并行程度)以及NUM_CLASSES(动作种类),然后进行模型训练。
2、语音识别模型的预训练
本实施例采用Seq2Seq模型,该模型由两部分组成:编码器和带有注意力机制的解码器。在解码每个词语的时候,注意力机制会动态计算每个输入隐状态的权重,并通过加权线性组合得到当前的注意力向量。在此处的语音识别任务中,Seq2Seq模型与机器翻译中的Seq2Seq模型异曲同工,可以使用不同的模型作为编码器和解码器,例如RNN、Transformer模型等。
首先,获取音频样本,对其进行特征提取,本实施例提取mfcc特征,mfcc(梅尔频率倒谱系数)是在Mel标度频率域提取出来的倒谱参数,是一种在自动语音和说话人识别中广泛使用的特征。处理过程为对一段语音信号进行预加重、分帧、加窗、短时傅里叶变换(STFT)、mel滤波、去均值等。相比Fbank,mfcc具有更好的判别度,因此mfcc更适用于语音识别模型。
然后,对模型进行训练,采用Seq2Seq模型建模语音识别问题的思路分为2步,首先,通过模型的Encoder结构将语音序列编码成固定长度的向量,然后Decoder根据Encoder的输入的句子表示以及上一时刻解码逐步输出生成下一时刻的标记,其中encoder和decoder采用变体后的rnn神经网络。同时引入注意力机制,基于注意力机制的序列到序列模型在每一步解码时都会计算一个上下文向量ci,它是从Encoder每一步编码输出的加权和,表示解码当前标记需要注意源序列中的信息,注意力机制带给模型极大的性能提升。
最后,对模型进行优化,语音识别模型的优化主要体现在2个方面,数据增强以及延迟优化,本实施例主要通过SpecAugmentation实现数据增强,具体方法为时间扭曲、频率掩蔽以及时间掩蔽,尝试通过3种方式的组合来增加模型的鲁棒性。
3、目标检测模型的预训练
本实施例采用FasterR-CNN模型,该模型是在R-CNN的基础上进行改进得到的,一方面引入了ROI pooling结构简化池化的计算,同时利用了RPN网络代替了原有的Selective Search生成备选框。
(1)数据准备
准备各种目标的训练集图片,目标类型包含管制刀具、烟、打火机等,使用工具labelme对图片进行标注,得到标注的json文件。再利用代码将所有数据转换成coco数据,包含image、visualization以及annotation三个对象。
(2)模型训练
Fsater R-CNN网络主要分为4个步骤,第1步使用conv+relu+pooling层提取image的feature maps,被共享用于后面续的RPNC层和全连接层。第2步,使用RPN层生成regionproposals,该层通过softmax判断anchors属于positive或者negative,再利用boundingbox regression修正anchors获得精确的proposals。第3步Roi Pooling层综合featuremaps和proposals提取proposal feature maps,送入后续全连接层判定目标类别。最终,Classification层利用proposal feature maps计算proposal的类别,同时再次boundingbox regression获得检测框最终的精确位置。其中RPN网络使用的Loss如下:
上述公式中i为候选框的序号,p表示候选框positive softmax probability,p*代表对应的GT predict概率,其误差代表分类候选框positive与negative的网络训练误差。t代表预测调整后的目标框,t*代表对应positive候选框真实对应目标框,其误差代表bounding box regression网络训练的误差。
具体地,本发明一实施例中,步骤S2包括:
通过录制视频的任务状态,从流媒体服务器中获取待解析视频。其中音频数据使用工具FFmpeg从视频中提取音频,设置音频格式为wav,采样率为16K,通道数为1,并通过python将音频中存在嘈杂的多人讨论片段进行过滤。
具体地,本发明一实施例中,步骤S4包括:
S41获取教学内容,根据教学内容确定不同教学阶段的各个知识点,将所有知识点构成知识点库;
S42将教学过程文本与知识点库进行比对,统计得到知识点库中的各个知识点在教学过程文本中出现的频次;
S43获取与教学过程文本的教学阶段相同的历史视频,结合教学过程文本的知识点频次计算得到教师的教学内容评分,所述历史视频包括由人工标注的各个知识点出现的频次;
其中,计算公式如下:
式中,i1代表相同教学阶段的历史视频的数量,表示教师的教学内容评分,n1代表知识点库中隶属于该教学阶段的知识点的数量,/>是权重,权重代表不同知识点的重要程度,/>代表第j个知识点在历史视频中出现的频次,kj代表第j个知识点在教学过程文本中出现的频次。
需要说明的是,教学内容是一个教师完成教学工作的过程和内容,主要包含教学目标和时间安排,教学目标主要包含知识点的讲授,时间安排指教学计划中的时间安排。合理的教学内容有利于教学工作的科学化。
具体地,在本实施例中,还引入一个教学偏差来对教学内容进行反馈,合理的按照教学计划进行教学能避免教学过快基础不稳或教学过慢完不成进度等问题。
首先,对历史课堂录播视频进行人工标注的方式,统计每个课程阶段各知识点出现的频次以及该视频在教学内容上的应得评分(由评估组共同评分去除最值后求平均值),得到结果(k1,k2,k3,...,kn,S)其中k代表教学大纲中在某个阶段性教学内容的全部知识点(阶段代表为教学任务中的一个章节或一个小节)。
将(k1,k2,k3,...,kn)与该门课程多个阶段的高分课堂视频进行相似度对比,得到相似度(s1,s2,s3,...,sm),其中m为教学阶段数,以2个连续阶段为一组进行统计((s1+s2),(s2+s3),...,(sm-1+sm)),取相似度最大的值作为视频反馈目前处于的阶段,再根据教学计划中各阶段时间安排取加权,得到与规划时间点的偏离程度bias,公式如下:
其中d代表不同教学阶段所需的时间,单位为天,t+1和t+2代表相似度最大组,λ2为2个阶段相似度归一化后的权重。
需要说明的是,当实际教学进度跟规划进度有偏差时,才会加入教学偏差来对教学内容评分进行修正,具体方式可以是将的公式与bias的公式进行加权平均后得到最终的教学内容评分,而两者权重的取值则根据学校要求来进行设置。
具体地,本发明一实施例中,步骤S5包括:
S51构建文明用语表,根据文明用语表确定不文明关键字,在教学过程文本中利用不文明关键字进行搜索,统计得到教学过程文本的不文明关键字的频次;
S52收集周期性的话题文本,将教学过程文本与话题文本进行文本相似度比较,统计得到教学过程文本的不当言论的频次;
S53收集教学禁用语文本,将教学过程文本与教学禁用语文本进行文本相似度比较,统计得到教学过程文本的教学禁用语的频次;
S54根据教学过程文本的不文明关键字的频次、教学过程文本的不当言论的频次和教学过程文本的教学禁用语的频次计算得到教师的教学素质评分,计算公式如下:
式中,Se代表教师的教学素质评分,we表示权重,e1为教学过程文本的不文明关键字的频次,e2为教学过程文本的教学禁用语的频次,Pr代表是否出现不当言论,若出现则Pr=1,若未出现则Pr=0。
本实施例中的教学素质主要指教学能力和综合素质,而综合素质包含思想品德、文化修养、交流能力等,本实施例仅讨论教学用语能够体现的教学素质。具体地,不文明关键字指的是在任何公共场景下教师不能说的各种脏话、粗话、低级话;不当言论主要指散布有背党和国家政策言论的言论或引起社会对立矛盾的话题,例如抨击就业情况差、男女对立等话题,该部分标准具有一定的时效性,因此周期性的收集话题文本;教学禁用语主要指教学过程中老师会学生心理健康可能造成影响的话,例如“一粒老鼠屎坏了一锅粥”、“睡觉别影响其他人”等,言论不负责且损害学生自尊心。
本实施例考虑不文明关键字、不当言论以及教学禁用语均为学校或教育局不允许的情况,特别是不当言论是严禁的,因此不设置标注视频对比,直接采用扣分制,构建了教学素质评分的计算公式。
具体地,本发明一实施例中,步骤S6包括:
S61根据预训练的动作识别模型,对待解析视频中的师生行为进行识别,统计每种师生行为出现的次数,所述师生行为包括学生起立、学生举手、学生趴桌子、老师点人和老师坐讲台;
S62获取相同教学阶段的历史视频的各种师生行为出现的次数,将历史视频的各种师生行为出现的次数进行向量化和标准化,得到历史标准向量;
S63根据待解析视频中每种师生行为出现的次数和历史标准向量计算得到教师的互动行为评分;
计算公式为:
式中,Sa为教师的互动行为评分,a1为学生起立出现的次数,a2为学生举手出现的次数,a3为学生趴桌子出现的次数,a4为老师点人出现的次数,a5为老师坐讲台出现的次数,λ为平衡各种师生行为出现次数的权重,std为历史标准向量,m即代表五种师生行为中的其中一种师生行为。
S64根据预训练的目标检测模型对待解析视频进行检测,以教师左上角为原点,定位课堂中教师出现的位置坐标,每10s定位一次教师的位置坐标,得到位置坐标集合;
S65提取待解析视频中的讲台区域,并将待解析视频中除讲台区域以外的其他区域作为非讲台区域,统计位置坐标集合中位于非讲台区域的位置坐标的个数占位置坐标集合中位置坐标总数的比例,并结合教师行动轨迹的离散值,得到教师的巡视情况;
教师行动轨迹的离散值的计算公式为:
式中,x、y分别表示横坐标和纵坐标,Sx代表横坐标方向的行动轨迹的离散值,Sy代表纵坐标方向的行动轨迹的离散值,分别为位置坐标集合中横坐标的均值和纵坐标的均值,i2表示第i2个教师所在的位置,n2为位置坐标集合中的位置坐标数量,即教师行动轨迹的数量。
S66获取相同教学阶段的历史视频的巡视情况;
S67结合历史视频的巡视情况和待解析视频的巡视情况进行计算,得到教师的巡视评分;
S68将待解析视频的互动行为评分和待解析视频的巡视评分进行加权平均得到教师的教学状态评分。
本实施例中,课堂分析系统从课堂实时画面呈现、教师行为分析、学生行为分析等多方面真实反馈课堂教学情况,用于课堂学情分析,提升课堂学习效果。通过预训练的动作识别模型分析教师摄像机、学生摄像机的视频,实时智能识别教师在课堂上的教学行为,以及学生在课堂上的肢体行为,形成课堂行为数据库,从而得出课堂行为中教师和学生行为的整体趋势图以及教学模式类型分析图,为考察课堂情况提供真实、客观的依据。
本实施例中,考虑到上课过程中,教师适当的离开讲台有效的巡视对掌握学情、交流互动有着重要影响,因此巡视也是课堂互动的表现之一。在获得了离散值(Sx,Sy)后,将巡视情况记为(Sr,Sx,Sy),Sr指的是位置坐标集合中位于非讲台区域的位置坐标的个数占位置坐标集合中位置坐标总数的比例,将待解析视频的巡视情况(Sr,Sx,Sy)与相同教学阶段的历史视频的巡视情况进行相似度比较,从而量化为教师的巡视评分。
具体地,本发明一实施例中,步骤S7包括:
S71将待解析视频进行帧采样,利用预训练的目标检测模型对帧进行目标检测,提取投影仪的PPT区域和黑板区域,并按照待解析视频中视频内容的变化情况对目标检测的结果进行去重,统计得到待解析视频的PPT区域和黑板区域的变化次数;
S72获取相同教学阶段的多个历史视频的PPT区域和黑板区域的变化次数,将其与待解析视频的PPT区域和黑板区域的变化次数进行相似度计算,将相似度计算结果按照从大到小的顺序排列,选取第一个和第二个相似度对应的历史视频,作为相似历史视频;
S73获取相似历史视频的教学方式评分,根据相似历史视频的PPT区域和黑板区域的变化次数、相似历史视频的教学方式评分计算得到教师的教学方式评分。
计算公式为:
式中,Sv为教师的教学方式评分,s1、s2分别为两个相似历史视频的PPT区域和黑板区域的变化次数,c1、c2分别为两个相似历史视频的教学方式评分。
本实施例中,考虑到传统黑板和多媒体教学各有长短,在信息时代,我们既需要运用多媒体技术去刺激、鼓励和指导学生思考、自主学习;又应视学生学习兴趣、能力和教学目标、学习内容和多媒体教学的特点,来决定采用何种教学方法去取得最佳教学效果。如果完全抛掉了传统,那么创新就成了无源之水,无本之木。原有的不能传承,新的又难以为续,教学处于无所适从的尴尬境地,教育就形成了断层。因此该步骤S7中,既提取PPT区域,也提取黑板区域。
具体地,本发明一实施例中,步骤S8包括:
S81按照教学阶段统计教师的教学班级对应学科的平均分ts、及格率tp和优分率te;
S82引入平衡系数β,平衡系数的值为全校学生的各学科总分的平均分/教师的教学班级中学生各学科总分的平均分;
S83根据平衡系数β、平均分ts、及格率tp和优分率te计算得到教师的教学质量评分,计算公式如下:
式中,Sq为教师的教学质量评分,β为平衡系数,分别是ts、tp、te对应的权重。
本实施例中,教学质量是对教育水平高低和效果优劣的评价,体现在培养对象的质量上,而学习成绩往往是评估教学质量最直接有效的方式。因此选取平均分、及格率和优分率来作为学习成绩。考虑每个班级学生整体素质区别较大,同时学生的学习态度、学习习惯受班主任影响较大,因此增加一个平衡系数β,其值为全校学生的各学科总分的平均分/教师的教学班级中学生各学科总分的平均分,即代表该班整体相对全校的学习能力,若大于1,说明该班整体学习能力较弱,教学难度会增加。
具体地,本发明一实施例中,步骤S9包括:
S91将教师的教学内容评分、教师的教学素质评分、教师的教学状态评分、教师的教学方式评分和教师的教学质量评分分别进行百分制的统一化,得到该教师的教学内容分值、教学素质分值、教学状态分值、教学方式分值和教学质量分值;
S92根据该教师的教学内容分值、教学素质分值、教学状态分值、教学方式分值和教学质量分值绘制等边五边形,以教学内容、教学素质、教学状态、教学方式和教学质量作为等边五边形的五个顶点,每个顶点与等边五边形的中心点之间的连线根据百分制进行刻度划分,得到带有百分制刻度的等边五边形;
S93按照教学内容分值、教学素质分值、教学状态分值、教学方式分值和教学质量分值在带有百分制刻度的等边五边形中分别寻找到对应的五个刻度点,将五个刻度点按照相邻规则依次连接,得到教师的综合能力五边形,作为教师的综合能力评估结果。
在本发明一个具体的例子中,所使用的模型评估和预警的整体准确率在85%以上,40分钟课程双路视频分析仅需要约为10min,以12核CPU、3080显卡的硬件配置为例,可支持10间以上教师录播当天时间当天完成分析评估。针对每个教师都会形成如图3所示的综合能力评估图,将五个抽象概念进行量化,为教师年度考核、评职称提供数据依据。
同时,本发明各项评价指标可拓展性强,可根据实际需求情况自定义制作数据、训练模型,例如对于高校可添加早退、迟到的指标,增加动作识别模型训练数据即可实现。
以上所述仅为本发明的较佳实施方式而已,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的教师综合能力评估方法,其特征在于,包括:
S1利用智慧课堂录制教师在不同教学阶段的教学视频,并将教学视频上传至流媒体服务器;
S2从流媒体服务器中获取所需教学阶段的教学视频,作为待解析视频,并获取与待解析视频的教学阶段相同的历史视频,根据音频工具从待解析视频中提取得到音频文件,并对音频文件进行预处理;
S3利用预训练的语音识别模型将预处理的音频文件进行课堂语音转录,得到教学过程文本;
S4构建知识点库,知识点库中包括教学内容中的各个知识点,将教学过程文本进行教学内容的提取,并与知识点库进行比对,得到教学过程文本中各个知识点出现的频次,并结合教学过程文本对应的历史视频计算得到教师的教学内容评分;
S5对教学过程文本进行关键字搜索和文本分析,得到教师的教学素质评分;
S6利用预训练的动作识别模型对待解析视频中的师生行为进行识别,统计并结合待解析视频对应的历史视频计算教师的互动行为评分,利用预训练的目标检测模型对待解析视频中的教师行动轨迹进行识别,结合待解析视频对应的历史视频得到教师的巡视评分,将互动行为评分和巡视评分作为教师的教学状态评分;
S7利用预训练的目标检测模型对待解析视频进行帧级别的检测,提取投影仪的PPT区域和黑板区域,统计PPT区域和黑板区域的变化次数,并将变化次数进行评分量化,结合待解析视频对应的历史视频计算得到教师的教学方式评分;
S8按照教学阶段统计每个教师进行教学的班级学习成绩,根据学习成绩对教师的教学质量进行评估,得到教师的教学质量评分;
S9将教师的教学内容评分、教师的教学素质评分、教师的教学状态评分、教师的教学方式评分和教师的教学质量评分进行综合处理,得到教师的综合能力评估结果。
2.如权利要求1所述的方法,其特征在于,步骤S4包括:
S41获取教学内容,根据教学内容确定不同教学阶段的各个知识点,将所有知识点构成知识点库;
S42将教学过程文本与知识点库进行比对,统计得到知识点库中的各个知识点在教学过程文本中出现的频次;
S43获取与教学过程文本的教学阶段相同的历史视频,结合教学过程文本的知识点频次计算得到教师的教学内容评分,所述历史视频包括由人工标注的各个知识点出现的频次;
其中,计算公式如下:
式中,i1代表相同教学阶段的历史视频的数量,表示教师的教学内容评分,n1代表知识点库中隶属于该教学阶段的知识点的数量,/>是权重,权重代表不同知识点的重要程度,/>代表第j个知识点在历史视频中出现的频次,kj代表第j个知识点在教学过程文本中出现的频次。
3.如权利要求1所述的方法,其特征在于,步骤S5包括:
S51构建文明用语表,根据文明用语表确定不文明关键字,在教学过程文本中利用不文明关键字进行搜索,统计得到教学过程文本的不文明关键字的频次;
S52收集周期性的话题文本,将教学过程文本与话题文本进行文本相似度比较,统计得到教学过程文本的不当言论的频次;
S53收集教学禁用语文本,将教学过程文本与教学禁用语文本进行文本相似度比较,统计得到教学过程文本的教学禁用语的频次;
S54根据教学过程文本的不文明关键字的频次、教学过程文本的不当言论的频次和教学过程文本的教学禁用语的频次计算得到教师的教学素质评分,计算公式如下:
式中,Se代表教师的教学素质评分,we表示权重,e1为教学过程文本的不文明关键字的频次,e2为教学过程文本的教学禁用语的频次,Pr代表是否出现不当言论,若出现则Pr=1,若未出现则Pr=0。
4.如权利要求1所述的方法,其特征在于,步骤S6包括:
S61根据预训练的动作识别模型,对待解析视频中的师生行为进行识别,统计每种师生行为出现的次数,所述师生行为包括学生起立、学生举手、学生趴桌子、老师点人和老师坐讲台;
S62获取相同教学阶段的历史视频的各种师生行为出现的次数,将历史视频的各种师生行为出现的次数进行向量化和标准化,得到历史标准向量;
S63根据待解析视频中每种师生行为出现的次数和历史标准向量计算得到教师的互动行为评分;
S64根据预训练的目标检测模型对待解析视频进行检测,以教师左上角为原点,定位课堂中教师出现的位置坐标,每10s定位一次教师的位置坐标,得到位置坐标集合;
S65提取待解析视频中的讲台区域,并将待解析视频中除讲台区域以外的其他区域作为非讲台区域,统计位置坐标集合中位于非讲台区域的位置坐标的个数占位置坐标集合中位置坐标总数的比例,并结合教师行动轨迹的离散值,得到教师的巡视情况;
S66获取相同教学阶段的历史视频的巡视情况;
S67结合历史视频的巡视情况和待解析视频的巡视情况进行计算,得到教师的巡视评分;
S68将待解析视频的互动行为评分和待解析视频的巡视评分进行加权平均得到教师的教学状态评分。
5.如权利要求4所述的方法,其特征在于,步骤S63中,计算公式为:
式中,Sa为教师的互动行为评分,a1为学生起立出现的次数,a2为学生举手出现的次数,a3为学生趴桌子出现的次数,a4为老师点人出现的次数,a5为老师坐讲台出现的次数,λ为平衡各种师生行为出现次数的权重,std为历史标准向量,m即代表五种师生行为中的其中一种师生行为。
6.如权利要求4所述的方法,其特征在于,步骤S65中,教师行动轨迹的离散值的计算公式为:
式中,x、y分别表示横坐标和纵坐标,Sx代表横坐标方向的行动轨迹的离散值,Sy代表纵坐标方向的行动轨迹的离散值,分别为位置坐标集合中横坐标的均值和纵坐标的均值,i2表示第i2个教师所在的位置,n2为位置坐标集合中的位置坐标数量,即教师行动轨迹的数量。
7.如权利要求1所述的方法,其特征在于,步骤S7包括:
S71将待解析视频进行帧采样,利用预训练的目标检测模型对帧进行目标检测,提取投影仪的PPT区域和黑板区域,并按照待解析视频中视频内容的变化情况对目标检测的结果进行去重,统计得到待解析视频的PPT区域和黑板区域的变化次数;
S72获取相同教学阶段的多个历史视频的PPT区域和黑板区域的变化次数,将其与待解析视频的PPT区域和黑板区域的变化次数进行相似度计算,将相似度计算结果按照从大到小的顺序排列,选取第一个和第二个相似度对应的历史视频,作为相似历史视频;
S73获取相似历史视频的教学方式评分,根据相似历史视频的PPT区域和黑板区域的变化次数、相似历史视频的教学方式评分计算得到教师的教学方式评分。
8.如权利要求7所述的方法,其特征在于,步骤S73中,计算公式为:
式中,Sv为教师的教学方式评分,s1、s2分别为两个相似历史视频的PPT区域和黑板区域的变化次数,c1、c2分别为两个相似历史视频的教学方式评分。
9.如权利要求1所述的方法,其特征在于,步骤S8包括:
S81按照教学阶段统计教师的教学班级对应学科的平均分ts、及格率tp和优分率te;
S82引入平衡系数β,平衡系数的值为全校学生的各学科总分的平均分/教师的教学班级中学生各学科总分的平均分;
S83根据平衡系数β、平均分ts、及格率tp和优分率te计算得到教师的教学质量评分,计算公式如下:
式中,Sq为教师的教学质量评分,β为平衡系数,分别是ts、tp、te对应的权重。
10.如权利要求1所述的方法,其特征在于,步骤S9包括:
S91将教师的教学内容评分、教师的教学素质评分、教师的教学状态评分、教师的教学方式评分和教师的教学质量评分分别进行百分制的统一化,得到该教师的教学内容分值、教学素质分值、教学状态分值、教学方式分值和教学质量分值;
S92根据该教师的教学内容分值、教学素质分值、教学状态分值、教学方式分值和教学质量分值绘制等边五边形,以教学内容、教学素质、教学状态、教学方式和教学质量作为等边五边形的五个顶点,每个顶点与等边五边形的中心点之间的连线根据百分制进行刻度划分,得到带有百分制刻度的等边五边形;
S93按照教学内容分值、教学素质分值、教学状态分值、教学方式分值和教学质量分值在带有百分制刻度的等边五边形中分别寻找到对应的五个刻度点,将五个刻度点按照相邻规则依次连接,得到教师的综合能力五边形,作为教师的综合能力评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059771.3A CN117078094A (zh) | 2023-08-22 | 2023-08-22 | 一种基于人工智能的教师综合能力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059771.3A CN117078094A (zh) | 2023-08-22 | 2023-08-22 | 一种基于人工智能的教师综合能力评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117078094A true CN117078094A (zh) | 2023-11-17 |
Family
ID=88719088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311059771.3A Pending CN117078094A (zh) | 2023-08-22 | 2023-08-22 | 一种基于人工智能的教师综合能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117078094A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952687A (zh) * | 2023-12-26 | 2024-04-30 | 北京同方艾威康科技有限公司 | 一种混合式教学ai评价系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050255431A1 (en) * | 2004-05-17 | 2005-11-17 | Aurilab, Llc | Interactive language learning system and method |
CN112990687A (zh) * | 2021-03-11 | 2021-06-18 | 上海明略人工智能(集团)有限公司 | 一种基于文本分析和人脸识别的教学质量管理方法和系统 |
CN114219224A (zh) * | 2021-11-24 | 2022-03-22 | 慧之安信息技术股份有限公司 | 一种用于智慧教室的教学质量检测方法和系统 |
CN116362587A (zh) * | 2023-02-14 | 2023-06-30 | 广东财经大学 | 一种基于人工智能的高校课堂教学评价方法和系统 |
CN116433431A (zh) * | 2023-04-14 | 2023-07-14 | 华中师范大学 | 一种基于图像处理技术的教师教学状态自动评价方法及系统 |
CN116452022A (zh) * | 2022-12-12 | 2023-07-18 | 北京捷通华声科技股份有限公司 | 教师教学效果的评价方法、装置及电子设备 |
-
2023
- 2023-08-22 CN CN202311059771.3A patent/CN117078094A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050255431A1 (en) * | 2004-05-17 | 2005-11-17 | Aurilab, Llc | Interactive language learning system and method |
CN112990687A (zh) * | 2021-03-11 | 2021-06-18 | 上海明略人工智能(集团)有限公司 | 一种基于文本分析和人脸识别的教学质量管理方法和系统 |
CN114219224A (zh) * | 2021-11-24 | 2022-03-22 | 慧之安信息技术股份有限公司 | 一种用于智慧教室的教学质量检测方法和系统 |
CN116452022A (zh) * | 2022-12-12 | 2023-07-18 | 北京捷通华声科技股份有限公司 | 教师教学效果的评价方法、装置及电子设备 |
CN116362587A (zh) * | 2023-02-14 | 2023-06-30 | 广东财经大学 | 一种基于人工智能的高校课堂教学评价方法和系统 |
CN116433431A (zh) * | 2023-04-14 | 2023-07-14 | 华中师范大学 | 一种基于图像处理技术的教师教学状态自动评价方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952687A (zh) * | 2023-12-26 | 2024-04-30 | 北京同方艾威康科技有限公司 | 一种混合式教学ai评价系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991381B (zh) | 一种基于行为和语音智能识别的实时课堂学生状态分析与指示提醒系统和方法 | |
CN101740024B (zh) | 基于广义流利的口语流利度自动评估方法 | |
US8682241B2 (en) | Method and system for improving the quality of teaching through analysis using a virtual teaching device | |
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 | |
CN110544481B (zh) | 一种基于声纹识别的s-t分类方法、装置及设备终端 | |
CN107609736A (zh) | 一种综合应用人工智能技术的教学诊断分析系统及方法 | |
CN110069707A (zh) | 一种人工智能自适应互动教学系统 | |
CN110427977B (zh) | 一种课堂互动行为的检测方法 | |
CN117078094A (zh) | 一种基于人工智能的教师综合能力评估方法 | |
Himawan et al. | 3d convolution recurrent neural networks for bird sound detection | |
CN116109455B (zh) | 一种基于人工智能的语言教学辅助系统 | |
CN116050892A (zh) | 一种基于人工智能的智能教育评价监督方法 | |
CN112184503A (zh) | 用于学前教育质量评价的儿童多项能力评分方法及系统 | |
CN113920534A (zh) | 一种视频精彩片段提取方法、系统和存储介质 | |
CN110473548B (zh) | 一种基于声学信号的课堂交互网络分析方法 | |
CN110956142A (zh) | 一种智能交互培训系统 | |
CN116362587A (zh) | 一种基于人工智能的高校课堂教学评价方法和系统 | |
CN109447863A (zh) | 一种4mat实时分析方法及系统 | |
CN111460245A (zh) | 多维度人群特征测定方法 | |
Yang | Machine learning for English teaching: a novel evaluation method | |
CN114241835A (zh) | 一种学生口语质量评测方法和设备 | |
CN111950472A (zh) | 教师磨课测评方法及系统 | |
Li et al. | Improvement and Optimization Method of College English Teaching Level Based on Convolutional Neural Network Model in an Embedded Systems Context | |
CN111081095A (zh) | 影音教学平台、分析子系统及方法、推荐子系统及方法 |
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 |