CN117112832B - 基于线上监测和线下指导结合的教学方法及其系统 - Google Patents

基于线上监测和线下指导结合的教学方法及其系统 Download PDF

Info

Publication number
CN117112832B
CN117112832B CN202311175218.6A CN202311175218A CN117112832B CN 117112832 B CN117112832 B CN 117112832B CN 202311175218 A CN202311175218 A CN 202311175218A CN 117112832 B CN117112832 B CN 117112832B
Authority
CN
China
Prior art keywords
interest
content
recommendation model
video
determining
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
Application number
CN202311175218.6A
Other languages
English (en)
Other versions
CN117112832A (zh
Inventor
黄剑火
杨楷
王兆麒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shepei Technology Guangdong Co ltd
Original Assignee
Shepei Technology Guangdong Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shepei Technology Guangdong Co ltd filed Critical Shepei Technology Guangdong Co ltd
Priority to CN202311175218.6A priority Critical patent/CN117112832B/zh
Publication of CN117112832A publication Critical patent/CN117112832A/zh
Application granted granted Critical
Publication of CN117112832B publication Critical patent/CN117112832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供一种基于线上监测和线下指导结合的教学方法及其系统，该方法包括：获取线上上课过程中的视频数据流；获取视频数据流中的目标内容视频，获取目标内容视频中的视频内容；基于视频内容确定学业课程信息和课程推荐模型；确定目标内容视频中的待指导用户，并确定待指导用户对视频内容的兴趣程度；在WebSocket教学系统中获取待指导用户在学业课程信息的学业成绩绩点；基于课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值；根据兴趣推荐值确定线下指导推荐内容，并为待指导用户推荐与线下指导推荐内容的相关试题和相关视频。本申请准确地定位出学生感兴趣的内容，同时，为学生准确地推荐线下指导内容。

Description

基于线上监测和线下指导结合的教学方法及其系统
技术领域
本申请涉及计算机技术领域，具体涉及一种基于线上监测和线下指导结合的教学方法及其系统。
背景技术
现有的基于线上监测和线下指导结合的教学方法主要有翻转课堂方法、混合式教学和智能化学习系统方法。翻转课堂方法即将传统的课堂教学中的讲解和演示环节移至线上，让学生自主学习相关知识，并在课堂上进行实际操作和探究。教师则通过线上监测和评估工具对学生的学习进度和效果进行监测和指导。混合式教学方法即将传统的面对面教学和线上教学相结合，以适应不同类型的学生和学习需求。学生可以选择线上或线下学习方式，并且教师可以根据学生的反馈和数据分析来进行更加个性化的指导和支持。智能化学习系统方法即利用人工智能、大数据和机器学习等技术，对学生的学习数据进行分析和挖掘，并为学生提供个性化的学习建议和指导。教师可以通过系统对学生的学习进展和问题进行监测和反馈，并给出相应的指导和支持。现有的基于线上监测和线下指导结合的教学方法不能准确地定位学生感兴趣的内容，更加不能为学生准确推荐线下指导内容。
发明内容
本申请实施例提供一种基于线上监测和线下指导结合的教学方法及其系统，旨在准确地定位感兴趣内容，准确推荐线下指导内容。
第一方面，本申请实施例提供一种基于线上监测和线下指导结合的教学方法，包括：
获取线上上课过程中的视频数据流；所述视频数据流包括多段课程内容视频，每一段所述课程内容视频表征一个知识内容的视频；
获取所述视频数据流中的目标内容视频，获取所述目标内容视频中的视频内容；所述目标内容视频表征存在学生和讲师互动的视频；
基于所述视频内容确定学业课程信息和课程推荐模型；
确定所述目标内容视频中的待指导用户，并确定所述待指导用户对所述视频内容的兴趣程度；所述兴趣程度表征所述待指导用户与讲师之间的互动时长；
在WebSocket教学系统中获取所述待指导用户在所述学业课程信息的学业成绩绩点；
基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值；
根据所述兴趣推荐值确定线下指导推荐内容，并为所述待指导用户推荐与所述线下指导推荐内容的相关试题和相关视频。
在一个实施例中，所述视频内容包括文史内容；
基于所述视频内容确定课程推荐模型，包括：
若确定所述视频内容为文史内容，则确定所述课程推荐模型为第一推荐模型；所述第一推荐模型表征以兴趣程度每5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
在一个实施例中，所述基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值，包括：
若确定所述课程推荐模型为第一推荐模型，则基于所述第一推荐模型和所述兴趣程度，计算第一兴趣预测值；
基于所述第一兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，α为第一兴趣预测值，β为学业成绩绩点，e＝2.7182。
在一个实施例中，所述视频内容包括数学内容；
基于所述视频内容确定课程推荐模型，包括：
若确定所述视频内容为数学内容，则确定所述课程推荐模型为第二推荐模型；所述第二推荐模型表征以兴趣程度每3分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
在一个实施例中，所述基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值，包括：
若确定所述课程推荐模型为第二推荐模型，则基于所述第二推荐模型和所述兴趣程度，计算第二兴趣预测值；
基于所述第二兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，b为第二兴趣预测值，β为学业成绩绩点，e＝2.7182。
在一个实施例中，所述视频内容包括物理内容；
基于所述视频内容确定课程推荐模型，包括：
若确定所述视频内容为物理内容，则确定所述课程推荐模型为第三推荐模型；所述第三推荐模型表征以兴趣程度每1.5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
在一个实施例中，基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值，包括：
若确定所述课程推荐模型为第三推荐模型，则基于所述第三推荐模型和所述兴趣程度，计算第三兴趣预测值；
基于所述第三兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，c为第三兴趣预测值，β为学业成绩绩点，e＝2.7182。
第二方面，本申请实施例提供一种基于线上监测和线下指导结合的教学系统，包括：
第一获取模块，用于获取线上上课过程中的视频数据流；所述视频数据流包括多段课程内容视频，每一段所述课程内容视频表征一个知识内容的视频；
第二获取模块，用于获取所述视频数据流中的目标内容视频，获取所述目标内容视频中的视频内容；所述目标内容视频表征存在学生和讲师互动的视频；
第一确定模块，用于基于所述视频内容确定学业课程信息和课程推荐模型；
第二确定模块，用于确定所述目标内容视频中的待指导用户，并确定所述待指导用户对所述视频内容的兴趣程度；所述兴趣程度表征所述待指导用户与讲师之间的互动时长；
第三获取模块，用于在WebSocket教学系统中获取所述待指导用户在所述学业课程信息的学业成绩绩点；
计算模块，用于基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值；
线下指导模块，用于根据所述兴趣推荐值确定线下指导推荐内容，并为所述待指导用户推荐与所述线下指导推荐内容的相关试题和相关视频。
第三方面，本申请实施例提供一种电子设备，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的确定机程序，所述处理器执行所述确定机程序时实现第一方面所述的基于线上监测和线下指导结合的教学方法。
第四方面，本申请实施例提供一种非暂态确定机可读存储介质，非暂态确定机可读存储介质包括确定机程序，所述确定机程序被处理器执行时实现第一方面所述的基于线上监测和线下指导结合的教学方法。
第五方面，本申请实施例提供一种计算机产品，计算机产品包括确定机程序，所述确定机程序被处理器执行时实现第一方面所述的基于线上监测和线下指导结合的教学方法。
本申请实施例提供的基于线上监测和线下指导结合的教学方法及其系统，获取线上上课过程中的视频数据流；获取视频数据流中的目标内容视频，获取目标内容视频中的视频内容；基于视频内容确定学业课程信息和课程推荐模型；确定目标内容视频中的待指导用户，并确定待指导用户对视频内容的兴趣程度；在WebSocket教学系统中获取待指导用户在学业课程信息的学业成绩绩点；基于课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值；根据兴趣推荐值确定线下指导推荐内容，并为待指导用户推荐与线下指导推荐内容的相关试题和相关视频。在基于线上监测和线下指导结合的教学系统的过程中，通过用户对视频内容的兴趣程度准确地定位出学生感兴趣的内容，同时，根据课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值，从而根据兴趣推荐值为学生推荐与线下指导推荐内容的相关试题和相关视频。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的基于线上监测和线下指导结合的教学方法的流程示意图；
图2是本申请实施例提供的基于线上监测和线下指导结合的教学系统的结构示意图；
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1，图1是本申请实施例提供的基于线上监测和线下指导结合的教学方法的流程示意图。本申请实施例提供一种基于线上监测和线下指导结合的教学方法，包括：
步骤101，获取线上上课过程中的视频数据流；
步骤102，获取所述视频数据流中的目标内容视频，获取所述目标内容视频中的视频内容；
步骤103，基于所述视频内容确定学业课程信息和课程推荐模型；
步骤104，确定所述目标内容视频中的待指导用户，并确定所述待指导用户对所述视频内容的兴趣程度；
步骤105，在WebSocket教学系统中获取所述待指导用户在所述学业课程信息的学业成绩绩点；
步骤106，基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值；
步骤107，根据所述兴趣推荐值确定线下指导推荐内容，并为所述待指导用户推荐与所述线下指导推荐内容的相关试题和相关视频。
需要说明的是，本申请实施例提供的基于线上监测和线下指导结合的教学方法以综合教学系统为执行主体举例说明。
具体地，在进行线上讲课时，会录制线上上课过程中的视频数据流，因此，需要进行线上监测和线下指导结合的教学时，综合教学系统获取线上上课过程中的视频数据流，其中，视频数据流包括多段课程内容视频，每一段课程内容视频表征一个知识内容的视频。
进一步地，综合教学系统获取视频数据流中的目标内容视频，其中，目标内容视频表征存在学生和讲师互动的视频。进一步地，综合教学系统获取目标内容视频中的视频内容。
进一步地，综合教学系统根据视频内容确定学业课程信息，也即确定视频内容对应哪一门课程，同时，综合教学系统根据视频内容确定课程推荐模型，其中，课程推荐模型是用于进行兴趣值评估的。
进一步地，综合教学系统确定目标内容视频中的待指导用户，并确定待指导用户对视频内容的兴趣程度，其中，兴趣程度表征待指导用户与讲师之间的互动时长。进一步地，综合教学系统在WebSocket教学系统中获取待指导用户在学业课程信息的学业成绩绩点，其中，WebSocket是一种双向通信的协议，通过这种协议，客户端和服务器可以通过一个持久化的连接进行双向的数据传递。相较于HTTP协议，WebSocket的连接成本更低、效率更高，因此在实现实时通信的场景下更加适用。在线教育场景下，通过WebSocket建立的实时连接，可以实现即时互动、双向传输数据、对教学资源进行广播等功能。
进一步地，综合教学系统根据课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值。进一步地，综合教学系统根据兴趣推荐值确定线下指导推荐内容，并为待指导用户推荐与线下指导推荐内容的相关试题和相关视频。
本申请实施例提供的基于线上监测和线下指导结合的教学方法，获取线上上课过程中的视频数据流；获取视频数据流中的目标内容视频，获取目标内容视频中的视频内容；基于视频内容确定学业课程信息和课程推荐模型；确定目标内容视频中的待指导用户，并确定待指导用户对视频内容的兴趣程度；在WebSocket教学系统中获取待指导用户在学业课程信息的学业成绩绩点；基于课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值；根据兴趣推荐值确定线下指导推荐内容，并为待指导用户推荐与线下指导推荐内容的相关试题和相关视频。在基于线上监测和线下指导结合的教学系统的过程中，通过用户对视频内容的兴趣程度准确地定位出学生感兴趣的内容，同时，根据课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值，从而根据兴趣推荐值为学生推荐与线下指导推荐内容的相关试题和相关视频。
在一实施例中，基于所述视频内容确定课程推荐模型，包括：
若确定所述视频内容为文史内容，则确定所述课程推荐模型为第一推荐模型；所述第一推荐模型表征以兴趣程度每5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
需要说明的是，视频内容包括文史内容、数学内容和物理内容，因此，对于视频内容为文史内容的：
具体地，若确定视频内容为文史内容，综合教学系统则确定课程推荐模型为第一推荐模型，其中，第一推荐模型表征以兴趣程度每5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
在一实施例中，兴趣程度为30分钟，则对应30/5＝6个阶段，对应的分值为0.1*6＝0.6。
相应地，基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值，包括：
若确定所述课程推荐模型为第一推荐模型，则基于所述第一推荐模型和所述兴趣程度，计算第一兴趣预测值；
基于所述第一兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，α为第一兴趣预测值，β为学业成绩绩点，e＝2.7182。
具体地，若确定课程推荐模型为第一推荐模型，综合教学系统则根据第一推荐模型和兴趣程度，计算第一兴趣预测值。在一实施例中，兴趣程度为30分钟，则对应30/5＝6个阶段，对应的分值为0.1*6＝0.6。
进一步地，综合教学系统根据第一兴趣预测值和学业成绩绩点，计算兴趣推荐值，兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，α为第一兴趣预测值，β为学业成绩绩点，e＝2.7182。
本申请实施例根据课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值，从而根据兴趣推荐值为学生推荐与线下指导推荐内容的相关试题和相关视频。
在一实施例中，基于所述视频内容确定课程推荐模型，包括：
若确定所述视频内容为数学内容，则确定所述课程推荐模型为第二推荐模型；所述第二推荐模型表征以兴趣程度每3分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
具体地，若确定视频内容为数学内容，综合教学系统则确定课程推荐模型为第二推荐模型，其中，第二推荐模型表征以兴趣程度每3分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
在一实施例中，兴趣程度为30分钟，则对应30/3＝10个阶段，对应的分值为0.1*10＝1。
相应地，基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值，包括：
若确定所述课程推荐模型为第二推荐模型，则基于所述第二推荐模型和所述兴趣程度，计算第二兴趣预测值；
基于所述第二兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，b为第二兴趣预测值，β为学业成绩绩点，e＝2.7182。
具体地，若确定课程推荐模型为第二推荐模型，综合教学系统则根据第二推荐模型和兴趣程度，计算第二兴趣预测值。在一实施例中，兴趣程度为30分钟，则对应30/3＝10个阶段，对应的分值为0.1*10＝1。
进一步地，综合教学系统根据第二兴趣预测值和学业成绩绩点，计算兴趣推荐值，兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，b为第二兴趣预测值，β为学业成绩绩点，e＝2.7182
本申请实施例根据课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值，从而根据兴趣推荐值为学生推荐与线下指导推荐内容的相关试题和相关视频。
在一实施例中，基于所述视频内容确定课程推荐模型，包括：
若确定所述视频内容为物理内容，则确定所述课程推荐模型为第三推荐模型；所述第三推荐模型表征以兴趣程度每1.5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
具体地，若确定视频内容为物理内容，综合教学系统则确定课程推荐模型为第三推荐模型，其中，第三推荐模型表征以兴趣程度每1.5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。在一实施例中，兴趣程度为30分钟，则对应30/1.5＝20个阶段，对应的分值为1。兴趣程度为12分钟，则对应12/1.5＝8个阶段，对应的分值为0.1*8＝0.8。
相应地，基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值，包括：
若确定所述课程推荐模型为第三推荐模型，则基于所述第三推荐模型和所述兴趣程度，计算第三兴趣预测值；
基于所述第三兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，c为第三兴趣预测值，β为学业成绩绩点，e＝2.7182。
具体地，若确定课程推荐模型为第三推荐模型，综合教学系统则根据第三推荐模型和兴趣程度，计算第三兴趣预测值。在一实施例中，兴趣程度为30分钟，则对应30/1.5＝20个阶段，对应的分值为1。兴趣程度为12分钟，则对应12/1.5＝8个阶段，对应的分值为0.1*8＝0.8。
进一步地，综合教学系统根据第三兴趣预测值和学业成绩绩点，计算兴趣推荐值，兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，c为第三兴趣预测值，β为学业成绩绩点，e＝2.7182。本申请实施例根据课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值，从而根据兴趣推荐值为学生推荐与线下指导推荐内容的相关试题和相关视频。
下面对本申请实施例提供的基于线上监测和线下指导结合的教学系统进行描述，下文描述的基于线上监测和线下指导结合的教学系统与上文描述的基于线上监测和线下指导结合的教学方法可相互对应参照。参考图2，图2是本申请实施例提供的基于线上监测和线下指导结合的教学系统的结构示意图，本申请实施例提供的基于线上监测和线下指导结合的教学系统包括：
第一获取模块201，用于获取线上上课过程中的视频数据流；所述视频数据流包括多段课程内容视频，每一段所述课程内容视频表征一个知识内容的视频；
第二获取模块202，用于获取所述视频数据流中的目标内容视频，获取所述目标内容视频中的视频内容；所述目标内容视频表征存在学生和讲师互动的视频；
第一确定模块203，用于基于所述视频内容确定学业课程信息和课程推荐模型；
第二确定模块204，用于确定所述目标内容视频中的待指导用户，并确定所述待指导用户对所述视频内容的兴趣程度；所述兴趣程度表征所述待指导用户与讲师之间的互动时长；
第三获取模块205，用于在WebSocket教学系统中获取所述待指导用户在所述学业课程信息的学业成绩绩点；
计算模块206，用于基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值；
线下指导模块207，用于根据所述兴趣推荐值确定线下指导推荐内容，并为所述待指导用户推荐与所述线下指导推荐内容的相关试题和相关视频。
本申请实施例提供的基于线上监测和线下指导结合的教学系统，获取线上上课过程中的视频数据流；获取视频数据流中的目标内容视频，获取目标内容视频中的视频内容；基于视频内容确定学业课程信息和课程推荐模型；确定目标内容视频中的待指导用户，并确定待指导用户对视频内容的兴趣程度；在WebSocket教学系统中获取待指导用户在学业课程信息的学业成绩绩点；基于课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值；根据兴趣推荐值确定线下指导推荐内容，并为待指导用户推荐与线下指导推荐内容的相关试题和相关视频。在基于线上监测和线下指导结合的教学系统的过程中，通过用户对视频内容的兴趣程度准确地定位出学生感兴趣的内容，同时，根据课程推荐模型、学业成绩绩点和兴趣程度，计算待指导用户的兴趣推荐值，从而根据兴趣推荐值为学生推荐与线下指导推荐内容的相关试题和相关视频。
在一个实施例中，第一确定模块203还用于：
若确定所述视频内容为文史内容，则确定所述课程推荐模型为第一推荐模型；所述第一推荐模型表征以兴趣程度每5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
在一个实施例中，计算模块206还用于：
若确定所述课程推荐模型为第一推荐模型，则基于所述第一推荐模型和所述兴趣程度，计算第一兴趣预测值；
基于所述第一兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，α为第一兴趣预测值，β为学业成绩绩点，e＝2.7182。
在一个实施例中，第一确定模块203还用于：
若确定所述视频内容为数学内容，则确定所述课程推荐模型为第二推荐模型；所述第二推荐模型表征以兴趣程度每3分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
在一个实施例中，计算模块206还用于：
若确定所述课程推荐模型为第二推荐模型，则基于所述第二推荐模型和所述兴趣程度，计算第二兴趣预测值；
基于所述第二兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，b为第二兴趣预测值，β为学业成绩绩点，e＝2.7182。
在一个实施例中，第一确定模块203还用于：
若确定所述视频内容为物理内容，则确定所述课程推荐模型为第三推荐模型；所述第三推荐模型表征以兴趣程度每1.5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
在一个实施例中，计算模块206还用于：
若确定所述课程推荐模型为第三推荐模型，则基于所述第三推荐模型和所述兴趣程度，计算第三兴趣预测值；
基于所述第三兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，c为第三兴趣预测值，β为学业成绩绩点，e＝2.7182。
本申请提供的基于线上监测和线下指导结合的教学系统的具体实施例与基于线上监测和线下指导结合的教学方法各实施例基本相同，在此不作赘述。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communication Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的确定机程序，以执行基于线上监测和线下指导结合的教学方法的步骤，例如包括：
获取线上上课过程中的视频数据流；所述视频数据流包括多段课程内容视频，每一段所述课程内容视频表征一个知识内容的视频；
获取所述视频数据流中的目标内容视频，获取所述目标内容视频中的视频内容；所述目标内容视频表征存在学生和讲师互动的视频；
基于所述视频内容确定学业课程信息和课程推荐模型；
确定所述目标内容视频中的待指导用户，并确定所述待指导用户对所述视频内容的兴趣程度；所述兴趣程度表征所述待指导用户与讲师之间的互动时长；
在WebSocket教学系统中获取所述待指导用户在所述学业课程信息的学业成绩绩点；
基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值；
根据所述兴趣推荐值确定线下指导推荐内容，并为所述待指导用户推荐与所述线下指导推荐内容的相关试题和相关视频。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个确定机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该确定机软件产品存储在一个存储介质中，包括若干指令用以使得一台确定机设备(可以是个人确定机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请实施例还提供一种非暂态确定机可读存储介质，所述非暂态确定机可读存储介质包括确定机程序，所述确定机程序可存储在非暂态确定机可读存储介质上，所述确定机程序被处理器执行时，确定机能够执行上述各实施例所提供的基于线上监测和线下指导结合的教学方法的步骤，例如包括：
获取线上上课过程中的视频数据流；所述视频数据流包括多段课程内容视频，每一段所述课程内容视频表征一个知识内容的视频；
获取所述视频数据流中的目标内容视频，获取所述目标内容视频中的视频内容；所述目标内容视频表征存在学生和讲师互动的视频；
基于所述视频内容确定学业课程信息和课程推荐模型；
确定所述目标内容视频中的待指导用户，并确定所述待指导用户对所述视频内容的兴趣程度；所述兴趣程度表征所述待指导用户与讲师之间的互动时长；
在WebSocket教学系统中获取所述待指导用户在所述学业课程信息的学业成绩绩点；
基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值；
根据所述兴趣推荐值确定线下指导推荐内容，并为所述待指导用户推荐与所述线下指导推荐内容的相关试题和相关视频。
又一方面，本申请实施例还提供一种计算机产品，所述计算机产品包括确定机程序，所述确定机程序可存储在计算机产品上，所述确定机程序被处理器执行时，确定机能够执行上述各实施例所提供的基于线上监测和线下指导结合的教学方法的步骤，例如包括：
获取线上上课过程中的视频数据流；所述视频数据流包括多段课程内容视频，每一段所述课程内容视频表征一个知识内容的视频；
获取所述视频数据流中的目标内容视频，获取所述目标内容视频中的视频内容；所述目标内容视频表征存在学生和讲师互动的视频；
基于所述视频内容确定学业课程信息和课程推荐模型；
确定所述目标内容视频中的待指导用户，并确定所述待指导用户对所述视频内容的兴趣程度；所述兴趣程度表征所述待指导用户与讲师之间的互动时长；
在WebSocket教学系统中获取所述待指导用户在所述学业课程信息的学业成绩绩点；
基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值；
根据所述兴趣推荐值确定线下指导推荐内容，并为所述待指导用户推荐与所述线下指导推荐内容的相关试题和相关视频。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该确定机软件产品可以存储在确定机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台确定机设备(可以是个人确定机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (7)

1.一种基于线上监测和线下指导结合的教学方法，其特征在于，包括：
获取线上上课过程中的视频数据流；所述视频数据流包括多段课程内容视频，每一段所述课程内容视频表征一个知识内容的视频；
获取所述视频数据流中的目标内容视频，获取所述目标内容视频中的视频内容；所述目标内容视频表征存在学生和讲师互动的视频；
基于所述视频内容确定学业课程信息和课程推荐模型；
确定所述目标内容视频中的待指导用户，并确定所述待指导用户对所述视频内容的兴趣程度；所述兴趣程度表征所述待指导用户与讲师之间的互动时长；
在WebSocket教学系统中获取所述待指导用户在所述学业课程信息的学业成绩绩点；
基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值；
根据所述兴趣推荐值确定线下指导推荐内容，并为所述待指导用户推荐与所述线下指导推荐内容的相关试题和相关视频；
其中，基于所述视频内容确定课程推荐模型，包括：
若确定所述视频内容为文史内容，则确定所述课程推荐模型为第一推荐模型；所述第一推荐模型表征以兴趣程度每5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加；
若确定所述视频内容为数学内容，则确定所述课程推荐模型为第二推荐模型；所述第二推荐模型表征以兴趣程度每3分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加；
若确定所述视频内容为物理内容，则确定所述课程推荐模型为第三推荐模型；所述第三推荐模型表征以兴趣程度每1.5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
2.根据权利要求1所述的基于线上监测和线下指导结合的教学方法，其特征在于，所述基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值，包括：
若确定所述课程推荐模型为第一推荐模型，则基于所述第一推荐模型和所述兴趣程度，计算第一兴趣预测值；
基于所述第一兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，α为第一兴趣预测值，β为学业成绩绩点，e＝2.7182。
3.根据权利要求1所述的基于线上监测和线下指导结合的教学方法，其特征在于，所述基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值，包括：
若确定所述课程推荐模型为第二推荐模型，则基于所述第二推荐模型和所述兴趣程度，计算第二兴趣预测值；
基于所述第二兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，b为第二兴趣预测值，β为学业成绩绩点，e＝2.7182。
4.根据权利要求1所述的基于线上监测和线下指导结合的教学方法，其特征在于，所述基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值，包括：
若确定所述课程推荐模型为第三推荐模型，则基于所述第三推荐模型和所述兴趣程度，计算第三兴趣预测值；
基于所述第三兴趣预测值和所述学业成绩绩点，计算所述兴趣推荐值，所述兴趣推荐值的计算公式为：
其中，A为兴趣推荐值，c为第三兴趣预测值，β为学业成绩绩点，e＝2.7182。
5.一种基于线上监测和线下指导结合的教学系统，其特征在于，包括：
第一获取模块，用于获取线上上课过程中的视频数据流；所述视频数据流包括多段课程内容视频，每一段所述课程内容视频表征一个知识内容的视频；
第二获取模块，用于获取所述视频数据流中的目标内容视频，获取所述目标内容视频中的视频内容；所述目标内容视频表征存在学生和讲师互动的视频；
第一确定模块，用于基于所述视频内容确定学业课程信息和课程推荐模型；
第二确定模块，用于确定所述目标内容视频中的待指导用户，并确定所述待指导用户对所述视频内容的兴趣程度；所述兴趣程度表征所述待指导用户与讲师之间的互动时长；
第三获取模块，用于在WebSocket教学系统中获取所述待指导用户在所述学业课程信息的学业成绩绩点；
计算模块，用于基于所述课程推荐模型、所述学业成绩绩点和所述兴趣程度，计算所述待指导用户的兴趣推荐值；
线下指导模块，用于根据所述兴趣推荐值确定线下指导推荐内容，并为所述待指导用户推荐与所述线下指导推荐内容的相关试题和相关视频；
其中，基于所述视频内容确定课程推荐模型，包括：
若确定所述视频内容为文史内容，则确定所述课程推荐模型为第一推荐模型；所述第一推荐模型表征以兴趣程度每5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加；
若确定所述视频内容为数学内容，则确定所述课程推荐模型为第二推荐模型；所述第二推荐模型表征以兴趣程度每3分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加；
若确定所述视频内容为物理内容，则确定所述课程推荐模型为第三推荐模型；所述第三推荐模型表征以兴趣程度每1.5分钟为一个阶段，每一个阶段对应的分值为0.1，直至分值达到1后不再增加。
6.一种电子设备，所述电子设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的确定机程序，其特征在于，所述处理器执行所述确定机程序时实现权利要求1至4任一项所述的基于线上监测和线下指导结合的教学方法。
7.一种非暂态确定机可读存储介质，所述非暂态确定机可读存储介质包括确定机程序，其特征在于，所述确定机程序被处理器执行时实现权利要求1至4任一项所述的基于线上监测和线下指导结合的教学方法。
CN202311175218.6A 2023-09-12 2023-09-12 基于线上监测和线下指导结合的教学方法及其系统 Active CN117112832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311175218.6A CN117112832B (zh) 2023-09-12 2023-09-12 基于线上监测和线下指导结合的教学方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311175218.6A CN117112832B (zh) 2023-09-12 2023-09-12 基于线上监测和线下指导结合的教学方法及其系统

Publications (2)

Publication Number Publication Date
CN117112832A CN117112832A (zh) 2023-11-24
CN117112832B true CN117112832B (zh) 2024-03-19

Family

ID=88807504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311175218.6A Active CN117112832B (zh) 2023-09-12 2023-09-12 基于线上监测和线下指导结合的教学方法及其系统

Country Status (1)

Country Link
CN (1) CN117112832B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874960A (zh) * 2018-06-06 2018-11-23 电子科技大学 一种在线学习中基于降噪自编码器混合模型的课程视频推荐算法
CN109582875A (zh) * 2018-12-17 2019-04-05 武汉泰乐奇信息科技有限公司 一种在线医疗教育资源的个性化推荐方法及系统
CN110490683A (zh) * 2018-05-15 2019-11-22 中国移动通信集团浙江有限公司 一种线下线上协同多模型混合推荐的方法及系统
CN111209474A (zh) * 2019-12-27 2020-05-29 广东德诚科教有限公司 在线课程的推荐方法、装置、计算机设备和存储介质
CN111581529A (zh) * 2020-05-07 2020-08-25 之江实验室 一种结合学生适合度和课程搭配度的课程推荐方法及装置
CN112163162A (zh) * 2020-10-14 2021-01-01 珠海格力电器股份有限公司 基于人像识别的选修课程推荐方法、存储介质及电子设备
KR102405828B1 (ko) * 2021-12-03 2022-06-07 주식회사 대교씨엔에스 가우시안 혼합 모델을 이용한 클러스터링과 인공지능을 동시에 활용한 학습량 추천 방법 및 장치
CN116403218A (zh) * 2023-05-26 2023-07-07 江苏腾权信息科技有限公司 基于远程音视频互动的线上线下混合式教学管理系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012138959A2 (en) * 2011-04-07 2012-10-11 Denley Tristan Course recommendation system and method

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490683A (zh) * 2018-05-15 2019-11-22 中国移动通信集团浙江有限公司 一种线下线上协同多模型混合推荐的方法及系统
CN108874960A (zh) * 2018-06-06 2018-11-23 电子科技大学 一种在线学习中基于降噪自编码器混合模型的课程视频推荐算法
CN109582875A (zh) * 2018-12-17 2019-04-05 武汉泰乐奇信息科技有限公司 一种在线医疗教育资源的个性化推荐方法及系统
CN111209474A (zh) * 2019-12-27 2020-05-29 广东德诚科教有限公司 在线课程的推荐方法、装置、计算机设备和存储介质
CN111581529A (zh) * 2020-05-07 2020-08-25 之江实验室 一种结合学生适合度和课程搭配度的课程推荐方法及装置
CN112163162A (zh) * 2020-10-14 2021-01-01 珠海格力电器股份有限公司 基于人像识别的选修课程推荐方法、存储介质及电子设备
KR102405828B1 (ko) * 2021-12-03 2022-06-07 주식회사 대교씨엔에스 가우시안 혼합 모델을 이용한 클러스터링과 인공지능을 동시에 활용한 학습량 추천 방법 및 장치
CN116403218A (zh) * 2023-05-26 2023-07-07 江苏腾权信息科技有限公司 基于远程音视频互动的线上线下混合式教学管理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
个性化课程资源推荐系统的设计与实现.万方数据库.2018,第1-70页. *
深度学习在MOOC推荐系统中的应用;王艳;丁雪梅;孙薇;;实验技术与管理(第08期);64-67 *

Also Published As

Publication number Publication date
CN117112832A (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
Nafea Machine learning in educational technology
CN111274411A (zh) 课程推荐方法、装置、电子设备及可读存储介质
Roll et al. Tutoring self-and co-regulation with intelligent tutoring systems to help students acquire better learning skills
CN105448152A (zh) 一种在线教学系统
Zheng et al. Emerging approaches for supporting easy, engaged and effective collaborative learning
WO2011088412A1 (en) Dynamically recommending learning content
Makar et al. Comparing two distributions: Investigating secondary teachers’ statistical thinking
Raes et al. The effects of teacher-led class interventions during technology-enhanced science inquiry on students’ knowledge integration and basic need satisfaction
CN117198099A (zh) 一种视讯教学系统
CN116403445A (zh) 一种自适应辅助教学方法、装置、电子设备及存储介质
Krupp et al. Unreflected acceptance–investigating the negative consequences of chatgpt-assisted problem solving in physics education
Tackett et al. Use of commercially produced medical education videos in a cardiovascular curriculum: multiple cohort study
Wu et al. Leveraging computer vision for adaptive learning in STEM education: Effect of engagement and self-efficacy
Laveault Building capacity: Professional development and collaborative learning about assessment
CN117112832B (zh) 基于线上监测和线下指导结合的教学方法及其系统
CN115278272B (zh) 一种教育实践在线指导系统及方法
Marouane et al. Towards measuring learners concentration in e-learning systems
Bellman et al. A developmental model for adaptive and differentiated instruction using classroom networking technology
Zheng et al. Developing an Eclectic Blended Learning Model for Chinese University English Classrooms: A Methodological Framework
Zhang et al. Future Challenges of Accounting Education in China Using Artificial Intelligence Assisted Multimedia Based Smart Accounting System
Moreira et al. Profile-oriented algorithms teaching: a proposed methodology
Aguirre et al. Use of affordable hardware and free web based tools for Control Systems laboratory experiments
Chounta Using learning analytics to provide personalized recommendations for finding peers
Feng et al. The Effect of ElectronixTutor on Undergraduate Students' Acquisition of Conceptual Learning, Problem Solving, and Model Building of Electronic Circuits
Konoplianyk Enhancing Formative Assessment in Distance Learning of a Professional Foreign Language by Means of EdTech Tools

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