CN117350902A - 一种线上培训学时监管系统、方法及存储介质 - Google Patents
一种线上培训学时监管系统、方法及存储介质 Download PDFInfo
- Publication number
- CN117350902A CN117350902A CN202311279927.9A CN202311279927A CN117350902A CN 117350902 A CN117350902 A CN 117350902A CN 202311279927 A CN202311279927 A CN 202311279927A CN 117350902 A CN117350902 A CN 117350902A
- Authority
- CN
- China
- Prior art keywords
- time
- training
- learning
- teaching
- student
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 167
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000004424 eye movement Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- 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
- 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
- G06Q10/06398—Performance of employee with respect to a job function
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Educational Technology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请公开了一种线上培训学时监管系统、方法及存储介质,涉及线上教育技术领域。该监管系统包括讲师端、学员端和教务端。本申请公开的监管方法适用于该监管系统,且公开的存储介质与该监管方法相匹配。本申请对讲师的教学培训内容中的有效授课时间、培训质量以及学员的学习时间,进行综合性的评价,最终对学员的线上培训对应的有效时长进行获取,从而高效且可靠的对学员通过线上培训的方式得到的教学质量,对于线上培训管理和线上培训的长线发展而言,具有深远的影响。
Description
技术领域
本申请涉及线上教育技术领域,具体是一种线上培训学时监管系统、方法及存储介质。
背景技术
线上教育基于互联网作为媒介,实现线上教学,线上教学过程中教学人员与学习人员不同于课堂上面对面教学,并且线上教学的形式包括了在线直播教学的形式和基于录制的内容进行线上教学的形式,这就导致了教学人员不能够很好的感知学习人员的学习状态,同时,对于学习人员是否基于线上教学进行了有效时间的学习而言,教学人员也无法明确,从而导致最终的教学质量无法保证的情况出现。
发明内容
本申请的目的在于提供一种线上培训学时监管系统、方法及存储介质,以解决上述背景技术中提出的技术问题。
为实现上述目的,本申请公开了以下技术方案:
第一方面,本申请提供了一种线上培训学时监管系统,包括讲师端、学员端和教务端;
所述讲师端配置为:讲师在所述讲师端注册并登录讲师账号,通过所述讲师端录制并上传培训教学内容或通过所述讲师端在线直播培训教学内容,所述讲师端对讲师线上培训开始时间至培训结束时间的时间间隔进行获取,并将获取到的时长定义为教学时间T;以及对在所述教学时间T内讲师的知识授课时间占比进行分析,获取培训质量系数ρ;
所述学员端配置为:学员在所述学员端注册并登录学员账号,通过所述学员端观看所述讲师端提供的讲师录制并上传的培训教学内容或在线实时观看所述讲师端提供的在线直播的培训教学内容,所述学员端对学员线上学习考试时间至学习结束时间的时间间隔进行获取,并将获取到的时长定义为学习时间t;
所述教务端配置为:用于存储线上培训的中间数据,所述中间数据包括:讲师账号及其对应的数据信息、学员账号及其对应的数据信息、学员的有效学时及其对应的数据信息、讲师的培训教学内容及其对应的数据信息;还配置为:基于所述培训质量系数ρ和学习时间t对学员的有效学时Ttime进行监管,Ttime=t*ρ。
作为优选,所述教务端还配置为:对所述培训教学内容进行提取,所述培训教学内容包括音频内容和图像内容,并基于自然语言分析技术和预设的机器学习模型,对提取到的培训教学内容进行识别,获取该培训教学内容中的有效培训内容,并获取该有效培训内容对应的有效教学时间T′,所述机器学习模型通过按照培训内容对应的关键词作为训练特征进行深度学习后得到,通过计算得到培训质量系数ρ,其中,T′COMP为有效教学时间的补偿值,/>
作为优选,所述教务端还配置为:
对学员的学习情况进行学习数据的采集,基于采集到学习数据对学员的无效学习时长t′n进行分析,所述无效学习时长t′n为学员未处于学习状态的时长,所述的未处于学习状态至少包括:学员离座、学员睡觉、学员操作与学习无关的设备,所述学习数据包括通过所述学员端提取的学员眼动特征、通过所述学员端提取的学员坐姿特征、通过所述学员端提取的学员手动特征,通过计算得到学习时间t,t=∑(tn-tn-1-tn),Ttime=∑((tn-tn-1-tn)*ρ)。
第二方面,本申请提供了一种线上培训学时监管方法,该方法包括以下步骤:
获取教学时间T,所述教学时间T为讲师线上培训开始时间至培训结束时间的时间间隔;
获取学习时间t,所述学习时间t为学员线上学习考试时间至学习结束时间的时间间隔;
获取培训质量系数ρ,所述培训质量系数ρ为在所述教学时间T内讲师的知识授课时间占比;
获取有效学时Ttime,Ttime=t*ρ。
作为优选,所述的获取教学时间T,具体包括:
记录讲师在讲师端中开启线上培训的时间节点T1,记录讲师在讲师端结束线上培训的时间节点T2,T=T2-T1。
作为优选,所述的获取教学时间T,还包括:
获取讲师在线上培训过程中的无效授课时间T3,所述无效授课时间T3为培训教学内容中不具有培训内容的总时长,T=T2-T1-T3。
作为优选,所述的获取培训质量系数ρ,具体包括:
对教学时间T内的培训教学内容进行分析,所述培训教学内容包括音频内容和图像内容,基于自然语言分析技术和预设的机器学习模型,对提取到的培训教学内容进行识别,获取该培训教学内容中的有效培训内容,并获取该有效培训内容对应的有效教学时间T′,所述机器学习模型通过按照培训内容对应的关键词作为训练特征进行深度学习后得到,通过计算得到培训质量系数ρ,其中,T′COMP为有效教学时间的补偿值,
作为优选,所述的获取学习时间t,具体包括:
记录学员在学员端每次开始接受线上培训的时间节点tn-1,记录学员在学员端每次结束接受线上培训的时间节点tn,n为正整数,t=∑(tn-tn-1),Ttime=∑((tn-tn-1)*ρ)。
作为优选,获取学习时间t,还包括:
对学员的学习情况进行学习数据的采集,基于采集到学习数据对学员的无效学习时长t′n进行分析,所述无效学习时长t′n为学员未处于学习状态的时长,所述的未处于学习状态至少包括:学员离座、学员睡觉、学员操作与学习无关的设备,所述学习数据包括通过所述学员端提取的学员眼动特征、通过所述学员端提取的学员坐姿特征、通过所述学员端提取的学员手动特征,通过计算得到学习时间t,t=∑(tn-tn-1-t′n),Ttime=∑((tn-tn-1-tn)*ρ)。
第三方面,本申请提供了一种计算机可读存储介质,其上存储有能够被处理器执行的计算机程序,当所述计算机程序被所述处理器执行时,实现如上所述的线上培训学时监管方法。
有益效果:本申请,对讲师的教学培训内容中的有效授课时间、培训质量以及学员的学习时间,进行综合性的评价,最终对学员的线上培训对应的有效时长进行获取,从而高效且可靠的对学员通过线上培训的方式得到的教学质量,对于线上培训管理和线上培训的长线发展而言,具有深远的影响。
附图说明
为了更清楚地说明本申请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是本申请的一些实施例,对于本领域技术人员来讲,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为本申请实施例提供的线上培训学时监管系统的结构框图;
图2为本申请实施例提供的线上培训学时监管方法的流程框图。
具体实施方式
下面将对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
在本文中,术语“包括”意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本实施例在第一方面公开了一种如图1所示的线上培训学时监管系统,包括讲师端、学员端和教务端。讲师端、学员端分别与教务端信号连接,教务端可以是线上培训对应的软件/设备等的运营商后台/云台。
具体的,所述讲师端配置为:讲师在所述讲师端注册并登录讲师账号,通过所述讲师端录制并上传培训教学内容或通过所述讲师端在线直播培训教学内容,所述讲师端对讲师线上培训开始时间至培训结束时间的时间间隔进行获取,并将获取到的时长定义为教学时间T;以及对在所述教学时间T内讲师的知识授课时间占比进行分析,获取培训质量系数ρ。
具体的,所述学员端配置为:学员在所述学员端注册并登录学员账号,通过所述学员端观看所述讲师端提供的讲师录制并上传的培训教学内容或在线实时观看所述讲师端提供的在线直播的培训教学内容,所述学员端对学员线上学习考试时间至学习结束时间的时间间隔进行获取,并将获取到的时长定义为学习时间t。
具体的,所述教务端配置为:用于存储线上培训的中间数据,所述中间数据包括:讲师账号及其对应的数据信息(如账号信息和该账号对应的登录密码、身份信息等)、学员账号及其对应的数据信息(如账号信息和该账号对应的登录密码、身份信息等)、学员的有效学时及其对应的数据信息(如学员的有效学时及有效学时获取过程中参考的数据内容等)、讲师的培训教学内容及其对应的数据信息(如培训教学内容的音视频文件等);还配置为:基于所述培训质量系数ρ和学习时间t对学员的有效学时Ttime进行监管,Ttime=t*ρ。
作为本实施例的一种优选地实施方式,在本实施例中,所述教务端还配置为:对所述培训教学内容进行提取,所述培训教学内容包括音频内容和图像内容,并基于自然语言分析技术和预设的机器学习模型,其中,这里用到的自然语言分析技术和机器学习模型均是以现有技术为基础的技术手段,并采用这些技术手段对提取到的培训教学内容进行识别,获取该培训教学内容中的有效培训内容,并获取该有效培训内容对应的有效教学时间T′,所述机器学习模型通过按照培训内容对应的关键词作为训练特征进行深度学习后得到,可以理解的,有效教学时间T′是具有该有效培训内容的一段时长,可以是如:相邻两个被认定是有效培训内容对应的关键词出现的时长,且该时长需要小于预设的时间间隔阈值,该时间间隔阈值一般是基于经验获取的一个范围值,当该时长超出了该时间间隔阈值时,则可以认为,这两个相邻的关键词之间的时长对应的培训教学内容为无效的培训内容,即这段时长为后述的无效授课时间T3。当然,为了进一步提高无效授课时间T3的可靠性,也可以采用现有技术中的一些其他技术手段来实践对有效培训内容的认定及后述的有效教学时间T′的认定。
通过计算得到培训质量系数ρ,其中,T′COMP为有效教学时间的补偿值,有效教学时间的补偿值的设定,是一种对一些特定因素下的数据修正手段,这些特定因素包括但不限于有讲师的语速、网络延时等等。
作为本实施例的一种优选地实施方式,在本实施例中,所述教务端还配置为:
对学员的学习情况进行学习数据的采集,基于采集到学习数据对学员的无效学习时长t′n进行分析,所述无效学习时长t′n为学员未处于学习状态的时长,所述的未处于学习状态至少包括:学员离座、学员睡觉、学员操作与学习无关的设备(如手机等),所述学习数据包括通过所述学员端提取的学员眼动特征(可以基于学员眼动特征对学员是否观看培训教学内容进行判断、可以对学员是否存在打瞌睡等行为进行判断)、通过所述学员端提取的学员坐姿特征(可以基于学员坐姿特征对学员是否观看培训教学内容进行判断、可以对学员是否存在打瞌睡/睡觉等行为进行判断、可以对学员是否存在操作与学习无关的设备的判断)、通过所述学员端提取的学员手动特征(可以对学员是否存在操作与学习无关的设备的判断),这些特征的获取,均可以采用现有技术手段来实现,如图像处理技术、图像识别技术等等,通过计算得到学习时间t,t=∑(tn-tn-1-t′n),Ttime=∑((tn-tn-1-tn)*ρ)。
本实施例在第二方面提供了一种如图2所示的线上培训学时监管方法,该方法适用于前述的线上培训学时监管系统。具体来说,该方法包括以下步骤:
获取教学时间T,所述教学时间T为讲师线上培训开始时间至培训结束时间的时间间隔;
获取学习时间t,所述学习时间t为学员线上学习考试时间至学习结束时间的时间间隔;
获取培训质量系数ρ,所述培训质量系数ρ为在所述教学时间T内讲师的知识授课时间占比;
获取有效学时Ttime,Ttime=t*ρ。
作为本实施例的一种优选地实施方式,所述的获取教学时间,具体包括:
记录讲师在讲师端中开启线上培训的时间节点T1,记录讲师在讲师端结束线上培训的时间节点T2,T=T2-T1。
进一步地,所述的获取教学时间T,还包括:
获取讲师在线上培训过程中的无效授课时间T3,所述无效授课时间T3为培训教学内容中不具有培训内容的总时长,T=T2-T1-T3。
作为本实施例的一种优选地实施方式,所述的获取培训质量系数ρ,具体包括:
对教学时间T内的培训教学内容进行分析,所述培训教学内容包括音频内容和图像内容,基于自然语言分析技术和预设的机器学习模型,对提取到的培训教学内容进行识别,获取该培训教学内容中的有效培训内容,并获取该有效培训内容对应的有效教学时间T′,所述机器学习模型通过按照培训内容对应的关键词作为训练特征进行深度学习后得到,通过计算得到培训质量系数ρ,其中,T′COMP为有效教学时间的补偿值,
进一步地,所述的获取学习时间t,具体包括:
记录学员在学员端每次开始接受线上培训的时间节点tn-1,记录学员在学员端每次结束接受线上培训的时间节点tn,n为正整数,t=∑(tn-tn-1),Ttime=∑((tn-tn-1)*ρ)。
进一步地,获取学习时间t,还包括:
对学员的学习情况进行学习数据的采集,基于采集到学习数据对学员的无效学习时长t′n进行分析,所述无效学习时长t′n为学员未处于学习状态的时长,所述的未处于学习状态至少包括:学员离座、学员睡觉、学员操作与学习无关的设备,所述学习数据包括通过所述学员端提取的学员眼动特征、通过所述学员端提取的学员坐姿特征、通过所述学员端提取的学员手动特征,通过计算得到学习时间t,t=∑(tn-tn-1-tn),Ttime=∑((tn-tn-1-tn)*ρ)。
因此,有效学时Ttime基于前述的每个因素的获取,最终的计算公式为:
需要说明的是,借由本文本中提出本监管系统适用于监管方法,因此,监管系统中各组成部分对应的其他技术方案,可以对应的参考在监管方法中的记载,本文本不做赘述。
第三方面,本申请提供了一种计算机可读存储介质,其上存储有能够被处理器执行的计算机程序,当所述计算机程序被所述处理器执行时,实现如上所述的线上培训学时监管方法。
在本申请所提供的实施例中,应该理解到,可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现,处理器可以在一个或多个下列单元中实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现,实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时,可以将上述程序存储在计算机可读存储介质中或作为计算机可读存储介质上的一个或多个指令或代码进行传输。计算机可读存储介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读存储介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
最后应说明的是:以上所述仅为本申请的优选实施例而已,并不用于限制本申请,尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来说,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,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种线上培训学时监管系统,其特征在于,包括讲师端、学员端和教务端;
所述讲师端配置为:讲师在所述讲师端注册并登录讲师账号,通过所述讲师端录制并上传培训教学内容或通过所述讲师端在线直播培训教学内容,所述讲师端对讲师线上培训开始时间至培训结束时间的时间间隔进行获取,并将获取到的时长定义为教学时间T;以及对在所述教学时间T内讲师的知识授课时间占比进行分析,获取培训质量系数ρ;
所述学员端配置为:学员在所述学员端注册并登录学员账号,通过所述学员端观看所述讲师端提供的讲师录制并上传的培训教学内容或在线实时观看所述讲师端提供的在线直播的培训教学内容,所述学员端对学员线上学习考试时间至学习结束时间的时间间隔进行获取,并将获取到的时长定义为学习时间t;
所述教务端配置为:用于存储线上培训的中间数据,所述中间数据包括:讲师账号及其对应的数据信息、学员账号及其对应的数据信息、学员的有效学时及其对应的数据信息、讲师的培训教学内容及其对应的数据信息;还配置为:基于所述培训质量系数ρ和学习时间t对学员的有效学时Ttime进行监管,Ttime=t*ρ。
2.根据权利要求1所述的线上培训学时监管系统,其特征在于,所述教务端还配置为:对所述培训教学内容进行提取,所述培训教学内容包括音频内容和图像内容,并基于自然语言分析技术和预设的机器学习模型,对提取到的培训教学内容进行识别,获取该培训教学内容中的有效培训内容,并获取该有效培训内容对应的有效教学时间T′,所述机器学习模型通过按照培训内容对应的关键词作为训练特征进行深度学习后得到,通过计算得到培训质量系数ρ,其中,T′COMP为有效教学时间的补偿值,/>
3.根据权利要求2所述的线上培训学时监管系统,其特征在于,所述教务端还配置为:
对学员的学习情况进行学习数据的采集,基于采集到学习数据对学员的无效学习时长t′n进行分析,所述无效学习时长t′n为学员未处于学习状态的时长,所述的未处于学习状态至少包括:学员离座、学员睡觉、学员操作与学习无关的设备,所述学习数据包括通过所述学员端提取的学员眼动特征、通过所述学员端提取的学员坐姿特征、通过所述学员端提取的学员手动特征,通过计算得到学习时间t,t=∑(tn-tn-1-t′n),Ttime=∑((tn-tn-1-t′n)*ρ)。
4.一种线上培训学时监管方法,其特征在于,该方法包括以下步骤:
获取教学时间T,所述教学时间T为讲师线上培训开始时间至培训结束时间的时间间隔;
获取学习时间t,所述学习时间t为学员线上学习考试时间至学习结束时间的时间间隔;
获取培训质量系数ρ,所述培训质量系数ρ为在所述教学时间T内讲师的知识授课时间占比;
获取有效学时Ttime,Ttime=t*ρ。
5.根据权利要求4所述的线上培训学时监管方法,其特征在于,所述的获取教学时间T,具体包括:
记录讲师在讲师端中开启线上培训的时间节点T1,记录讲师在讲师端结束线上培训的时间节点T2,T=T2-T1。
6.根据权利要求5所述的线上培训学时监管方法,其特征在于,所述的获取教学时间T,还包括:
获取讲师在线上培训过程中的无效授课时间T3,所述无效授课时间T3为培训教学内容中不具有培训内容的总时长,T=T2-T1-T3。
7.根据权利要求6所述的线上培训学时监管方法,其特征在于,所述的获取培训质量系数ρ,具体包括:
对教学时间T内的培训教学内容进行分析,所述培训教学内容包括音频内容和图像内容,基于自然语言分析技术和预设的机器学习模型,对提取到的培训教学内容进行识别,获取该培训教学内容中的有效培训内容,并获取该有效培训内容对应的有效教学时间T′,所述机器学习模型通过按照培训内容对应的关键词作为训练特征进行深度学习后得到,通过计算得到培训质量系数ρ,其中,T′COMP为有效教学时间的补偿值,
8.根据权利要求4所述的线上培训学时监管方法,其特征在于,所述的获取学习时间t,具体包括:
记录学员在学员端每次开始接受线上培训的时间节点tn-1,记录学员在学员端每次结束接受线上培训的时间节点tn,n为正整数,t=∑(tn-tn-1),Ttime=∑((tn-tn-1)*ρ)。
9.根据权利要求8所述的线上培训学时监管方法,其特征在于,获取学习时间t,还包括:
对学员的学习情况进行学习数据的采集,基于采集到学习数据对学员的无效学习时长t′n进行分析,所述无效学习时长t′n为学员未处于学习状态的时长,所述的未处于学习状态至少包括:学员离座、学员睡觉、学员操作与学习无关的设备,所述学习数据包括通过所述学员端提取的学员眼动特征、通过所述学员端提取的学员坐姿特征、通过所述学员端提取的学员手动特征,通过计算得到学习时间t,t=∑(tn-tn-1-t′n),Ttime=∑((tn-tn-1-t′n)*ρ)。
10.一种计算机可读存储介质,其特征在于,其上存储有能够被处理器执行的计算机程序,当所述计算机程序被所述处理器执行时,实现如权利要求4-9任意一项所述的线上培训学时监管方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311279927.9A CN117350902B (zh) | 2023-09-28 | 2023-09-28 | 一种线上培训学时监管系统、方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311279927.9A CN117350902B (zh) | 2023-09-28 | 2023-09-28 | 一种线上培训学时监管系统、方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350902A true CN117350902A (zh) | 2024-01-05 |
CN117350902B CN117350902B (zh) | 2024-04-09 |
Family
ID=89355176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311279927.9A Active CN117350902B (zh) | 2023-09-28 | 2023-09-28 | 一种线上培训学时监管系统、方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350902B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492594A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于深度学习网络的课堂听课者抬头率检测方法 |
CN109636695A (zh) * | 2018-12-24 | 2019-04-16 | 国网安徽省电力有限公司培训中心 | 一种培训用的标签化管理平台 |
CN109961033A (zh) * | 2019-03-18 | 2019-07-02 | 重庆替比网络科技有限公司 | 职业教育现场培训监管系统 |
CN111476352A (zh) * | 2020-04-03 | 2020-07-31 | 中山大学 | 基于深度学习的随堂扫码评教数据有效性分析方法 |
CN111915111A (zh) * | 2019-05-08 | 2020-11-10 | 北京新唐思创教育科技有限公司 | 在线课堂的互动质量评价方法、装置及终端设备 |
-
2023
- 2023-09-28 CN CN202311279927.9A patent/CN117350902B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492594A (zh) * | 2018-11-16 | 2019-03-19 | 西安电子科技大学 | 基于深度学习网络的课堂听课者抬头率检测方法 |
CN109636695A (zh) * | 2018-12-24 | 2019-04-16 | 国网安徽省电力有限公司培训中心 | 一种培训用的标签化管理平台 |
CN109961033A (zh) * | 2019-03-18 | 2019-07-02 | 重庆替比网络科技有限公司 | 职业教育现场培训监管系统 |
CN111915111A (zh) * | 2019-05-08 | 2020-11-10 | 北京新唐思创教育科技有限公司 | 在线课堂的互动质量评价方法、装置及终端设备 |
CN111476352A (zh) * | 2020-04-03 | 2020-07-31 | 中山大学 | 基于深度学习的随堂扫码评教数据有效性分析方法 |
Non-Patent Citations (9)
Title |
---|
AREPELLY SHYLESH等: "Automated Answer Script Evaluation Using Deep Learning", 《2023 INTERNATIONAL CONFERENCE ON COMPUTER COMMUNICATION AND INFORMATICS (ICCCI)》, 24 May 2023 (2023-05-24), pages 1 - 5 * |
BILGE GENCOGLU等: "Machine and expert judgments of student perceptions of teaching behavior in secondary education: Added value of topic modeling with big data", 《COMPUTERS & EDUCATION》, 17 November 2022 (2022-11-17), pages 1 - 22 * |
安敏;于晓斐;: "高校课堂教学质量评价研究文献定量分析", 教学研究, no. 02, 15 March 2008 (2008-03-15) * |
张居设;: "基于GA优化RBF神经网络的英语教学质量评价", 计算机系统应用, no. 03, 15 March 2020 (2020-03-15) * |
董秀芳;孙浩;: "基于时序建模的教学质量评估系统的神经网络辨识", 科学技术与工程, no. 20, 15 October 2007 (2007-10-15) * |
赖宗睿;陈建伟;王占文;高鹏飞;杨梅;: ""固体力学教学微信平台"的应用与效果评估", 河北联合大学学报(社会科学版), no. 02, 15 March 2016 (2016-03-15), pages 79 - 85 * |
郑永;陈艳;: "基于BP神经网络的高校教师教学质量评价模型", 重庆理工大学学报(自然科学), no. 01, 15 January 2015 (2015-01-15), pages 85 - 90 * |
陈恺;: "基于深度学习的有效课堂教学分析", 科学大众(科学教育), no. 04, 20 April 2017 (2017-04-20) * |
马栋林;王孝通;张澍寰;郭娅婷;: "基于用户行为的教学视频内容质量评价方法", 兰州理工大学学报, no. 03, 15 June 2020 (2020-06-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117350902B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morgan et al. | Teaching mothers of low socioeconomic status to use decontextualized language during storybook reading | |
CN113781853B (zh) | 基于终端的师生远程互动教育平台 | |
CN110991381A (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 | |
CN107958351A (zh) | 教学质量评估云服务平台 | |
KR102430448B1 (ko) | 발성 학습 정보를 제공하는 방법, 이를 이용하는 서버 및 프로그램 | |
CN112862639B (zh) | 一种基于大数据分析的在线教育平台的教育方法 | |
CN110164249A (zh) | 一种计算机在线学习监督辅助系统 | |
CN114422820A (zh) | 一种教育互动直播系统及直播方法 | |
CN107393362A (zh) | 一种计算机应用教学培训系统 | |
CN109359613A (zh) | 一种基于人工智能的教学过程分析方法 | |
CN111369408A (zh) | 一种医院本科实习生教学管理系统及方法 | |
CN117350902B (zh) | 一种线上培训学时监管系统、方法及存储介质 | |
CN112837190B (zh) | 一种基于在线互动培训课堂培训装置的培训方法 | |
Psihountas | Flipped classrooms and finance—Is this a better way to learn? | |
CN110808075B (zh) | 智能录播方法 | |
CN114512041B (zh) | 一种基于全景摄像的教学行为大数据分析装置 | |
JP6161534B2 (ja) | 教え合い品質推定装置、教え合い品質推定方法およびプログラム | |
CN115278272A (zh) | 一种教育实践在线指导系统及方法 | |
CN109948881A (zh) | 一种教学数据的处理方法 | |
CN115511670A (zh) | 一种在线教育方法及在线教育平台 | |
CN110853428A (zh) | 基于物联网的录播控制方法及系统 | |
Takahashi et al. | Improvement of detection for warning students in e-learning using web cameras | |
CN110955707A (zh) | 校园法律数据服务的实现方法 | |
McMillan et al. | An Examination of the Related Literature for Inclusive School Leadership. | |
Dryden | 14 Sign Up, Meet Up, Speak Out: Single Sessions in the Context of Meet-Up Groups |
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 |