CN117423131A - 一种基于云计算的远程教育系统 - Google Patents

一种基于云计算的远程教育系统 Download PDF

Info

Publication number
CN117423131A
CN117423131A CN202311356530.5A CN202311356530A CN117423131A CN 117423131 A CN117423131 A CN 117423131A CN 202311356530 A CN202311356530 A CN 202311356530A CN 117423131 A CN117423131 A CN 117423131A
Authority
CN
China
Prior art keywords
head
students
student
low
low head
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
Application number
CN202311356530.5A
Other languages
English (en)
Inventor
杨进珠
王培明
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.)
Guangdong Rongyuebao Information Technology Co ltd
Original Assignee
Guangdong Rongyuebao Information Technology 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 Guangdong Rongyuebao Information Technology Co ltd filed Critical Guangdong Rongyuebao Information Technology Co ltd
Priority to CN202311356530.5A priority Critical patent/CN117423131A/zh
Publication of CN117423131A publication Critical patent/CN117423131A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00—Electrically-operated educational appliances
    • G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于云计算的远程教育系统，包括数据采集单元、自适应处理单元和信息输出单元，本发明涉及远程教育技术领域，解决了不能了解到学生的真实上课情况，针对不认真上课的学生不能及时地发现，从而会造成远程教育效率低的技术问题，本发明通过根据获取到的实时视频并根据视频的内容来将学生进行低头学生和未低头学生分类处理，通过根据其低头时间和低头频率来计算听课值，同时根据听课值来对低头学生进行二次分类，接着根据低头时间段内的视频内容进行问题整合，并将其传输给对应的低头学生，根据其作答情况来判断其听课状态并生成对应的信息，通过系统自动根据数据来进行识别，方便授课老师能够及时的了解学生的上课状态。

Description

一种基于云计算的远程教育系统
技术领域
本发明涉及远程教育技术领域，具体为一种基于云计算的远程教育系统。
背景技术
目前，网上教学正呈现出迅速发展的态势，远程教育是指使用电视及互联网等传播媒体的教学模式，突破了时空的界限，有别于传统的在校住宿的教学模式。由于不需要到特定地点上课，因此可以随时随地上课。
根据申请号为CN201810688383.4的专利显示，该专利包括学生终端、教师终端和云服务器，云服务器分别与学生终端、教师终端连接；学生检测终端包括压力检测模块、处理器、学生图像采集模块、答案输入模块、学生语音采集模块、第一视频播放模块和通信模块；教师终端包括教师图像采集模块、教师语音采集模块和显示模块；本发明提供的基于云服务器的远程教育系统，通过获取学生远程在线的图像信息以及输入的课后习题答案，将图像中学生的动作与标准动作进行对比，并将获取的各学生的课后习题答案内容与标准答案进行对比，以计算各学生上课过程中的学习状态系数，便于教师清楚地了解学生在远程学习的状况，便于教师管理提供有效地依据。
部分现有的远程教育系统在使用的时候，针对上网课的情况授课老师通过实时视频的形式来给学生进行讲课，相比较于课堂上课，实时视频上课不能了解到学生的真实上课情况，因此存在学生不认真上课的情况，但是针对不认真上课的学生，老师也不能及时地发现，因此会造成远程教育的局限性，同时也会降低上课的效率。
发明内容
针对现有技术的不足，本发明提供了一种基于云计算的远程教育系统，解决了不能了解到学生的真实上课情况，针对不认真上课的学生不能及时地发现，从而会造成远程教育效率低的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于云计算的远程教育系统，包括：
数据采集单元，用于获取到目标对象基础信息并将其传输到自适应处理单元，其中目标对象包括：学生，基础信息包括：学生姓名、学生学号、讲课视频、讲课音频和学生图像视频。
自适应处理单元，用于获取到传输的目标对象基础信息并对其进行分析，根据学生图像视频对目标对象进行分类处理得到学生分类结果，其中学生分类结果包括：低头学生和未低头学生，同时将低头学生对应的信息传输到低头分析单元，将未低头学生对应的信息传输到未低头分析单元，且生成学生分类结果的具体方式为：
以T为时间周期并对时间周期内目标对象是否低头进行判断，若目标对象在时间周期T内存在低头行为则将其分类为低头学生，反之若目标对象在时间周期T内不存在低头行为则将其分类为未低头学生，此处需要说明的是，时间周期T的具体数值由操作人员自行设定。
低头分析单元，用于获取到传输的低头学生对应的信息并对其进行分析，通过计算低头学生的听课值来对低头学生进行分析，并结合讲课信息综合对低头学生进行分析得到对应的分析结果，其中分析结果包括：正常信号和提醒信号，且将分析结果传输到信息输出单元，且生成分析结果的具体方式如下：
S1：以t为时间周期并将其作为目标周期，同时对目标周期内基础信息中的讲课视频和讲课音频进行识别得到讲课内容，接着对目标周期内低头学生的听课值进行计算，且听课值的具体计算方式如下：
S11：获取到所有的低头学生并将其标记为i，且i＝1、2、…、j，接着获取到低头学生i对应目标周期内的低头次数记作为Di，同时获取到低头次数Di对应的低头时间记作为SJ i，接着计算所有低头次数对应的低头时间均值记作J i；此处需要说明的是，低头时间SJ i表示的为单次低头对应的时间长短，且低头时间均值表示为计算所有单次低头时间总和，再除以低头次数Di计算得到低头时间均值，且低头时间均值表示的为低头学生i对应的时间均值。
S12：接着将低头次数Di和t代入公式计算得到低头学生i对应的低头频率Pi，同时将低头学生i对应的低头时间均值J i和低头频率Pi代入公式计算得到低头学生i对应的听课值Ki，且a1和a2均为预设比例系数；
S2：获取到所有的听课值Ki并将其从小到大进行排序，接着计算听课均值记作Kp，并将其与听课值Ki进行比较筛选，同时筛选Ki<Kp对应的低头学生并将其标记为待分析学生记作v，且v＝1、2、…、c；
S3：接着获取到待分析学生v对应低头时间SJv最长对应的讲课内容，系统根据讲课内容生成对应标号的问题，同时将生成的问题传输到对应标号的待分析学生，并获取到其作答情况，其中作答情况包括：作答次数和未作答次数，接着获取到n个目标周期内所有待分析学生的作答情况，同时将作答次数记作为Cv，将未作答次数记作为Fv；此处需要说明的是，作答情况表示待分析学生回答问题的准确性，其中包括准确和错误两种情况，且准确对应的为作答次数，错误对应的为未作答次数，具体的n个目标周期内得到的待分析学生是不相同的。
S4：同时计算n个目标周期t内待分析学生v的作答占比值并将其从小到大进行排序，接着计算所有待分析学生v的作答占比均值记作Zp，同时将Zv与Zp进行比较筛选并筛选出Zv≥Zp对应的待分析学生，并将筛选出来的待分析学生记作为预处理学生同时对预处理学生进行二次分析，且二次分析的具体方式如下：
S41：获取到预处理学生并将其记作为y，且y＝1、2、…、x，并获取到预处理学生y在n个目标周内出现次数记作为Ly，同时计算预处理学生y的周期出现占比记作Ry，且此处需要说明的是，出现次数表示为该预处理学生名字在n个目标周期中出现的总次数，举例说明，n＝5，Ly＝3，则表示该预处理学生在5个目标周内出现了三次，且对应的占比为/>
S42：接着将周期出现占比Ry与预设值YS进行比较，且预设值YS为预设比例系数，具体数值由操作人员自行设定，若Ry≥YS，则将对应的预处理学生进行标记同时生成提醒信号，反之若Ry<YS，则生成正常信号，且不对预处理学生进行任何处理。
未低头分析单元，用于获取到传输的未低头学生信息并对其进行分析，通过对未低头学生的图像进行分析得到对应的分析信息，其中分析信息包括：正常信号和异常信号，并将分析信息传输到信息输出单元，且生成分析信息的具体方式如下：
获取到所有的未低头学生并对其进行标号处理且记作e，且e＝1、2、…、o，接着获取到未低头学生e对应的图像信息并对其进行识别，且具体识别方式为：获取到时间g内未低头学生e对应的图像信息同时对未低头学生e的眨眼动作进行判断，若g时间内未低头学生e不存在眨眼动作，则将对应未低头学生进行高亮处理，同时生成异常信号，若g时间内未低头学生e存在眨眼动作，则生成正常信号。
信息输出单元，用于获取到传输的分析结果和分析信息，并将其通过显示设备显示给操作人员。
本发明提供了一种基于云计算的远程教育系统。与现有技术相比具备以下有益效果：
本发明通过根据获取到的实时视频并根据视频的内容来将学生进行低头学生和未低头学生分类处理，接着针对低头学生进行二次分析，通过根据其低头时间和低头频率来计算听课值，同时根据听课值来对低头学生进行二次分类，接着根据低头时间段内的视频内容进行问题整合，并将其传输给对应的低头学生，根据其作答情况来判断其听课状态并生成对应的信息，通过系统自动根据数据来进行识别，方便授课老师能够及时地了解学生的上课状态，进一步地保证学生上课的效率。
附图说明
图1为本发明系统流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例一，请参阅图1，本申请提供了一种基于云计算的远程教育系统，包括：
数据采集单元，用于获取到目标对象基础信息并将其传输到自适应处理单元，其中目标对象包括：学生，基础信息包括：学生姓名、学生学号、讲课视频、讲课音频和学生图像视频。
自适应处理单元，用于获取到传输的目标对象基础信息并对其进行分析，根据学生图像视频对目标对象进行分类处理得到学生分类结果，其中学生分类结果包括：低头学生和未低头学生，同时将低头学生对应的信息传输到低头分析单元，将未低头学生对应的信息传输到未低头分析单元，且生成学生分类结果的具体方式如下：
以T为时间周期并对时间周期内目标对象是否低头进行判断，若目标对象在时间周期T内存在低头行为则将其分类为低头学生，反之若目标对象在时间周期T内不存在低头行为则将其分类为未低头学生，此处需要说明的是，时间周期T的具体数值由操作人员自行设定。
低头分析单元，用于获取到传输的低头学生对应的信息并对其进行分析，通过计算低头学生的听课值来对低头学生进行分析，并结合讲课信息综合对低头学生进行分析得到对应的分析结果，其中分析结果包括：正常信号和提醒信号，且将分析结果传输到信息输出单元，且生成分析结果的具体方式如下：
S1：以t为时间周期并将其作为目标周期，同时对目标周期内基础信息中的讲课视频和讲课音频进行识别得到讲课内容，接着对目标周期内低头学生的听课值进行计算，具体的计算方式为：
S11：获取到所有的低头学生并将其标记为i，且i＝1、2、…、j，接着获取到低头学生i对应目标周期内的低头次数记作为Di，同时获取到低头次数Di对应的低头时间记作为SJ i，接着计算所有低头次数对应的低头时间均值记作J i；此处需要说明的是，低头时间SJ i表示的为单次低头对应的时间长短，且低头时间均值表示为计算所有单次低头时间总和，再除以低头次数Di计算得到低头时间均值，且低头时间均值表示的为低头学生i对应的时间均值。
S12：接着将低头次数Di和t代入公式计算得到低头学生i对应的低头频率Pi，同时将低头学生i对应的低头时间均值J i和低头频率Pi代入公式计算得到低头学生i对应的听课值Ki，且a1和a2均为预设比例系数；
S2：获取到所有的听课值Ki并将其从小到大进行排序，接着计算听课均值记作Kp，并将其与听课值Ki进行比较筛选，同时筛选Ki<Kp对应的低头学生并将其标记为待分析学生记作v，且v＝1、2、…、c；
S3：接着获取到待分析学生v对应低头时间SJv最长对应的讲课内容，系统根据讲课内容生成对应标号的问题，同时将生成的问题传输到对应标号的待分析学生，并获取到其作答情况，其中作答情况包括：作答次数和未作答次数，接着获取到n个目标周期内所有待分析学生的作答情况，同时将作答次数记作为Cv，将未作答次数记作为Fv；此处需要说明的是，作答情况表示待分析学生回答问题的准确性，其中包括准确和错误两种情况，且准确对应的为作答次数，错误对应的为未作答次数，具体的n个目标周期内得到的待分析学生是不相同的。
S4：同时计算n个目标周期t内待分析学生v的作答占比值并将其从小到大进行排序，接着计算所有待分析学生v的作答占比均值记作Zp，同时将Zv与Zp进行比较筛选并筛选出Zv≥Zp对应的待分析学生，并将筛选出来的待分析学生记作为预处理学生同时对预处理学生进行二次分析，且二次分析的具体方式如下：
S41：获取到预处理学生并将其记作为y，且y＝1、2、…、x，并获取到预处理学生y在n个目标周内出现次数记作为Ly，同时计算预处理学生y的周期出现占比记作Ry，且此处需要说明的是，出现次数表示为该预处理学生名字在n个目标周期中出现的总次数，举例说明，n＝5，Ly＝3，则表示该预处理学生在5个目标周内出现了三次，且对应的占比为/>
S42：接着将周期出现占比Ry与预设值YS进行比较，且预设值YS为预设比例系数，具体数值由操作人员自行设定，若Ry≥YS，则将对应的预处理学生进行标记同时生成提醒信号，反之若Ry<YS，则生成正常信号，且不对预处理学生进行任何处理。
信息输出单元，用于获取到传输的分析结果，并将其通过显示设备显示给操作人员。
实施例二，作为本发明的实施例二与实施例一的区别之处在于，自适应处理单元将未低头学生的信息传输到未低头分析单元。
未低头分析单元，用于获取到传输的未低头学生信息并对其进行分析，通过对未低头学生的图像进行分析得到对应的分析信息，其中分析信息包括：正常信号和异常信号，并将分析信息传输到信息输出单元，且生成分析信息的具体方式如下：
获取到所有的未低头学生并对其进行标号处理且记作e，且e＝1、2、…、o，接着获取到未低头学生e对应的图像信息并对其进行识别，且具体识别方式如下：
获取到时间g内未低头学生e对应的图像信息同时对未低头学生e的眨眼动作进行判断，若g时间内未低头学生e不存在眨眼动作，则将对应未低头学生进行高亮处理，同时生成异常信号，若g时间内未低头学生e存在眨眼动作，则生成正常信号；此处需要说明的是，根据获取到的图像信息来判断未低头学生是否存在眨眼行为，如果眨眼则说明是正常的，反之如果不存在眨眼行为，则表示异常。
结合实际情况分析，针对不存在眨眼的情况，可能是屏幕前放置的为对应学生的照片，由于照片是静止的因此捕捉不到眨眼操作。
信息输出单元，用于获取到传输的分析信息并将其通过显示设备显示给操作人员。
实施例三，作为本发明的实施例三重点在于将实施例一和实施例二的实施过程结合实施。
上述公式中的部分数据均是去其纲量进行数值计算，同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (7)

1.一种基于云计算的远程教育系统，其特征在于，包括：
数据采集单元，用于获取到目标对象基础信息并将其传输到自适应处理单元，其中目标对象包括：学生，基础信息包括：学生姓名、学生学号、讲课视频、讲课音频和学生图像视频；
自适应处理单元，用于获取到传输的目标对象基础信息并对其进行分析，根据学生图像视频对目标对象进行分类处理得到学生分类结果，其中学生分类结果包括：低头学生和未低头学生，同时将低头学生对应的信息传输到低头分析单元，将未低头学生对应的信息传输到未低头分析单元；
低头分析单元，用于获取到传输的低头学生对应的信息并对其进行分析，通过计算低头学生的听课值来对低头学生进行分析，并结合讲课信息综合对低头学生进行分析得到对应的分析结果，其中分析结果包括：正常信号和提醒信号，且将分析结果传输到信息输出单元；
未低头分析单元，用于获取到传输的未低头学生信息并对其进行分析，通过对未低头学生的图像进行分析得到对应的分析信息，其中分析信息包括：正常信号和异常信号，并将分析信息传输到信息输出单元。
2.根据权利要求1所述的一种基于云计算的远程教育系统，其特征在于，所述自适应处理单元生成学生分类结果的具体方式如下：
以T为时间周期并对时间周期内目标对象是否低头进行判断，若目标对象在时间周期T内存在低头行为则将其分类为低头学生，反之若目标对象在时间周期T内不存在低头行为则将其分类为未低头学生。
3.根据权利要求1所述的一种基于云计算的远程教育系统，其特征在于，所述低头分析单元生成分析结果的具体方式如下：
S1：以t为时间周期并将其作为目标周期，同时对目标周期内基础信息中的讲课视频和讲课音频进行识别得到讲课内容，接着对目标周期内低头学生的听课值进行计算；
S2：获取到所有的听课值Ki并将其从小到大进行排序，接着计算听课均值记作Kp，并将其与听课值Ki进行比较筛选，同时筛选Ki<Kp对应的低头学生并将其标记为待分析学生记作v，且v＝1、2、…、c；
S3：接着获取到待分析学生v对应低头时间SJv最长对应的讲课内容，系统根据讲课内容生成对应标号的问题，同时将生成的问题传输到对应标号的待分析学生，并获取到其作答情况，其中作答情况包括：作答次数和未作答次数，接着获取到n个目标周期内所有待分析学生的作答情况，同时将作答次数记作为Cv，将未作答次数记作为Fv；
S4：同时计算n个目标周期t内待分析学生v的作答占比值并将其从小到大进行排序，接着计算所有待分析学生v的作答占比均值记作Zp，同时将Zv与Zp进行比较筛选并筛选出Zv≥Zp对应的待分析学生，并将筛选出来的待分析学生记作为预处理学生同时对预处理学生进行二次分析。
4.根据权利要求3所述的一种基于云计算的远程教育系统，其特征在于，所述S1中低头学生听课值的具体计算方式如下：
S11：获取到所有的低头学生并将其标记为i，且i＝1、2、…、j，接着获取到低头学生i对应目标周期内的低头次数记作为Di，同时获取到低头次数Di对应的低头时间记作为SJi，接着计算所有低头次数对应的低头时间均值记作Ji；
S12：接着将低头次数Di和t代入公式计算得到低头学生i对应的低头频率Pi，同时将低头学生i对应的低头时间均值Ji和低头频率Pi代入公式/>计算得到低头学生i对应的听课值Ki，且a1和a2均为预设比例系数。
5.根据权利要求3所述的一种基于云计算的远程教育系统，其特征在于，所述S4中二次分析的具体方式为：
S41：获取到预处理学生并将其记作为y，且y＝1、2、…、x，并获取到预处理学生y在n个目标周内出现次数记作为Ly，同时计算预处理学生y的周期出现占比记作Ry，且
S42：接着将周期出现占比Ry与预设值YS进行比较，若Ry≥YS，则将对应的预处理学生进行标记同时生成提醒信号，反之若Ry<YS，则生成正常信号，且不对预处理学生进行任何处理。
6.根据权利要求1所述的一种基于云计算的远程教育系统，其特征在于，所述未低头分析单元生成分析信息的具体方式如下：
获取到所有的未低头学生并对其进行标号处理且记作e，且e＝1、2、…、o，接着获取到未低头学生e对应的图像信息并对其进行识别，且具体识别方式为：获取到时间g内未低头学生e对应的图像信息同时对未低头学生e的眨眼动作进行判断，若g时间内未低头学生e不存在眨眼动作，则将对应未低头学生进行高亮处理，同时生成异常信号，若g时间内未低头学生e存在眨眼动作，则生成正常信号。
7.根据权利要求1所述的一种基于云计算的远程教育系统，其特征在于，所述信息输出单元，用于获取到传输的分析结果和分析信息，并将其通过显示设备显示给操作人员。
CN202311356530.5A 2023-10-18 2023-10-18 一种基于云计算的远程教育系统 Pending CN117423131A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311356530.5A CN117423131A (zh) 2023-10-18 2023-10-18 一种基于云计算的远程教育系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311356530.5A CN117423131A (zh) 2023-10-18 2023-10-18 一种基于云计算的远程教育系统

Publications (1)

Publication Number Publication Date
CN117423131A true CN117423131A (zh) 2024-01-19

Family

ID=89524059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311356530.5A Pending CN117423131A (zh) 2023-10-18 2023-10-18 一种基于云计算的远程教育系统

Country Status (1)

Country Link
CN (1) CN117423131A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108777087A (zh) * 2018-06-28 2018-11-09 合肥右传媒科技有限公司 一种基于云服务器的远程教育系统
CN109670395A (zh) * 2018-10-29 2019-04-23 四川文轩教育科技有限公司 一种基于人工智能的学生专注度监测方法
CN109685692A (zh) * 2019-01-15 2019-04-26 山东仁博信息科技有限公司 一种多维度学生学习行为的无感采集及分析系统
CN112862643A (zh) * 2021-03-01 2021-05-28 深圳市微幼科技有限公司 一种多媒体远程教育平台系统
CN113689093A (zh) * 2021-08-09 2021-11-23 河南职业技术学院 基于人工智能的课堂质量评估方法及系统
KR20220056389A (ko) * 2020-10-28 2022-05-06 권의현 Ai 얼굴 분석과 p2p 커넥션을 통한 온라인 실시간 수업 환경의 개선 방법
CN114971975A (zh) * 2022-07-31 2022-08-30 北京英华在线科技有限公司 在线教育平台用的学习异常提醒方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108777087A (zh) * 2018-06-28 2018-11-09 合肥右传媒科技有限公司 一种基于云服务器的远程教育系统
CN109670395A (zh) * 2018-10-29 2019-04-23 四川文轩教育科技有限公司 一种基于人工智能的学生专注度监测方法
CN109685692A (zh) * 2019-01-15 2019-04-26 山东仁博信息科技有限公司 一种多维度学生学习行为的无感采集及分析系统
KR20220056389A (ko) * 2020-10-28 2022-05-06 권의현 Ai 얼굴 분석과 p2p 커넥션을 통한 온라인 실시간 수업 환경의 개선 방법
CN112862643A (zh) * 2021-03-01 2021-05-28 深圳市微幼科技有限公司 一种多媒体远程教育平台系统
CN113689093A (zh) * 2021-08-09 2021-11-23 河南职业技术学院 基于人工智能的课堂质量评估方法及系统
CN114971975A (zh) * 2022-07-31 2022-08-30 北京英华在线科技有限公司 在线教育平台用的学习异常提醒方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王熹;史朝群;: "基于流媒体的学生课堂行为视频图像采集和识别系统研究", 数字通信世界, no. 4, 30 April 2019 (2019-04-30), pages 247 - 248 *

Similar Documents

Publication Publication Date Title
CN108648757B (zh) 一种基于多维度课堂信息的分析方法
US20220319181A1 (en) Artificial intelligence (ai)-based system and method for managing education of students in real-time
CN109711371A (zh) 一种基于面部表情识别的课堂教学评估系统
US10726247B2 (en) System and method for monitoring qualities of teaching and learning
CN113762107B (zh) 对象状态评估方法、装置、电子设备及可读存储介质
CN112417158A (zh) 文本数据分类模型的训练方法、分类方法、装置和设备
CN114422820A (zh) 一种教育互动直播系统及直播方法
US10984672B2 (en) Tutoring agent improvement recommendation
CN114841841A (zh) 一种用于教学互动的智慧教育平台交互系统及交互方法
CN115600922A (zh) 一种多维度智能化教学质量评估方法及系统
CN108735031A (zh) 一种基于虚拟现实的教学培训系统
CN110111011B (zh) 一种教学质量监管方法、装置及电子设备
CN113141534A (zh) 一种网络远程教育装置
CN116051328B (zh) 一种基于物联网的多媒体教学的远程管理系统及方法
CN117076782A (zh) 在线学习平台的课程推荐方法、装置、计算机设备及介质
CN117423131A (zh) 一种基于云计算的远程教育系统
CN113313982B (zh) 一种基于5g网络的教育系统
CN116563764A (zh) 远程教育辨识程度检测系统
CN110929991A (zh) 一种基于课堂学生行为分析的学习质量评估系统和方法
CN113257059B (zh) 一种基于智能云平台在线教育培训系统
CN115278272A (zh) 一种教育实践在线指导系统及方法
WO2023079370A1 (en) System and method for enhancing quality of a teaching-learning experience
CN114580882A (zh) 一种面向混合式教学方法的授课效果评估系统及方法
CN113128421A (zh) 学习状态检测方法、系统、学习终端、服务器及电子设备
Shapsough et al. Using machine learning to automate classroom observation for low-resource environments

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