CN117455732A - 一种智慧教学平台的资源库控制方法及系统 - Google Patents
一种智慧教学平台的资源库控制方法及系统 Download PDFInfo
- Publication number
- CN117455732A CN117455732A CN202311233062.2A CN202311233062A CN117455732A CN 117455732 A CN117455732 A CN 117455732A CN 202311233062 A CN202311233062 A CN 202311233062A CN 117455732 A CN117455732 A CN 117455732A
- Authority
- CN
- China
- Prior art keywords
- page
- teaching
- value
- data
- resource library
- 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 27
- 239000000463 material Substances 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000012797 qualification Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000002474 experimental method Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000009191 jumping Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000630 rising effect Effects 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
- 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
- G06F16/906—Clustering; Classification
-
- 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
- G06F16/954—Navigation, e.g. using categorised browsing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及教学平台领域,具体涉及一种智慧教学平台的资源库控制方法及系统,通过各个前端平台收集教学资料并存储到资源库中,将资源库中的教学资料根据科目及教师进行分类,通过资源库中分类教学资料构建多级信息关联,根据匹配算法将多级教学资料中的关联进行筛选,通过关联信息准确推送教学平台推送,通过交叉实验培养学生的创新思考能力,激发学习兴趣,培养学生的创新精神和创新意识,引导学生进行主动科研探索;利用人工智能进行主客观题组分析,实现针对于学生的个性化自动设置,打破时间和空间的限制,实现全方位向学生开放的教学模式。
Description
技术领域
本发明涉及教学平台领域,具体涉及一种智慧教学平台的资源库控制方法及系统。
背景技术
在当前的教育领域中,教学平台的课程众多,不止有基础学科,也存在这多种拓展学科,包括应试学科还有兴趣爱好学科等等,线上教学除实验外,也面临着其他的考验,例如学生与教师很难建立有效沟通,学生主动学习的积极性差,在课后考核方向,根据以往一样考核客观题,会受制于当前电子产品的网络发达,学生检索答案而不进行思考;考核实验主观,又受制于场地、设备等,配套线下,最终导致教师与学生之间出现“断流”情况,即教师不清楚学生掌握知识的进度,学生也缺乏学习的积极性。
发明内容
鉴于以上所述现有方法的局限,本发明的目的在于提出一种教学平台的课程管理方法,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明的目的在于提出一种教学平台的课程管理方法,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
一种智慧教学平台的资源库控制方法,所述方法包括以下步骤:
S100:通过各个前端平台收集教学资料并存储到资源库中;
S200:将资源库中的教学资料根据科目及教师进行分类;
S300:通过资源库中分类教学资料构建多级信息关联;
S400:根据匹配算法将多级教学资料中的关联进行筛选;
S500:通过关联信息准确推送教学平台推送。
进一步地,在步骤S100中,通过教学平台前端收集教学资料,所述教学资料主要为教师编写的文字资料或教师录制的视频资料,存储在资源库时,通过AI自动识别教学资料中的关键词,根据关键词存储该教学资料标签,根据标签进行分类。
进一步地,在步骤S200中,将资源库中的资料提存存储资料的标签,根据标签的科目和教师等级进行分类,教师等级根据教师资质和平台的浏览量以及学生的评价进行综合评定,科目分类则根据平台设定进行分类。
进一步地,在步骤S300中,
所述构建客观题处理模型包括:获取直播网课的音频数据、直播页面数据、页面停留时长信息数据;
所述直播页面数据包括直播页面标注信息数据、页面关联数据;
所述页面关联数据指在后续页面讲解中教师返回到前序页面的次数,在后续页面每返回一次前序页面,对应的前序页面关联次数数据加1;
所述直播页面标注信息数据指教师在教学中在当前页面新增文字或符号标注数据;
根据直播网课的音频数据,生成声音关键词:对直播网课完整的音频数据进行随机切分,标注出重复的相同音频数据,计算相邻两组的相同音频数据之间的时间差值,设置时间差值数据阈值,对超出时间差值数据阈值予以舍弃,将剩余的时间差值计入集合A,并对集合A内数据计算平均值,记为A1、A2;
所述声音关键词的判断包括,其中,代声音关键词的判断函数,设置阈值,若的取值超出,则当前相同音频数据对应的关键词组记为声音关键词;
分别代表分配影响系数;
分别代表权重影响系数;为页面i的关联次数数据值;
代表教师在页面i的停留时长;代表课程总时长;为判断函数,页面i存在标注数据,取1,反之取0;
代表页面i存在的声音关键词数量;
按照每个页面的优先级顺序评估值进行排序,输出至教师端口。
进一步地,:所述构建主观题处理模型包括:
将所述课程视频通过分类进行区域划分,将所述课程视频划分为学习区域、互动区域、讲解区域和练习区域,并将所述区域定义为learn、interactive、interpretation和practice,并将所述区域的时间长度进行记录,分别记录为tl、ti、tn和tp,并通过计算得到区域时间长度在课程视频中的比值P,所述t为tl、ti、tn和tp中的任一值,所述L为课程视频的时间长度,计算得到各个区域时间长度在课程视频中的比值P(tl)、P(ti)、P(tn)和P(tp),并将所述区域时间长度在课程视频中的比值P通过标准化处理,并将所述比值P进行筛选得到比值P的最大值P(max)和最小值P(min),并通过所述比值P计算得到区域权重值AMKR,AMKR的计算方法为:
其中,所述ln函数为取自然对数的函数,abs函数为求绝对值函数。
进一步地,在步骤S400中,对所述课程视频中的视频帧的内容进行判断,并对判断结果进行评分,具体步骤如下所述:
将视频中内容细分成多个视频段,将每个视频段中的内容通过AI识别获取初步评分值,将是频段根据对应的learn、interactive、interpretation和practice获取对应评分值:F1、F2、F3、F4,所述AI识别则通过是频段的数量以及视频段的时常和视频段中的老师讲述的内容进行合并计算得到评分值,将所述评分值根据对应权重关系,获取整个课程视频的初步评分值。
一种智慧教学平台的资源库控制系统,其特征在于,所述系统包括:处理器和存储器,所述总系统中的处理器和存储器均可在处理器中运行计算机程序,所述处理器执行所述计算机程序时可实现权利要求1-6中的任一一项所述的一种智慧教学平台的资源库控制方法中的步骤。
本发明的有益效果为:教学平台可以完成线上线下教学对接、虚拟实体实验互补,完善现有实验教学计划,能够加强学生的思维与探索能力,基于直播课程与人工智能相结合,通过交叉实验培养学生的创新思考能力,激发学习兴趣,培养学生的创新精神和创新意识,引导学生进行主动科研探索;利用人工智能进行主客观题组分析,实现针对于学生的个性化自动设置,打破时间和空间的限制,实现全方位向学生开放的教学模式。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,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,在附
图中:
图1所示为一种智慧教学平台的资源库控制方法的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示,如图1所示,一种教学平台的课程管理方法,其特征在于,所述方法包括以下步骤:
S100:收集教学平台的反馈数据;
S200:将反馈数据进行数据预处理;
S300:通过反馈数据赋予学生学习进度权重;
S400:根据神经网络模型对学生学习进度进行判断;
S500:判断得到学生学习进度对平台课程进行调整。
进一步地,在步骤S100中,通过教学平台中,对学生账号的课程观看记录、课程答题记录、课程答题的准确率、课程视频观看时的状态,根据所述学生账号中可公开的记录文件对学生账号进行分析。
进一步地,在步骤S200中,对所述教学平台反馈数据进行数据预处理,获取课程观看记录的次数与对应次数的时长,获取课程答题记录的次数,获取课程答题的准确率的对应百分比,获取课程视频观看时的状态中的提问状态、笔记状态、回答状态和总结状态,将各个学生中采集到的所有数据进行归一化和标准化。
进一步地,在步骤S300中,通过反馈数据赋予学生学习进度权重,所述学生学习进度权重通过系统设定的标准权重值和通过分析得到的计算权重值和教师评分的主观权重值组合而成,其方法包括以下步骤:
S301,将课程观看记录的次数与对应观看总时长定义为Fr和Du,将课程答题的准确率的对应百分比定义为Ac,将课程视频观看时的状态中的提问状态、笔记状态、回答状态和总结状态的次数定义为Qu、No、Re和Su;
S302,对各个状态的次数记录,通过教学周期进行采集,提问状态、笔记状态、回答状态和总结状态的次数通过每天的记录构建序列[Qu],[No],[Re],[Su],将所述序列[Qu],[No],[Re],[Su]与Fr和Du进行结合分析,计算各个状态对学习进程的影响,初始化Fr=0,当Fr增加时,遍历教学视频,记录时长Du,计算各个状态对学习进程的影响最小值为minimpact,其计算方法为:
其中,minimpact[]代表各个状态下与当天观看次数与时长的影响,n表示为记录的天数,Qui,Noi,Rei,Sui分别为各个状态序列的第i位元素,min()为求序列最小值函数,ln()为自然对数函数,Fr()为求与括号内的状态自变量对应的对应一天课程观看记录的次数的函数,Du()为求与括号内的状态自变量对应的Fr()的次数对应的观看总时长的函数,mean()为求平均数函数;
S303,将答题正确率Ac根据时间顺序构建序列[Ac],对所述序列[Ac]进行重新排序,将序列[Ac]的值按从大到小进行排列得到序列[Acp],并对所述序列[Ac]的元素数量进行统计,得到数量为L,将序列[Ac]中按照天为单位,计算每天的正确率平均值序列[Act],通过计算得到正确率的时间变化权重比例rk、正确率升高变化权重比例hk和正确率随学习天数变化权重比例fk,计算公式为:其中Acd和Acd+1分别为序列[Ac]中的第d位和第d+1位元素,Acpd和Acpd+1分别为序列[Acp]中的第d位和第d+1位元素,Acti和Acti+1为序列[Act]的第i位和第i+1位元素,给rk、hk和fk赋值,可以得到正确率的时间变化权重值、正确率升高变化权重值和正确率随学习天数变化权重值Cd,Pd,Td,计算方法为:/> 其中rk、hk、fk均为变量,fk为n-1;
S304,结合各个状态对学习进程的影响最小值为minimpact与正确率的时间变化权重值和正确率升高变化权重值Cd,Pd,Td判断学生在各个状态中随时间变化的正确率、正确率升高的幅度和随学习天数变化的正确率的变化值,将数据minimpact和权重值Cd,Pd,Td构建矩阵[effect],矩阵格式为(minimpact,X),X为权重值,矩阵[effect]的横秩为minimpact,列秩为X,
进一步地,通过对课程文件的初步评分以及客户端的关注系数进行计算得到课程视频的评价值,所述方法为:
通过对客户端中对课程视频的访问量计算得到的关注系数进行标准化处理,并对所述关注系数中可能出现的误差影响降到最小值,所述计算方法为:
通过计算关注系数EK(Q)与DL1和DL2的并集DL3与DL1、DL2的和的比值通过方差计算得到EKW,所述为进过误差分析处理后的关注系数,所述ln函数为取自然对数的函数,abs函数为求绝对值函数。
进一步地,在步骤S500中,所述根据评价值对客户端进行资源分配的方法是:通过评价值确定与客户端id的匹配系数,对所述课程视频的评价值appr的算数平均值作为基础评价Stdappr,通过计算得到客户端的匹配系数B,B=(appr-Stdappr)/StdMark,若B≤0,则将B设定0,若1≥B>0,B设定为1,若B>1,则B不变,根据匹配系数B对资源进行分配,所述资源为云服务器中的课程视频内容量,按照各个客户端的匹配系数B的比例对服务器内课程视频行配置。设定一个变量x,令变量x的初始值为1;设定一个变量O作为群体序号,令群体序号O的初始值为1,为DFist中每个客户端id设定一个布尔值作为处理标记Pflag,令处理标记Pflag的初始值为FALSE;计算一天中课程视频的关注系数;
401,当x≤DVst,跳转到步骤402;当x>DVst,跳转到步骤407;
402,如果DFist中第x个客户端id的处理标记Pflag的值为FALSE,将O的值加1,创建一个集合T,所述集合T为群体序号变量O的群集,在T中的第O个元素是子群集T(O),所述子群集T(O)初始为空集合,将到访表VTable中第x个日邻近客户端列表DL2的元素按时间顺序放入到子群集T(O),并将更改到访表DFist中第x个客户端id的处理标记Pflag的值修改为TRUE;将T(O)作为输入序列、O作为输入序号跳转到步骤403;
403,将所述T(O)中的数据获得输入序列SList,输入序号保留为O,新建一个空的序列作为暂存序列temlist,在所述暂存序列中设定新的变量变量y,令变量y的初始值为1,将输入序列SList中元素的个数成为新增检索值Glen,跳转到步骤404,
404,如果y≤Glen,跳转到步骤405;如果y>Glen,跳转到步骤406;
405,如果到访表VTable中id值为list中第y个id值的客户端id的处理标记Pflag值为FALSE,把temlist进行更新并且temlist与到访表VTable中id值为list中第y个id值的日邻近客户端列表DL3的并集,把到访表VTable中id值为list中第y个id值的客户端id的处理标记Pflag值更新为TRUE;将y的值加1,跳转到步骤404;如果到访表VTable中id值为list中第y个id值的客户端id的处理标记Pflag值为TRUE,将y的值加1,跳转到步骤404;
其中所述id值为客户端id;
406,若temlist为空的序列,将x的值加1,跳转到步骤401,如果temlist不为空的序列,更新SList序列为SList与temlist的并集;然后将temlist作为输入序列、O作为输入序号跳转到步骤403;
407,设置一个集合作为WZ在一天中的事件集合K,事件集合K={T(z),z∈[1,O]},其中z为子群集的序号;以一个子群集T(z)中元素的个数作为该子群集T(z)的聚集量M,以事件集合K中聚集量M数值最大的子群集作为代表群集maxT,代表群maxT的聚集量M为第一聚集量MaxM;
计算在一天内工作地点WZ中第Q个子群集的事件关注系数EK(Q):
其中Q代表子群集的序号,MQ代表一天内WZ里第Q个子群集的聚集量M,ln函数为取自然对数的函数,Q∈[1,O];
(计算关注系数EK(Q)的有益效果为:有益效果为:对课程视频的访问客户端信息进行定时采集,通过事件关注系数综合地对事件的热度或者参与者的踊跃程度进行综合分析,根据日访问程度和对事件的关键性进行识别并进行量化比较,事件关注系数EK(Q)能够根据定位信息快速的提取出当天该课程视频的访问量可以确定其在用户眼中的受欢迎度。)
通过计算关注系数EK(Q)与DL1和DL2的并集DL3与DL1、DL2的和的比值通过方差计算得到EKW,所述为进过误差分析处理后的关注系数,所述ln函数为取自然对数的函数,abs函数为求绝对值函数。
(计算appr的有益效果:通过课程分类的匹配度计算和对客户端的关注度计算得到评价值,所述评价值主要表现了该课程视频在视频本身的教育程度和用户中的受众程度,可以通过评价值更加直观的得到,并且可以根据评价值对教育平台进行资源分配)
进一步地,在步骤S500中,所述根据评价值对客户端进行资源分配的方法是:通过评价值确定与客户端id的匹配系数,对所述课程视频的评价值appr的算数平均值作为基础评价Stdappr,通过计算得到客户端的匹配系数B,B=(appr-Stdappr)/StdMark,若B≤0,则将B设定0,若1≥B>0,B设定为1,若B>1,则B不变,根据匹配系数B对资源进行分配,所述资源为云服务器中的课程视频内容量,按照各个客户端的匹配系数B的比例对服务器内课程视频行配置。
一种教学平台的课程管理系统,其特征在于,所述系统包括:处理器和存储器,所述总系统中的处理器和存储器均可在处理器中运行计算机程序,所述处理器执行所述计算机程序时可实现上述方法中的任一一项所述的一种教学平台的课程管理方法中的步骤。
本发明的有益效果为:通过对平台反馈数据的分析,得到多个学生的学习的权重值,并投入神经网络中进行训练,训练完成后可以根据学生的实际情况进行对应的课程调整管理,更方便适应学生的掌握进度。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于区块链的数字化档案管理系统的控制中心,利用各种接口和线路连接整个一种基于区块链的数字化档案管理系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于区块链的数字化档案管理系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (7)
1.一种智慧教学平台的资源库控制方法,其特征在于,所述方法包括以下步骤:
S100:通过各个前端平台收集教学资料并存储到资源库中;
S200:将资源库中的教学资料根据科目及教师进行分类;
S300:通过资源库中分类教学资料构建多级信息关联;
S400:根据匹配算法将多级教学资料中的关联进行筛选;
S500:通过关联信息准确推送教学平台推送。
2.根据权利要求1所述的一种智慧教学平台的资源库控制方法,其特征在于,在步骤S100中,通过教学平台前端收集教学资料,所述教学资料主要为教师编写的文字资料或教师录制的视频资料,存储在资源库时,通过AI自动识别教学资料中的关键词,根据关键词存储该教学资料标签,根据标签进行分类。
3.根据权利要求1所述的一种智慧教学平台的资源库控制方法,其特征在于,在步骤S200中,将资源库中的资料提存存储资料的标签,根据标签的科目和教师等级进行分类,教师等级根据教师资质和平台的浏览量以及学生的评价进行综合评定,科目分类则根据平台设定进行分类。
4.根据权利要求1所述的一种智慧教学平台的资源库控制方法,其特征在于,在步骤S300中,
所述构建客观题处理模型包括:获取直播网课的音频数据、直播页面数据、页面停留时长信息数据;
所述直播页面数据包括直播页面标注信息数据、页面关联数据;
所述页面关联数据指在后续页面讲解中教师返回到前序页面的次数,在后续页面每返回一次前序页面,对应的前序页面关联次数数据加1;
所述直播页面标注信息数据指教师在教学中在当前页面新增文字或符号标注数据;
根据直播网课的音频数据,生成声音关键词:对直播网课完整的音频数据进行随机切分,标注出重复的相同音频数据,计算相邻两组的相同音频数据之间的时间差值,设置时间差值数据阈值,对超出时间差值数据阈值予以舍弃,将剩余的时间差值计入集合A,并对集合A内数据计算平均值,记为A1、A2;
所述声音关键词的判断包括,其中,代声音关键词的判断函数,设置阈值,若的取值超出,则当前相同音频数据对应的关键词组记为声音关键词;
分别代表分配影响系数;
分别代表权重影响系数;为页面i的关联次数数据值;
代表教师在页面i的停留时长;代表课程总时长;为判断函数,页面i存在标注数据,取1,反之取0;
代表页面i存在的声音关键词数量;
按照每个页面的优先级顺序评估值进行排序,输出至教师端口。
5.根据权利要求1所述的一种智慧教学平台的资源库控制方法,其特征在于:所述构建主观题处理模型包括:
将所述课程视频通过分类进行区域划分,将所述课程视频划分为学习区域、互动区域、讲解区域和练习区域,并将所述区域定义为learn、interactive、interpretation和practice,并将所述区域的时间长度进行记录,分别记录为tl、ti、tn和tp,并通过计算得到区域时间长度在课程视频中的比值P,所述t为tl、ti、tn和tp中的任一值,所述L为课程视频的时间长度,计算得到各个区域时间长度在课程视频中的比值P(tl)、P(ti)、P(tn)和P(tp),并将所述区域时间长度在课程视频中的比值P通过标准化处理,并将所述比值P进行筛选得到比值P的最大值P(max)和最小值P(min),并通过所述比值P计算得到区域权重值AMKR,AMKR的计算方法为:
其中,所述ln函数为取自然对数的函数,abs函数为求绝对值函数。
6.根据权利要求1所述的一种智慧教学平台的资源库控制方法,其特征在于,在步骤S400中,对所述课程视频中的视频帧的内容进行判断,并对判断结果进行评分,具体步骤如下所述:
将视频中内容细分成多个视频段,将每个视频段中的内容通过AI识别获取初步评分值,将是频段根据对应的learn、interactive、interpretation和practice获取对应评分值:F1、F2、F3、F4,所述AI识别则通过是频段的数量以及视频段的时常和视频段中的老师讲述的内容进行合并计算得到评分值,将所述评分值根据对应权重关系,获取整个课程视频的初步评分值。
7.一种智慧教学平台的资源库控制系统,其特征在于,所述系统包括:处理器和存储器,所述总系统中的处理器和存储器均可在处理器中运行计算机程序,所述处理器执行所述计算机程序时可实现权利要求1-6中的任一一项所述的一种智慧教学平台的资源库控制方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233062.2A CN117455732A (zh) | 2023-09-22 | 2023-09-22 | 一种智慧教学平台的资源库控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311233062.2A CN117455732A (zh) | 2023-09-22 | 2023-09-22 | 一种智慧教学平台的资源库控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117455732A true CN117455732A (zh) | 2024-01-26 |
Family
ID=89582549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311233062.2A Pending CN117455732A (zh) | 2023-09-22 | 2023-09-22 | 一种智慧教学平台的资源库控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455732A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116320525A (zh) * | 2023-05-25 | 2023-06-23 | 广州冠科技术股份有限公司 | 一种基于数字孪生的教学信息处理系统及方法 |
CN116484051A (zh) * | 2023-02-24 | 2023-07-25 | 广州沐思信息科技有限公司 | 一种基于知识培训平台的课程评估方法 |
-
2023
- 2023-09-22 CN CN202311233062.2A patent/CN117455732A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484051A (zh) * | 2023-02-24 | 2023-07-25 | 广州沐思信息科技有限公司 | 一种基于知识培训平台的课程评估方法 |
CN116320525A (zh) * | 2023-05-25 | 2023-06-23 | 广州冠科技术股份有限公司 | 一种基于数字孪生的教学信息处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
US11151892B2 (en) | Internet teaching platform-based following teaching system | |
US20090077479A1 (en) | Electronic flashcards | |
CN111651676B (zh) | 基于能力模型进行职业推荐的方法、装置、设备和介质 | |
CN107918821A (zh) | 基于人工智能技术的教师课堂教学过程分析方法和系统 | |
CN112507140A (zh) | 一种个性化智能学习推荐方法、装置、设备及存储介质 | |
US20090075247A1 (en) | Interactive educational tool | |
US20150026184A1 (en) | Methods and systems for content management | |
Herath et al. | A personalized web content recommendation system for E-learners in E-learning environment | |
Ravichandran et al. | Statistical QA-Classifier vs. Re-ranker: What’s the difference? | |
CN111507680A (zh) | 在线面试方法、系统、设备及存储介质 | |
CN116452022A (zh) | 教师教学效果的评价方法、装置及电子设备 | |
KR20190049627A (ko) | 기계학습 프레임워크의 분석 결과를 해석하는 방법, 장치 및 컴퓨터 프로그램 | |
Hu | Using few-shot learning materials of multiple SPOCs to develop early warning systems to detect students at risk | |
CN111611781B (zh) | 数据标注方法、问答方法、装置及电子设备 | |
CN111415283A (zh) | 一种有效在线教学的因素分析方法和装置 | |
CN111104455A (zh) | 多源多维的学校教学横向信息差异比对分析方法 | |
CN117455732A (zh) | 一种智慧教学平台的资源库控制方法及系统 | |
CN114862636A (zh) | 一种金融智能授课与隐私保护方法 | |
Dobashi | Time series analysis of the in class page view history of digital teaching materials using cross table | |
CN114691904A (zh) | 课程资源标注方法、装置、系统、设备及存储介质 | |
Ros et al. | Analyzing content structure and Moodle milestone to classify student learning behavior in a basic desktop tools course | |
CN111311981A (zh) | 一种多数据支持的智能教室 | |
CN114461787B (zh) | 一种试题分发方法和系统 | |
Oreski et al. | STUDENTS'CLUSTERING BASED ON THE LMS ACTIVITY |
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 |