CN108074203A - 一种教学调整方法和装置 - Google Patents
一种教学调整方法和装置 Download PDFInfo
- Publication number
- CN108074203A CN108074203A CN201610992719.7A CN201610992719A CN108074203A CN 108074203 A CN108074203 A CN 108074203A CN 201610992719 A CN201610992719 A CN 201610992719A CN 108074203 A CN108074203 A CN 108074203A
- Authority
- CN
- China
- Prior art keywords
- learner
- mood
- attribute
- determined
- courses
- 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 51
- 230000036651 mood Effects 0.000 claims abstract description 272
- 230000008451 emotion Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 description 23
- 230000002996 emotional effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003930 cognitive ability Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010027940 Mood altered Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明实施例公开了一种教学调整方法,该方法包括:根据采集到的学习者的脸部图像,确定所述学习者的情绪属性;根据所述学习者的情绪属性和采集到的所述学习者的学习历史记录,为所述学习者确定出教学内容;根据所述学习者的情绪属性,为所述学习者确定出教学策略,按照所述教学策略推送所述教学内容至所述学习者。本发明实施例还同时公开了一种教学调整装置。
Description
技术领域
本发明涉及网络教学技术领域,尤其涉及一种教学调整方法和装置。
背景技术
现今,随着互联网的发展,通过网络的教育学习方式备受青睐,学习者通过网络学习不再受到地理位置的限制,并且通过网络学习获取到的知识更加广泛全面,那么,网络学习作为一种便捷的学习方式,通过网络学习的学习效率是学习者关注的重点。
在现有技术中,网络学习中,网络课程都是预先根据教学者的经验编排的,学习者在学习网络课程的过程中,只能按照预先编排好的网络课程进行学习,为了提高学习者的学习效率,一般是通过对学习者进行学习能力的静态评估和动态学习能力行为数据采集的方式,获取学习者对知识的掌握程度,然后,根据学习者对知识的掌握程度为学习者提供学习建议指导,然而,该方法主要是学习者与计算机之间机械性的交流,与传统的教学方式中老师可以根据学生的反应来灵活地调整教学方法相比,学习者通过网络课程学习的学习效率较低。
发明内容
有鉴于此,本发明实施例期望提供一种教学调整方法的装置,以解决现有技术中存在的学习者通过网络课程学习中学习效率较低的技术问题,提高了用户的体验度。
为达到上述目的,本发明的技术方案是这样实现的:
第一方面,本发明实施例提供一种教学调整方法,包括:根据采集到的学习者的脸部图像,确定所述学习者的情绪属性;根据所述学习者的情绪属性和采集到的所述学习者的学习历史记录,为所述学习者确定出教学内容;根据所述学习者的情绪属性,为所述学习者确定出教学策略,按照所述教学策略推送所述教学内容至所述学习者。
进一步地,所述根据采集到的学习者的脸部图像,确定所述学习者的情绪属性,包括:从所述学习者的脸部图像中提取出预设区域的图像信息;根据所述预设区域的图像信息,获得所述学习者的情绪数据;分别计算所述学习者的情绪数据与预设数据库中每种情绪数据的匹配度;根据所述学习者的情绪数据与所述每种情绪数据的匹配度,确定出所述学习者的情绪属性。
进一步地,所述根据所述学习者的情绪数据与所述每种情绪数据的匹配度,确定出所述学习者的情绪属性,包括:将所述学习者的情绪数据与每种情绪数据的匹配度中的最大值对应的情绪类别,确定为所述学习者的情绪类别;在所述学习者的情绪类别为高兴时,确定所述学习者的情绪属性为正面情绪;在所述学习者的情绪类别为惊奇时,确定所述学习者的情绪属性为需要情绪;在所述学习者的情绪类别为悲伤、或生气、或恐惧、或厌恶时,确定所述学习者的情绪属性为负面情绪。
进一步地,所述根据所述学习者的情绪属性和采集到的所述学习者的学习历史记录,为所述学习者确定出教学内容,包括:在所述学习者的情绪属性为正面情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的深入型的学习路径;在所述学习者的情绪属性为需要情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的案例型的学习路径;在所述学习者的情绪属性为负面情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的舒缓型的学习路径;根据所述学习者的学习路径,为所述学习者确定出所述教学内容。
进一步地,所述根据所述情绪属性,为所述学习者确定出教学策略,包括:在所述学习者的情绪属性为正面情绪时,确定出的所述教学策略为预设的渐进式的教学策略;在所述学习者的情绪属性为需要情绪时,确定出的所述教学策略为预设的生动式的教学策略;在所述学习者的情绪属性为负面情绪时,确定出的所述教学策略为预设的轻松式的教学策略。
第二方面,本发明实施例提供一种教学调整装置,包括:第一确定模块,用于根据采集到的学习者的脸部图像,确定所述学习者的情绪属性;第二确定模块,用于根据所述学习者的情绪属性和采集到的所述学习者的学习历史记录,为所述学习者确定出教学内容;推送模块,用于根据所述学习者的情绪属性,为所述学习者确定出教学策略,按照所述教学策略推送所述教学内容至所述学习者。
进一步地,所述第一确定模块包括:提取子模块,用于从所述学习者的脸部图像中提取出预设区域的图像信息;获得子模块,用于根据所述预设区域的图像信息,获得所述学习者的情绪数据;计算子模块,用于分别计算所述学习者的情绪数据与预设数据库中每种情绪数据的匹配度;确定子模块,用于根据所述学习者的情绪数据与所述每种情绪数据的匹配度,确定出所述学习者的情绪属性。
进一步地,所述确定子模块,具体用于将所述学习者的情绪数据与每种情绪数据的匹配度中的最大值对应的情绪类别,确定为所述学习者的情绪类别;在所述学习者的情绪类别为高兴时,确定所述学习者的情绪属性为正面情绪;在所述学习者的情绪类别为惊奇时,确定所述学习者的情绪属性为需要情绪;在所述学习者的情绪类别为悲伤、或生气、或恐惧、或厌恶时,确定所述学习者的情绪属性为负面情绪。
进一步地,所述第二确定模块,具体用于在所述学习者的情绪属性为正面情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的深入型的学习路径;在所述学习者的情绪属性为需要情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的案例型的学习路径;在所述学习者的情绪属性为负面情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的舒缓型的学习路径;根据所述学习者的学习路径,为所述学习者确定出所述教学内容。
进一步地,所述推送模块,具体用于在所述学习者的情绪属性为正面情绪时,将所述教学策略确定为预设的渐进式的教学策略;在所述学习者的情绪属性为需要情绪时,将所述教学策略确定为预设的生动式的教学策略;在所述学习者的情绪属性为负面情绪时,将所述教学策略确定为预设的轻松式的教学策略。
本发明实施例所提供的教学调整方法和装置,首先,采集学习者的脸部图像,根据采集到的学习者的脸部图像来确定学习者的情绪属性,然后,根据学习者的情绪属性和采集到的学习者的学习历史记录,为学习者确定出教学内容,最后,根据学习者的情绪属性,为学习者确定出教学策略,并按照教学策略推送教学内容至学习者,这样,使得教学内容和教学策略,可以根据学习者的情绪来进行调整,避免了学习者与计算机之间机械性的交流,通过调整教学内容和教学策略,灵活地为学习者推送适合自己的教学内容和教学策略,有利于提高学习者通过网络课程学习的学习效率。
附图说明
图1为本发明实施例中的教学调整方法的流程示意图;
图2本发明实施例中的教学调整方法的一种可选的流程示意图;
图3本发明实施例中的教学调整方法的另一种可选的流程示意图;
图4本发明实施例中的教学调整方法的再一种可选的流程示意图;
图5本发明实施例中的教学调整方法的又一种可选的流程示意图;
图6为本发明实施例中的教学调整装置的结构示意图。
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。
本发明实施例提供一种教学调整方法,该方法应用于教学调整装置中,图1为本发明实施例中的教学调整方法的流程示意图,如图1所示,该教学调整方法包括:
S101:根据采集到的学习者的脸部图像,确定学习者的情绪属性;
具体来说,情绪是人的一种内心体验,而表情是情绪的外在体现,通过学习者表情的识别便可知晓被测者心理情绪状态,所以,当学习者通过网络课程进行学习的过程中,通过摄像头采集初始图像,采用人脸检测算法从该初始图像中找出表情特征区域的位置和尺寸,得到采集到的学习者的脸部图像,并将学习者的脸部图像传送至上述教学调整装置中的智能人机接口中,然后,教学调整装置通过脸部图像来确定出学习者的情绪属性;
其中,该摄像头可以是教学调整装置中的一部分,也可以是独立的一部分,另外,上述人脸检测算法可以包括:Adaboost模型算法和肤色模型算法,但本发明实施例不限于此。
上述情绪属性可以包括正面情绪、需要情绪和负面情绪。
如前面所述,脸部图像能够反映出学习者对当前所学习的教学内容的感受,所以,教学调整装置需根据学习者的脸部图像来确定学习者的情绪属性,为了确定出学习者的情绪属性,在一种可选的实施例中,S101可以包括:
S201:从学习者的脸部图像中提取出预设区域的图像信息;
S202:根据预设区域的图像信息,获得学习者的情绪数据;
S203:分别计算学习者的情绪数据与预设数据库中每种情绪数据的匹配度;
S204:根据学习者的情绪数据与每种情绪数据的匹配度,确定出学习者的情绪属性。
其中,上述预设区域可以为脸部特征中一种或者多种,其中上述脸部特征可以包括眼睛、嘴巴、眉毛等等;
在实际应用中,眼睛和嘴巴最能反映出人们的情绪状态,那么,下面以预设区域为脸部和嘴巴为例,教学调整装置采用尺度不变特征变换匹配(SIFT,Scale InvariantFeature Transform)算法从学习者的脸部图像中提取出眼睛和嘴巴的图像信息,然后根据脸部和嘴巴的图像信息采用对象请求代理(ORB,Object Request broker)算法获得学习者的情绪数据,该情绪数据可以为一个具体的数值,也可以为一个矢量,这里,本发明实施例不做具体限定。
上述预设数据库可以包括JAFFE数据库和Cohn-Kanada人脸表情数据库,本发明实施例不限于此;下面以预设数据库以JAFFE数据库为例,在JAFFE数据库中,包括Ekman提出的六种基本情绪对应的情绪数据,其中,上述六种基本情绪包括:高兴、悲伤、生气、恐惧、惊奇、厌恶;在S203中,分别计算学习者的情绪数据与上述六种基本情绪对应的情绪数据的匹配度中,当情绪数据为一个数值时,那么上述匹配度可以为学习者的情绪数据与每种情绪数据的差值,当情绪数据为一个矢量时,那么上述匹配度可以为学习者的情绪数据与每种情绪数据的距离,这里,本发明实施例不做具体限定。
在S204中,为了确定出学习者的情绪属性,以便为学习者确定出适合学习者的教学内容和教学策略,在一种可选的实施例中,S204可以包括:
将学习者的情绪数据与每种情绪数据的匹配度中的最大值对应的情绪类别,确定为学习者的情绪类别;在学习者的情绪类别为高兴时,确定学习者的情绪属性为正面情绪;在学习者的情绪类别为惊奇时,确定学习者的情绪属性为需要情绪;在学习者的情绪类别为悲伤、或生气、或恐惧、或厌恶时,确定学习者的情绪属性为负面情绪。
在S203中计算出学习者的情绪数据与预设数据库中每种情绪数据的匹配度之后,比较所得到的匹配值,确定出匹配值中的最大值,该最大值对应有情绪类别,其中,该情绪类别可以包括:高兴、悲伤、生气、恐惧、惊奇、厌恶;
对于学习者而言,在学习的过程中,出现的情绪大致可以分为三类,第一类为学习者所接收知识的接收能力良好,情绪状态较佳,可以表现为高兴等,那么,该情绪属性为正面情绪;第二类为学习者对于所接收的知识中存在部分疑点,情绪状态欠佳,可以表现为惊奇等,此时,该情绪属性为需要情绪;第三类为学习者对于所接收的知识中存在较多疑点,情绪状态较差,可以表现为悲伤、或生气、或恐惧、或厌恶等,此时,该情绪属性为需要情绪;
由以上可知,在学习者的情绪类别为高兴时,说明学习者情绪状态较佳,确定学习者的情绪属性为正面情绪;在学习者的情绪类别为惊奇时,说明学习者情绪状态欠佳,确定学习者的情绪属性为需要情绪;在学习者的情绪类别为悲伤、或生气、或恐惧、或厌恶时,说明学习者情绪状态较差,确定学习者的情绪属性为负面情绪。
至此,便确定出学习者的情绪属性。
S102:根据学习者的情绪属性和采集到的学习者的学习历史记录,为学习者确定出教学内容;
这里,需要说明的是,上述采集到的学习者的学习历史记录可以包括:学习者的基本信息、学习者的教学内容记录、学习者知识掌握情况,本发明实施例不限于此;
其中,上述学习者的基本信息可以姓名、性别、学历等等,上述学习者的教学内容记录可以包括教学内容和对应的测评结果等等。
在确定出学习者的情绪属性和采集到学习者的学习历史记录之后,为了为学习者确定出适合自身当前状态的教学内容,在一种可选的实施例中,S102可以包括:
在学习者的情绪属性为正面情绪时,根据学习者的学习历史记录,确定出学习者的学习路径为预设的深入型的学习路径;在学习者的情绪属性为需要情绪时,根据学习者的学习历史记录,确定出学习者的学习路径为预设的案例型的学习路径;在学习者的情绪属性为负面情绪时,根据学习者的学习历史记录,确定出学习者的学习路径为预设的舒缓型的学习路径;根据学习者的学习路径,为学习者确定出教学内容。
在具体实施过程中,可以将学习路径以及学习知识点要使用的学习对象看作一个大的搜索空间,而把个性化学习路径推荐看成一种搜索策略,当有非常多的学习对象时,搜索空间会非常庞大,进行穷举是不可行的,必须采取一种有效的搜索策略,那么,上述可以根据学习者的学习历史记录采用文化基因(Memetic)算法或者禁忌搜索(Tabu)算法进行搜索;
其中,当学习者的情绪属性为正面情绪时,说明学习者的情绪属性较佳,并且根据学习者的学习历史记录采用Memetic算法或者Tabu算法进行搜索,可以确定出学习者的学习路径为预设的深入型的学习路径,该深入型的学习路径指向由浅入深的教学内容,那么,根据该深入型的学习路径可以确定出教学内容为基于学习者的已掌握的知识点确定出的由浅入深的教学内容;例如,当采用Memetic算法或者Tabu算法得知该学习者已经学习了教学内容A和教学内容B,并且已经掌握了教学内容A和教学内容B,那么,在学习者的情绪状态较佳时,为学习者确定的教学内容为以教学内容A和教学内容B为基础知识由浅入深的教学内容C;
当学习者的情绪属性为需要情绪时,说明学习者的情绪属性欠佳,并且根据学习者的学习历史记录采用Memetic算法或者Tabu算法进行搜索,可以确定出学习者的学习路径为预设的案例型的学习路径,该案例型的学习路径指向以案例为主的教学内容,那么,根据该案例型的学习路径可以确定出教学内容为基于学习者的已掌握的知识点确定出的教学内容;例如,当采用Memetic算法或者Tabu算法得知该学习者已经学习了教学内容A和教学内容B,该学习者仅仅掌握了教学内容A,那么,在学习者的情绪状态欠佳时,为学习者确定的教学内容为以教学内容A为基础知识以案例为主的教学内容B;
当学习者的情绪属性为负面情绪时,说明学习者的情绪属性较差,并且根据学习者的学习历史记录采用Memetic算法或者Tabu算法进行搜索,可以确定出学习者的学习路径为预设的舒缓型的学习路径,该舒缓型的学习路径指向插播音乐或间断休息的教学内容,那么,根据该舒缓型的学习路径可以确定出教学内容为基于学习者的已掌握的知识点确定出的教学内容;例如,当采用Memetic算法或者Tabu算法得知该学习者已经学习了教学内容A和教学内容B,该学习者仅仅掌握了教学内容A,那么,在学习者的情绪状态较差时,为学习者确定的教学内容为以教学内容A为基础知识插播音乐或间断休息的教学内容B;
上述根据学习者的学习学习历史记录采用Memetic算法或者Tabu算法进行搜索,可以确定出学习者的学习路径,学习路径实时更新的目的就是从多种学习路径以及学习知识点中选取最适合学习者的教学内容,使得学习过程能够满足学习者不同的个性化要求,有效缩短学习时间,从而提高学习效率。
至此,为学习者确定出适合自身状态的教学内容。
S103:根据学习者的情绪属性,为学习者确定出教学策略,按照教学策略推送教学内容至学习者。
其中,上述教学策略适用于向学习者推送教学内容的方式,例如,教学策略可以包括推送教学内容的进度和推送教学内容的讲解方式等等,本发明实施例不限于此。
在确定出学习者的情绪属性之后,为了为学习者确定出适合自身当前状态的教学策略,使得学习者可以更容易掌握推送的教学内容,在一种可选的实施例中,S103可以包括:
在学习者的情绪属性为正面情绪时,确定出的教学策略为预设的渐进式的教学策略;在学习者的情绪属性为需要情绪时,确定出的教学策略为预设的生动式的教学策略;在学习者的情绪属性为负面情绪时,确定出的教学策略为预设的轻松式的教学策略。
具体来说,当学***铺直叙的讲解方式推送教学内容给学***铺直叙的讲解方式推送给学习者;
当学习者的情绪属性为需要情绪时,说明学习者的学习状态欠佳,那么确定出的教学策略为预设的生动式的教学策略,该生动式的教学策略可以为按照中等的进度推送教学内容给学习者和/或采用生动的讲解方式推送教学内容给学习者;例如,确定出的教学内容为B时,生动式的教学策略可以为分2至3次将该教学内容B按照生动的讲解方式推送给学习者;
当学习者的情绪属性为负面情绪时,说明学习者的学习状态较差,那么确定出的教学策略为预设的轻松式的教学策略,该轻松式的教学策略可以为按照较慢的进度推送教学内容给学习者和/或采用轻松的讲解方式推送教学内容给学习者;例如,确定出的教学内容为B时,轻松式的教学策略可以为分5至6次将该教学内容B按照轻松的讲解方式推送给学习者。
下面以具体实例来对上述一个或多个实施例中教学调整方法进行说明。
图3本发明实施例中的教学调整方法的另一种可选的流程示意图,如图3所示,用户(相当于上述学习者)通过智能人机接口采集用户的脸部图像,从用户的脸部图像中提取出预设区域的图像信息,根据预设区域的图像信息确定出用户的情绪属性,并将用户的情绪属性传送至学生模型;图4本发明实施例中的教学调整方法的再一种可选的流程示意图,如图4所示,学生模型的输入信息包括:用户的个人信息和学习行为信息(用户的个人信息和学习行为信息相当于上述学习历史记录),以及情绪信息(相当于上述情绪属性);
然后,学生模型中对输入信息进行一个综合性的评价,例如,该用户对现有知识的掌握情况,该学生的认知能力等等,在实际应用中,在每个知识点学习结束之后,要对学习者进行测试,根据测试结果计算学习者的认知能力,以确定下一知识单元的难易程度,作为调整知识学习次序的依据。
然后将学生模型的输入信息和综合型评价作为个性化模型的输入信息,个性化模型中,基于确定出的用户的情绪属性,根据用户的个人信息、学习行为信息以及综合性的评价为用户确定出学习路径,进而根据学习路径确定出教学内容,并将用户的教学内容和用户的情绪属性输入教学模型,在教学模型中,结合知识库、规则库为用户推送出个性化的学习内容(相当于上述按照确定出的教学策略推送教学内容)。
图5本发明实施例中的教学调整方法的又一种可选的流程示意图,如图5所示,是与图3对应的流程示意图,需要说明的是,本发明实施例中在个性化模型中计算学习路径时实时动态更新的,也就是说,学生模型在实时的接收到情绪状态之后,在个性化模型中动态更新用户的学习路径和学习内容,在教学模型中,基于更新的情绪状态、学习内容和知识图谱确定出动态更新的教学策略。
通过上述实例,对学习者的情绪状态实时检测与分析,融合情绪状态信息和用户学习记录及个人基本信息的学生模型的建立,学习过程中自适应调整学习策略与学习内容,动态推荐个性化模型的建立,把学习者情绪状态信息作为影响用户学习的重要因素,第一次引入到个性化学习推荐技术方案中,情绪状态信息作为学习策略动态调整的关键因素,与只关注学习者对知识掌握程度、学习记录信息的传统在线学习方法相比,更加接近学习者真实的学习场景,能够提高学习者的学习效果。
本发明实施例所提供的教学调整方法,首先,采集学习者的脸部图像,根据采集到的学习者的脸部图像来确定学习者的情绪属性,然后,根据学习者的情绪属性和采集到的学习者的学习历史记录,为学习者确定出教学内容,最后,根据学习者的情绪属性,为学习者确定出教学策略,并按照教学策略推送教学内容至学习者,这样,使得教学内容和教学策略,可以根据学习者的情绪来进行调整,避免了学习者与计算机之间机械性的交流,通过调整教学内容和教学策略,灵活地为学习者推送适合自己的教学内容和教学策略,有利于提高学习者通过网络课程学习的学习效率。
基于同一发明构思,本实施例提供一种教学调整装置,图6为本发明实施例中的教学调整装置的结构示意图,如图6所示,该教学调整装置包括:第一确定模块61、第二确定模块62和推送模块63;
其中,第一确定模块61,用于根据采集到的学习者的脸部图像,确定学习者的情绪属性;第二确定模块62,用于根据学习者的情绪属性和采集到的学习者的学习历史记录,为学习者确定出教学内容;推送模块63,用于根据学习者的情绪属性,为学习者确定出教学策略,按照教学策略推送教学内容至学习者。
脸部图像能够反映出学习者对当前所学习的教学内容的感受,所以,教学调整装置需根据学习者的脸部图像来确定学习者的情绪属性,为了确定出学习者的情绪属性,在一种可选的实施例中,上述第一确定模块61包括:提取子模块,用于从学习者的脸部图像中提取出预设区域的图像信息;获得子模块,用于根据预设区域的图像信息,获得学习者的情绪数据;计算子模块,用于分别计算学习者的情绪数据与预设数据库中每种情绪数据的匹配度;确定子模块,用于根据学习者的情绪数据与每种情绪数据的匹配度,确定出学习者的情绪属性。
为了确定出学习者的情绪属性,以便为学习者确定出适合学习者的教学内容和教学策略,在一种可选的实施例中,上述确定子模块,具体用于将学习者的情绪数据与每种情绪数据的匹配度中的最大值对应的情绪类别,确定为学习者的情绪类别;在学习者的情绪类别为高兴时,确定学习者的情绪属性为正面情绪;在学习者的情绪类别为惊奇时,确定学习者的情绪属性为需要情绪;在学习者的情绪类别为悲伤、或生气、或恐惧、或厌恶时,确定学习者的情绪属性为负面情绪。
在确定出学习者的情绪属性和采集到学习者的学习历史记录之后,为了为学习者确定出适合自身当前状态的教学内容,在一种可选的实施例中,上述第二确定模块62,具体用于在学习者的情绪属性为正面情绪时,根据学习者的学习历史记录,确定出学习者的学习路径为预设的深入型的学习路径;在学习者的情绪属性为需要情绪时,根据学习者的学习历史记录,确定出学习者的学习路径为预设的案例型的学习路径;在学习者的情绪属性为负面情绪时,根据学习者的学习历史记录,确定出学习者的学习路径为预设的舒缓型的学习路径;根据学习者的学习路径,为学习者确定出教学内容。
在确定出学习者的情绪属性之后,为了为学习者确定出适合自身当前状态的教学策略,使得学习者可以更容易掌握推送的教学内容,在一种可选的实施例中,上述推送模块63,具体用于在学习者的情绪属性为正面情绪时,将教学策略确定为预设的渐进式的教学策略;在学习者的情绪属性为需要情绪时,将教学策略确定为预设的生动式的教学策略;在学习者的情绪属性为负面情绪时,将教学策略确定为预设的轻松式的教学策略。
在实际应用中,第一确定模块61、第二确定模块62、推送模块63、提取子模、获得子模块、计算子模块、确定子模块均可由位于终端的中央处理器(CPU,Central ProcessingUnit)、微处理器(MPU,Microprocessor Unit)、专用集成电路(ASIC,ApplicationSpecific Integrated Circuit)或现场可编程门阵列(FPGA,Field-Programmable GateArray)等实现。
本实施例记载一种计算机可读介质,可以为ROM(例如,只读存储器、FLASH存储器、转移装置等)、磁存储介质(例如,磁带、磁盘驱动器等)、光学存储介质(例如,CD-ROM、DVD-ROM、纸卡、纸带等)以及其他熟知类型的程序存储器;计算机可读介质中存储有计算机可执行指令,当执行指令时,引起至少一个处理器执行包括以下的操作:
根据采集到的学习者的脸部图像,确定学习者的情绪属性;根据学习者的情绪属性和采集到的学习者的学习历史记录,为学习者确定出教学内容;根据学习者的情绪属性,为学习者确定出教学策略,按照教学策略推送教学内容至学习者。
本发明实施例所提供的教学调整方法,首先,采集学习者的脸部图像,根据采集到的学习者的脸部图像来确定学习者的情绪属性,然后,根据学习者的情绪属性和采集到的学习者的学习历史记录,为学习者确定出教学内容,最后,根据学习者的情绪属性,为学习者确定出教学策略,并按照教学策略推送教学内容至学习者,这样,使得教学内容和教学策略,可以根据学习者的情绪来进行调整,避免了学习者与计算机之间机械性的交流,通过调整教学内容和教学策略,灵活地为学习者推送适合自己的教学内容和教学策略,有利于提高学习者通过网络课程学习的学习效率。
这里需要指出的是:以上装置实施例项的描述,与上述方法描述是类似的,具有同方法实施例相同的有益效果,因此不做赘述。对于本发明装置实施例中未披露的技术细节,本领域的技术人员请参照本发明方法实施例的描述而理解,为节约篇幅,这里不再赘述。
这里需要指出的是:
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的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,该计算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计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种教学调整方法,其特征在于,包括:
根据采集到的学习者的脸部图像,确定所述学习者的情绪属性;
根据所述学习者的情绪属性和采集到的所述学习者的学习历史记录,为所述学习者确定出教学内容;
根据所述学习者的情绪属性,为所述学习者确定出教学策略,按照所述教学策略推送所述教学内容至所述学习者。
2.根据权利要求1所述的方法,其特征在于,所述根据采集到的学习者的脸部图像,确定所述学习者的情绪属性,包括:
从所述学习者的脸部图像中提取出预设区域的图像信息;
根据所述预设区域的图像信息,获得所述学习者的情绪数据;
分别计算所述学习者的情绪数据与预设数据库中每种情绪数据的匹配度;
根据所述学习者的情绪数据与所述每种情绪数据的匹配度,确定出所述学习者的情绪属性。
3.根据权利要求2所述的方法,其特征在于,所述根据所述学习者的情绪数据与所述每种情绪数据的匹配度,确定出所述学习者的情绪属性,包括:
将所述学习者的情绪数据与每种情绪数据的匹配度中的最大值对应的情绪类别,确定为所述学习者的情绪类别;
在所述学习者的情绪类别为高兴时,确定所述学习者的情绪属性为正面情绪;
在所述学习者的情绪类别为惊奇时,确定所述学习者的情绪属性为需要情绪;
在所述学习者的情绪类别为悲伤、或生气、或恐惧、或厌恶时,确定所述学习者的情绪属性为负面情绪。
4.根据权利要求3所述的方法,其特征在于,所述根据所述学习者的情绪属性和采集到的所述学习者的学习历史记录,为所述学习者确定出教学内容,包括:
在所述学习者的情绪属性为正面情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的深入型的学习路径;
在所述学习者的情绪属性为需要情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的案例型的学习路径;
在所述学习者的情绪属性为负面情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的舒缓型的学习路径;
根据所述学习者的学习路径,为所述学习者确定出所述教学内容。
5.根据权利要求3所述的方法,其特征在于,所述根据所述情绪属性,为所述学习者确定出教学策略,包括:
在所述学习者的情绪属性为正面情绪时,确定出的所述教学策略为预设的渐进式的教学策略;
在所述学习者的情绪属性为需要情绪时,确定出的所述教学策略为预设的生动式的教学策略;
在所述学习者的情绪属性为负面情绪时,确定出的所述教学策略为预设的轻松式的教学策略。
6.一种教学调整装置,其特征在于,包括:
第一确定模块,用于根据采集到的学习者的脸部图像,确定所述学习者的情绪属性;
第二确定模块,用于根据所述学习者的情绪属性和采集到的所述学习者的学习历史记录,为所述学习者确定出教学内容;
推送模块,用于根据所述学习者的情绪属性,为所述学习者确定出教学策略,按照所述教学策略推送所述教学内容至所述学习者。
7.根据权利要求6所述的装置,其特征在于,所述第一确定模块包括:
提取子模块,用于从所述学习者的脸部图像中提取出预设区域的图像信息;
获得子模块,用于根据所述预设区域的图像信息,获得所述学习者的情绪数据;
计算子模块,用于分别计算所述学习者的情绪数据与预设数据库中每种情绪数据的匹配度;
确定子模块,用于根据所述学习者的情绪数据与所述每种情绪数据的匹配度,确定出所述学习者的情绪属性。
8.根据权利要求7所述的装置,其特征在于,所述确定子模块,具体用于将所述学习者的情绪数据与每种情绪数据的匹配度中的最大值对应的情绪类别,确定为所述学习者的情绪类别;在所述学习者的情绪类别为高兴时,确定所述学习者的情绪属性为正面情绪;在所述学习者的情绪类别为惊奇时,确定所述学习者的情绪属性为需要情绪;在所述学习者的情绪类别为悲伤、或生气、或恐惧、或厌恶时,确定所述学习者的情绪属性为负面情绪。
9.根据权利要求8所述的装置,其特征在于,所述第二确定模块,具体用于在所述学习者的情绪属性为正面情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的深入型的学习路径;在所述学习者的情绪属性为需要情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的案例型的学习路径;在所述学习者的情绪属性为负面情绪时,根据所述学习者的学习历史记录,确定出所述学习者的学习路径为预设的舒缓型的学习路径;根据所述学习者的学习路径,为所述学习者确定出所述教学内容。
10.根据权利要求8所述的装置,其特征在于,所述推送模块,具体用于在所述学习者的情绪属性为正面情绪时,将所述教学策略确定为预设的渐进式的教学策略;在所述学习者的情绪属性为需要情绪时,将所述教学策略确定为预设的生动式的教学策略;在所述学习者的情绪属性为负面情绪时,将所述教学策略确定为预设的轻松式的教学策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610992719.7A CN108074203A (zh) | 2016-11-10 | 2016-11-10 | 一种教学调整方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610992719.7A CN108074203A (zh) | 2016-11-10 | 2016-11-10 | 一种教学调整方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108074203A true CN108074203A (zh) | 2018-05-25 |
Family
ID=62153565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610992719.7A Pending CN108074203A (zh) | 2016-11-10 | 2016-11-10 | 一种教学调整方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108074203A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255994A (zh) * | 2018-10-26 | 2019-01-22 | 北京智能优学科技有限公司 | 一种外语教学自适应学习方法及计算机可读存储介质 |
CN109871430A (zh) * | 2019-01-31 | 2019-06-11 | 北京翰舟信息科技有限公司 | 一种智能识别文本的方法、装置、电子设备及存储介质 |
CN109885727A (zh) * | 2019-02-21 | 2019-06-14 | 广州视源电子科技股份有限公司 | 资料推送方法、装置、电子设备及*** |
CN110533336A (zh) * | 2019-09-02 | 2019-12-03 | 西南大学 | 一种教学决策匹配方法及装置 |
CN110648264A (zh) * | 2019-09-30 | 2020-01-03 | 彭春姣 | 包含或挂接情绪调节成分的课件、调节情绪的方法和装置 |
CN111178273A (zh) * | 2019-12-30 | 2020-05-19 | 云知声智能科技股份有限公司 | 一种基于情绪变化的教育方法及装置 |
WO2022183423A1 (zh) * | 2021-03-04 | 2022-09-09 | 深圳技术大学 | 基于视线跟踪的线上教学实现方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908149A (zh) * | 2010-07-06 | 2010-12-08 | 北京理工大学 | 一种从人脸图像序列中识别脸部表情的方法 |
CN102169642A (zh) * | 2011-04-06 | 2011-08-31 | 李一波 | 具有智能纠错功能的交互式虚拟教师*** |
CN104680141A (zh) * | 2015-02-13 | 2015-06-03 | 华中师范大学 | 基于运动单元分层的人脸表情识别方法及*** |
CN105608960A (zh) * | 2016-01-27 | 2016-05-25 | 广东外语外贸大学 | 一种基于多参量分析的口语形成性教学方法及*** |
-
2016
- 2016-11-10 CN CN201610992719.7A patent/CN108074203A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101908149A (zh) * | 2010-07-06 | 2010-12-08 | 北京理工大学 | 一种从人脸图像序列中识别脸部表情的方法 |
CN102169642A (zh) * | 2011-04-06 | 2011-08-31 | 李一波 | 具有智能纠错功能的交互式虚拟教师*** |
CN104680141A (zh) * | 2015-02-13 | 2015-06-03 | 华中师范大学 | 基于运动单元分层的人脸表情识别方法及*** |
CN105608960A (zh) * | 2016-01-27 | 2016-05-25 | 广东外语外贸大学 | 一种基于多参量分析的口语形成性教学方法及*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109255994A (zh) * | 2018-10-26 | 2019-01-22 | 北京智能优学科技有限公司 | 一种外语教学自适应学习方法及计算机可读存储介质 |
CN109871430A (zh) * | 2019-01-31 | 2019-06-11 | 北京翰舟信息科技有限公司 | 一种智能识别文本的方法、装置、电子设备及存储介质 |
CN109885727A (zh) * | 2019-02-21 | 2019-06-14 | 广州视源电子科技股份有限公司 | 资料推送方法、装置、电子设备及*** |
CN110533336A (zh) * | 2019-09-02 | 2019-12-03 | 西南大学 | 一种教学决策匹配方法及装置 |
CN110648264A (zh) * | 2019-09-30 | 2020-01-03 | 彭春姣 | 包含或挂接情绪调节成分的课件、调节情绪的方法和装置 |
CN110648264B (zh) * | 2019-09-30 | 2023-02-28 | 彭春姣 | 包含或挂接情绪调节成分的课件、调节情绪的方法和装置 |
CN111178273A (zh) * | 2019-12-30 | 2020-05-19 | 云知声智能科技股份有限公司 | 一种基于情绪变化的教育方法及装置 |
WO2022183423A1 (zh) * | 2021-03-04 | 2022-09-09 | 深圳技术大学 | 基于视线跟踪的线上教学实现方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074203A (zh) | 一种教学调整方法和装置 | |
Ji et al. | Show, attend and distill: Knowledge distillation via attention-based feature matching | |
Xu et al. | Semantic embedding space for zero-shot action recognition | |
Les et al. | Problem solving | |
CN109583429A (zh) | 一种批改试卷中应用题的方法及装置 | |
CN110444199A (zh) | 一种语音关键词识别方法、装置、终端及服务器 | |
CN107358293A (zh) | 一种神经网络训练方法及装置 | |
CN111738355B (zh) | 注意力融合互信息的图像分类方法、装置及存储介质 | |
CN109271582A (zh) | 一种基于带属性元路径的个性化信息推荐方法 | |
Wang | Online Learning Behavior Analysis Based on Image Emotion Recognition. | |
CN109710744A (zh) | 一种数据匹配方法、装置、设备及存储介质 | |
CN109885595A (zh) | 基于人工智能的课程推荐方法、装置、设备及存储介质 | |
CN109711356B (zh) | 一种表情识别方法和*** | |
CN109685713A (zh) | 化妆模拟控制方法、装置、计算机设备及存储介质 | |
Deng et al. | Students’ attention assessment in elearning based on machine learning | |
CN113722474A (zh) | 文本分类方法、装置、设备及存储介质 | |
Muneesawang et al. | A machine intelligence approach to virtual ballet training | |
CN113065757A (zh) | 线上课程授课质量的评价方法及装置 | |
CN115909443A (zh) | 基于多头注意力机制的表情识别模型及其训练方法 | |
Olkiewicz et al. | Emotion-based image retrieval—An artificial neural network approach | |
Sha et al. | Neural knowledge tracing | |
US11416558B2 (en) | System and method for recommending personalized content using contextualized knowledge base | |
CN106503066A (zh) | 基于人工智能的处理搜索结果方法和装置 | |
Kusumawardani et al. | Plant taxonomy learning and research: A systematics review | |
CN110516153A (zh) | 视频的智能推送方法和装置、存储介质及电子装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180525 |