CN111832595A - 教师风格的确定方法及计算机存储介质 - Google Patents
教师风格的确定方法及计算机存储介质 Download PDFInfo
- Publication number
- CN111832595A CN111832595A CN201910329291.1A CN201910329291A CN111832595A CN 111832595 A CN111832595 A CN 111832595A CN 201910329291 A CN201910329291 A CN 201910329291A CN 111832595 A CN111832595 A CN 111832595A
- Authority
- CN
- China
- Prior art keywords
- data
- teacher
- style
- dimension
- question
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 238000002372 labelling Methods 0.000 claims description 88
- 230000004044 response Effects 0.000 claims description 53
- 238000012512 characterization method Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 34
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000003672 processing method Methods 0.000 claims 1
- 230000002996 emotional effect Effects 0.000 description 9
- 230000001815 facial effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Images
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- 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
-
- 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
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Multimedia (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
Abstract
本发明实施例提供一种教师风格的确定方法及计算机存储介质。其中,所述方法包括:对获取的教学记录数据进行特征提取操作,以获得所述教学记录数据对应的特征数据;通过教师风格预测模型,根据所述教学记录数据对应的特征数据,预测所述教学记录数据对应的教师风格表征数据;根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格。本发明实施例通过预先确定的教师风格语义空间,能够准确地确定教学记录数据对应的教师风格。
Description
技术领域
本发明实施例涉及人工智能领域,尤其涉及一种教师风格的确定方法及计算机存储介质。
背景技术
教学场景中,教师的风格是对教师个体价值的判断,并且对于课堂质量有着重要的影响。通过对教师的教学风格进行精准刻画,可以准确地确定教师风格,进而可以使得人工智能技术在教学领域具有非常强的业务落地场景。因此,如何准确地确定教师风格是一个很重要的技术问题。
现有的研究主要是通过应用情感识别技术来识别教师的情感状态,进而对教师风格进行确定。具体地,可通过使用离散情感模型来识别教师的情感状态,进而对教师风格进行确定。然而,通过使用离散情感模型识别出来的情感状态(如高兴、生气等离散的情感状态)在教育场景中出现较少,与教师风格的联系较弱,不能反映出教师实际的教师风格,进而无法准确地确定教师风格。此外,还可通过使用维度情感模型来识别教师的情感状态,进而对教师风格进行确定。然而,维度情感模型只是用于对教师情感状态的描述,无法精准地刻画出不同的教师风格,进而无法准确地确定教师风格。
发明内容
有鉴于此,本发明实施例所解决的技术问题之一在于提供一种教师风格的确定方法及计算机存储介质,用以解决现有技术中存在的无法准确地确定教师风格的问题。
本发明实施例提供一种教师风格的确定方法。所述方法包括:对获取的教学记录数据进行特征提取操作,以获得所述教学记录数据对应的特征数据;通过教师风格预测模型,根据所述教学记录数据对应的特征数据,预测所述教学记录数据对应的教师风格表征数据;根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格。
本发明实施例还提供一种计算机可读介质,所述计算机存储介质存储有可读程序,所述可读程序包括:用于对获取的教学记录数据进行特征提取操作,以获得所述教学记录数据对应的特征数据的指令;用于通过教师风格预测模型,根据所述教学记录数据对应的特征数据,预测所述教学记录数据对应的教师风格表征数据的指令;用于根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格的指令。
根据本发明实施例提供的教师风格的确定方案,对获取的教学记录数据进行特征提取操作,以获得教学记录数据对应的特征数据,并通过教师风格预测模型,根据教学记录数据对应的特征数据,预测教学记录数据对应的教师风格表征数据,再根据教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定教学记录数据对应的教师风格,与现有的其它方式相比,通过预先确定的教师风格语义空间,能够准确地确定教学记录数据对应的教师风格。
附图说明
为了更清楚地说明本发明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仅是本发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1示出了根据本发明实施例一的教师风格的确定方法的步骤流程图;
图2A示出了根据本发明实施例二的教师风格的确定方法的步骤流程图;
图2B示出了根据本发明实施例二的教师风格语义空间的示意图。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案,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,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
实施例一
参照图1,示出了根据本发明实施例一的教师风格的确定方法的步骤流程图。
具体地,本发明实施例提供的教师风格的确定方法包括以下步骤:
在步骤S101中,对获取的教学记录数据进行特征提取操作,以获得所述教学记录数据对应的特征数据。
在本实施例中,所述获取的教学记录数据可包括用于记录教学内容的音频数据或视频数据,例如,时长均为10秒的音频数据或视频数据。当所述获取的教学记录数据具体为用于记录教学内容的音频数据时,所述教学记录数据对应的特征数据可为从所述音频数据中提取的高维的语音声学特征数据,所述语音声学特征数据可包括音频的韵律特征数据、频谱特征数据和音质特征数据等,所述语音声学特征数据具体为语音声学特征向量。在具体的实施方式中,可采用现有的语音声学特征提取算法从所述音频数据中提取得到高维的语音声学特征数据。当所述获取的教学记录数据具体为用于记录教学内容的视频数据时,所述教学记录数据的特征数据可为从所述视频数据中提取的高维的人脸面部特征数据,所述人脸面部特征数据可包括嘴巴区域的特征数据、眼睛区域的特征数据和脸颊区域的特征数据等,所述人脸面部特征数据具体为人脸面部特征向量。在具体的实施方式中,可采用现有的人脸面部特征提取算法从所述视频数据中提取得到高维的人脸面部特征数据。
在步骤S102中,通过教师风格预测模型,根据所述教学记录数据对应的特征数据,预测所述教学记录数据对应的教师风格表征数据。
在本实施例中,所述教师风格预测模型可以是任意适当的可实现特征提取或目标对象检测的神经网络模型,包括但不限于卷积神经网络、增强学习神经网络、对抗神经网络中的生成网络、深度神经网络等等。神经网络中具体结构的设置可以由本领域技术人员根据实际需求适当设定,如卷积层的层数、卷积核的大小、通道数等等。所述教师风格表征数据可理解为用于表征所述教学记录数据对应的教师风格的数据,例如,用于表征所述教学记录数据对应的教师风格的向量,所述教学记录数据对应的教师风格在所述教师风格语义空间中的位置数据等。
在本实施例中,在通过教师风格预测模型,根据所述教学记录数据对应的特征数据,预测所述教学记录数据对应的教师风格表征数据时,通过所述教师风格预测模型的多个低层模型,基于所述特征数据,获得所述教学记录数据对应的多个教师风格初步预测数据;通过所述教师风格预测模型的高层模型,基于所述多个教师风格初步预测数据,获得所述教学记录数据对应的教师风格最终预测数据。其中,所述教师风格最终预测数据具体为教师风格表征数据。籍此,通过教师风格预测模型包括的多个低层模型,对教学记录数据进行教学风格的初步预测,再通过教师风格预测模型包括的高层模型,基于教学风格的初步预测结果,对教学记录数据进行教学风格的最终预测,能够提高教师风格预测模型对教学记录数据对应的教师风格的预测准确度。
在本实施例中,在通过所述教师风格预测模型的多个低层模型,基于所述特征数据,获得所述教学记录数据对应的多个教师风格初步预测数据时,通过所述隐含层,对所述特征数据分别进行特征提取操作,以获得所述特征数据分别对应的特征表征数据;通过所述预测层,对所述特征数据分别对应的特征表征数据进行映射操作,以获得所述教学记录数据对应的多个教师风格初步预测数据。其中,所述特征表征数据具体为特征表征向量。籍此,通过隐含层,对特征数据分别进行特征提取操作,能够对特征数据分别进行特征再编码,提高特征数据分别对应的特征表征数据的鲁棒性,进而提高低层模型对教学记录数据对应的教师风格的初步预测的准确度。
在本实施例中,在通过所述高层模型,基于所述多个教师风格初步预测数据,获得所述教学记录数据对应的教师风格最终预测数据时,基于所述多个教师风格初步预测数据,生成对应所述高层模型的高层特征表征数据;通过所述高层模型,基于所述高层特征表征数据,获得所述教学记录数据对应的教师风格最终预测数据。其中,所述高层特征表征数据具体为高层特征表征向量。籍此,基于教师风格初步预测数据,生成对应高层模型的高层特征表征数据,再通过高层模型,基于高层特征表征数据,获得教学记录数据对应的教师风格最终预测数据,能够提高高层模型对教学记录数据对应的教师风格的最终预测的准确度。
在本实施例中,在基于所述多个教师风格初步预测数据,生成对应所述高层模型的高层特征表征数据时,基于所述多个教师风格初步预测数据和所述特征数据分别对应的特征表征数据,生成所述高层特征表征数据。籍此,基于教师风格初步预测数据和特征数据对应的特征表征数据,生成高层特征表征数据,能够提高高层特征表征数据的鲁棒性,进而提高高层模型对教学记录数据对应的教师风格的最终预测的准确度。
在本实施例中,在通过所述高层模型,基于所述高层特征表征数据,获得所述教学记录数据对应的教师风格最终预测数据时,通过所述高层模型中的隐含层,对所述高层特征表征数据进行特征提取操作,以获得所述高层特征表征数据对应的特征表征数据;通过所述高层模型中的预测层,对所述高层特征表征数据对应的特征表征数据进行映射操作,以获得所述教学记录数据对应的教师风格最终预测数据。籍此,通过隐含层,对高层特征表征数据进行特征提取操作,能够对高层特征表征数据进行特征再编码,提高高层特征表征数据对应的特征表征数据的鲁棒性,进而提高高层模型对教学记录数据对应的教师风格的最终预测的准确度。
在步骤S103中,根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格。
在本实施例中,所述教师风格可理解为描述所述教学记录数据对应的教学风格的形容词。
在一些可选实施例中,在根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作时,确定所述教师风格表征数据分别与所述教师风格语义空间中多个教师风格对应的教师风格表征数据的欧氏距离;基于所述欧氏距离,确定所述教学记录数据对应的教师风格。
在一个具体的例子中,当通过训练好的教师风格预测模型,基于输入的教学记录数据m,预测得到教学记录数据m对应的教师风格表征数据,并且所述教师风格表征数据具体为在教师风格语义空间中的坐标值(Pm,Am)时,计算坐标值(Pm,Am)与教师风格语义空间中的各个教师风格对应的坐标值的欧式距离:
其中,dms表示坐标值(Pm,Am)与教师风格语义空间中的教师风格s的坐标值之间的欧式距离。如果教师风格语义空间中有一种教师风格s′的坐标值与坐标值(Pm,Am)之间的欧氏距离与教师风格语义空间中其它的教师风格对应的欧氏距离相比明显的小,则认为此教学记录数据m的教师风格为s′。具体地,如果小预设的数值,则认为此教学记录数据m的教师风格为s′。如果有几种教师风格对应的欧式距离相对而言都比较小,则设定一个距离阈值ε,并将欧氏距离小于ε的教师风格都挑选出来,认为此教学记录数据m对应的教师风格为挑选出来的这几种教师风格的混合。
通过本发明实施例提供的教师风格的确定方法,对获取的教学记录数据进行特征提取操作,以获得教学记录数据对应的特征数据,并通过教师风格预测模型,根据教学记录数据对应的特征数据,预测教学记录数据对应的教师风格表征数据,再根据教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定教学记录数据对应的教师风格,与现有的其它方式相比,通过预先确定的教师风格语义空间,能够准确地确定教学记录数据对应的教师风格。
实施例二
参照图2A,示出了根据本发明实施例二的教师风格的确定方法的步骤流程图。
具体地,本发明实施例提供的教师风格的确定方法包括以下步骤:
在步骤S201中,对获取的教学记录数据进行特征提取操作,以获得所述教学记录数据对应的特征数据。
由于该步骤S201与上述步骤S101类似,在此不再赘述。
在步骤S202中,通过教师风格预测模型,根据所述教学记录数据对应的特征数据,预测所述教学记录数据对应的教师风格表征数据。
由于该步骤S202与上述步骤S102类似,在此不再赘述。
在步骤S203中,对教学记录样本关于所述教师风格语义空间的维度标注数据进行维度处理,以获得所述教学记录样本关于所述教师风格语义空间的维度数据。
在本实施例中,所述教学记录样本可包括作为样本的教学内容的音频数据或视频数据,例如,时长均为10秒的音频数据或视频数据。所述教师风格语义空间可理解为用于建立不同的教师风格与具体的数值之间的映射关系的空间,使用具体的数值来量化不同教师的风格。所述教师风格语义空间具体可为二维空间、三维空间或多维空间等。所述维度标注数据可理解为机器或人工对教学记录样本进行标注的关于教师风格语义空间的维度的数据。所述维度数据可理解为处理得到的教学记录样本关于教师风格语义空间的至少一个维度的数据。
在一些可选实施例中,所述维度标注数据包括所述教学记录样本关于所述教师风格语义空间的第一维度标注数据和第二维度标注数据。所述第一维度标注数据可理解为机器或人工对教学记录样本进行标注的关于教师风格语义空间的第一维度的数据。所述第二维度标注数据可理解为机器或人工对教学记录样本进行标注的关于教师风格语义空间的第二维度的数据。由此可见,所述教师风格语义空间具体为包括第一维度和第二维度的二维空间。具体地,所述第一维度可理解为所述教师风格语义空间的横轴,用于指示后文提及的教师风格在所述教师风格语义空间中的横坐标。所述第二维度可理解为所述教师风格语义空间的纵轴,用于指示后文提及的教师风格在所述教师风格语义空间中的纵坐标。在对教学记录样本关于教师风格语义空间的维度标注数据进行处理时,对所述第一维度标注数据进行第一维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第一维度数据;对所述第二维度标注数据进行第二维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第二维度数据。其中,所述第一维度数据可理解为处理得到的教学记录样本关于教师风格语义空间的第一维度的数据,所述第二维度数据可理解为处理得到的教学记录样本关于教师风格语义空间的第二维度的数据。
在一个具体的例子中,所述第一维度标注数据包括多个标注模型对所述教师风格语义空间的第一维度设置的第一问题和第二问题的答复数据。其中,所述答复数据可理解为标注模型针对教师风格语义空间的第一维度设置的问题的标注数值。具体地,设置教师风格语义空间的第一维度对应于具体的两个问题,例如,“清醒的vs.困倦的”(第一问题)、“拘谨的(起伏不大)vs.惊讶的(说话起伏大)”(第二问题)。可安排标注模型(l=1,2,3,4)对教师风格语义空间的第一维度进行标注,以消除个体差异得到更为鲁棒的标注数据。假设教学记录样本的总数为N(n=1,2,…,N),对于第n个教学记录样本,第l个标注模型标注教师风格语义空间的第一维度时,对照其设置的每一个问题标出相应的数值,总共有两个问题(q=1,2)。标注模型对照每一个问题都会标出一个数值vlnq,表示标注模型l对于第n个教学记录样本的第q个问题标注的值,数值在-3至+3之间且以0.5为增量的范围内,即-3、-2.5、-2、…、+2.5、+3,其中数值越大表示正向意义越大,如第一问题,数值越接近+3表示教学记录样本对应的教师越清醒,越接近-3表示教学记录样本对应的教师越困倦。如,对于第一个教学记录样本,当标注教师风格语义空间的第一维度时,第一个标注模型对照第一问题标出一个数值v111,对照第二问题标出一个数值v112。因此,所述第一维度标注数据包括标注模型l对第一问题和第二问题分别标注的数值。
在一个具体的例子中,在对所述第一维度标注数据进行第一维度处理时,对所述第一问题和所述第二问题的答复数据分别进行归一化处理,以获得所述第一问题和所述第二问题的归一化处理后的答复数据;基于所述第一问题和所述第二问题的归一化处理后的答复数据,确定所述多个标注模型标注所述教学记录样本的第一中间维度标注数据;对所述第一中间维度标注数据求平均值,以获得所述教学记录样本关于所述教师风格语义空间的第二中间维度标注数据;对所述第二中间维度标注数据进行归一化处理,以获得所述第一维度数据。其中,所述第一中间维度标注数据可理解为标注模型标注教学记录样本关于教师风格语义空间的第一维度的数据,之所以使用“第一中间维度标注数据”,是因为需要与前文描述的“第一维度标注数据”和“第二维度标注数据”进行区分。所述第二中间维度标注数据可理解为教学记录样本关于教师风格语义空间的第一维度的数据,之所以使用“第二中间维度标注数据”,是因为需要与前文描述的“第一维度标注数据”、“第二维度标注数据”和“第一中间维度标注数据”进行区分。
在一些可选实施例中,在对所述第一问题和所述第二问题的答复数据分别进行归一化处理时,确定多个所述教学记录样本关于所述第一问题的答复数据的第一均值和第一标准差,及多个所述教学记录样本关于所述第二问题的答复数据的第二均值和第二标准差;基于所述第一均值和所述第一标准差,对所述第一问题的答复数据进行归一化处理,以获得所述第一问题的归一化处理后的答复数据;基于所述第二均值和所述第二标准差,对所述第二问题的答复数据进行归一化处理,以获得所述第二问题的归一化处理后的答复数据。
在一个具体的例子中,对每个标注模型(l=1,2,3,4)针对每个问题(q=1,2)的标注数值进行归一化。首先,对四个标注模型标注的所有教学记录样本的两个问题分别求均值和标准差:
其中,vlqi表示第l个标注模型对第i个教学记录样本的第q个问题的标注数值,μlq表示第l个标注模型对所有教学记录样本的第q个问题的标注数值的均值,σlq表示第l个标注模型对所有教学记录样本的第q个问题的标注数值的标准差。
然后,对其利用Z-score标准化方法进行归一化:
在一些可选实施例中,在基于所述第一问题和所述第二问题的归一化处理后的答复数据,确定所述多个标注模型标注所述教学记录样本的第一中间维度标注数据时,确定同一标注模型针对所述第一问题和所述第二问题的归一化处理后的答复数据的差值;将所述差值作为所述同一标注模型标注所述教学记录样本的所述第一中间维度标注数据。
在一个具体的例子中,计算每一个标注模型(l=1,2,3,4)标注教学记录样本的第一中间维度标注数据。标注模型l针对第n个教学记录样本的两个问题的归一化处理后的标注数值分别为则对应于标注模型l标注的第n个教学记录样本的第一中间维度标注数据为:
其中,Pln表示标注模型l标注的第n个教学记录样本的第一中间维度标注数据。
在一个具体的例子中,针对第n个教学记录样本,对求得的四个标注模型标注的第n个教学记录样本的第一中间维度标注数据求平均值,得到第n个教学记录样本关于教师风格语义空间的第二中间维度标注数据:
其中,Pn表示第n个教学记录样本关于教师风格语义空间的第二中间维度标注数据。
在一些可选实施例中,在对所述第二中间维度标注数据进行归一化处理时,确定多个所述教学记录样本的所述第二中间维度标注数据中的最大值和最小值;基于所述最大值和所述最小值,对所述第二中间维度标注数据进行归一化处理,以获得所述第一维度数据。
在一个具体的例子中,将求得的第二中间维度标注数据利用min-max标准化方法归一化到0-1范围内得到最终第n个教学记录样本关于教师风格语义空间的第一维度数据:
其中,表示第n个教学记录样本关于教师风格语义空间的第一维度数据。min{Pn}表示N个教学记录样本的第二中间维度标注数据中的最小值,max{Pn}表示N个教学记录样本的第二中间维度标注数据中的最大值。
在一些可选实施例中,所述第二维度标注数据包括多个标注模型对所述教师风格语义空间的第二维度设置的第三问题和第四问题的答复数据。其中,所述答复数据可理解为标注模型针对教师风格语义空间的第二维度设置的问题的标注数值。具体地,设置教师风格语义空间的第二维度对应于具体的两个问题,例如,“友好的(友好互动的)vs.严厉的”(第三问题)、“声音刺耳vs.声音舒适”(第四问题)。可安排标注模型(l=1,2,3,4)对教师风格语义空间的第二维度进行标注,以消除个体差异得到更为鲁棒的标注数据。假设教学记录样本的总数为N(n=1,2,…,N),对于第n个教学记录样本,第l个标注模型标注教师风格语义空间的第二维度时,对照其设置的每一个问题标出相应的数值,总共有两个问题(q=3,4)。标注模型对照每一个问题都会标出一个数值vlnq,表示标注模型l对于第n个教学记录样本的第q个问题标注的值,数值在-3至+3之间且以0.5为增量的范围内,即-3、-2.5、-2、…、+2.5、+3,其中数值越大表示正向意义越大,如第三问题,数值越接近+3表示教学记录样本对应的教师越友好,越接近-3表示教学记录样本对应的教师越严厉。如,对于第一个教学记录样本,当标注教师风格语义空间的第二维度时,第一个标注模型对照第三问题标出一个数值v113,对照第四问题标出一个数值v114。因此,所述第二维度标注数据包括标注模型l对第三问题和第四问题分别标注的数值。
在一个具体的例子中,在对所述第二维度标注数据进行第二维度处理时,对所述第三问题和所述第四问题的答复数据分别进行归一化处理,以获得所述第三问题和所述第四问题的归一化处理后的答复数据;基于所述第三问题和所述第四问题的归一化处理后的答复数据,确定所述多个标注模型标注所述教学记录样本的第三中间维度标注数据;对所述第三中间维度标注数据求平均值,以获得所述教学记录样本关于所述教师风格语义空间的第四中间维度标注数据;对所述第四中间维度标注数据进行归一化处理,以获得所述第二维度数据。其中,所述第三中间维度标注数据可理解为标注模型标注教学记录样本关于教师风格语义空间的第二维度的数据,之所以使用“第三中间维度标注数据”,是因为需要与前文描述的“第一维度标注数据、第二维度标注数据、第一中间维度标注数据和第二中间维度标注数据”进行区分。所述第四中间维度标注数据可理解为教学记录样本关于教师风格语义空间的第二维度的数据,之所以使用“第四中间维度标注数据”,是因为需要与前文描述的“第一维度标注数据、第二维度标注数据、第一中间维度标注数据、第二中间维度标注数据和第三中间维度标注数据”进行区分。
在一些可选实施例中,在对所述第三问题和所述第四问题的答复数据分别进行归一化处理时,确定多个所述教学记录样本关于所述第三问题的答复数据的第三均值和第三标准差,及多个所述教学记录样本关于所述第四问题的答复数据的第四均值和第四标准差;基于所述第三均值和所述第三标准差,对所述第三问题的答复数据进行归一化处理,以获得所述第三问题的归一化处理后的答复数据;基于所述第四均值和所述第四标准差,对所述第四问题的答复数据进行归一化处理,以获得所述第四问题的归一化处理后的答复数据。
在一个具体的例子中,对每个标注模型(l=1,2,3,4)针对每个问题(q=3,4)的标注数值进行归一化。首先,对四个标注模型标注的所有教学记录样本的两个问题分别求均值和标准差:
其中,μlq表示第l个标注模型对所有教学记录样本的第q个问题的标注数值的均值,σlq表示第l个标注模型对所有教学记录样本的第q个问题的标注数值的标准差。
然后,对其利用Z-score标准化方法进行归一化:
在一些可选实施例中,在基于所述第三问题和所述第四问题的归一化处理后的答复数据,确定所述多个标注模型标注所述教学记录样本的第三中间维度标注数据时,确定同一标注模型针对所述第三问题和所述第四问题的归一化处理后的答复数据的差值;将所述差值作为所述同一标注模型标注所述教学记录样本的所述第三中间维度标注数据。
在一个具体的例子中,计算每一个标注模型(l=1,2,3,4)标注教学记录样本的第三中间维度标注数据。标注模型l针对第n个教学记录样本的两个问题的归一化处理后的标注数值分别为则对应于标注模型l标注的第n个教学记录样本的第三中间维度标注数据为:
其中,Aln表示标注模型l标注的第n个教学记录样本的第三中间维度标注数据。
在一个具体的例子中,针对第n个教学记录样本,对求得的四个标注模型标注的第n个教学记录样本的第三中间维度标注数据求平均值,得到第n个教学记录样本关于教师风格语义空间的第四中间维度标注数据:
其中,An表示第n个教学记录样本关于教师风格语义空间的第四中间维度标注数据。
在一些可选实施例中,在对所述第四中间维度标注数据进行归一化处理时,确定多个所述教学记录样本的所述第四中间维度标注数据中的最大值和最小值;基于所述最大值和所述最小值,对所述第四中间维度标注数据进行归一化处理,以获得所述第二维度数据。
在一个具体的例子中,将求得的第四中间维度标注数据利用min-max标准化方法归一化到0-1范围内得到最终第n个教学记录样本关于教师风格语义空间的第二维度数据:
其中,表示第n个教学记录样本关于教师风格语义空间的第二维度数据。min{An}表示N个教学记录样本的第四中间维度标注数据中的最小值,max{An}表示N个教学记录样本的第四中间维度标注数据中的最大值。
在步骤S204中,对所述教学记录样本的教师风格标注数据进行教师风格处理,以获得所述教学记录样本对应的教师风格。
在本实施例中,所述教师风格标注数据可理解为机器或人工对教学记录样本标注的描述教师风格的形容词,所述教师风格标注数据包括多个标注模型对所述教学记录样本的教师风格标注数据。所述教师风格可理解为处理得到的描述教学记录样本的教学风格的形容词。具体地,教师风格主要是利用不同的形容词来进行定义。首先,综合10000关于教师风格描述的调查问卷得到有价值的505个形容词,然后通过人工去除不常用的形容词,最终获得45个描述教师风格的形容词(s=1,2,…,45),如下表所示。
对于第n个教学记录样本,标注模型l标注教师风格时会从已确定的45个描述教师风格的形容词中选出一个标注出来。
在一些可选实施例中,在对所述教学记录样本的教师风格标注数据进行教师风格处理时,确定所述多个标注模型对所述教学记录样本的教师风格标注数据中的同一教师风格标注数据的数量;基于所述数量,确定所述教学记录样本对应的教师风格。
在一个具体的例子中,对于第n个教学记录样本,有四个标注模型(l=1,2,3,4)标注出描述教师风格的形容词分别为s1n、s2n、s3n、s4n。对于第n个教学记录样本,如果在s1n、s2n、s3n、s4n中至少有两个或两个以上的相同的形容词,则第n个教学记录样本的教师风格为其相同的形容词sn,否则舍弃。
在步骤S205中,基于所述维度数据和所述教师风格,确定所述教师风格在所述教师风格语义空间中对应的教师风格表征数据。
在本实施例中,所述教师风格表征数据可理解为所述教师风格在所述教师风格语义空间中对应的坐标数据。
在一些可选实施例中,在基于所述维度数据和所述教师风格数据,确定所述教师风格在所述教师风格语义空间中对应的教师风格表征数据时,确定多个所述教学记录样本中与所述师风格相同的所述教学记录样本的数量;基于所述数量和所述维度数据,确定所述教师风格在所述教师风格语义空间中对应的教师风格表征数据。具体地,在基于所述数量和所述维度数据,确定所述教师风格在所述教师风格语义空间中对应的教师风格表征数据时,基于所述数量、所述第一维度数据和所述第二维度数据,确定所述教师风格在所述教师风格语义空间中对应的教师风格表征数据。
在一个具体的例子中,对于第n个教学记录样本,在获得关于教师风格语义空间的第一维度数据和第二维度数据以及教师风格sn之后,以教师风格sn为研究对象,确定教师风格sn在教师风格语义空间中对应的坐标数据。具体地,对于第n个教学记录样本的教师风格sn,设其包含的教学记录样本的数量为Ns,也即是N个教学记录样本中教师风格与教师风格sn相同的教学记录样本的数量为Ns,则可根据以下公式求得教师风格sn在教师风格语义空间中对应的坐标数据:
其中,Ps表示教师风格sn在教师风格语义空间中对应的横轴坐标值,As表示教师风格sn在教师风格语义空间中对应的纵轴坐标值。
在步骤S206中,基于所述教师风格在所述教师风格语义空间中对应的教师风格表征数据,确定所述教师风格语义空间。
在本实施例中,对于每个不同的教师风格,求得其对应的坐标数据(Ps,As)之后,便构成了教师风格语义空间,如图2B所示。使用具体的坐标数据量化不同的教师风格,在具体的坐标数据和不同的教师风格之间建立映射关系。教师风格语义空间是一个二维模型,空间上的坐标点可以对应到具体的教师风格中,而不同的教师风格也可以对应到空间上确定的点,这样就能更加精准地对教师风格进行刻画。
在步骤S207中,根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格。
由于该步骤S207与上述步骤S103类似,在此不再赘述。
在实施例一的基础上,对教学记录样本关于教师风格语义空间的维度标注数据进行维度处理,以获得教学记录样本关于教师风格语义空间的维度数据;对教学记录样本的教师风格标注数据进行教师风格处理,以获得教学记录样本对应的教师风格;并基于维度数据和教师风格,确定教师风格在教师风格语义空间中对应的教师风格表征数据;再基于教师风格在教师风格语义空间中对应的教师风格表征数据,确定教师风格语义空间,与现有的其它方式相比,基于确定得到的教师风格语义空间,能够精准地刻画教师风格。
实施例三
本发明实施例还提供一种计算机可读介质,所述计算机存储介质存储有可读程序,所述可读程序包括:用于对获取的教学记录数据进行特征提取操作,以获得所述教学记录数据对应的特征数据的指令;用于通过教师风格预测模型,根据所述教学记录数据对应的特征数据,预测所述教学记录数据对应的教师风格表征数据的指令;用于根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格的指令。
可选地,所述用于根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格的指令之前,所述可读程序还包括:用于对教学记录样本关于所述教师风格语义空间的维度标注数据进行维度处理,以获得所述教学记录样本关于所述教师风格语义空间的维度数据的指令;用于对所述教学记录样本的教师风格标注数据进行教师风格处理,以获得所述教学记录样本对应的教师风格的指令;用于基于所述教学记录样本关于所述教师风格语义空间的维度数据和所述教学记录样本对应的教师风格,确定所述教学记录样本对应的教师风格在所述教师风格语义空间中对应的教师风格表征数据的指令;用于基于所述教学记录样本对应的教师风格在所述教师风格语义空间中对应的教师风格表征数据,确定所述教师风格语义空间的指令。
可选地,所述维度标注数据包括所述教学记录样本关于所述教师风格语义空间的第一维度标注数据和第二维度标注数据,所述用于对教学记录样本关于所述教师风格语义空间的维度标注数据进行维度处理,以获得所述教学记录样本关于所述教师风格语义空间的维度数据的指令,包括:用于对所述第一维度标注数据进行第一维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第一维度数据的指令;用于对所述第二维度标注数据进行第二维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第二维度数据的指令。
可选地,所述第一维度标注数据包括多个标注模型对所述教师风格语义空间的第一维度设置的第一问题和第二问题的答复数据,所述用于对所述第一维度标注数据进行第一维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第一维度数据的指令,包括:用于对所述第一问题和所述第二问题的答复数据分别进行归一化处理,以获得所述第一问题和所述第二问题的归一化处理后的答复数据的指令;用于基于所述第一问题和所述第二问题的归一化处理后的答复数据,确定所述多个标注模型标注所述教学记录样本的第一中间维度标注数据的指令;用于对所述第一中间维度标注数据求平均值,以获得所述教学记录样本关于所述教师风格语义空间的第二中间维度标注数据的指令;用于对所述第二中间维度标注数据进行归一化处理,以获得所述第一维度数据的指令。
可选地,所述用于对所述第一问题和所述第二问题的答复数据分别进行归一化处理,以获得所述第一问题和所述第二问题的归一化处理后的答复数据的指令,包括:用于确定多个所述教学记录样本关于所述第一问题的答复数据的第一均值和第一标准差,及多个所述教学记录样本关于所述第二问题的答复数据的第二均值和第二标准差的指令;用于基于所述第一均值和所述第一标准差,对所述第一问题的答复数据进行归一化处理,以获得所述第一问题的归一化处理后的答复数据的指令;用于基于所述第二均值和所述第二标准差,对所述第二问题的答复数据进行归一化处理,以获得所述第二问题的归一化处理后的答复数据的指令。
可选地,所述第二维度标注数据包括多个标注模型对所述教师风格语义空间的第二维度设置的第三问题和第四问题的答复数据,所述用于对所述第二维度标注数据进行第二维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第二维度数据的指令,包括:用于对所述第三问题和所述第四问题的答复数据分别进行归一化处理,以获得所述第三问题和所述第四问题的归一化处理后的答复数据的指令;用于基于所述第三问题和所述第四问题的归一化处理后的答复数据,确定所述多个标注模型标注所述教学记录样本的第三中间维度标注数据的指令;用于对所述第三中间维度标注数据求平均值,以获得所述教学记录样本关于所述教师风格语义空间的第四中间维度标注数据的指令;用于对所述第四中间维度标注数据进行归一化处理,以获得所述第二维度数据的指令。
可选地,所述用于对所述第三问题和所述第四问题的答复数据分别进行归一化处理,以获得所述第三问题和所述第四问题的归一化处理后的答复数据的指令,包括:用于确定多个所述教学记录样本关于所述第三问题的答复数据的第三均值和第三标准差,及多个所述教学记录样本关于所述第四问题的答复数据的第四均值和第四标准差的指令;用于基于所述第三均值和所述第三标准差,对所述第三问题的答复数据进行归一化处理,以获得所述第三问题的归一化处理后的答复数据的指令;用于基于所述第四均值和所述第四标准差,对所述第四问题的答复数据进行归一化处理,以获得所述第四问题的归一化处理后的答复数据的指令。
可选地,所述教师风格标注数据包括多个标注模型对所述教学记录样本的教师风格标注数据,所述用于对所述教学记录样本的教师风格标注数据进行教师风格处理,以获得所述教学记录样本对应的教师风格的指令,包括:用于确定所述多个标注模型对所述教学记录样本的教师风格标注数据中的同一教师风格标注数据的数量的指令;用于基于所述数量,确定所述教学记录样本对应的教师风格的指令。
可选地,所述用于基于所述教学记录样本关于所述教师风格语义空间的维度数据和所述教学记录样本对应的教师风格,确定所述教学记录样本对应的教师风格在所述教师风格语义空间中对应的教师风格表征数据的指令,包括:用于确定多个所述教学记录样本中与所述教师风格相同的所述教学记录样本的数量的指令;用于基于所述数量和所述维度数据,确定所述教师风格在所述教师风格语义空间中对应的教师风格表征数据的指令。
通过本申请实施例提供的计算机可读介质,对获取的教学记录数据进行特征提取操作,以获得教学记录数据对应的特征数据,并通过教师风格预测模型,根据教学记录数据对应的特征数据,预测教学记录数据对应的教师风格表征数据,再根据教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定教学记录数据对应的教师风格,与现有的其它方式相比,通过预先确定的教师风格语义空间,能够准确地确定教学记录数据对应的教师风格。
需要指出,根据实施的需要,可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的教师风格的确定方法。此外,当通用计算机访问用于实现在此示出的教师风格的确定方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的教师风格的确定方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例,而并非对本发明实施例的限制,有关技术领域的普通技术人员,在不脱离本发明实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明实施例的范畴,本发明实施例的专利保护范围应由权利要求限定。
Claims (10)
1.一种教师风格的确定方法,其特征在于,所述方法包括:
对获取的教学记录数据进行特征提取操作,以获得所述教学记录数据对应的特征数据;
通过教师风格预测模型,根据所述教学记录数据对应的特征数据,预测所述教学记录数据对应的教师风格表征数据;
根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格。
2.根据权利要求1所述的方法,其特征在于,所述根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格之前,所述方法还包括:
对教学记录样本关于所述教师风格语义空间的维度标注数据进行维度处理,以获得所述教学记录样本关于所述教师风格语义空间的维度数据;
对所述教学记录样本的教师风格标注数据进行教师风格处理,以获得所述教学记录样本对应的教师风格;
基于所述教学记录样本关于所述教师风格语义空间的维度数据和所述教学记录样本对应的教师风格,确定所述教学记录样本对应的教师风格在所述教师风格语义空间中对应的教师风格表征数据;
基于所述教学记录样本对应的教师风格在所述教师风格语义空间中对应的教师风格表征数据,确定所述教师风格语义空间。
3.根据权利要求2所述的方法,其特征在于,所述维度标注数据包括所述教学记录样本关于所述教师风格语义空间的第一维度标注数据和第二维度标注数据,
所述对教学记录样本关于所述教师风格语义空间的维度标注数据进行维度处理,以获得所述教学记录样本关于所述教师风格语义空间的维度数据,包括:
对所述第一维度标注数据进行第一维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第一维度数据;
对所述第二维度标注数据进行第二维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第二维度数据。
4.根据权利要求3所述的方法,其特征在于,所述第一维度标注数据包括多个标注模型对所述教师风格语义空间的第一维度设置的第一问题和第二问题的答复数据,
所述对所述第一维度标注数据进行第一维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第一维度数据,包括:
对所述第一问题和所述第二问题的答复数据分别进行归一化处理,以获得所述第一问题和所述第二问题的归一化处理后的答复数据;
基于所述第一问题和所述第二问题的归一化处理后的答复数据,确定所述多个标注模型标注所述教学记录样本的第一中间维度标注数据;
对所述第一中间维度标注数据求平均值,以获得所述教学记录样本关于所述教师风格语义空间的第二中间维度标注数据;
对所述第二中间维度标注数据进行归一化处理,以获得所述第一维度数据。
5.根据权利要求4所述的方法,其特征在于,所述对所述第一问题和所述第二问题的答复数据分别进行归一化处理,以获得所述第一问题和所述第二问题的归一化处理后的答复数据,包括:
确定多个所述教学记录样本关于所述第一问题的答复数据的第一均值和第一标准差,及多个所述教学记录样本关于所述第二问题的答复数据的第二均值和第二标准差;
基于所述第一均值和所述第一标准差,对所述第一问题的答复数据进行归一化处理,以获得所述第一问题的归一化处理后的答复数据;
基于所述第二均值和所述第二标准差,对所述第二问题的答复数据进行归一化处理,以获得所述第二问题的归一化处理后的答复数据。
6.根据权利要求3所述的方法,其特征在于,所述第二维度标注数据包括多个标注模型对所述教师风格语义空间的第二维度设置的第三问题和第四问题的答复数据,
所述对所述第二维度标注数据进行第二维度处理,以获得所述教学记录样本关于所述教师风格语义空间的第二维度数据,包括:
对所述第三问题和所述第四问题的答复数据分别进行归一化处理,以获得所述第三问题和所述第四问题的归一化处理后的答复数据;
基于所述第三问题和所述第四问题的归一化处理后的答复数据,确定所述多个标注模型标注所述教学记录样本的第三中间维度标注数据;
对所述第三中间维度标注数据求平均值,以获得所述教学记录样本关于所述教师风格语义空间的第四中间维度标注数据;
对所述第四中间维度标注数据进行归一化处理,以获得所述第二维度数据。
7.根据权利要求6所述的方法,其特征在于,所述对所述第三问题和所述第四问题的答复数据分别进行归一化处理,以获得所述第三问题和所述第四问题的归一化处理后的答复数据,包括:
确定多个所述教学记录样本关于所述第三问题的答复数据的第三均值和第三标准差,及多个所述教学记录样本关于所述第四问题的答复数据的第四均值和第四标准差;
基于所述第三均值和所述第三标准差,对所述第三问题的答复数据进行归一化处理,以获得所述第三问题的归一化处理后的答复数据;
基于所述第四均值和所述第四标准差,对所述第四问题的答复数据进行归一化处理,以获得所述第四问题的归一化处理后的答复数据。
8.根据权利要求2所述的方法,其特征在于,所述教师风格标注数据包括多个标注模型对所述教学记录样本的教师风格标注数据,
所述对所述教学记录样本的教师风格标注数据进行教师风格处理,以获得所述教学记录样本对应的教师风格,包括:
确定所述多个标注模型对所述教学记录样本的教师风格标注数据中的同一教师风格标注数据的数量;
基于所述数量,确定所述教学记录样本对应的教师风格。
9.根据权利要求2所述的方法,其特征在于,所述基于所述教学记录样本关于所述教师风格语义空间的维度数据和所述教学记录样本对应的教师风格,确定所述教学记录样本对应的教师风格在所述教师风格语义空间中对应的教师风格表征数据,包括:
确定多个所述教学记录样本中与所述教师风格相同的所述教学记录样本的数量;
基于所述数量和所述维度数据,确定所述教师风格在所述教师风格语义空间中对应的教师风格表征数据。
10.一种计算机可读介质,其特征在于,所述计算机存储介质存储有可读程序,所述可读程序包括:
用于对获取的教学记录数据进行特征提取操作,以获得所述教学记录数据对应的特征数据的指令;
用于通过教师风格预测模型,根据所述教学记录数据对应的特征数据,预测所述教学记录数据对应的教师风格表征数据的指令;
用于根据所述教学记录数据对应的教师风格表征数据,在预先确定的教师风格语义空间中进行映射操作,以确定所述教学记录数据对应的教师风格的指令。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910329291.1A CN111832595B (zh) | 2019-04-23 | 2019-04-23 | 教师风格的确定方法及计算机存储介质 |
US17/605,171 US20220270016A1 (en) | 2019-04-23 | 2020-04-23 | Method for determining teaching style, and computer storage medium |
PCT/CN2020/086360 WO2020216284A1 (zh) | 2019-04-23 | 2020-04-23 | 教师风格的确定方法及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910329291.1A CN111832595B (zh) | 2019-04-23 | 2019-04-23 | 教师风格的确定方法及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832595A true CN111832595A (zh) | 2020-10-27 |
CN111832595B CN111832595B (zh) | 2022-05-06 |
Family
ID=72911888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910329291.1A Active CN111832595B (zh) | 2019-04-23 | 2019-04-23 | 教师风格的确定方法及计算机存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220270016A1 (zh) |
CN (1) | CN111832595B (zh) |
WO (1) | WO2020216284A1 (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933588A (zh) * | 2015-07-01 | 2015-09-23 | 北京京东尚科信息技术有限公司 | 用于拓展商品品类的数据标注平台及方法 |
CN105869091A (zh) * | 2016-05-12 | 2016-08-17 | 深圳市时尚德源文化传播有限公司 | 一种互联网教学方法及*** |
CN107045673A (zh) * | 2017-03-31 | 2017-08-15 | 杭州电子科技大学 | 基于堆模型融合的公共自行车流量变化量预测方法 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN108073888A (zh) * | 2017-08-07 | 2018-05-25 | 中国科学院深圳先进技术研究院 | 一种教学辅助方法及采用该方法的教学辅助*** |
CN108090857A (zh) * | 2017-12-29 | 2018-05-29 | 复旦大学 | 一种多模态的学生课堂行为分析***和方法 |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3986252B2 (ja) * | 2000-12-27 | 2007-10-03 | 修 家本 | 学習者に応じた教材提示パターンの適応的決定方法および装置 |
US20100145870A1 (en) * | 2008-11-24 | 2010-06-10 | Rodney Luster James Rodney Luster | T.E.S.S. Teacher Evaluation Systems Software |
US20120101806A1 (en) * | 2010-07-27 | 2012-04-26 | Davis Frederic E | Semantically generating personalized recommendations based on social feeds to a user in real-time and display methods thereof |
US9928383B2 (en) * | 2014-10-30 | 2018-03-27 | Pearson Education, Inc. | Methods and systems for network-based analysis, intervention, and anonymization |
US10789316B2 (en) * | 2016-04-08 | 2020-09-29 | Pearson Education, Inc. | Personalized automatic content aggregation generation |
CN107704996B (zh) * | 2017-09-12 | 2021-07-02 | 青岛大学 | 一种基于情感分析的教师评价*** |
US20190122161A1 (en) * | 2017-10-25 | 2019-04-25 | iQ4 LLC | Real-Time Skills-Based and Competency Assessment System and Method |
CN108109089A (zh) * | 2017-12-15 | 2018-06-01 | 华中师范大学 | 一种教育可计算方法 |
CN108874861B (zh) * | 2018-04-19 | 2021-05-04 | 华南师范大学 | 一种教学大数据可视化分析***及方法 |
US10984669B2 (en) * | 2018-05-24 | 2021-04-20 | International Business Machines Corporation | Generating a virtual instructing platform for replicating and sharing teaching styles |
CN113743250B (zh) * | 2021-08-16 | 2024-02-13 | 华中师范大学 | 一种课堂教学行为事件描述模型的构建方法及*** |
US11803928B2 (en) * | 2022-02-04 | 2023-10-31 | Filo Edtech Inc. | Promoting a tutor on a platform |
-
2019
- 2019-04-23 CN CN201910329291.1A patent/CN111832595B/zh active Active
-
2020
- 2020-04-23 US US17/605,171 patent/US20220270016A1/en active Pending
- 2020-04-23 WO PCT/CN2020/086360 patent/WO2020216284A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933588A (zh) * | 2015-07-01 | 2015-09-23 | 北京京东尚科信息技术有限公司 | 用于拓展商品品类的数据标注平台及方法 |
CN105869091A (zh) * | 2016-05-12 | 2016-08-17 | 深圳市时尚德源文化传播有限公司 | 一种互联网教学方法及*** |
CN107045673A (zh) * | 2017-03-31 | 2017-08-15 | 杭州电子科技大学 | 基于堆模型融合的公共自行车流量变化量预测方法 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN108073888A (zh) * | 2017-08-07 | 2018-05-25 | 中国科学院深圳先进技术研究院 | 一种教学辅助方法及采用该方法的教学辅助*** |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
CN108090857A (zh) * | 2017-12-29 | 2018-05-29 | 复旦大学 | 一种多模态的学生课堂行为分析***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111832595B (zh) | 2022-05-06 |
US20220270016A1 (en) | 2022-08-25 |
WO2020216284A1 (zh) | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991381B (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***和方法 | |
CN107818798B (zh) | 客服服务质量评价方法、装置、设备及存储介质 | |
JP6793975B2 (ja) | 動画基盤求人求職マッチングサーバーおよび方法ならびにその方法を遂行するためのプログラムが記録されたコンピュータ読み取り可能記録媒体 | |
CN110021308A (zh) | 语音情绪识别方法、装置、计算机设备和存储介质 | |
WO2021077382A1 (zh) | 一种学习状态的判断方法、装置及智能机器人 | |
CN112487139B (zh) | 基于文本的自动出题方法、装置及计算机设备 | |
CN110457432A (zh) | 面试评分方法、装置、设备及存储介质 | |
CN110321564B (zh) | 一种多轮对话意图识别方法 | |
CN113657168B (zh) | 基于卷积神经网络的学生学习情绪的识别方法 | |
CN110580516B (zh) | 一种基于智能机器人的交互方法及装置 | |
EP4163881A1 (en) | Video highlight extraction method and system, and storage medium | |
CN109461441A (zh) | 一种自适应、无监督式的课堂教学活动智能感知方法 | |
US10283142B1 (en) | Processor-implemented systems and methods for determining sound quality | |
KR20200009599A (ko) | 이미지에 작가의 화풍을 적용하여 제공하는 방법, 서버 및 프로그램 | |
CN111611854A (zh) | 一种基于模式识别的课堂情况评价方法 | |
CN109408175B (zh) | 通用高性能深度学习计算引擎中的实时交互方法及*** | |
CN114722822A (zh) | 命名实体识别方法、装置、设备和计算机可读存储介质 | |
CN113282840B (zh) | 一种训练采集综合管理平台 | |
CN117252739B (zh) | 一种评卷方法、***、电子设备及存储介质 | |
CN112052686B (zh) | 一种用户交互式教育的语音学习资源推送方法 | |
CN113065757A (zh) | 线上课程授课质量的评价方法及装置 | |
CN111832595B (zh) | 教师风格的确定方法及计算机存储介质 | |
CN111832787B (zh) | 教师风格预测模型的训练方法及计算机存储介质 | |
CN113963306B (zh) | 基于人工智能的课件片头制作方法和装置 | |
CN116244474A (zh) | 一种基于多模态情感特征融合的学习者学习状态获取方法 |
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 |