CN111950472A - 教师磨课测评方法及*** - Google Patents
教师磨课测评方法及*** Download PDFInfo
- Publication number
- CN111950472A CN111950472A CN202010820365.4A CN202010820365A CN111950472A CN 111950472 A CN111950472 A CN 111950472A CN 202010820365 A CN202010820365 A CN 202010820365A CN 111950472 A CN111950472 A CN 111950472A
- Authority
- CN
- China
- Prior art keywords
- teacher
- proportion
- audio
- grinding
- lesson
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000014509 gene expression Effects 0.000 claims abstract description 44
- 230000009471 action Effects 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000013135 deep learning Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008921 facial expression Effects 0.000 claims description 3
- 238000013106 supervised machine learning method Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003704 image resize Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Human Computer Interaction (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Electrically Operated Instructional Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种教师磨课测评方法及***。该方法包括:通过肢体动作识别,获取有效教学动作的个数及比例;通过对头部图像的面部朝向检测,获取教学过程中教师给出正脸的头部图像的数量及占比;通过对教师给出正脸的头部图像的表情识别,获取教师表现出好的表情的占比;通过对教师磨课音频的音频检测,获取教师的音频打分;综合有效教学动作的个数及比例、教师给出正脸的头部图像占比、表现出好的表情的整体占比,及教师的音频打分,对教师的磨课过程进行测评。本发明提供的教师磨课测评方法及***能够为每位教师提供各维度准确、定量的检测结果,并根据这些维度的结果借助算法给出综合的分数及评级,以帮助促进教师各项能力的提升。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种教师磨课测评方法及***。
背景技术
一直以来,教育在中国都有着举足轻重的地位。中国家庭在教育方面的投入一直都非常多,家长希望自己的孩子能够得到最好的教育资源,有最好的教师进行讲授。但是,在全中国,有名气的好教师的数量是非常有限的且多集中在一二线大城市。为了能够提升学生在课堂的学习的质量,教师比例中那些占大多数的初为教师的新人教师及本身在授课过程中尚缺乏特定的授课能力的教师已经不能满足广大家长日益增长的希望自己孩子得到最好的教授的需求,因此全方位的提升授课教师的授课能力成为一个刻不容缓的必须要做的事情。传统的师训或者说磨课的过程是由经验丰富的教师先行观看要培训教师的试讲课,之后对教师的表现进行人工点评,指出其不足之处并针对性的提出教授改进意见与建议。但是在一般的场景下,一批待磨课的教师数量不少,仅人工观看及点评都会耗费非常多的时间,很消耗人力,无论是人力成本还是时间成本都很高。磨课中最重要的环节是检测出教师在授课过程中存在的问题,得到各个维度下的具体的评价,这样才能有针对性的提出建议,从而最终提升教师的授课能力。因此,如何使用人工智能,即使用机器来代替资深教师自动对需要磨课的教师的各方面进行测评,给出其各方面评价,从而有针对性的提升磨课教师的授课能力成为了亟需且尚未完美解决的问题。
教师的测评包含多个评价维度,整体可以分为表现力领域和内容等领域。表现力包含肢体、头部等身体层面的分析和语音等层面的分析。内容层面主要是利用NLP等技术去做教师授课内容层面的分析。这些方面的任务可以通过主流的传统的机器学习方法解决。近年来,深度学习作为这几年最受关注的人工智能技术,已经在诸多领域表现出了其超越传统方法的效果,它现在已经成功的应用到我们生活的方方面面。深度学习是一种基于人工神经网络的方法,通过网络自学习的方式将输入的图像、声音等原始信息转化为有意义的数字特征,再利用这些特征完成规定的分类、识别等特定任务。利用深度学习的方法来完成教师磨课任务中多个维度的测评是公认的较好的解决方案。
目前,国内有多家公司推出了类似的磨课解决方案,例如,某公司的授课质量分析解决方案。他们在表现力、内容等层面对教师的各项能力进行了量化,以供针对性的为教师能力的提升建议提供数据支持。但是,他们对于教师的测评维度不够细致,忽略了很多可能有效的更详细的测评维度,我们提出的***是以多年的教师培训经验总结下来获得的评价准则为基础而设计出来的,从而对教师的测评更加具有权威性。
发明内容
本发明要解决的技术问题是提供一种教师磨课测评方法及***,能够为每位教师提供各维度准确、定量的检测结果,并根据这些维度的结果借助算法给出综合的分数及评级,以帮助促进教师各项能力的提升。
为解决上述技术问题,本发明提供了一种教师磨课测评方法,所述方法包括:通过肢体动作识别,获取有效教学动作的个数及比例;通过对头部图像的面部朝向检测,获取教学过程中教师给出正脸的头部图像的数量及占比;通过对教师给出正脸的头部图像的表情识别,获取教师表现出好的表情的占比;通过对教师磨课音频的音频检测,获取教师的音频打分;综合有效教学动作的个数及比例、教师给出正脸的头部图像占比、表现出好的表情的整体占比,及教师的音频打分,对教师的磨课过程进行测评。
在一些实施方式中,通过肢体动作识别,获取有效教学动作的个数及比例,包括:对视频提取出的每一帧图片进行姿态估计分析,会获得每张图片中人体的关键点在图片中的位置及置信度的详细信息;对人体的每个肢体关节部位进行具体计算分析,获得每帧图片中人体肢体动作、站立状态、朝向及关节幅度详细的状态信息;通过匹配考察每帧肢体动作和有效动作定义的相关程度获得有效动作个数及比例。
在一些实施方式中,对视频提取出的每一帧图片进行姿态估计分析,会获得每张图片中人体的关键点在图片中的位置及置信度的关键信息,包括:采用从上到下的方法,或者从下到上的方法,对视频提取出的每一帧图片进行姿态估计分析。
在一些实施方式中,通过对头部图像的面部朝向检测,获取教学过程中教师给出正脸的头部图像的数量及占比,包括:使用深度学习方法做headpose的估计,获得每帧图片中头部状态的偏航角、俯仰角及翻滚角值;模型会通过对这三个维度值的判断自动得出每帧图片的脸部朝向,最后通过汇总给出正脸检测的结果。
在一些实施方式中,通过对教师给出正脸的头部图像的表情识别,获取教师表现出好的表情的占比,包括:通过对预处理获得的每一帧头部图像做表情识别,可以获得每帧图像的教师面部表情识别结果,通过匹配汇总获得的表情,得出最后的表情检测结果。
在一些实施方式中,好的表情不仅限于微笑的表情。
在一些实施方式中,通过对教师磨课音频的音频检测,获取教师的音频打分,包括:通过对教师讲课音频的重音、音调、音高等语音特征维度的分析,定量的给出教师讲课抑扬顿挫的评价分值。
在一些实施方式中,通过对教师讲课音频的重音、音调、音高等语音特征维度的分析,包括:对于语音基本时域、频域等基本特征的提取,并结合时域分析方法,或者深度学习方法对音频进行打分。
在一些实施方式中,综合有效教学动作的个数及比例、教师给出正脸的头部图像占比、表现出好的表情的整体占比,及教师的音频打分,对教师的磨课过程进行测评,包括:通过加权法、TOPSIS,或有监督的机器学习方法,对有效教学动作的个数及比例、教师给出正脸的头部图像占比、表现出好的表情的整体占比,及教师的音频打分进行综合。
此外,本发明还提供了一种教师磨课测评***,所述***包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据前文所述的教师磨课测评方法。
采用这样的设计后,本发明至少具有以下优点:
本产品实现了一个自动的教师磨课视频检测评级流程。可以在无人工交互的情况下,自动实现完整的视频检测及评级功能,效果获得资深师训师的认可。可以有效降低教师磨课付出的人力成本,并且可广泛应用于教师磨课场景。
附图说明
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明实施例提供的教师磨课测评方法的流程图;
图2是本发明实施例提供的教师磨课测评***的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明要解决的问题是实现一个完整的针对教师表现力的包含多领域、多维度的教师磨课测评***,能够为每位教师提供各维度准确、定量的检测结果,并根据这些维度的结果借助算法给出综合的分数及评级,以帮助促进教师各项能力的提升。
本发明设计了一种全新的教师测评方法。实现了在没有资深教师干预下的自动对教师的磨课视频进行评级的功能。测评流程由检测和评级两大部分组成,如图1所示。
测评部分包含面部朝向检测、表情识别检测、肢体有效动作检测及授课语速检测。用户上传一个待测评视频且服务端获取这个任务后,会先对上传的测评视频进行抽帧处理及音频抽取处理。然后,处理整体分为两个部分。
一部分,对抽取的每一帧先进行单独的肢体检测处理,获得有效动作的比例值,完成肢体检测部分之后,依次进行面部朝向检测及表情识别检测,最后获得这些维度的比例值;另一部分,上述抽取的音频进行音频数据检测,获得相应的语速值及抑扬顿挫。上述各个维度获得的结果得到后会将这些维度值对齐带入评级模型,获得最后的评级及分数。下面依次对流程中包含的这些部分进行详细的介绍。
肢体检测的目标是检测得到教师在授课过程中的整体的舒展程度。在教师课堂授课的过程中,其肢体的舒展程度及做出的教学动作是授课环节非常重要的部分,好的肢体动作可以一定程度上吸引学生的注意力,提升课堂授课质量。根据资深师训教师的多年经验,我们定义有效肢体动作比例作为该部分检测的测评指标。
对肢体的分析最重要的核心是获得肢体关节相应的定位,即需要做人体的姿态估计。它可具体分为两大类方法,即从上到下的方法和从下往上的方法。从上到下的方法是首先检测出图片中的所有的人并进行crop,之后将获得的crop图像resize带入网络进行姿态估计;从下往上的方法是首先找到图片中的所有的关键点,对关键点进行分组从而找到图像中的每个人。
在具体处理逻辑上,首先,我们利用深度学习的方法使用模型对视频提取出的每一帧图片进行姿态估计分析,会获得每张图片中人体的关键点在图片中的位置及置信度等的详细信息。通过上步获得的关键点信息,我们对人体的每个肢体关节部位进行具体计算分析,获得每帧图片中人体肢体动作、站立状态、朝向及关节幅度等详细的状态信息,最后通过匹配考察每帧肢体动作和有效动作定义的相关程度获得有效动作个数及比例。
正脸检测模块会检测出教师在整体授课过程中直面学生讲授的占比。教师教课的过程中,正面朝向学生是一个基础的硬性的标准。因此,正脸检测是一个重要的基础性检测维度。为了更方便的进行此部分及后续表情的检测,我们添加了一个预处理,即通过使用训练好的目标检测模型做head detection并提取对应的图像区域以做后续检测。具体的,我们在已经提取好的头部图片上,使用深度学习方法做head pose的估计,获得每帧图片中头部状态的yaw、pitch及roll值。模型会通过对这三个维度值的判断自动得出每帧图片的脸部朝向,最后通过汇总给出正脸检测的结果。
表情识别检测部分处理的对象为预处理得到的头部截取图片。这部分的目的是检测得到教师在授课过程中表情感染能力。表情丰富的教师在授课中会抓住学生的注意力,从而提升教学效果。根据我们教育场景下的特殊性,并通过多次与资深师训师的沟通讨论,我们得到了两点重要的指标:
1.表情检测模型应尽可能准确,模型应最大限度的找出全部的好的表情。
2.好的表情的定义为应是一种更加积极的表情,不仅仅局限于微笑的表情。
具体操作上,根据获得的指标信息,我们选取了符合场景的表情图片,从头构建了适应于我们场景下的数据集。在构建好的数据集的基础之上去训练我们的表情识别模型,并最终获得适应于我们场景的表情识别模型。具体的,通过对预处理获得的每一帧头部图像做表情识别,可以获得每帧图像的教师面部表情识别结果,通过匹配汇总获得的表情,得出最后的表情检测结果。
语言上的一些特性,例如讲课的流利程度及说话的语速是衡量教师授课能力的比较直观的指标。因此,语速检测也是很重要的检测维度。语速的定义为单位时间内人通过语言讲出的字数。
我们当前采用的语速检测方法有两种,一种方法是利用ASR自动语音识别技术对教师讲课的音频进行文本内容的识别,获得对应的讲课内容,并使用VAD语音活动检测技术,检测出讲课音频中教师的授课音频段,获得实际的讲授音频时长,将文本字数值和实际讲授时长值二者相除获得该条音频对应的语速的值;另外一种方法是利用syllableestimation音节估计技术,不经过语音识别方法直接对音频做回归任务,获得相应的字数估计值,再对音频做VAD检测,获得实际讲授时长,将二者相除获得音频对应的语速值。
除了语速检测外,教师课堂表现力有一个重要的维度,即教师课堂讲课激情度及对学生的感染力分析。我们主要通过对教师讲课音频的重音、音调、音高等语音特征维度的分析,定量的给出教师讲课抑扬顿挫的评价分值。该部分借助了对于语音基本时域、频域等基本特征的提取,并结合时域分析方法,或者深度学习方法对音频进行打分。
该部分借助于上述各维度的检测结果,对教师讲课视频的表现力进行综合的打分。分数的制定及分级,参考教师人工评价的结果进行确定。可采用通用的多维度综合评价方法(例如且不限于加权法、TOPSIS等),或采用有监督的机器学习方法。
图2示出了教师磨课测评***的结构。参见图2,例如,所述教师磨课测评***200可以用于在线教育***中的评测主机。如本文所述,教师磨课测评***200可以用于在线教育***中实现对教师磨课行为的在线评测功能。教师磨课测评***200可以在单个节点中实现,或者教师磨课测评***200的功能可以在网络中的多个节点中实现。本领域的技术人员应意识到,教师磨课测评***包括广泛意义上的设备,图2中示出的教师磨课测评***200仅是其中一个示例。教师磨课测评***200是为了表述清楚,并不旨在将本发明的应用限制为特定的教师磨课测评***实施例或某一类教师磨课测评***实施例。本发明所述的至少部分特征/方法可以在网络装置或组件,例如,教师磨课测评***200中实现。例如,本发明中的特征/方法可以采用硬件、固件和/或在硬件上安装运行的软件实现。教师磨课测评***200可以是任何通过网络处理,存储和/或转发数据帧的设备,例如,服务器,客户端,数据源等。如图2所示,教师磨课测评***200可以包括收发器(Tx/Rx)210,其可以是发射器,接收器,或其组合。Tx/Rx 210可以耦合到多个端口250(例如上行接口和/或下行接口),用于从其他节点发送和/或接收帧。处理器230可耦合至Tx/Rx 210,以处理帧和/或确定向哪些节点发送帧。处理器230可以包括一个或多个多核处理器和/或存储器设备232,其可以用作数据存储器,缓冲区等。处理器230可以被实现为通用处理器,或者可以是一个或多个专用集成电路(application specific integrated circuit,简称ASIC)和/或数字信号处理器(digital signal processor,简称DSP)的一部分。
本产品实现了一个自动的教师磨课视频检测评级流程。可以在无人工交互的情况下,自动实现完整的视频检测及评级功能,效果获得资深师训师的认可。可以有效降低教师磨课付出的人力成本,并且可广泛应用于教师磨课场景。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰,均落在本发明的保护范围内。
Claims (10)
1.一种教师磨课测评方法,其特征在于,包括:
通过肢体动作识别,获取有效教学动作的个数及比例;
通过对头部图像的面部朝向检测,获取教学过程中教师给出正脸的头部图像的数量及占比;
通过对教师给出正脸的头部图像的表情识别,获取教师表现出好的表情的占比;
通过对教师磨课音频的音频检测,获取教师的音频打分;
综合有效教学动作的个数及比例、教师给出正脸的头部图像占比、表现出好的表情的整体占比,及教师的音频打分,对教师的磨课过程进行测评。
2.根据权利要求1所述的教师磨课测评方法,其特征在于,通过肢体动作识别,获取有效教学动作的个数及比例,包括:
对视频提取出的每一帧图片进行姿态估计分析,会获得每张图片中人体的关键点在图片中的位置及置信度的详细信息;
对人体的每个肢体关节部位进行具体计算分析,获得每帧图片中人体肢体动作、站立状态、朝向及关节幅度详细的状态信息;
通过匹配考察每帧肢体动作和有效动作定义的相关程度获得有效动作个数及比例。
3.根据权利要求2所述的教师磨课测评方法,其特征在于,对视频提取出的每一帧图片进行姿态估计分析,会获得每张图片中人体的关键点在图片中的位置及置信度的关键信息,包括:
采用从上到下的方法,或者从下到上的方法,对视频提取出的每一帧图片进行姿态估计分析。
4.根据权利要求1所述的教师磨课测评方法,其特征在于,通过对头部图像的面部朝向检测,获取教学过程中教师给出正脸的头部图像的数量及占比,包括:
使用深度学习方法做head pose的估计,获得每帧图片中头部状态的偏航角、俯仰角及翻滚角值;
模型会通过对这三个维度值的判断自动得出每帧图片的脸部朝向,最后通过汇总给出正脸检测的结果。
5.根据权利要求1所述的教师磨课测评方法,其特征在于,通过对教师给出正脸的头部图像的表情识别,获取教师表现出好的表情的占比,包括:
通过对预处理获得的每一帧头部图像做表情识别,可以获得每帧图像的教师面部表情识别结果,通过匹配汇总获得的表情,得出最后的表情检测结果。
6.根据权利要求5所述的教师磨课测评方法,其特征在于,好的表情不仅限于微笑的表情。
7.根据权利要求1所述的教师磨课测评方法,其特征在于,通过对教师磨课音频的音频检测,获取教师的音频打分,包括:
通过对教师讲课音频的重音、音调、音高等语音特征维度的分析,定量的给出教师讲课抑扬顿挫的评价分值。
8.根据权利要求7所述的教师磨课测评方法,其特征在于,通过对教师讲课音频的重音、音调、音高等语音特征维度的分析,包括:
对于语音基本时域、频域等基本特征的提取,并结合时域分析方法,或者深度学习方法对音频进行打分。
9.根据权利要求1所述的教师磨课测评方法,其特征在于,综合有效教学动作的个数及比例、教师给出正脸的头部图像占比、表现出好的表情的整体占比,及教师的音频打分,对教师的磨课过程进行测评,包括:
通过加权法、TOPSIS,或有监督的机器学习方法,对有效教学动作的个数及比例、教师给出正脸的头部图像占比、表现出好的表情的整体占比,及教师的音频打分进行综合。
10.一种教师磨课测评***,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现根据权利要求1至9任意一项所述的教师磨课测评方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820365.4A CN111950472A (zh) | 2020-08-14 | 2020-08-14 | 教师磨课测评方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010820365.4A CN111950472A (zh) | 2020-08-14 | 2020-08-14 | 教师磨课测评方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950472A true CN111950472A (zh) | 2020-11-17 |
Family
ID=73342249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010820365.4A Pending CN111950472A (zh) | 2020-08-14 | 2020-08-14 | 教师磨课测评方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950472A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023024155A1 (zh) * | 2021-08-23 | 2023-03-02 | 华中师范大学 | 一种教师非言语行为测量方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109697577A (zh) * | 2019-02-01 | 2019-04-30 | 北京清帆科技有限公司 | 一种基于语音的课堂质量评价方法 |
CN109919434A (zh) * | 2019-01-28 | 2019-06-21 | 华中科技大学 | 一种基于深度学习的教师课堂表现智能评价方法 |
CN111401797A (zh) * | 2020-05-09 | 2020-07-10 | 华南师范大学 | 一种教学质量评测方法及*** |
-
2020
- 2020-08-14 CN CN202010820365.4A patent/CN111950472A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919434A (zh) * | 2019-01-28 | 2019-06-21 | 华中科技大学 | 一种基于深度学习的教师课堂表现智能评价方法 |
CN109697577A (zh) * | 2019-02-01 | 2019-04-30 | 北京清帆科技有限公司 | 一种基于语音的课堂质量评价方法 |
CN111401797A (zh) * | 2020-05-09 | 2020-07-10 | 华南师范大学 | 一种教学质量评测方法及*** |
Non-Patent Citations (1)
Title |
---|
陈良波;许维胜;: "基于教师表情的教学情境理解", ***仿真技术, no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023024155A1 (zh) * | 2021-08-23 | 2023-03-02 | 华中师范大学 | 一种教师非言语行为测量方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522815B (zh) | 一种专注度评估方法、装置及电子设备 | |
CN106851216B (zh) | 一种基于人脸和语音识别的课堂行为监控***及方法 | |
CN107203953B (zh) | 一种基于互联网、表情识别和语音识别的教学***及其实现方法 | |
CN108648757B (zh) | 一种基于多维度课堂信息的分析方法 | |
CN110992741A (zh) | 一种基于课堂情绪和行为分析的学习辅助方法及*** | |
CN109359215A (zh) | 视频智能推送方法和*** | |
WO2019024247A1 (zh) | 一种基于数据交换网络的在线教学考评***及方法 | |
CN108898115B (zh) | 数据处理方法、存储介质和电子设备 | |
JP6977901B2 (ja) | 学習材推薦方法、学習材推薦装置および学習材推薦プログラム | |
CN107918821A (zh) | 基于人工智能技术的教师课堂教学过程分析方法和*** | |
KR20120065111A (ko) | 몰입도 평가 기반 맞춤형 온라인 학습 방법 및 시스템 | |
CN114298497A (zh) | 教师课堂教学质量的评估方法以及装置 | |
CN115205764B (zh) | 基于机器视觉的在线学习专注度监测方法、***及介质 | |
CN110427977B (zh) | 一种课堂互动行为的检测方法 | |
CN111695442A (zh) | 一种基于多模态融合的在线学习智能辅助*** | |
CN113920534A (zh) | 一种视频精彩片段提取方法、***和存储介质 | |
CN116050892A (zh) | 一种基于人工智能的智能教育评价监督方法 | |
CN112101074A (zh) | 一种在线教育辅助评分方法和*** | |
CN114841841A (zh) | 一种用于教学互动的智慧教育平台交互***及交互方法 | |
CN111523445A (zh) | 一种基于改进的Openpose模型和面部微表情的考试行为检测方法 | |
CN110956142A (zh) | 一种智能交互培训*** | |
CN113076885B (zh) | 一种基于人眼动作特征的专注度分级方法及*** | |
CN111950472A (zh) | 教师磨课测评方法及*** | |
CN116825288A (zh) | 孤独症康复课程记录方法、装置、电子设备及存储介质 | |
Krishnamoorthy et al. | E-Learning Platform for Hearing Impaired Students |
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 |