CN112001826A - 一种基于大数据的教育信息智能分类*** - Google Patents
一种基于大数据的教育信息智能分类*** Download PDFInfo
- Publication number
- CN112001826A CN112001826A CN202010868147.8A CN202010868147A CN112001826A CN 112001826 A CN112001826 A CN 112001826A CN 202010868147 A CN202010868147 A CN 202010868147A CN 112001826 A CN112001826 A CN 112001826A
- Authority
- CN
- China
- Prior art keywords
- learning
- student
- module
- learning resources
- information
- 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
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 9
- 230000001815 facial effect Effects 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 10
- 230000008034 disappearance Effects 0.000 claims description 9
- 210000005036 nerve Anatomy 0.000 claims description 9
- 230000008921 facial expression Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 claims description 3
- 241001425718 Vagrans egista Species 0.000 claims description 3
- 238000007792 addition Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012800 visualization Methods 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
- 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
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Educational Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Human Computer Interaction (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的教育信息智能分类***,包括图像采集模块、图像处理模块、数据分类模块、教学数据库、调查模块、教学评价模块、教师终端、学生终端以及服务器;本发明通过平均吸引度和教学值能够自行判断编辑的学***均吸引度和/或教学值小于预设阈值时,向教师终端发送用于提示重新编辑学习资源的信息,有助于提高教学质量;本发明能够实现将推送值排名前三的学习资源经服务器传输到学生终端;无需人工繁琐找寻;方便学生和老师从海量的学习资源中找到合适的学习资源,提高学习效率。
Description
技术领域
本发明涉及数据分类技术领域,尤其涉及一种基于大数据的教育信息智能分类***。
背景技术
教育信息是为教学的有效开展提供的素材等各种可被利用的条件,通常包括教材、案例、影视、图片、课件等,也包括教师资源、教具、基础设施等;狭义的教育信息是指:教学中需要的学习资源,包括教学课件、教学设计、教学素材、教学习题等资源;随着计算机和互联网的不断发展,教育信息不断向数字化学习资源发展,数字化学习资源由于传送和保存的方便性,出现数字化学习资源数量的极速增长,在管理中,如果没有进行分类,将会严重影响学习资源的使用,并且学生和老师无法从海量的学习资源中找到合适的学习资源。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于大数据的教育信息智能分类***。
本发明所要解决的技术问题是:
(1)如何通过平均吸引度WS和教学值GF自行判断编辑的学***均吸引度WS和/或教学值GF小于预设阈值时,向教师终端发送用于提示重新编辑学习资源的信息,提高教学质量;
(2)如何根据用户发布的学习资源需求信息以及学习资源的关注值和学习资源的教学值,计算出学习资源的推送值,并通过推送值进行学习资源的推送,无需人工繁琐找寻;提高学习效率。
本发明的目的可以通过以下技术方案实现:一种基于大数据的教育信息智能分类***,包括图像采集模块、图像处理模块、数据分类模块、教学数据库、调查模块、教学评价模块、教师终端、记忆模块、学生终端以及服务器;
所述学生终端包括注册登录模块;所述注册登录模块用于学生通过学生终端提交注册信息进行注册并将注册成功的注册信息发送至服务器内进行存储;所述学生终端用于浏览并下载教师终端上传的学习资源;
所述教师终端包括资源上传模块和资源编辑模块,所述资源上传模块用于上传学习资源至服务器;资源编辑模块用于对上传后的学习资源进行增加、删除、修改等操作,实现对学习资源的编辑管理;所述学习资源形式包括视频、音频、文字、图片和课件;
所述教学数据库用于存储服务器接收的学习资源、浏览记录、学习资源需求信息、登录信息以及注册信息;
在教师使用学习资源进行授课时,所述图像采集模块用于对教室情况进行实时录制,获取到教室实时视频信息,并将实时视频信息分别发送至教学数据库和图像处理模块;所述图像处理模块用于接收实时视频信息并作出分析,具体步骤如下:
S1:对实时视频信息进行处理,获取学生面部影像信息,并对面部影像信息消失时间进行判定;
S11:当学生面部影像信息消失时间大于预设时间值T1,则判定该学生处于走神状态,并统计该学生的走神占比;具体统计步骤如下:
SS1:获取到走神学生在一节课的走神总时间;
SS2:将该学生的走神总时间除以一节课的总时间得到走神占比,将走神占比标记为Tz;
S12:当学生面部影像信息消失时间低于预设值T1,则判定为该学生为正常状态;继续对该学生的学习状态进行分析;
S2:获取到该学生面部影像信息,获取到该学生的面部图片信息;
S3:通过人脸表情识别技术对该学生的面部图片信息进行实时分析,获取得到该学生的上课状态;并将上课状态划分为听课状态、互动状态、抗拒状态和迷茫状态;
S4:获取到该学生在该节课中处于听课状态下的平均时间,将平均时间除以总时间得到听课占比,并将听课占比标记为Kx;
获取到该学生在该节课中处于互动状态下的平均时间,将平均时间除以总时间得到互动占比,并将互动占比标记为Kd;
获取到该学生在该节课中处于抗拒状态下的平均时间,将平均时间除以总时间得到抗拒占比,并将抗拒占比标记为Kb;
获取到该学生在该节课中处于迷茫状态下的平均时间,将平均时间除以总时间得到迷茫总占比,并将迷茫总占比标记为Km;
S5:因为走神占比、听课占比、互动占比、抗拒占比和迷茫占比对学习资源的吸引度评价占比各不相同,因此对上述各影响因素加一修正值,Tz、Kx、Kd、Kb和Km对应的修正值分别为B1、B2、B3、B4和B5,且B2+B3=1,B3>B2>0;B1+B4+B5=-1,B1<B4<B5<0;
S7:利用公式WD=Kx×B2+Kd×B3+Tz×B1+Kb×B4+Km×B5得到学***均吸引度WS;
若平均吸引度WS小于预设阈值,则向教师终端发送用于提示重新编辑学习资源的信息;
若平均吸引度WS大于等于预设阈值,则图像处理模块将学***均吸引度WS传输到服务器。
进一步地,所述调查模块用于统计课后学生的知识点考核情况并将知识点考核情况传输到教学评价模块,所述知识点考核情况包括考核得分和错误的知识点;满分为100分;所述教学评价模块接收学***均吸引度WS和知识点考核情况并对学习资源的教学值进行分析,分析步骤如下:
X1:根据知识点考核情况对学生的知识掌握度进行分析,并将知识掌握度划分为优秀、良好、一般和不合格;
X2:获取到知识掌握度为优秀的学生与所有学生之间的占比,得到优秀占比,并将优秀占比标记为FA;
获取到知识掌握度为良好的学生与所有学生之间的占比,得到良好占比,并将良好占比标记为FB;
获取到知识掌握度为一般的学生与所有学生之间的占比,得到一般占比,并将一般占比标记为FC;
获取到知识掌握度为不合格的学生与所有学生之间的占比,得到不合格占比,并将不合格占比标记为FD;
X3:因为优秀占比、良好占比、一般占比和不合格占比对学习资源的质量评价影响程度不同,因此对上述各影响因素加一修正值,FA、FB、FC和FD对应的修正值分别为C1、C2、C3和C4,且C1+C2+C3+C4=1;C1>C2>C3>C4;
X4:利用公式FG=FA×C1+FB×C2+FC×C3+FD×C4得到学习资源的质量度FG;
X6:若教学值GF小于预设阈值,则向教师终端发送用于提示重新编辑学习资源的信息,并将错误的知识点发送到显示模块进行实时显示;
若教学值GF大于等于预设阈值,则将教学值GF传输到数据分析模块。
进一步地,所述数据输入模块用于用户发布学习资源需求信息,所述学习资源需求信息包括学科类别、应用知识体系类别和技能类别;并将学习资源需求信息发送至服务器;
所述记忆模块用于记录教学数据库中每个学习资源在***当前时间前30天内的浏览信息并将浏览信息传输到数据分析模块;所述浏览信息包括浏览次数、收藏次数和浏览时间,数据分析模块结合数据输入模块进行学习资源的推送分析,具体推送分析过程如下:
S11:获取符合学习资源需求信息中学科类别、应用知识体系类别和技能类别的若干个学习资源并标记为Ni,i=1,……,n;
S12:获取若干个学习资源的浏览次数,并标记为Ci,获取若干个学习资源的浏览时间,并标记为Ti,获取若干个学习资源的下载次数,并标记为SCi,i=1,……,n;
S13:利用公式计算得出若干个学习资源的关注值GZi,具体计算公式如下:
S14:获取若干个学习资源的教学值,并标记为GFi;
S15:利用公式计算得出若干个学习资源的推送值TSi,具体计算公式如下:
S16:获取推送值排名前三的学习资源,并标记为NSi,而后将推送值排名前三的学习资源经服务器传输到学生终端。
进一步地,所述知识掌握度划分规则具体表现为:
XX1:考核得分为85-100分之间,则知识掌握度为优秀;
XX2:考核得分为75-85分之间,则知识掌握度为良好;
XX3:考核得分为60-75分之间,则知识掌握度为一般;
XX4:考核得分为60分以下,则知识掌握度为不合格。
本发明的有益效果是:
(1)本发明通过图像采集模块对教室情况进行实时录制,获取到教室实时视频信息;图像处理模块接收实时视频信息并作出分析;通过人脸表情识别技术对该学生的面部图片信息进行实时分析,获取得到该学生的上课状态;通过人脸表情识别技术对该学生的面部图片信息进行实时分析,获取得到该学生的上课状态;结合相关算法得到学***均吸引度WS;若平均吸引度WS小于预设阈值,则向教师终端发送用于提示重新编辑学习资源的信息;及时反馈,有助于提高教学质量;
(2)本发明通过教学评价模块接收学***均吸引度WS和知识点考核情况并对学***均吸引度WS和教学值GF能够自行判断编辑的学***均吸引度WS和/或教学值GF小于预设阈值时,向教师终端发送用于提示重新编辑学习资源的信息,有助于提高教学质量;
(3)本发明通过数据分析模块结合数据输入模块进行学习资源的推送分析,获取符合学习资源需求信息中学科类别、应用知识体系类别和技能类别的若干个学习资源;获取若干个学习资源的浏览次数,获取若干个学习资源的浏览时间,获取若干个学习资源的下载次数;利用公式计算得出若干个学习资源的关注值;获取若干个学习资源的教学值,利用公式计算得出若干个学习资源的推送值TSi;获取推送值排名前三的学习资源,并标记为NSi,而后将推送值排名前三的学习资源经服务器传输到学生终端;无需人工繁琐找寻;方便学生和老师从海量的学习资源中找到合适的学习资源,提高学习效率。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的***框图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种基于大数据的教育信息智能分类***,包括图像采集模块、图像处理模块、数据分类模块、教学数据库、记忆模块、调查模块、教学评价模块、教师终端、学生终端以及服务器;
所述学生终端包括注册登录模块;所述注册登录模块用于学生通过学生终端提交注册信息进行注册并将注册成功的注册信息发送至服务器内进行存储;所述学生终端用于浏览并下载教师终端上传的学习资源;
所述教师终端包括资源上传模块和资源编辑模块,所述资源上传模块用于上传学习资源至服务器;资源编辑模块用于对上传后的学习资源进行增加、删除、修改等操作,实现对学习资源的编辑管理;所述学习资源形式包括视频、音频、文字、图片和课件;
所述教学数据库用于存储服务器接收的学习资源、浏览记录、学习资源需求信息、登录信息以及注册信息;
所述资源上传模块用于将上传的学习资源传输到数据分类模块,所述数据分类模块用于接收学习资源并进行分析和处理,具体步骤如下:
步骤一:结合新兴学科需求,将接收的学习资源划分为适合共用性的学科类别,并使每个学科类别具有唯一编号;
步骤二:再对步骤一的学习资源的内容进行分析,依据学习资源所能解决的具体问题,按照常规的应用分类标准,将学习资源划分为具体应用知识体系中的不同技能点的应用类别;如学习资源内容属于基础知识,无法解决某具体问题的则归为基础知识体系类别;再使每个应用知识体系类别具有唯一编号;
步骤三:对学习资源所包含的技能点进行拆分,按照常规的技能分类标准将每个学习资源按技能点归入相应的技能类别,每个技能点属于一个具体的技能类别之下,如无法指定具体的技能类别的则划分至基础类别之下;使每个技能类别的学习资源均具有唯一编号;
步骤四:将步骤二中已编号的每个独立的应用知识体系中的技能应用类学习资源按照其学习利用的先后顺序,建立知识技能依赖关系对应结构,并将该结构绘制成知识技能依赖关系结构图;每个技能点与多个相关学习资源通过编号进行关联,形成学习资源结构化利用体系,实现知识技能依赖关系结构化学习资源的管理与利用;
步骤五:将知识技能依赖关系结构图中关联的学习资源传输到教学数据库中进行存储,每个学习资源在教学数据库中都分别具有唯一的标识性编号;
本发明通过视图化方式将教学体系更加直观的进行展示,更有利于学习者了解知识体系结构,有助于学习者把握具体技能的学习路线,使整个学习过程更加清晰有序,利于教学质量的提高;
在教师使用学习资源进行授课时,所述图像采集模块用于对教室情况进行实时录制,获取到教室实时视频信息,并将实时视频信息分别发送至教学数据库和图像处理模块;所述图像处理模块用于接收实时视频信息并作出分析,具体步骤如下:
S1:对实时视频信息进行处理,获取学生面部影像信息,并对面部影像信息消失时间进行判定;
S11:当学生面部影像信息消失时间大于预设时间值T1,则判定该学生处于走神状态,并统计该学生的走神占比;具体统计步骤如下:
SS1:获取到走神学生在一节课的走神总时间;
SS2:将该学生的走神总时间除以一节课的总时间得到走神占比,将走神占比标记为Tz;
S12:当学生面部影像信息消失时间低于预设值T1,则判定为该学生为正常状态;继续对该学生的学习状态进行分析;
S2:获取到该学生面部影像信息,获取到该学生的面部图片信息;
S3:通过人脸表情识别技术对该学生的面部图片信息进行实时分析,获取得到该学生的上课状态;并将上课状态划分为听课状态、互动状态、抗拒状态和迷茫状态;通过人脸表情识别技术分析每个学生的上课表情状态。以判断学生对讲课内容的反馈状态:兴奋,迷惑,专注和抗拒等;本发明采用3D人脸+SVR(支持向量回归)的方法进行人脸表情识别;
S4:获取到该学生在该节课中处于听课状态下的平均时间,将平均时间除以总时间得到听课占比,并将听课占比标记为Kx;
获取到该学生在该节课中处于互动状态下的平均时间,将平均时间除以总时间得到互动占比,并将互动占比标记为Kd;
获取到该学生在该节课中处于抗拒状态下的平均时间,将平均时间除以总时间得到抗拒占比,并将抗拒占比标记为Kb;
获取到该学生在该节课中处于迷茫状态下的平均时间,将平均时间除以总时间得到迷茫总占比,并将迷茫总占比标记为Km;
S5:因为走神占比、听课占比、互动占比、抗拒占比和迷茫占比对学习资源的吸引度评价占比各不相同,因此对上述各影响因素加一修正值,Tz、Kx、Kd、Kb和Km对应的修正值分别为B1、B2、B3、B4和B5,且B2+B3=1,B3>B2>0;B1+B4+B5=-1,B1<B4<B5<0;
S7:利用公式WD=Kx×B2+Kd×B3+Tz×B1+Kb×B4+Km×B5得到学***均吸引度WS;
若平均吸引度WS小于预设阈值,则向教师终端发送用于提示重新编辑学习资源的信息;
若平均吸引度WS大于等于预设阈值,则图像处理模块将学***均吸引度WS传输到服务器;
所述调查模块用于统计课后学生的知识点考核情况并将知识点考核情况传输到教学评价模块,所述知识点考核情况包括考核得分和错误的知识点;满分为100分;所述教学评价模块接收学***均吸引度WS和知识点考核情况并对学习资源的教学值进行分析,分析步骤如下:
X1:根据知识点考核情况对学生的知识掌握度进行分析,并将知识掌握度划分为优秀、良好、一般和不合格;
X2:获取到知识掌握度为优秀的学生与所有学生之间的占比,得到优秀占比,并将优秀占比标记为FA;
获取到知识掌握度为良好的学生与所有学生之间的占比,得到良好占比,并将良好占比标记为FB;
获取到知识掌握度为一般的学生与所有学生之间的占比,得到一般占比,并将一般占比标记为FC;
获取到知识掌握度为不合格的学生与所有学生之间的占比,得到不合格占比,并将不合格占比标记为FD;
X3:因为优秀占比、良好占比、一般占比和不合格占比对学习资源的质量评价影响程度不同,因此对上述各影响因素加一修正值,FA、FB、FC和FD对应的修正值分别为C1、C2、C3和C4,且C1+C2+C3+C4=1;C1>C2>C3>C4;
X4:利用公式FG=FA×C1+FB×C2+FC×C3+FD×C4得到学习资源的质量度FG;
X6:若教学值GF小于预设阈值,则向教师终端发送用于提示重新编辑学习资源的信息,并将错误的知识点发送到显示模块进行实时显示;
若教学值GF大于等于预设阈值,则将教学值GF传输到数据分析模块;
本发明通过平均吸引度WS和教学值GF能够自行判断编辑的学***均吸引度WS和/或教学值GF小于预设阈值时,向教师终端发送用于提示重新编辑学习资源的信息,有助于提高教学质量;
所述数据输入模块用于用户发布学习资源需求信息,所述学习资源需求信息包括学科类别、应用知识体系类别和技能类别;并将学习资源需求信息发送至服务器;
所述记忆模块用于记录教学数据库中每个学习资源在***当前时间前30天内的浏览信息并将浏览信息传输到数据分析模块;所述浏览信息包括浏览次数、收藏次数和浏览时间,数据分析模块结合数据输入模块进行学习资源的推送分析,具体推送分析过程如下:
S11:获取符合学习资源需求信息中学科类别、应用知识体系类别和技能类别的若干个学习资源并标记为Ni,i=1,……,n;
S12:获取若干个学习资源的浏览次数,并标记为Ci,获取若干个学习资源的浏览时间,并标记为Ti,获取若干个学习资源的下载次数,并标记为SCi,i=1,……,n;
S13:利用公式计算得出若干个学习资源的关注值GZi,具体计算公式如下:
S14:获取若干个学习资源的教学值,并标记为GFi;
S15:利用公式计算得出若干个学习资源的推送值TSi,具体计算公式如下:
S16:获取推送值排名前三的学习资源,并标记为NSi,而后将推送值排名前三的学习资源经服务器传输到学生终端;
本发明结合用户发布的学习资源需求信息、学习资源的关注值和学习资源的教学值,计算出学习资源的推送值,并通过推送值进行学习资源的推送,无需人工繁琐找寻;有助于提高教学质量。
其中,所述知识掌握度划分规则具体表现为:
XX1:考核得分为85-100分之间,则知识掌握度为优秀;
XX2:考核得分为75-85分之间,则知识掌握度为良好;
XX3:考核得分为60-75分之间,则知识掌握度为一般;
XX4:考核得分为60分以下,则知识掌握度为不合格。
一种基于大数据的教育信息智能分类***,在工作时,用户资源上传模块上传学***均吸引度WS;若平均吸引度WS小于预设阈值,则向教师终端发送用于提示重新编辑学习资源的信息;
教学评价模块接收学***均吸引度WS和知识点考核情况并对学***均吸引度WS和教学值GF能够自行判断编辑的学***均吸引度WS和/或教学值GF小于预设阈值时,向教师终端发送用于提示重新编辑学习资源的信息,有助于提高教学质量;
数据分析模块结合数据输入模块进行学习资源的推送分析,获取符合学习资源需求信息中学科类别、应用知识体系类别和技能类别的若干个学习资源;获取若干个学习资源的浏览次数,获取若干个学习资源的浏览时间,获取若干个学习资源的下载次数;利用公式计算得出若干个学习资源的关注值;获取若干个学习资源的教学值,利用公式计算得出若干个学习资源的推送值TSi;获取推送值排名前三的学习资源,并标记为NSi,而后将推送值排名前三的学习资源经服务器传输到学生终端;无需人工繁琐找寻;方便学生和老师从海量的学习资源中找到合适的学习资源,提高教学质量。
上述公式均是由采集大量数据进行软件模拟及相应专家进行参数设置处理,得到与真实结果符合的公式。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种基于大数据的教育信息智能分类***,其特征在于,包括图像采集模块、图像处理模块、数据分类模块、教学数据库、调查模块、记忆模块、教学评价模块、教师终端、学生终端以及服务器;
所述学生终端包括注册登录模块;所述注册登录模块用于学生通过学生终端提交注册信息进行注册并将注册成功的注册信息发送至服务器内进行存储;所述学生终端用于浏览并下载教师终端上传的学习资源;
所述教师终端包括资源上传模块和资源编辑模块,所述资源上传模块用于上传学习资源至服务器;资源编辑模块用于对上传后的学习资源进行增加、删除、修改等操作,实现对学习资源的编辑管理;所述学习资源形式包括视频、音频、文字、图片和课件;
所述教学数据库用于存储服务器接收的学习资源、浏览记录、学习资源需求信息、登录信息以及注册信息;
在教师使用学习资源进行授课时,所述图像采集模块用于对教室情况进行实时录制,获取到教室实时视频信息,并将实时视频信息分别发送至教学数据库和图像处理模块;所述图像处理模块用于接收实时视频信息并作出分析,具体步骤如下:
S1:对实时视频信息进行处理,获取学生面部影像信息,并对面部影像信息消失时间进行判定;
S11:当学生面部影像信息消失时间大于预设时间值T1,则判定该学生处于走神状态,并统计该学生的走神占比;具体统计步骤如下:
SS1:获取到走神学生在一节课的走神总时间;
SS2:将该学生的走神总时间除以一节课的总时间得到走神占比,将走神占比标记为Tz;
S12:当学生面部影像信息消失时间低于预设值T1,则判定为该学生为正常状态;继续对该学生的学习状态进行分析;
S2:获取到该学生面部影像信息,获取到该学生的面部图片信息;
S3:通过人脸表情识别技术对该学生的面部图片信息进行实时分析,获取得到该学生的上课状态;并将上课状态划分为听课状态、互动状态、抗拒状态和迷茫状态;
S4:获取到该学生在该节课中处于听课状态下的平均时间,将平均时间除以总时间得到听课占比,并将听课占比标记为Kx;
获取到该学生在该节课中处于互动状态下的平均时间,将平均时间除以总时间得到互动占比,并将互动占比标记为Kd;
获取到该学生在该节课中处于抗拒状态下的平均时间,将平均时间除以总时间得到抗拒占比,并将抗拒占比标记为Kb;
获取到该学生在该节课中处于迷茫状态下的平均时间,将平均时间除以总时间得到迷茫总占比,并将迷茫总占比标记为Km;
S5:因为走神占比、听课占比、互动占比、抗拒占比和迷茫占比对学习资源的吸引度评价占比各不相同,因此对上述各影响因素加一修正值,Tz、Kx、Kd、Kb和Km对应的修正值分别为B1、B2、B3、B4和B5,且B2+B3=1,B3>B2>0;B1+B4+B5=-1,B1<B4<B5<0;
S7:利用公式WD=Kx×B2+Kd×B3+Tz×B1+Kb×B4+Km×B5得到学***均吸引度WS;
若平均吸引度WS小于预设阈值,则向教师终端发送用于提示重新编辑学习资源的信息;
若平均吸引度WS大于等于预设阈值,则图像处理模块将学***均吸引度WS传输到服务器。
2.根据权利要求1所述的一种基于大数据的教育信息智能分类***,其特征在于,所述调查模块用于统计课后学生的知识点考核情况并将知识点考核情况传输到教学评价模块,所述知识点考核情况包括考核得分和错误的知识点;满分为100分;所述教学评价模块接收学***均吸引度WS和知识点考核情况并对学习资源的教学值进行分析,分析步骤如下:
X1:根据知识点考核情况对学生的知识掌握度进行分析,并将知识掌握度划分为优秀、良好、一般和不合格;
X2:获取到知识掌握度为优秀的学生与所有学生之间的占比,得到优秀占比,并将优秀占比标记为FA;
获取到知识掌握度为良好的学生与所有学生之间的占比,得到良好占比,并将良好占比标记为FB;
获取到知识掌握度为一般的学生与所有学生之间的占比,得到一般占比,并将一般占比标记为FC;
获取到知识掌握度为不合格的学生与所有学生之间的占比,得到不合格占比,并将不合格占比标记为FD;
X3:因为优秀占比、良好占比、一般占比和不合格占比对学习资源的质量评价影响程度不同,因此对上述各影响因素加一修正值,FA、FB、FC和FD对应的修正值分别为C1、C2、C3和C4,且C1+C2+C3+C4=1;C1>C2>C3>C4;
X4:利用公式FG=FA×C1+FB×C2+FC×C3+FD×C4得到学习资源的质量度FG;
X6:若教学值GF小于预设阈值,则向教师终端发送用于提示重新编辑学习资源的信息,并将错误的知识点发送到显示模块进行实时显示;
若教学值GF大于等于预设阈值,则将教学值GF传输到数据分析模块。
3.根据权利要求1所述的一种基于大数据的教育信息智能分类***,其特征在于,所述数据输入模块用于用户发布学习资源需求信息,所述学习资源需求信息包括学科类别、应用知识体系类别和技能类别;并将学习资源需求信息发送至服务器;
所述记忆模块用于记录教学数据库中每个学习资源在***当前时间前30天内的浏览信息并将浏览信息传输到数据分析模块;所述浏览信息包括浏览次数、收藏次数和浏览时间,数据分析模块结合数据输入模块进行学习资源的推送分析,具体推送分析过程如下:
S11:获取符合学习资源需求信息中学科类别、应用知识体系类别和技能类别的若干个学习资源并标记为Ni,i=1,……,n;
S12:获取若干个学习资源的浏览次数,并标记为Ci,获取若干个学习资源的浏览时间,并标记为Ti,获取若干个学习资源的下载次数,并标记为SCi,i=1,……,n;
S13:利用公式计算得出若干个学习资源的关注值GZi,具体计算公式如下:
S14:获取若干个学习资源的教学值,并标记为GFi;
S15:利用公式计算得出若干个学习资源的推送值TSi,具体计算公式如下:
S16:获取推送值排名前三的学习资源,并标记为NSi,而后将推送值排名前三的学习资源经服务器传输到学生终端。
4.根据权利要求1所述的一种基于大数据的教育信息智能分类***,其特征在于,所述知识掌握度划分规则具体表现为:
XX1:考核得分为85-100分之间,则知识掌握度为优秀;
XX2:考核得分为75-85分之间,则知识掌握度为良好;
XX3:考核得分为60-75分之间,则知识掌握度为一般;
XX4:考核得分为60分以下,则知识掌握度为不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010868147.8A CN112001826A (zh) | 2020-08-26 | 2020-08-26 | 一种基于大数据的教育信息智能分类*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010868147.8A CN112001826A (zh) | 2020-08-26 | 2020-08-26 | 一种基于大数据的教育信息智能分类*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001826A true CN112001826A (zh) | 2020-11-27 |
Family
ID=73471942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010868147.8A Pending CN112001826A (zh) | 2020-08-26 | 2020-08-26 | 一种基于大数据的教育信息智能分类*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001826A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541126A (zh) * | 2020-12-26 | 2021-03-23 | 贵州树精英教育科技有限责任公司 | 精准授课数据挖掘 |
CN112767756A (zh) * | 2021-01-28 | 2021-05-07 | 温州大学 | 一种基于现代信息技术的协同教育平台 |
CN112988791A (zh) * | 2021-03-01 | 2021-06-18 | 深圳市微幼科技有限公司 | 一种支持多交互应用模式的教育平台*** |
CN114038256A (zh) * | 2021-11-29 | 2022-02-11 | 西南医科大学 | 一种基于人工智能的教学互动*** |
CN114677751A (zh) * | 2022-05-26 | 2022-06-28 | 深圳市中文路教育科技有限公司 | 学习状态的监控方法、监控装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279255A (zh) * | 2015-10-13 | 2016-01-27 | 青岛英谷教育科技股份有限公司 | 一种知识技能依赖关系结构化教学资源的利用方法 |
CN108492650A (zh) * | 2018-03-13 | 2018-09-04 | 广州建翎电子技术有限公司 | 一种基于云平台的智能教室教学*** |
CN108538125A (zh) * | 2018-04-25 | 2018-09-14 | 广州国铭职业技能培训有限公司 | 一种基于大数据的课堂教学管理*** |
CN109166064A (zh) * | 2018-09-20 | 2019-01-08 | 重庆满惠网络科技有限公司 | 一种基于大数据的智能教育信息分析*** |
CN109684984A (zh) * | 2018-12-19 | 2019-04-26 | 山东旭兴网络科技有限公司 | 一种适用于课堂教学的表情识别方法 |
CN109784615A (zh) * | 2018-12-04 | 2019-05-21 | 华东师范大学 | 一种数字化学习资源应用成效的计算方法 |
-
2020
- 2020-08-26 CN CN202010868147.8A patent/CN112001826A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279255A (zh) * | 2015-10-13 | 2016-01-27 | 青岛英谷教育科技股份有限公司 | 一种知识技能依赖关系结构化教学资源的利用方法 |
CN108492650A (zh) * | 2018-03-13 | 2018-09-04 | 广州建翎电子技术有限公司 | 一种基于云平台的智能教室教学*** |
CN108538125A (zh) * | 2018-04-25 | 2018-09-14 | 广州国铭职业技能培训有限公司 | 一种基于大数据的课堂教学管理*** |
CN109166064A (zh) * | 2018-09-20 | 2019-01-08 | 重庆满惠网络科技有限公司 | 一种基于大数据的智能教育信息分析*** |
CN109784615A (zh) * | 2018-12-04 | 2019-05-21 | 华东师范大学 | 一种数字化学习资源应用成效的计算方法 |
CN109684984A (zh) * | 2018-12-19 | 2019-04-26 | 山东旭兴网络科技有限公司 | 一种适用于课堂教学的表情识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541126A (zh) * | 2020-12-26 | 2021-03-23 | 贵州树精英教育科技有限责任公司 | 精准授课数据挖掘 |
CN112767756A (zh) * | 2021-01-28 | 2021-05-07 | 温州大学 | 一种基于现代信息技术的协同教育平台 |
CN112988791A (zh) * | 2021-03-01 | 2021-06-18 | 深圳市微幼科技有限公司 | 一种支持多交互应用模式的教育平台*** |
CN112988791B (zh) * | 2021-03-01 | 2022-08-02 | 安徽壹芯科技股份有限公司 | 一种支持多交互应用模式的教育平台*** |
CN114038256A (zh) * | 2021-11-29 | 2022-02-11 | 西南医科大学 | 一种基于人工智能的教学互动*** |
CN114677751A (zh) * | 2022-05-26 | 2022-06-28 | 深圳市中文路教育科技有限公司 | 学习状态的监控方法、监控装置及存储介质 |
CN114677751B (zh) * | 2022-05-26 | 2022-09-09 | 深圳市中文路教育科技有限公司 | 学习状态的监控方法、监控装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001826A (zh) | 一种基于大数据的教育信息智能分类*** | |
CN109670110B (zh) | 一种教育资源推荐方法、装置、设备及存储介质 | |
CN105469662A (zh) | 教学过程中学生答题信息实时采集、高效智能批改***及使用方法 | |
CN111831914A (zh) | 一种在线教育的智能推题*** | |
JP3883795B2 (ja) | 受講講習会選定装置、受講講習会選定方法、及び記憶媒体 | |
WO2022193040A1 (zh) | 一种理科教学***及其使用方法、计算机可读存储介质 | |
CN113657723A (zh) | 知识点掌握情况诊断方法、试题推荐方法及装置 | |
Cummings | Teacher Attitudes and Effective Computer Integration. | |
CN111369408A (zh) | 一种医院本科实习生教学管理***及方法 | |
TAYLOR | The development of the measure of epistemological reflection | |
CN112367526B (zh) | 视频生成方法、装置、电子设备及存储介质 | |
CN114881827B (zh) | 一种基于互联网的远程在线教育培训方法、***及存储介质 | |
CN113254752B (zh) | 基于大数据的备课方法、装置及存储介质 | |
CN112687138B (zh) | 一种基于物联网的互动教学平台 | |
CN112733026A (zh) | 一种基于大数据的在线课程推送方法 | |
KR20160111677A (ko) | 사전체험 강의 제공 장치 및 사전체험 강의 제공 방법 | |
CN117455126B (zh) | 一种泛在实训教学和考评管理***及方法 | |
CN112347354B (zh) | 用于智慧教育的课件管理方法 | |
CN114582182B (zh) | 准教慧学大数据精准化教与学*** | |
KR101926275B1 (ko) | 개념정리를 위한 영상물 제작 및 활용 시스템, 그리고 그 방법 | |
CN108776794B (zh) | 基于大数据与人工智能的教学效果画像方法和机器人*** | |
Todorova | SCIENCE LITERACY OF BULGARIAN STUDENTS THROUGH TEACHERS'VIEW | |
Ridwan et al. | Training to Create E-Modules Using Professional Flip PDF Application for Lecturers of PKK FT Makassar State University | |
CN116403446A (zh) | 基于文本驱动的数字人教育方法 | |
Huang et al. | English Teaching Resource Recommendation Algorithm Based on Collaborative Filtering Technology |
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 |