CN112163760A - 学生学习专注度检测方法和*** - Google Patents

学生学习专注度检测方法和*** Download PDF

Info

Publication number
CN112163760A
CN112163760A CN202011020343.6A CN202011020343A CN112163760A CN 112163760 A CN112163760 A CN 112163760A CN 202011020343 A CN202011020343 A CN 202011020343A CN 112163760 A CN112163760 A CN 112163760A
Authority
CN
China
Prior art keywords
learning
student
student object
effective
examination
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
Application number
CN202011020343.6A
Other languages
English (en)
Inventor
王鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202011020343.6A priority Critical patent/CN112163760A/zh
Publication of CN112163760A publication Critical patent/CN112163760A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06V20/10—Terrestrial scenes
    • 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)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了学生学习专注度检测方法和***，其通过对学生对象的课程学习过程进行拍摄和获取学生对象的历史考试作答数据，并从学生对象在课程学习过程中的学习响应动作状态和历史考试作答状态这两个主观和客观因素进行综合的分析处理，以此确定学生对象的学习专注度检测结果，其从主观和客观上对应的两个关键的因素对学生对象的学习专注状态进行有效的评价，从而提高确定学生对象学习专注度的可靠性和准确性，以及最大限度地减少学习专注度计算的工作量。

Description

学生学习专注度检测方法和***
技术领域
本发明涉及智能教育的技术领域，特别涉及学生学习专注度检测方法和***。
背景技术
在教学过程中，学生学习的专注度会直接影响学生的学习效率，而在实际课程教学中，学生学习的专注度高低受学习课程内容、学生实时的个人状态和当前学习环境等不同因素的共同影响，这导致难以对学生学习的专注度进行客观和准确的评估。学生学习的专注度属于主观学习状态评价量，但是学生学习专注度的高低情况可以从学生在学习过程中的个人动作状态和学习的课程章节知识内容这两个方面入手来进行客观的评价，而现有技术并没有专门针对上述两个方面对学生学习专注度进行有效和准确分析的方法。
发明内容
针对现有技术存在的缺陷，本发明提供学生学习专注度检测方法和***，其通过对学生对象在课程学习过程中进行拍摄，以此获得学生对象的课程学习影像，并对课程学习影像进行分析，从而生成学生对象的有效学习效率监测结果，并获取学生对象的历史考试作答数据，并对历史考试作答数据进行分析处理，从而生成学生对象的考试作答有效成绩评价信息，最后对有效学习效率监测结果和考试作答有效成绩评价信息进行综合评判，从而得到学生对象的学习专注度检测结果；可见，该学生学习专注度检测方法和***通过对学生对象的课程学习过程进行拍摄和获取学生对象的历史考试作答数据，并从学生对象在课程学习过程中的学习响应动作状态和历史考试作答状态这两个主观和客观因素进行综合的分析处理，以此确定学生对象的学习专注度检测结果，其从主观和客观上对应的两个关键的因素对学生对象的学习专注状态进行有效的评价，从而提高确定学生对象学习专注度的可靠性和准确性，以及最大限度地减少学习专注度计算的工作量。
本发明提供学生学习专注度检测方法，其特征在于，其包括如下步骤：
步骤S1，对学生对象在课程学习过程中进行拍摄，以此获得所述学生对象的课程学习影像，并对所述课程学习影像进行分析，从而生成所述学生对象的有效学习效率监测结果；
步骤S2，获取所述学生对象的历史考试作答数据，并对所述历史考试作答数据进行分析处理，从而生成所述学生对象的考试作答有效成绩评价信息；
步骤S3，对所述有效学习效率监测结果和所述考试作答有效成绩评价信息进行综合评判，从而得到所述学生对象的学习专注度检测结果；
进一步，在所述步骤S1中，对学生对象在课程学习过程中进行拍摄，以此获得所述学生对象的课程学习影像，并对所述课程学习影像进行分析，从而生成所述学生对象的有效学习效率监测结果具体包括：
步骤S101，在所述课程学习过程中，对所述学生对象进行双目拍摄，从而获得所述学生对象的第一视角课程学习影像和第二视角课程学习影像；
步骤S102，根据所述第一视角课程学习影像和所述第二视角课程学习影像之间的影像视差，生成所述学生对象的三维学习过程影像，并对所述三维学习过程影像依次进行背景降噪处理和学生对象学习动作特征信息提取处理，从而得到所述学生对象在所述课程学习过程中的学习动作信息，其中，所述学习动作信息包括视线动作信息和头部动作信息；
步骤S103，从所述学习动作信息中随机抽取若干项视线动作信息和/或若干项头部动作信息，并确定抽取得到的若干项视线动作信息和/或若干项头部动作信息对应的动作持续时间信息，并根据下面公式(1)，确定所述学生对象的有效学习效率评价值
Figure BDA0002700415850000021
Figure BDA0002700415850000031
在上述公式(1)中，H表示随机抽取得到的视线动作信息和/或头部动作信息的动作类型总数，pi表示随机抽取得到的第i个个动作出现的总次数，ti表示随机抽取得到的第i个类型动作对应的累积持续时长，tmin表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最短持续时长，tmax表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最长持续时长；
进一步，在所述步骤S2中，获取所述学生对象的历史考试作答数据，并对所述历史考试作答数据进行分析处理，从而生成所述学生对象的考试作答有效成绩评价信息具体包括：
步骤S201，获取所述学生对象在关于预设教学大纲的所有教学知识章节的历史考试对应的考试作答数据，并对所述考试作答数据进行重复数据剔除处理，以此得到相应的有效历史考试作答数据；
步骤S202，根据所述有效历史考试作答数据和下面公式(2)，得到所述学生对象的考试作答有效成绩评价值Score(s)
Figure BDA0002700415850000032
在上述公式(2)中，N表示所述预设教学大纲包含的教学知识章节的总数量，n表示教学知识章节的编号，n的取值范围为1至N之间的整数；snl表示所述学生对象在针对第n个教学知识章节中基础知识点的考试对应的考试成绩，snk表示所述学生对象在针对第n个教学知识章节中扩展知识点的考试对应的考试成绩，并且snl与snk之间的分值比不小于7:3，M取值为100；
进一步，在所述步骤S3中，对所述有效学习效率监测结果和所述考试作答有效成绩评价信息进行综合评判，从而得到所述学生对象的学习专注度检测结果具体包括：
步骤S301，根据下面公式(3)，对所述有效学习效率评价值
Figure BDA0002700415850000041
和所述考试作答有效成绩评价值Score(s)进行高斯分布模式的综合评判，从而得到所述学生对象的学习专注度评价值Absor(x)
Figure BDA0002700415850000042
在上述公式(3)中，π表示圆周率，exp表示以自然常数e为底的指数函数，x表示所述学生对象的实际年龄值，N表示所述预设教学大纲包含的教学知识章节的总数量；
步骤S302，判断所述学习专注度评价值Absor(x)是否超过预设阈值，若是则保持所述学生对象当前课程学习状态不变，若否，则调整所述学生对象当前课程学习的学习时间和课程知识点难度。
本发明还提供学生学习专注度检测***，其特征在于，其包括课程学习过程拍摄模块、有效学习效率评价模块、考试作答有效成绩评价模块和学习专注度评价模块；其中，
所述课程学习过程拍摄模块用于对学生对象在课程学习过程中进行拍摄，以此获得所述学生对象的课程学习影像；
所述有效学习效率评价模块用于对所述课程学习影像进行分析，从而生成所述学生对象的有效学习效率监测结果；
所述考试作答有效成绩评价模块用于对所述学生对象的历史考试作答数据进行分析处理，从而生成所述学生对象的考试作答有效成绩评价信息；
所述学习专注度评价模块用于对所述有效学习效率监测结果和所述考试作答有效成绩评价信息进行综合评判，从而得到所述学生对象的学习专注度检测结果；
进一步，所述课程学习过程拍摄模块对学生对象在课程学习过程中进行拍摄，以此获得所述学生对象的课程学习影像具体包括：
在所述课程学习过程中，对所述学生对象进行双目拍摄，从而获得所述学生对象的第一视角课程学习影像和第二视角课程学习影像；
以及，
所述有效学习效率评价模块对所述课程学习影像进行分析，从而生成所述学生对象的有效学习效率监测结果具体包括：
先根据所述第一视角课程学习影像和所述第二视角课程学习影像之间的影像视差，生成所述学生对象的三维学习过程影像，并对所述三维学习过程影像依次进行背景降噪处理和学生对象学习动作特征信息提取处理，从而得到所述学生对象在所述课程学习过程中的学习动作信息，其中，所述学习动作信息包括视线动作信息和头部动作信息；
再从所述学习动作信息中随机抽取若干项视线动作信息和/或若干项头部动作信息，并确定抽取得到的若干项视线动作信息和/或若干项头部动作信息对应的动作持续时间信息，并根据下面公式(1)，确定所述学生对象的有效学习效率评价值
Figure BDA0002700415850000051
Figure BDA0002700415850000052
在上述公式(1)中，H表示随机抽取得到的视线动作信息和/或头部动作信息的动作类型总数，pi表示随机抽取得到的第i个个动作出现的总次数，ti表示随机抽取得到的第i个类型动作对应的累积持续时长，tmin表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最短持续时长，tmax表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最长持续时长；
进一步，所述考试作答有效成绩评价模块对所述学生对象的历史考试作答数据进行分析处理，从而生成所述学生对象的考试作答有效成绩评价信息具体包括：
先获取所述学生对象在关于预设教学大纲的所有教学知识章节的历史考试对应的考试作答数据，并对所述考试作答数据进行重复数据剔除处理，以此得到相应的有效历史考试作答数据；
再根据所述有效历史考试作答数据和下面公式(2)，得到所述学生对象的考试作答有效成绩评价值Score(s)
Figure BDA0002700415850000061
在上述公式(2)中，N表示所述预设教学大纲包含的教学知识章节的总数量，n表示教学知识章节的编号，n的取值范围为1至N之间的整数；snl表示所述学生对象在针对第n个教学知识章节中基础知识点的考试对应的考试成绩，snk表示所述学生对象在针对第n个教学知识章节中扩展知识点的考试对应的考试成绩，并且snl与snk之间的分值比不小于7:3，M取值为100；
进一步，所述学习专注度评价模块对所述有效学习效率监测结果和所述考试作答有效成绩评价信息进行综合评判，从而得到所述学生对象的学习专注度检测结果具体包括：
先根据下面公式(3)，对所述有效学习效率评价值
Figure BDA0002700415850000062
和所述考试作答有效成绩评价值Score(s)进行高斯分布模式的综合评判，从而得到所述学生对象的学习专注度评价值Absor(x)
Figure BDA0002700415850000063
在上述公式(3)中，π表示圆周率，exp表示以自然常数e为底的指数函数，x表示所述学生对象的实际年龄值，N表示所述预设教学大纲包含的教学知识章节的总数量；
再判断所述学习专注度评价值Absor(x)是否超过预设阈值，若是则保持所述学生对象当前课程学习状态不变，若否，则调整所述学生对象当前课程学习的学习时间和课程知识点难度。
相比于现有技术，该学生学习专注度检测方法和***通过对学生对象在课程学习过程中进行拍摄，以此获得学生对象的课程学习影像，并对课程学习影像进行分析，从而生成学生对象的有效学习效率监测结果，并获取学生对象的历史考试作答数据，并对历史考试作答数据进行分析处理，从而生成学生对象的考试作答有效成绩评价信息，最后对有效学习效率监测结果和考试作答有效成绩评价信息进行综合评判，从而得到学生对象的学习专注度检测结果；可见，该学生学习专注度检测方法和***通过对学生对象的课程学习过程进行拍摄和获取学生对象的历史考试作答数据，并从学生对象在课程学习过程中的学习响应动作状态和历史考试作答状态这两个主观和客观因素进行综合的分析处理，以此确定学生对象的学习专注度检测结果，其从主观和客观上对应的两个关键的因素对学生对象的学习专注状态进行有效的评价，从而提高确定学生对象学习专注度的可靠性和准确性，以及最大限度地减少学习专注度计算的工作量。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的学生学习专注度检测方法的流程示意图。
图2为本发明提供的学生学习专注度检测***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，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他实施例，都属于本发明保护的范围。
参阅图1，为本发明实施例提供的学生学习专注度检测方法的流程示意图。该学生学习专注度检测方法包括如下步骤：
步骤S1，对学生对象在课程学习过程中进行拍摄，以此获得该学生对象的课程学习影像，并对该课程学习影像进行分析，从而生成该学生对象的有效学习效率监测结果；
步骤S2，获取该学生对象的历史考试作答数据，并对该历史考试作答数据进行分析处理，从而生成该学生对象的考试作答有效成绩评价信息；
步骤S3，对该有效学习效率监测结果和该考试作答有效成绩评价信息进行综合评判，从而得到该学生对象的学习专注度检测结果。
上述技术方案的有益效果为：该学生学习专注度检测方法不同于现有技术的只从单一的学生对象自身的状态信息或者学生对象的学习内容信息来对学生的学习专注度进行评价，其从学生对象在课程学习过程中的学习响应动作状态和历史考试作答状态这两个主观和客观因素进行综合的分析处理，这样能够充分考虑学生对象在学习过程中的主客观影响因素，以此保证对学生对象的学习专注状态进行有效的和全面的评价，从而提高确定学生对象学习专注度的可靠性和准确性，以及最大限度地减少学习专注度计算的工作量。
优选地，在该步骤S1中，对学生对象在课程学习过程中进行拍摄，以此获得该学生对象的课程学习影像，并对该课程学习影像进行分析，从而生成该学生对象的有效学习效率监测结果具体包括：
步骤S101，在该课程学习过程中，对该学生对象进行双目拍摄，从而获得该学生对象的第一视角课程学习影像和第二视角课程学习影像；
步骤S102，根据该第一视角课程学习影像和该第二视角课程学习影像之间的影像视差，生成该学生对象的三维学习过程影像，并对该三维学习过程影像依次进行背景降噪处理和学生对象学习动作特征信息提取处理，从而得到该学生对象在该课程学习过程中的学习动作信息，其中，该学习动作信息包括视线动作信息和头部动作信息；
步骤S103，从该学习动作信息中随机抽取若干项视线动作信息和/或若干项头部动作信息，并确定抽取得到的若干项视线动作信息和/或若干项头部动作信息对应的动作持续时间信息，并根据下面公式(1)，确定该学生对象的有效学习效率评价值
Figure BDA0002700415850000091
Figure BDA0002700415850000092
在上述公式(1)中，H表示随机抽取得到的视线动作信息和/或头部动作信息的动作类型总数，pi表示随机抽取得到的第i个个动作出现的总次数，ti表示随机抽取得到的第i个类型动作对应的累积持续时长，tmin表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最短持续时长，tmax表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最长持续时长。
上述技术方案的有益效果为：通过对学生对象进行双目拍摄能够全面地获得学生对象的实时课程学习状态信息，以此识别得到学生对象对应的视线动作信息和头部动作信息等不同类型的学习动作信息，而由于学生对象的学习动作信息能够在很大程度上反映学生对象的实时学习效率，由此对该学习动作信息进行分析处理，能够精确地得到学生对象的有效学习效率评价值。
优选地，在该步骤S2中，获取该学生对象的历史考试作答数据，并对该历史考试作答数据进行分析处理，从而生成该学生对象的考试作答有效成绩评价信息具体包括：
步骤S201，获取该学生对象在关于预设教学大纲的所有教学知识章节的历史考试对应的考试作答数据，并对该考试作答数据进行重复数据剔除处理，以此得到相应的有效历史考试作答数据；
步骤S202，根据该有效历史考试作答数据和下面公式(2)，得到该学生对象的考试作答有效成绩评价值Score(s)
Figure BDA0002700415850000101
在上述公式(2)中，N表示该预设教学大纲包含的教学知识章节的总数量，n表示教学知识章节的编号，n的取值范围为1至N之间的整数；snl表示该学生对象在针对第n个教学知识章节中基础知识点的考试对应的考试成绩，snk表示该学生对象在针对第n个教学知识章节中扩展知识点的考试对应的考试成绩，并且snl与snk之间的分值比不小于7:3，M取值为100。
上述技术方案的有益效果为：由于学生对象的历史考试作答数据能够真实地和客观地反映学生对象对不同教学知识章节的学习掌握数量程度，通过上述公式(2)对该历史考试作答数据进行分析处理，能够从学生对象对不同知识点的掌握程度来确定其考试作答有效成绩评价值，从而确保该考试作答有效成绩评价值的计算可靠性和真实性。
优选地，在该步骤S3中，对该有效学习效率监测结果和该考试作答有效成绩评价信息进行综合评判，从而得到该学生对象的学习专注度检测结果具体包括：
步骤S301，根据下面公式(3)，对该有效学习效率评价值
Figure BDA0002700415850000102
和该考试作答有效成绩评价值Score(s)进行高斯分布模式的综合评判，从而得到该学生对象的学习专注度评价值Absor(x)
Figure BDA0002700415850000103
在上述公式(3)中，π表示圆周率，exp表示以自然常数e为底的指数函数，x表示该学生对象的实际年龄值，N表示该预设教学大纲包含的教学知识章节的总数量；
步骤S302，判断该学习专注度评价值Absor(x)是否超过预设阈值，若是则保持该学生对象当前课程学习状态不变，若否，则调整该学生对象当前课程学习的学习时间和课程知识点难度。
上述技术方案的有益效果为：通过上述公式(3)，对该有效学习效率评价值
Figure BDA0002700415850000111
和该考试作答有效成绩评价值Score(s)进行高斯分布模式的综合评判，能够避免学生对象在课程学习过程发生的偶然因素而影响对学习专注度评价值的计算准确性，此外对计算得到的学习专注度评价值进行阈值比较判断处理，并根据比较判断处理的结果来调整学生对象的课程学习状态，从而便于最大限度地提高学生对象的学习专注度。
参阅图2，为本发明实施例提供的学生学习专注度检测***的结构示意图。该学生学习专注度检测***包括课程学习过程拍摄模块、有效学习效率评价模块、考试作答有效成绩评价模块和学习专注度评价模块；其中，
该课程学习过程拍摄模块用于对学生对象在课程学习过程中进行拍摄，以此获得该学生对象的课程学习影像；
该有效学习效率评价模块用于对该课程学习影像进行分析，从而生成该学生对象的有效学习效率监测结果；
该考试作答有效成绩评价模块用于对该学生对象的历史考试作答数据进行分析处理，从而生成该学生对象的考试作答有效成绩评价信息；
该学习专注度评价模块用于对该有效学习效率监测结果和该考试作答有效成绩评价信息进行综合评判，从而得到该学生对象的学习专注度检测结果。
上述技术方案的有益效果为：该学生学习专注度检测***不同于现有技术的只从单一的学生对象自身的状态信息或者学生对象的学习内容信息来对学生的学习专注度进行评价，其从学生对象在课程学习过程中的学习响应动作状态和历史考试作答状态这两个主观和客观因素进行综合的分析处理，这样能够充分考虑学生对象在学习过程中的主客观影响因素，以此保证对学生对象的学习专注状态进行有效的和全面的评价，从而提高确定学生对象学习专注度的可靠性和准确性，以及最大限度地减少学习专注度计算的工作量。
优选地，该课程学习过程拍摄模块对学生对象在课程学习过程中进行拍摄，以此获得该学生对象的课程学习影像具体包括：
在该课程学习过程中，对该学生对象进行双目拍摄，从而获得该学生对象的第一视角课程学习影像和第二视角课程学习影像；
以及，
该有效学习效率评价模块对该课程学习影像进行分析，从而生成该学生对象的有效学习效率监测结果具体包括：
先根据该第一视角课程学习影像和该第二视角课程学习影像之间的影像视差，生成该学生对象的三维学习过程影像，并对该三维学习过程影像依次进行背景降噪处理和学生对象学习动作特征信息提取处理，从而得到该学生对象在该课程学习过程中的学习动作信息，其中，该学习动作信息包括视线动作信息和头部动作信息；
再从该学习动作信息中随机抽取若干项视线动作信息和/或若干项头部动作信息，并确定抽取得到的若干项视线动作信息和/或若干项头部动作信息对应的动作持续时间信息，并根据下面公式(1)，确定该学生对象的有效学习效率评价值
Figure BDA0002700415850000121
Figure BDA0002700415850000122
在上述公式(1)中，H表示随机抽取得到的视线动作信息和/或头部动作信息的动作类型总数，pi表示随机抽取得到的第i个个动作出现的总次数，ti表示随机抽取得到的第i个类型动作对应的累积持续时长，tmin表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最短持续时长，tmax表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最长持续时长。
上述技术方案的有益效果为：通过对学生对象进行双目拍摄能够全面地获得学生对象的实时课程学习状态信息，以此识别得到学生对象对应的视线动作信息和头部动作信息等不同类型的学习动作信息，而由于学生对象的学习动作信息能够在很大程度上反映学生对象的实时学习效率，由此对该学习动作信息进行分析处理，能够精确地得到学生对象的有效学习效率评价值。
优选地，该考试作答有效成绩评价模块对该学生对象的历史考试作答数据进行分析处理，从而生成该学生对象的考试作答有效成绩评价信息具体包括：
先获取该学生对象在关于预设教学大纲的所有教学知识章节的历史考试对应的考试作答数据，并对该考试作答数据进行重复数据剔除处理，以此得到相应的有效历史考试作答数据；
再根据该有效历史考试作答数据和下面公式(2)，得到该学生对象的考试作答有效成绩评价值Score(s)
Figure BDA0002700415850000131
在上述公式(2)中，N表示该预设教学大纲包含的教学知识章节的总数量，n表示教学知识章节的编号，n的取值范围为1至N之间的整数；snl表示该学生对象在针对第n个教学知识章节中基础知识点的考试对应的考试成绩，snk表示该学生对象在针对第n个教学知识章节中扩展知识点的考试对应的考试成绩，并且snl与snk之间的分值比不小于7:3，M取值为100。
上述技术方案的有益效果为：由于学生对象的历史考试作答数据能够真实地和客观地反映学生对象对不同教学知识章节的学习掌握数量程度，通过上述公式(2)对该历史考试作答数据进行分析处理，能够从学生对象对不同知识点的掌握程度来确定其考试作答有效成绩评价值，从而确保该考试作答有效成绩评价值的计算可靠性和真实性。
优选地，该学习专注度评价模块对该有效学习效率监测结果和该考试作答有效成绩评价信息进行综合评判，从而得到该学生对象的学习专注度检测结果具体包括：
先根据下面公式(3)，对该有效学习效率评价值
Figure BDA0002700415850000143
和该考试作答有效成绩评价值Score(s)进行高斯分布模式的综合评判，从而得到该学生对象的学习专注度评价值Absor(x)
Figure BDA0002700415850000141
在上述公式(3)中，π表示圆周率，exp表示以自然常数e为底的指数函数，x表示该学生对象的实际年龄值，N表示该预设教学大纲包含的教学知识章节的总数量；
再判断该学习专注度评价值Absor(x)是否超过预设阈值，若是则保持该学生对象当前课程学习状态不变，若否，则调整该学生对象当前课程学习的学习时间和课程知识点难度。
上述技术方案的有益效果为：通过上述公式(3)，对该有效学习效率评价值
Figure BDA0002700415850000142
和该考试作答有效成绩评价值Score(s)进行高斯分布模式的综合评判，能够避免学生对象在课程学习过程发生的偶然因素而影响对学习专注度评价值的计算准确性，此外对计算得到的学习专注度评价值进行阈值比较判断处理，并根据比较判断处理的结果来调整学生对象的课程学习状态，从而便于最大限度地提高学生对象的学习专注度。
从上述实施例记载的内容可知，该学生学习专注度检测方法和***通过对学生对象在课程学习过程中进行拍摄，以此获得学生对象的课程学习影像，并对课程学习影像进行分析，从而生成学生对象的有效学习效率监测结果，并获取学生对象的历史考试作答数据，并对历史考试作答数据进行分析处理，从而生成学生对象的考试作答有效成绩评价信息，最后对有效学习效率监测结果和考试作答有效成绩评价信息进行综合评判，从而得到学生对象的学习专注度检测结果；可见，该学生学习专注度检测方法和***通过对学生对象的课程学习过程进行拍摄和获取学生对象的历史考试作答数据，并从学生对象在课程学习过程中的学习响应动作状态和历史考试作答状态这两个主观和客观因素进行综合的分析处理，以此确定学生对象的学习专注度检测结果，其从主观和客观上对应的两个关键的因素对学生对象的学习专注状态进行有效的评价，从而提高确定学生对象学习专注度的可靠性和准确性，以及最大限度地减少学习专注度计算的工作量。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.学生学习专注度检测方法，其特征在于，其包括如下步骤：
步骤S1，对学生对象在课程学习过程中进行拍摄，以此获得所述学生对象的课程学习影像，并对所述课程学习影像进行分析，从而生成所述学生对象的有效学习效率监测结果；
步骤S2，获取所述学生对象的历史考试作答数据，并对所述历史考试作答数据进行分析处理，从而生成所述学生对象的考试作答有效成绩评价信息；
步骤S3，对所述有效学习效率监测结果和所述考试作答有效成绩评价信息进行综合评判，从而得到所述学生对象的学习专注度检测结果。
2.如权利要求1所述的学生学习专注度检测方法，其特征在于：
在所述步骤S1中，对学生对象在课程学习过程中进行拍摄，以此获得所述学生对象的课程学习影像，并对所述课程学习影像进行分析，从而生成所述学生对象的有效学习效率监测结果具体包括：
步骤S101，在所述课程学习过程中，对所述学生对象进行双目拍摄，从而获得所述学生对象的第一视角课程学习影像和第二视角课程学习影像；
步骤S102，根据所述第一视角课程学习影像和所述第二视角课程学习影像之间的影像视差，生成所述学生对象的三维学习过程影像，并对所述三维学习过程影像依次进行背景降噪处理和学生对象学习动作特征信息提取处理，从而得到所述学生对象在所述课程学习过程中的学习动作信息，其中，所述学习动作信息包括视线动作信息和头部动作信息；
步骤S103，从所述学习动作信息中随机抽取若干项视线动作信息和/或若干项头部动作信息，并确定抽取得到的若干项视线动作信息和/或若干项头部动作信息对应的动作持续时间信息，并根据下面公式(1)，确定所述学生对象的有效学习效率评价值
Figure FDA0002700415840000021
Figure FDA0002700415840000022
在上述公式(1)中，H表示随机抽取得到的视线动作信息和/或头部动作信息的动作类型总数，pi表示随机抽取得到的第i个类型动作出现的总次数，ti表示随机抽取得到的第i个类型动作对应的累积持续时长，tmin表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最短持续时长，tmax表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最长持续时长。
3.如权利要求2所述的学生学习专注度检测方法，其特征在于：
在所述步骤S2中，获取所述学生对象的历史考试作答数据，并对所述历史考试作答数据进行分析处理，从而生成所述学生对象的考试作答有效成绩评价信息具体包括：
步骤S201，获取所述学生对象在关于预设教学大纲的所有教学知识章节的历史考试对应的考试作答数据，并对所述考试作答数据进行重复数据剔除处理，以此得到相应的有效历史考试作答数据；
步骤S202，根据所述有效历史考试作答数据和下面公式(2)，得到所述学生对象的考试作答有效成绩评价值Score(s)
Figure FDA0002700415840000023
在上述公式(2)中，N表示所述预设教学大纲包含的教学知识章节的总数量，n表示教学知识章节的编号，n的取值范围为1至N之间的整数；snl表示所述学生对象在针对第n个教学知识章节中基础知识点的考试对应的考试成绩，snk表示所述学生对象在针对第n个教学知识章节中扩展知识点的考试对应的考试成绩，并且snl与snk之间的分值比不小于7:3，M取值为100。
4.如权利要求3所述的学生学习专注度检测方法，其特征在于：
在所述步骤S3中，对所述有效学习效率监测结果和所述考试作答有效成绩评价信息进行综合评判，从而得到所述学生对象的学习专注度检测结果具体包括：
步骤S301，根据下面公式(3)，对所述有效学习效率评价值
Figure FDA0002700415840000032
和所述考试作答有效成绩评价值Score(s)进行高斯分布模式的综合评判，从而得到所述学生对象的学习专注度评价值Absor(x)
Figure FDA0002700415840000031
在上述公式(3)中，π表示圆周率，exp表示以自然常数e为底的指数函数，x表示所述学生对象的实际年龄值；
步骤S302，判断所述学习专注度评价值Absor(x)是否超过预设阈值，若是则保持所述学生对象当前课程学习状态不变，若否，则调整所述学生对象当前课程学习的学习时间和课程知识点难度。
5.学生学习专注度检测***，其特征在于，其包括课程学习过程拍摄模块、有效学习效率评价模块、考试作答有效成绩评价模块和学习专注度评价模块；其中，
所述课程学习过程拍摄模块用于对学生对象在课程学习过程中进行拍摄，以此获得所述学生对象的课程学习影像；
所述有效学习效率评价模块用于对所述课程学习影像进行分析，从而生成所述学生对象的有效学习效率监测结果；
所述考试作答有效成绩评价模块用于对所述学生对象的历史考试作答数据进行分析处理，从而生成所述学生对象的考试作答有效成绩评价信息；
所述学习专注度评价模块用于对所述有效学习效率监测结果和所述考试作答有效成绩评价信息进行综合评判，从而得到所述学生对象的学习专注度检测结果。
6.如权利要求5所述的学生学习专注度检测***，其特征在于：
所述课程学习过程拍摄模块对学生对象在课程学习过程中进行拍摄，以此获得所述学生对象的课程学习影像具体包括：
在所述课程学习过程中，对所述学生对象进行双目拍摄，从而获得所述学生对象的第一视角课程学习影像和第二视角课程学习影像；
以及，
所述有效学习效率评价模块对所述课程学习影像进行分析，从而生成所述学生对象的有效学习效率监测结果具体包括：
先根据所述第一视角课程学习影像和所述第二视角课程学习影像之间的影像视差，生成所述学生对象的三维学习过程影像，并对所述三维学习过程影像依次进行背景降噪处理和学生对象学习动作特征信息提取处理，从而得到所述学生对象在所述课程学习过程中的学习动作信息，其中，所述学习动作信息包括视线动作信息和头部动作信息；
再从所述学习动作信息中随机抽取若干项视线动作信息和/或若干项头部动作信息，并确定抽取得到的若干项视线动作信息和/或若干项头部动作信息对应的动作持续时间信息，并根据下面公式(1)，确定所述学生对象的有效学习效率评价值
Figure FDA0002700415840000041
Figure FDA0002700415840000042
在上述公式(1)中，H表示随机抽取得到的视线动作信息和/或头部动作信息的动作类型总数，pi表示随机抽取得到的第i个个动作出现的总次数，ti表示随机抽取得到的第i个类型动作对应的累积持续时长，tmin表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最短持续时长，tmax表示随机抽取得到的视线动作信息和/或头部动作信息中所有动作对应的最长持续时长。
7.如权利要求6所述的学生学习专注度检测***，其特征在于：
所述考试作答有效成绩评价模块对所述学生对象的历史考试作答数据进行分析处理，从而生成所述学生对象的考试作答有效成绩评价信息具体包括：
先获取所述学生对象在关于预设教学大纲的所有教学知识章节的历史考试对应的考试作答数据，并对所述考试作答数据进行重复数据剔除处理，以此得到相应的有效历史考试作答数据；
再根据所述有效历史考试作答数据和下面公式(2)，得到所述学生对象的考试作答有效成绩评价值Score(s)
Figure FDA0002700415840000051
在上述公式(2)中，N表示所述预设教学大纲包含的教学知识章节的总数量，n表示教学知识章节的编号，n的取值范围为1至N之间的整数；snl表示所述学生对象在针对第n个教学知识章节中基础知识点的考试对应的考试成绩，snk表示所述学生对象在针对第n个教学知识章节中扩展知识点的考试对应的考试成绩，并且snl与snk之间的分值比不小于7:3，M取值为100。
8.如权利要求7所述的学生学习专注度检测***，其特征在于：
所述学习专注度评价模块对所述有效学习效率监测结果和所述考试作答有效成绩评价信息进行综合评判，从而得到所述学生对象的学习专注度检测结果具体包括：
先根据下面公式(3)，对所述有效学习效率评价值
Figure FDA0002700415840000061
和所述考试作答有效成绩评价值Score(s)进行高斯分布模式的综合评判，从而得到所述学生对象的学习专注度评价值Absor(x)
Figure FDA0002700415840000062
在上述公式(3)中，π表示圆周率，exp表示以自然常数e为底的指数函数，x表示所述学生对象的实际年龄值，N表示所述预设教学大纲包含的教学知识章节的总数量；
再判断所述学习专注度评价值Absor(x)是否超过预设阈值，若是则保持所述学生对象当前课程学习状态不变，若否，则调整所述学生对象当前课程学习的学习时间和课程知识点难度。
CN202011020343.6A 2020-09-24 2020-09-24 学生学习专注度检测方法和*** Pending CN112163760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011020343.6A CN112163760A (zh) 2020-09-24 2020-09-24 学生学习专注度检测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011020343.6A CN112163760A (zh) 2020-09-24 2020-09-24 学生学习专注度检测方法和***

Publications (1)

Publication Number Publication Date
CN112163760A true CN112163760A (zh) 2021-01-01

Family

ID=73863706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011020343.6A Pending CN112163760A (zh) 2020-09-24 2020-09-24 学生学习专注度检测方法和***

Country Status (1)

Country Link
CN (1) CN112163760A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967162A (zh) * 2021-02-02 2021-06-15 河南工业职业技术学院 一种会计教学方法和会计教学装置
CN113139439A (zh) * 2021-04-06 2021-07-20 广州大学 一种基于人脸识别的在线学习专注度评价方法及装置
CN113421068A (zh) * 2021-08-23 2021-09-21 深圳市创能亿科科技开发有限公司 自习时间推荐方法、设备及计算机可读存储介质
CN115908070A (zh) * 2023-03-10 2023-04-04 深圳市企鹅网络科技有限公司 一种基于云平台的线上学习管理方法及***

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112967162A (zh) * 2021-02-02 2021-06-15 河南工业职业技术学院 一种会计教学方法和会计教学装置
CN113139439A (zh) * 2021-04-06 2021-07-20 广州大学 一种基于人脸识别的在线学习专注度评价方法及装置
CN113139439B (zh) * 2021-04-06 2022-06-10 广州大学 一种基于人脸识别的在线学习专注度评价方法及装置
CN113421068A (zh) * 2021-08-23 2021-09-21 深圳市创能亿科科技开发有限公司 自习时间推荐方法、设备及计算机可读存储介质
CN115908070A (zh) * 2023-03-10 2023-04-04 深圳市企鹅网络科技有限公司 一种基于云平台的线上学习管理方法及***
CN115908070B (zh) * 2023-03-10 2023-05-09 深圳市企鹅网络科技有限公司 一种基于云平台的线上学习管理方法及***

Similar Documents

Publication Publication Date Title
CN112163760A (zh) 学生学习专注度检测方法和***
CN109522815B (zh) 一种专注度评估方法、装置及电子设备
CN107609493B (zh) 优化人脸图片质量评价模型的方法及装置
CN113537005B (zh) 一种基于姿态估计的线上考试学生行为分析方法
CN113139439B (zh) 一种基于人脸识别的在线学习专注度评价方法及装置
CN112801052B (zh) 一种用户专注度检测方法及用户专注度检测***
CN110418204B (zh) 基于微表情的视频推荐方法、装置、设备和存储介质
CN115205764B (zh) 基于机器视觉的在线学习专注度监测方法、***及介质
CN110309799A (zh) 基于摄像头的说话判断方法
CN111832952B (zh) 一种教育课件推送***
CN110659311A (zh) 题目推送方法、装置、电子设备及存储介质
CN111915111A (zh) 在线课堂的互动质量评价方法、装置及终端设备
CN117076782B (zh) 在线学习平台的课程推荐方法、装置、计算机设备及介质
CN116704606A (zh) 一种理化实验操作行为识别方法、***、装置及存储介质
CN114971425B (zh) 数据库信息监控方法、装置、设备及存储介质
CN115132228B (zh) 一种语言能力分级方法及***
CN112036328B (zh) 银行客户满意度计算方法及装置
CN111831886B (zh) 基于大数据的网络课件推送方法
CN114743137A (zh) 一种基于多实例学习的在线***识别方法
CN113673811A (zh) 一种基于session的在线学习绩效评估方法及装置
CN112818236A (zh) 基于场景的学习内容推荐方法及***
Kyle-Davidson et al. Generating memorable images based on human visual memory schemas
CN113326829A (zh) 视频中手势的识别方法、装置、可读存储介质及电子设备
CN111723752A (zh) 基于情绪识别的驾驶员上岗驾驶检测方法及装置
CN113990452B (zh) 一种基于心理素养的测评方法、***和可读存储介质

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