CN114819523A - 教学活动数字化*** - Google Patents
教学活动数字化*** Download PDFInfo
- Publication number
- CN114819523A CN114819523A CN202210333658.9A CN202210333658A CN114819523A CN 114819523 A CN114819523 A CN 114819523A CN 202210333658 A CN202210333658 A CN 202210333658A CN 114819523 A CN114819523 A CN 114819523A
- Authority
- CN
- China
- Prior art keywords
- student
- data
- deep learning
- students
- teaching
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 81
- 238000013135 deep learning Methods 0.000 claims abstract description 105
- 238000013210 evaluation model Methods 0.000 claims abstract description 74
- 238000011156 evaluation Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 58
- 230000008569 process Effects 0.000 claims description 49
- 238000012795 verification Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000011158 quantitative evaluation Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 230000008921 facial expression Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000000193 eyeblink Effects 0.000 claims 1
- 238000011002 quantification Methods 0.000 abstract description 8
- 238000013480 data collection Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002787 reinforcement 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种教学活动数字化***,分析教学活动数字化***能够采集的学生个体数据类型,根据学生个体数据类型构建相适应的学生深度学习评价模型,之后通过对第一类学生个体数据及其人工评价量化结果生成训练样本,使用所述训练样本对学生深度学习评价模型进行训练,再通过对不同于第一类学生的第二类学生个体数据及其人工评价量化结果生成校验样本,找到学生深度学习评价模型打分与人工打分误差较大的数据样本持续对模型进行修正,以得到稳定的学生深度学习评价模型。
Description
技术领域
本申请涉及数字化领域,具体涉及一种教学活动数字化***。
背景技术
随着VR和AR智能设备的发展,线上教学活动占的比重越来越大。相比传统面对面教学,在线教学活动不能进行面对面的交流,教师无法直观感受学生的整体情况,不能即时根据学生的反应调整教学活动的节奏。但是,线上教学活动的数字化程度更高,通过摄像头,线上讨论区,线上调查等活动,数字化教学***可以采集大量的教学活动相关数据,实现教学活动各个环节效果的量化评估,有利于教学活动准确评价,为教学活动的评估和持续改进提供明确的方向。
深度学习评价是教学活动数字化***中的一个环节,基础是实现教学活动的数字化。然而目前的深度学习评价在评价维度、评分标准等方面缺乏统一的标准规范,导致评价结果的可靠性和可信度不高,无法对线上教学活动形成有效指引。此外,由于不同的在线教学活动采购不同厂商的***,并且不同课程的课堂教学流程和评价重点也具有明显差异性,因此如何找到具有针对性的评价维度,并结合不同的在线教学硬件***和课堂教学流程、课程内容快速构建出具有针对性的学生深度学习评价模型,更大程度上发挥在线教学***的优势,是目前在线教学数字化***面临的主要问题。
申请内容
本申请实施例提供一种教学活动数字化***构建方法,以针对不同的在线教学***硬件配置以及不同的课堂教学流程快速构建出有效的学生深度学习评价模型。
本申请实施例提供一种教学活动数字化***,应用于在线教学数字化***中,包括数据采集***,用于采集学生个体数据;学生深度学习评价模型,用于评价学生深度学习程度;
构建教学活动数字化***包括以下步骤:
分析所述数据采集***能够采集的学生个体数据类型;
根据所述学生个体数据类型构建学生深度学习评价模型,当所述学生个体数据类型不相同时,构建的所述学生深度学习评价模型不相同;
对所述学生深度学习评价模型进行训练、校验和修正;
使用所述学生深度学习评价模型对学生深度学习程度进行评估。
由于教学活动数字化***具有多样性和差异性,同时同样的教学活动数字化***可能配置在多种不同类型的课程上,导致很难采用统一的学生深度学习评价模型对课堂教学效果进行评价。因此,在教学活动数字化***正式投入使用前,根据教学活动数字化***的数据采集***能够采集的学生个体数据类型针对性的构建学生深度学习评价模型,可以使得学生深度学习评价模型能够适应不同软硬件配置的教学活动数字化***,以及不同的课程内容、课堂教学流程等,避免学生深度学习评价模型适应性差的问题。
进一步的,对所述学生深度学习评价模型进行训练、校验和修正还包括以下步骤:
通过所述数据采集***采集第一类学生个体数据;
基于所述第一类学生个体数据和第一类学生深度学习人工评价结果生成所述学生深度学习评价模型的训练样本;
使用所述训练样本对所述学生深度学习评价模型进行训练;
通过数据采集***采集第二类学生个体数据,其中所述第二类学生与所述第一类学生不相同;
基于所述第二类学生个体数据和第二类学生深度学习人工评价结果生成所述学生深度学习评价模型的校验样本;
使用所述校验样本对所述学生深度学习评价模型进行校验;根据校验结果对所述学生深度学习评价模型进行修正。
通过采集学生个体数据对所述学生深度学习评价模型进行训练和修正,使得模型可以更好的找到与深度学习结果相关性较高的评价维度,也可以使得在线教学***更好的适应不同教学***硬件***、不同课堂教学流程和课堂教学内容。
学生深度学习模型的训练数据来自于数据采集***采集的学生个体数据和人工打分结果,由此可以通过大数据训练使得学生深度学习模型能够接近教师传统评价结果。此外,基于第一类学生个体数据和人工打分结果对模型参数进行训练,而基于与第一类学生不同的第二类学生个体数据和人工打分结果对模型参数进行校验和修正,可以针对模型不准确的地方进行补强,让模型具有更高的准确性。
进一步的,所述第一类学生个体数据和所述第二类学生个体数据包括课堂过程数据、课堂输出数据和课程输出数据。通过对课堂教学活动全过程进行监督评价,可以更好的分析学生深度学习程度,并有针对性的调整教学方式。
进一步的,所述课堂过程数据包括学生屏幕前在线率、课程期间眨眼统计数据、摇头统计数据和/或面部表情特征识别统计数据。学生在课堂教学过程中的表现对于教学效果是一个直接反馈,通过对课堂过程数据进行搜集和识别,可以进一步量化影响学生深度学习的原因。
进一步的,所述课堂输出数据包括标准化问卷数据、课堂互动讨论发言数据、课堂作业统计数据和/或主动学习统计数据。通过课堂输出结果,可以快速了解学生对于课堂教学内容的掌握情况,以便于对课堂教学过程和节奏进行调整。
进一步的,所述课程输出数据包括在线测评卷数据和/或在线开放性问题输出。通过教学后的学生反馈,可以得到学生认知中课堂教学问题,便于后续调整课堂教学的重点和方向。
进一步的,所述课堂过程数据由所述数据采集***的视觉在线行为识别***通过对典型特征进行识别和建模生成。
进一步的,使用所述校验样本对所述学生深度学习评价模型进行校验,根据校验结果对所述学生深度学习评价模型进行修正,还包括:比较所述校验样本与所述学生深度学习评价模型的评价结果;选择校验样本与所述评价结果差异大于预设阈值的样本数据;使用所述样本数据对所述学生深度学习评价模型进行修正。通过使用校验样本对训练样本训练的模型进行修正,可以使得模型持续迭代,更好的发挥作用。
进一步的,基于所述第一类学生个体数据生成所述学生深度学习评价模型的训练样本,还包括:通过人工方式对所述第一类学生个体数据进行评价,并得到量化评价得分;
将所述量化评价得分进行分级,得到分级结果数据;将所述第一类学生个体数据和所述分级结果数据形成所述训练样本数据。通过人工方式打分得到样本数据并进行模型训练,可以让模型更贴近资深教师的评价方式。
进一步的,通过人工方式对所述第一类学生个体数据进行评价,还包括:对于所述第一类学生个体数据的人工评价结果有多个,取多个人工评价结果均值作为最终评价结果。
进一步的,所述基于第二类学生个体数据生成所述学生深度学习评价模型的校验样本,还包括:通过人工方式对所述第二类学生个体数据进行评价,并得到量化评价得分。
本申请实施例提供的教学活动数字化***构建方法,通过使用学生个体数据和人工评价得分形成训练数据和校验数据,对学生深度学习模型进行训练和修正,可以广泛适用于不同教学***的硬件***,也可以很好的兼容不同类型和形式的课堂教学活动。通过模型训练和修正,避免了单一评估模型不具备普适性的问题,可以高效的构建出具有针对性的学生深度学习模型,提高了评估的效率和准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的教学活动数字化***框图;
图2是本申请实施例提供的教学活动数字化***中教学流程框图;
图3是本申请实施例提供的教学活动数字化***中学生学习流程框图;
图4是本申请实施例提供的教学活动数字化***构建流程框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种教学活动数字化***,以解决现有技术中存在的问题,以下对该方法进行详细说明。
教学活动数字化***
请参阅图1,图1为教学活动数字化***框图。教学活动数字化***包括教师端310,用于教师进行授课和发布课程教学材料,如教学课件、作业等;学生端410,用于学生学习教学内容并提供反馈,如提问、回答问题、作业提交等;数据采集***320(420)用于在教学过程中采集教师和学生的行为数据;教师教学评估模型330基于教师授课行为数据进行教师授课评估,并结合学生学习情况通过教师教学综合量化模型340对教学质量进行评估;学生深度学习评估模型430对学生的学习深度进行评估,并通过学生个体综合量化模型440对学生的学习过程和有效性进行评估;最终基于教师教学综合量化评估和学生个体综合量化评估通过教学活动综合评估模型350得到整个教学活动情况评估结果。
教学活动的目标是学生深度学习程度,深度学习是一种指向高阶思维能力的学习,它是学习状态、学习过程和学习结果的综合表述。因此在教学活动数字化***中如何准确识别学生深度学习程度程度,并由此改进教学活动就显得格外重要。
教学活动数字化***在投入使用前,需要先根据教学活动数字化***的配置来构建相应的深度学习评价模型,这样得到的学生深度学习评价模型能够更好的适应当前适配的教学活动数字化***。因此,教学活动数字化***根据数据采集***采集的学生个体数据类型构建学生深度学习评价模型,当学生个体数据类别不相同时,构建的学生深度学习评价模型不相同。之后,对学生深度学习评价模型进行训练、校验和修正,得到适用于当前教学活动数字化***的学生深度学习评价模型,最后使用修正后的学生深度学习评价模型对学生深度学习程度进行评估,即对学生深度学习程度进行打分。
构建学生深度学习评价模型与课堂教学***的数据采集***软硬件配置、课堂流程安排和课堂内容等相关,这种不同体现在数据采集***采集的学生个体数据类型上,因此对于不同的课堂教学***、课堂流程安排和课堂内容需要单独构建深度学习模型。由于很难穷举课堂教学***配置、课堂流程安排和课堂内容所对应的学生个体数据类型,因此在初期构建学生深度学习评价模型主要依赖于教师的经验。例如课堂教学***配置了摄像头,并且课堂教学***软件部分可以识别学生的表情信息和眨眼信息,与不能识别表情信息的课堂教学***所构建的学生深度学习评价模型不同;又例如课堂教学流程包含了课后作业评价,与没有包含课后作业流程的课程,其学生深度学习评价模型也不同。此外,不同类型的课程,评价维度和评价要素的权重也不同。
教学活动数字化***的硬件结构包括至少一个可以软件或固件(firm ware)的形式存储于存储器中的软件功能模块。处理器用于执行存储器中存储的可执行模块(例如教学活动数字化***所包括的软件功能模块或计算机程序)。
其中,存储器可以是,但不限于,随机读取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
在一些实施例中,处理器用以执行本实施例中描述的一个或多个功能。在一些实施例中,处理器可以包括一个或多个处理核(例如,单核处理器(S)或多核处理器(S))。仅作为举例,处理器可以包括中央处理单元(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、专用指令集处理器(ApplicationSpecific Instruction-set Processor,ASIP)、图形处理单元(Graphics ProcessingUnit,GPU)、物理处理单元(Physics Processing Unit,PPU)、数字信号处理器(DigitalSignal Processor,DSP)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、可编程逻辑器件(Programmable Logic Device,PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing,RISC)或微处理器等,或其任意组合。
然而,应当注意,本实施例中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。例如,若服务器的处理器执行步骤A和步骤B,则应该理解,步骤A和步骤B也可以由两个不同的处理器共同执行或者在一个处理器中单独执行。例如,处理器执行步骤A,第二处理器执行步骤B,或者处理器和第二处理器共同执行步骤A和B。
本实施例中,存储器用于存储程序,处理器用于在接收到执行指令后,执行程序。本实施例任一实施方式所揭示的流程定义的方法可以应用于处理器中,或者由处理器实现。
通信单元用于通过网络建立电子设备与其他设备之间的通信连接,并用于通过网络收发数据。
在一些实施方式中,网络可以是任何类型的有线或者无线网络,或者是他们的结合。仅作为示例,网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、无线局域网(Wireless Local Area Networks,WLAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、公共电话交换网(Public Switched Telephone Network,PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等,或其任意组合。
可以理解地,图1所示的结构仅为示意。教学活动数字化***还可以具有比图1所示更多或者更少的组件,或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。
教师教学流程
请参阅图2,图2为教学活动数字化***中教学流程框图。在教学活动数字化***中,教学流程依次按照教学活动计划510、教学内容实施520、课堂教学评价反馈530和课程教学评价反馈540的次序进行,其中教学活动计划510进一步包括准备课程相关开放性主题和准备课程内容,教学内容实施520进一步包括在线教学过程行为数据采集、基于视觉的在线授课行为识别和在线授课过程实施,课堂教学评价反馈530进一步通过课堂互动讨论区数据、学生输出评价和教学反馈实施行为对课堂教学情况进行反馈,课程教学评价反馈540进一步包括通过教师维度课程输出模型和课程目标量化模型对课程教学结果进行评价。
学生学习流程
请参阅图3,图3为教学活动数字化***中学生学习流程框图。在教学活动数字化***中,学生学习流程依次按照课堂过程监控610、课堂输出620、课程输出630和课程评价640的次序进行。其中课堂过程监控610主要是对学习过程的行为数据进行记录和识别,以了解每个学生在授课过程中的课堂表现情况,课堂输出620则包括单堂课程评价问卷、课堂互动讨论区数据、课堂作业数据和主动学习行为数据,针对单堂课程的表现情况进行评价,而课程输出630进一步包括课程在线考评和开放性课程主题输出,课程评价640进一步包括个体评价模型,通过汇总学生对于课程的评价为课程改进提供依据。
教学活动数字化***构建
由图1的教学活动数字化***结构及功能可知,教学活动数字化***围绕学生的学习效果而设计,因此学生深度学习评估模型430的评估结果对于改进课程内容和授课重点具有重要作用,因此下面将进一步对如何构建教学活动数字化***以及得到学生深度学习评估模型的过程进行详细描述。
请参阅图4,图4为教学活动数字化***构建的流程框图。教学活动数字化***110包括数据采集***120,用于采集学生个体数据;学生深度学习评价模型170,用于评价学生深度学习程度。
数据采集***120进一步包括3个子***,分别为课堂过程数据采集***121、课堂输出数据采集***122和课程输出数据采集***123。
课堂过程数据采集***121通常为视觉采集***,通过视觉信息对学生课堂过程行为的典型特征进行在线识别和建模。课堂过程数据采集***121可以采用摄像头作为采集装置,如手机、笔记本电脑上的摄像头,也可以采用独立摄像头,如单独购买安装的小型摄像头或安装于教室中的大型摄像头。对于教室中的摄像头,也可以设置多个摄像头,用于从多个角度获取学生的课堂过程行为,避免因角度不佳或者遮挡等原因导致摄像头对学生课堂过程数据采集不完整。课堂过程数据采集***121不局限于视觉采集***,例如还可以采集学生的体温、脉搏等生理数据,这取决于在线教学***的硬件设施配置。
需要注意的是,课堂过程数据采集***121可以将学生课堂过程典型行为进行识别和提取,仅对识别结果进行记录,而不直接记录学生的原始课堂表现,这样可以保护学生的隐私并且可以节省数据存储空间。
课堂过程数据包括学生屏幕前在线率、课程期间眨眼统计数据、摇头统计数据和/或面部表情特征识别统计数据。课堂过程数据不局限于上述数据,还可以包括学生视线或者目光聚焦位置、坐姿、是否进行与课堂教学无关活动(如接打电话、玩手机、与其他同学聊天等信息),本申请对课堂过程数据的具体类别不做限定。
学生屏幕前在线率主要反映了学生真实学习时长,若学生没有连线或者连线后未在屏幕前进行学习,会对学习结果造成不利影响。学生屏幕前在线率还可以进一步记录学生是否频繁离开屏幕,学习过程中的专注度对于学习效果也有明显影响。
课程期间眨眼统计数据包括多个维度的眨眼统计信息,例如眨眼频率、眨眼次数、眨眼分布情况等,在课程的不同时段内,不同的眨眼统计数据可以反应学生的是否专注于课程内容以及对课程内容的理解情况。例如对于某段教学内容频繁眨眼,可能说明学生未跟上教师的讲授内容,或者没有理解授课内容。
摇头统计数据包括摇头的时间、频率、幅度等信息,和课程内容结合可以反应学生对于课程内容的理解程度。
面部表情特征识别统计数据可以进一步包括表情信息(如严肃、漫不经心)和精神状态(如专注、活跃),根据学生总体在课堂授课过程中的面部表情特征判断学生学习投入度,以及是否对于课程内容感兴趣。
虽然本申请对于课堂过程数据的不同类型分别进行叙述,但这并不意味着这些数据只能单独使用而不能相结合进行使用,例如面部表情特征和眨眼统计数据相结合可以得到更准确的信息。在使用人工智能模型时,也会对不同的课堂过程数据相关性和权重进行调整。
课堂输出数据采集***122主要采集与课堂教学相关的数据,包括标准化问卷数据、课堂互动讨论发言数据、课堂作业统计数据和/或主动学习统计数据。
标准化问卷数据包括学生对单堂课程的感受和授课教师评价,如课程难度、授课节奏等,标准化问卷采用标准化选项,便于快速进行数据统计并得出结论。
课堂互动讨论发言数据包括发言次数、发言类型(如提问或者回答问题)、发言内容等,结合课堂互动讨论发言数据可以对学生的投入度、课堂活跃度、知识点掌握情况等进行判断。可以理解的是,在课堂上积极发言回答问题的同学,对于学习内容掌握程度较好,学习效果也较好。
课堂作业统计数据包括是否按时完成作业、题目正确率、错误题型、错误知识点等,课堂作业统计数据分析结果可以了解学生对于知识点掌握程度。
主动学习统计数据包括课前预习情况,如预习时长、预习内容等,也可以包括学生主动学习与授课内容相关的知识点,如阅读教师的推荐材料或补充材料。主动学习统计数据与课堂互动讨论发言数据和课堂作业统计数据等综合分析可以了解学生的学习自主性及有效性。
课程输出数据采集***123主要采集课程整体学习情况,包括在线测评卷数据和/或在线开放性问题输出。
在线测评卷数据可以设计为针对课程的考试题目,包括客观题和主观题。通过得分情况、错误知识点统计等信息可以进一步了解学生的学习情况,并在后续授课内容中有针对性的进行改进。
在线开放性问题输出既可以是针对学习内容的输出,如通过小论文或问答题等形式对学习内容进行运用或阐述,通过人工方式、关键词提取、人工智能等方式对开放性问题的答案进行得分判定;开放性问题也可以是学生对授课教师的授课反馈,如课程难度、进度安排是否合理等。
如图4所示,通过数据采集***120采集学生个体数据,可以为后续学生深度学习评价模型的模型训练和模型修正提供数据资源。
虽然学生个体数据与深度学习程度有较强相关性,但是来自不同维度的大量原始数据与学生个体深度学习程度的关系并没有直接的量化模型,并且在数据维度较多的情况下,也很难直接通过人工方式建立模型结构。因此,在模型构建初期难以将多维度的学生个体数据与学生深度学习程度建立明确的量化数学关系。学生个体数据与学生深度学习程度之间相关性关系在模型构建初期是通过教师的经验建立联系,之后通过数据采集***采集的学生个体数据以及人工评价量化的方式形成训练样本,通过一定数量的训练样本,利用人工智能(AI)训练模型(如TensorFlow)进行学习,提取学生个体数据与学生深度学习程度之间的相关性。
首先,数据采集***120针对用于作为训练数据样本的学生采集第一类学生个体数据,并通过人工评价量化的方式对学生的深度学习程度进行打分。
然后,将数据采集***120采集的第一类学生个体数据和人工量化分级后的结果共同生成学生深度学习评价模型的训练样本。使用训练样本数据对学生深度学习评价模型进行训练,得到训练后的学生深度学习评价模型。
训练后的学生深度学习评价模型可以读取学生个体数据并生成学生深度学习得分。训练后的学生深度学习评价模型虽然已经可以初步判断学生个体数据与学生深度学习程度之间关联关系,但是在运用中依然存在一些问题,例如打分的准确性较低,稳定性不够高,因此需要在使用过程中对模型进行进一步调整。
接着,数据采集***120针对用于作为校验数据样本的学生采集第二类学生个体数据,并通过人工评价量化的方式对学生的深度学习程度进行打分。值得注意的是,作为校验数据样本的学生与作为训练数据样本的学生不相同,可以完全不相同,即选择不同的学生群体,也可以部分不相同,即选择部分相同的学生群体。第二类学生个体数据可以采集多个,更多的校验数据样本有助于修正学生深度学习评价模型。
通过人工方式对第二类学生的深度学习程度进行打分,并同时使用学生深度学习评价模型读取第二类学生个体数据进行对第二类学生的深度学习程度进行打分。对比人工方式的打分结果与学生深度学习评价模型的打分结果,评估针对同一个学生的打分结果是否有较大误差。
评价针对同一个学生的打分结果是否存在较大误差有多种方式,例如深度学习分数以100分为满分,可以进一步将分数划分为多个量化层级,在本实施例中,量化层级按照深度学习分数分为0-49分,50-59分,60-69分,70-79分,80-89分,90-100分。如果人工打分结果在70-79区间,而学生深度学习评价模型的打分结果在60-69,或80-89区间,或更大误差区间,则说明针对该学生样本的打分结果不准确,与人工方式打分结果相比存在较大误差。
需要进行说明的是,对于误差大小的阈值设定有多种方式,除了前述根据得分是否落入同一个得分区间的方式外,也可以对比得分差异的绝对性大小,例如认为打分误差的绝对值超过7分就属于误差超过预设阈值,本申请并不限定预设阈值的设定方式。
当判断某个学生样本的打分结果存在较大误差后,将存在较大打分误差的学生个体数据和人工方式打分结果存入新的样本数据库,并使用该样本数据库对学生深度学习评价模型持续进行训练,这样可以修正学生深度学习评价模型的准确度。选择使用误差较大的数据作为新样本数据库,是为了针对异常情况加强训练,也可以减少模型训练工作量,减少训练时间和资源消耗。可以理解的是,无论如何进行模型训练和修正,学生深度学习评价模型的打分结果与人工打分结果之间误差不可能完全落入预设阈值之内,会存在部分数据无法进一步对模型进行修正。在这种情况下,可以放弃部分异常数据,否则过度训练可能导致过拟合结果,而进一步损害学生深度学习评价模型的准确度和稳定性。
通过长期对学生深度学习评价模型进行迭代,将得到一个可以模拟教师经验的深度学习模型,并且具有稳定的输出结果,从而实现了基于多维度数据的学生深度学习程度评价方法。
基于学生深度学习程度评价,可以对学生课堂表现进行实时监控和提醒,提高在线教学活动的有效性。此外,还可以根据在线教学活动结果,对课程内容和授课形式进行改进,进一步提升在线教学活动的效果。更进一步,可以根据每个学生的在线学习情况,判断出知识点掌握较为薄弱的地方,有针对性的布置作业或者对特定知识点加强考察,真正做到因材施教。
具体实施时,以上各个单元或结构可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元或结构的具体实施可参见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种教学活动数字化***构建方法进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种教学活动数字化***,包括数据采集***,用于采集学生个体数据;学生深度学习评价模型,用于评价学生深度学习程度;
其特征在于,构建教学活动数字化***包括以下步骤:
分析所述数据采集***能够采集的学生个体数据类型;
根据所述学生个体数据类型构建学生深度学习评价模型,当所述学生个体数据类型不相同时,构建的所述学生深度学习评价模型不相同;
对所述学生深度学习评价模型进行训练、校验和修正;
使用所述学生深度学习评价模型对学生深度学习程度进行评估。
2.根据权利要求1所述的教学活动数字化***,其特征在于,对所述学生深度学习评价模型进行训练、校验和修正,进一步包括:
通过所述数据采集***采集第一类学生个体数据;
基于所述第一类学生个体数据和第一类学生深度学习人工评价结果生成所述学生深度学习评价模型的训练样本;
使用所述训练样本对所述学生深度学习评价模型进行训练;
通过数据采集***采集第二类学生个体数据,其中所述第二类学生与所述第一类学生不相同;
基于所述第二类学生个体数据和第二类学生深度学习人工评价结果生成所述学生深度学习评价模型的校验样本;
使用所述校验样本对所述学生深度学习评价模型进行校验;
根据校验结果对所述学生深度学习评价模型进行修正。
3.根据权利要求1所述的教学活动数字化***,其特征在于,所述学生个体数据包括课堂过程数据、课堂输出数据和/或课程输出数据。
4.根据权利要求3所述的教学活动数字化***构建方法,其特征在于,所述课堂过程数据包括学生屏幕前在线率、课程期间眨眼统计数据、摇头统计数据和/或面部表情特征识别统计数据。
5.根据权利要求3所述的教学活动数字化***,其特征在于,所述课堂输出数据包括标准化问卷数据、课堂互动讨论发言数据、课堂作业统计数据和/或主动学习统计数据。
6.根据权利要求3所述的教学活动数字化***,其特征在于,所述课程输出数据包括在线测评卷数据和/或在线开放性问题输出。
7.根据权利要求4所述的教学活动数字化***,其特征在于,所述课堂过程数据由所述数据采集***的视觉在线行为识别***通过对典型特征进行识别和建模生成。
8.根据权利要求2所述的教学活动数字化***,其特征在于,使用所述校验样本对所述学生深度学习评价模型进行校验,根据校验结果对所述学生深度学习评价模型进行修正,进一步包括:
比较所述校验样本与所述学生深度学习评价模型的评价结果;
选择校验样本与所述评价结果差异大于预设阈值的样本数据作为修正样本数据;
使用所述修正样本数据对所述学生深度学习评价模型进行修正。
9.根据权利要求2所述的教学活动数字化***,其特征在于,基于所述第一类学生个体数据生成所述学生深度学习评价模型的训练样本,进一步包括:
通过人工方式对所述第一类学生个体数据进行评价,并得到量化评价得分;
将所述量化评价得分进行分级,得到分级结果数据;
将所述第一类学生个体数据和所述分级结果数据形成所述训练样本数据。
10.根据权利要求9所述的教学活动数字化***,其特征在于,通过人工方式对所述第一类学生个体数据进行评价,进一步包括:
对于所述第一类学生个体数据的人工评价结果有多个,取多个人工评价结果均值作为最终评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210333658.9A CN114819523A (zh) | 2022-03-31 | 2022-03-31 | 教学活动数字化*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210333658.9A CN114819523A (zh) | 2022-03-31 | 2022-03-31 | 教学活动数字化*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114819523A true CN114819523A (zh) | 2022-07-29 |
Family
ID=82533025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210333658.9A Pending CN114819523A (zh) | 2022-03-31 | 2022-03-31 | 教学活动数字化*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114819523A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094358A (zh) * | 2024-04-25 | 2024-05-28 | 珠海谷田科技有限公司 | 一种评估模型的训练方法、装置、终端设备及存储介质 |
-
2022
- 2022-03-31 CN CN202210333658.9A patent/CN114819523A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094358A (zh) * | 2024-04-25 | 2024-05-28 | 珠海谷田科技有限公司 | 一种评估模型的训练方法、装置、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Steif et al. | Improving problem solving performance by inducing talk about salient problem features | |
CN114038256B (zh) | 一种基于人工智能的教学互动*** | |
CN111311131A (zh) | 一种智慧课堂教学行为分析方法、存储介质及智能电视 | |
Lan et al. | Behavior-Based Latent Variable Model for Learner Engagement. | |
CN111523444B (zh) | 基于改进的Openpose模型和面部微表情的课堂行为检测的方法 | |
US10713965B2 (en) | Negative learning behavior alert system | |
CN110647807A (zh) | 异常行为确定方法、装置、计算机设备和存储介质 | |
CN110866209A (zh) | 在线教育数据推送方法、***和计算机设备 | |
CN110956376A (zh) | 一种适合衡量自适应学生学习效果的分析方法及*** | |
CN117151528A (zh) | 一种职业教育培训管理*** | |
CN113244594A (zh) | 一种大学生体质测试智能化*** | |
CN114819523A (zh) | 教学活动数字化*** | |
CN115630856A (zh) | 一种大学体育与健康教育教学质量分析*** | |
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 | |
CN113536893A (zh) | 一种在线教学学习专注度识别方法、装置、***及介质 | |
CN112528890B (zh) | 一种注意力评估方法、装置及电子设备 | |
CN110991943A (zh) | 一种基于云计算的教学质量评价*** | |
CN108039081B (zh) | 机器人教学测评方法及装置 | |
CN115278272B (zh) | 一种教育实践在线指导***及方法 | |
CN111611896B (zh) | 一种考试防作弊的管理*** | |
CN110782119A (zh) | 基于人工智能的保险代理人甄选方法、装置及设备 | |
CN116110262A (zh) | 语音答题的评判方法、装置、设备及存储介质 | |
CN114998440A (zh) | 基于多模态的测评方法、装置、介质及设备 | |
CN111612659B (zh) | 一种在线财会考试自动评分***及评分方法 | |
Böheim et al. | A longitudinal study of student hand raising: Stability and reciprocal dynamics with cognitive elaboration and academic self-concept. |
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 |