CN115082266A - 一种基于深度学习的学生教育学科综合化发展分析评价*** - Google Patents
一种基于深度学习的学生教育学科综合化发展分析评价*** Download PDFInfo
- Publication number
- CN115082266A CN115082266A CN202210740382.6A CN202210740382A CN115082266A CN 115082266 A CN115082266 A CN 115082266A CN 202210740382 A CN202210740382 A CN 202210740382A CN 115082266 A CN115082266 A CN 115082266A
- Authority
- CN
- China
- Prior art keywords
- student
- learning
- subject
- score
- students
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 101
- 238000011161 development Methods 0.000 title claims abstract description 69
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000036544 posture Effects 0.000 claims description 78
- 238000000034 method Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 10
- 230000007935 neutral effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009471 action Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- 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
- G06V40/18—Eye characteristics, e.g. of the iris
-
- 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
-
- 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
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- 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
- G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Human Computer Interaction (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Psychiatry (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Social Psychology (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Ophthalmology & Optometry (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开提供的一种基于深度学***台;本发明通过综合计算得出各学生的综合发展评估系数以此分析评价学生的综合化发展,有效的解决了当前仅仅从考试分数这一单一维度对学生的综合发展进行评价的问题,打破了当前笼统式评价模式的局限性和片面性,实现了对学生的全面综合评价,同时还有效的反应了各学生在各学科的上课状态和听课质量,为学生的学习效果和学习质量提供了有力保障。
Description
技术领域
本发明属于学生教育学科综合化发展分析技术领域,涉及到一种基于深度学习的学生教育学科综合化发展分析评价***。
技术背景
教学作为传播***知识、促进学生发展的最有效形式,是发展教育、实现培养目标的基本途径和培养学生个性全面发展的重要环节,不同教育学科展示了不同层面的知识,因此,对学生在各教育学科对应的综合化发展分析具有十分重要的意义。
目前对学生在各教育学科的综合化发展分析主要针对学生的偏科情况进行分析,维度过于单一,很显然,当前对于学生的综合化发展评价主要存在以下几点问题:
1、学生而学生的各科成绩往往随着考试内容的不同而发生波动,进而造成考试成绩产生差异性,当前仅从偏科情况对学生的发展进行评估,属于笼统式的评估,评估维度过于单一,参考性不强,且无法为学生学习方式的修正提供可靠的参考依据,进而无法为学生的后续发展提供可靠的方向;
2、学生作为综合化发展分析评价的主体,当前却仅仅依靠考试分数单方面维度对学生分析评价,没有从学生的学习状态进行分析,使得对学生的综合化发展评价具有片面性,无法提高分析评价数据的精确性,也无法保障分析评价数据的代表性,无法实现对学生的全面综合评价;
3、当前对学生综合发展评价主要依据学生的主观表现以及教师的客观看法,属于人工评价方式,主观性大,具有随机性,并且评价内容存在很大的局限性,同时当前评价方式存在很大的误差,无法保障学生的综合化发展。
发明内容
鉴于以上现有技术存在的问题,本发明提供一种基于深度学习的学生教育学科综合化发展分析评价***。
为了实现上述目的及其他目的,本发明采用的技术方案如下:
本发明提供了一种基于深度学***台;
所述学生学科成绩获取模块,用于获取当前学期内目标班级各学生中各学科在各次考试对应的考试成绩,并记为Tic j,i表示为目标班级学生编号,i=1,2,......p,c表示目标班级学科编号,c=1,2,......d,j表示各学科对应的各次考试编号,j=1,2,......q,并将目标班级各学生中各学科在各次考试对应的考试成绩发送至学生学科成绩分析模块;
所述学生学科成绩分析模块,用于根据接收的目标班级各学生中各学科在各次考试对应的考试成绩,将目标班级各学生中各学科在各次考试对应的考试成绩进行整合计算,进而得到各学生对应的成绩优秀评估系数,并记为αi;
所述学生上课行为采集模块,用于通过目标班级内布设的摄像头对预设采集周期内目标班级中各学生进行学习行为视频采集,同时对目标班级在预设采集周期内对应的教师进行教学视频采集,并将目标班级中各学生在预设采集周期内对应的学习行为视频和目标班级在预设采集周期内对应的教师教学视频发送至学生上课分析模块;
所述学生上课行为分析模块,用于对目标班级中各学生在预设采集周期内对应的学习行为视频和目标班级在预设采集周期内对应的教师教学视频进行分析,进而分别得到各学生对应的学习姿态综合符合系数和学习状态综合符合系数,并分别记为βi和εi;
所述学生学科综合化分析模块,用于接收各学生对应的成绩优秀评估系数、学***台;
所述云平台,用于接收各学生的综合发展评估系数,并进行后台显示。
作为上述方案的进一步优化,所述学生学科成绩分析模块,其具体分析过程包括以下步骤:
A2、将目标班级各学生中各学科在各次考试对应的考试成绩分别按照从低到高的顺序进行排序,从中提取出各学生中各学科对应的中位成绩、最高成绩和最低成绩,并分别记为S中位 ic、Smax ic和Smin ic;
A3、将目标班级各学生中各学科在各次考试对应的考试成绩进行相互对比,统计各学生中各学科各考试成绩对应的考试次数,将各学生中各学科中考试次数最多的考试成绩作为众数成绩,并记为S众数 ic;
A4、基于目标班级各学生各学科对应的平均成绩、中位成绩和众数成绩,通过分析公式分析得到各学生中各学科对应的成绩达优评估系数μic,其中S′中位 c,S′众数 c分别表示为设定的各学科对应的参考平均成绩、中位成绩和众数成绩,a1,a2,a3分别表示为设定的平均成绩、中位成绩和众数成绩对应的权重因子,且a1+a2+a3=1;
A5、基于目标班级各学生各学科对应的最高成绩和最低成绩,通过分析公式分析得到各学生中各学科对应的成绩均匀评估系数λic,其中S′max c,S′min c分别表示为设定各学科对应的的最高参考成绩和最低参考成绩,b1,b2分别表示为设定的最高成绩和最低成绩对应的权重因子,且b1+b2=1。
作为上述方案的进一步优化,所述各学生对应的成绩优秀评估系数具体分析公式为:
作为上述方案的进一步优化,所述学生上课行为分析模块具体包括学习姿态分析单元和学习状态分析单元。
作为上述方案的进一步优化,所述学习姿态分析单元同于对目标班级各学生对应的学习姿态进行分析,其具体分析过程如下:
B1、将目标班级中各学生在预设采集周期内对应的学习行为视频分割为各学习行为图像,对各学习行为图像依次编号为1,2,...t,...s;
B2、将各学生在预设采集周期内各学习行为图像中聚焦在学生背部位置,提取学生背部轮廓;
B3、从学生背部轮廓中定位出中心点位置,以中心点为基点,以学生头部到脚部的方向构建学生中心参考线,同时以学生中心点为基点,构建垂直于地面的参考线,并记为垂直参考线,获取学生中心参考线与其垂直参考线之间的夹角,记为学生姿态偏移角,并标记为θit;
B5、将各学生在预设采集周期内各学习行为图像中聚焦在学生手部位置,提取学生手部特征,将各学生在预设采集周期内各上课姿态图像中对应的学生手部特征与设定的各非课堂行为手部特征进行匹配对比,若某学生在某采集周期内某上课姿态图像中手部特征与某非课堂行为手部特征匹配成功,则将该学生在该采集周期内该上课姿态图像中的手部姿态记为不合格姿态,以此方式分别统计各学生在预设采集周期内对应的不合格姿态数目;
作为上述方案的进一步优化,所述各学生对应的学习姿态综合符合系数具体分析公式如下:
作为上述方案的进一步优化,所述学习状态分析单元用于对目标班级各学生对应的学习状态进行分析,具体分析过程如下:
R1、从目标班级在预设采集周期内对应的教师教学视频中识别出教师各教学流程对应的时间段,其中,教学流程包括书本讲解流程和板书讲解流程,进而将教师教学视频划分为各书本讲解视频段和各板书讲解视频段;
R2、将目标班级中各学生在预设采集周期内对应的学习行为视频按照教师教学视频的划分方式划分为各书本讲解学习视频段和各板书讲解学习视频段;
R3、将各学生在预设采集周期内对应的各书本讲解学习视频段分割为各书本讲解学习图像,同时将各学生在预设采集周期内对应的各板书讲解学习视频段分割为各板书讲解学习图像;
R5、从各学生在预设采集周期内各板书讲解学习视频段对应的各板书讲解学习图像中识别出学生视线方向和学生手部特征,进而分析得到各学生在板书讲解流程对应的状态状态符合系数,并记为ωi。
作为上述方案的进一步优化,所述各学生对应的学习状态综合符合系数,其具体分析过程包括以下步骤:
根据各学生在书本讲解流程对应的学习状态符合系数和在板书讲解流程对应的学习状态符合系数,利用计算公式计算得出各学生对应的学习状态综合符合系数εi,其中g1,g2分别表示为设定的学生在书本讲解流程、板书讲解流程对应的学习状态影响权重,且g1+g2=1。
作为上述方案的进一步优化,所述各学生的综合发展评估系数,其具体分析过程包括以下步骤:
根据各学生对应的成绩优秀评估系数、各学生对应的学习姿态综合符合系数和学习状态综合符合系数,利用计算公式计算得出各学生的综合发展评估系数ξi,其中h1、h2、h3分别表示为设定的学生对应的成绩优秀评估、学习姿态评估、学习状态评估对应的影响权重,且h1+h2+h3=1。
如上所述,本发明提供的一种基于深度学习的学生教育学科综合化发展分析评价***,至少具有以下有益效果:
(1)本发明提供的一种基于深度学习的学生教育学科综合化发展分析评价***,通过对目标班级中各学生各学科对应的各次考试成绩以及各学生在预设采集周期内对应的学习姿态和学习状态进行采集与分析,得到学生的综合发展评估系数,一方面,有效的解决了当前仅仅从考试分数这一单一维度对学生的综合发展进行评价的问题,打破了当前笼统式评价模式的局限性和片面性,通过多个维度对学生进行综合评价,提高了学生综合分析评价的代表性和参考性,实现了对学生的全面评价,一方面,大幅度提升了对学生综合评价的全面性和精准性,为学生学习方式的休整提供可靠的参考依据,进而为后续学生综合化发展提供了发展方向和有力保障,另一方面,通过综合发展评估系数对学生评价,规避了当前人工评价模式中存在的随机性强、主观性大的弊端,拓展了学生综合性发展评价的关键,减少学生综合性发展评价的误差,促进了学生的综合化发展。
(2)本发明通过对学生成绩、学习姿态和学习状态进行综合分析,得到目标班级各学生的综合发展评估系数,一方面,便于了解学生上课的坐姿问题,进一步帮助学生矫正上课坐姿,保障了学生的正常身体发育,另一方面,有效的反应了各学生在各学科的上课状态和听课质量,为成绩起伏较大或者成绩不理想学生的学习分析提供了溯源,便于教师教学活动的完善,同时还便于学生学习状态的及时调整,为学生的学习效果和学习质量提供了有力保障。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明的***模块连接图。
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。
请参照图1所示,一种基于深度学***台。
所述学生学科成绩获取模块,用于获取当前学期内目标班级各学生中各学科在各次考试对应的考试成绩,并记为Tic j,i表示为目标班级学生编号,i=1,2,......p,c表示目标班级学科编号,c=1,2,......d,j表示各学科对应的各次考试编号,j=1,2,......q,并将目标班级各学生中各学科在各次考试对应的考试成绩发送至学生学科成绩分析模块。
所述学生学科成绩分析模块,用于根据接收的目标班级各学生中各学科在各次考试对应的考试成绩,将目标班级各学生中各学科在各次考试对应的考试成绩进行整合计算,进而得到各学生对应的成绩优秀评估系数,并记为αi。
上述提到的学生学科成绩分析模块,其具体分析过程包括以下步骤:
A2、将目标班级各学生中各学科在各次考试对应的考试成绩分别按照从低到高的顺序进行排序,从中提取出各学生中各学科对应的中位成绩、最高成绩和最低成绩,并分别记为S中位 ic、Smax ic和Smin ic;
A3、将目标班级各学生中各学科在各次考试对应的考试成绩进行相互对比,统计各学生中各学科各考试成绩对应的考试次数,将各学生中各学科中考试次数最多的考试成绩作为众数成绩,并记为S众数 ic;
A4、基于目标班级各学生各学科对应的平均成绩、中位成绩和众数成绩,通过分析公式分析得到各学生中各学科对应的成绩达优评估系数μic,其中S′中位 c,S′众数 c分别表示为设定的各学科对应的参考平均成绩、中位成绩和众数成绩,a1,a2,a3分别表示为设定的平均成绩、中位成绩和众数成绩对应的权重因子,且a1+a2+a3=1;
A5、基于目标班级各学生各学科对应的最高成绩和最低成绩,通过分析公式分析得到各学生中各学科对应的成绩均匀评估系数λic,其中S′max c,S′min c分别表示为设定各学科对应的的最高参考成绩和最低参考成绩,b1,b2分别表示为设定的最高成绩和最低成绩对应的权重因子,且b1+b2=1。
上述提到的各学生对应的成绩优秀评估系数具体分析公式为:
本发明实施例通过对学生在各学科对应的平均成绩、中位成绩、众数成绩、最高成绩、最低成绩等多个维度对学生学***均成绩和最高成绩进行分析的局限性,保障了对学生达优分析的客观性和合理性。
所述学生上课行为采集模块,用于通过目标班级内布设的摄像头对预设采集周期内目标班级中各学生进行学习行为视频采集,同时对目标班级在预设采集周期内对应的教师进行教学视频采集,并将目标班级中各学生在预设采集周期内对应的学习行为视频和目标班级在预设采集周期内对应的教师教学视频发送至学生上课分析模块。
所述学生上课行为分析模块,用于对目标班级中各学生在预设采集周期内对应的学习行为视频和目标班级在预设采集周期内对应的教师教学视频进行分析,进而分别得到各学生对应的学习姿态综合符合系数和学习状态综合符合系数,并分别记为βi和εi。
上述提到的所述学生上课行为分析模块具体包括学习姿态分析单元和学习状态分析单元。
上述提到的学习姿态分析单元同于对目标班级各学生对应的学习姿态进行分析,其具体分析过程如下:
学习姿态分析单元同于对目标班级各学生对应的学习姿态进行分析,其具体分析过程如下:
B1、将目标班级中各学生在预设采集周期内对应的学习行为视频分割为各学习行为图像,对各学习行为图像依次编号为1,2,...t,...s;
B2、将各学生在预设采集周期内各学习行为图像中聚焦在学生背部位置,提取学生背部轮廓;
B3、从学生背部轮廓中定位出中心点位置,以中心点为基点,以学生头部到脚部的方向构建学生中心参考线,同时以学生中心点为基点,构建垂直于地面的参考线,并记为垂直参考线,获取学生中心参考线与其垂直参考线之间的夹角,记为学生姿态偏移角,并标记为θit;
B5、将各学生在预设采集周期内各学习行为图像中聚焦在学生手部位置,提取学生手部特征,将各学生在预设采集周期内各上课姿态图像中对应的学生手部特征与设定的各非课堂行为手部特征进行匹配对比,若某学生在某采集周期内某上课姿态图像中手部特征与某非课堂行为手部特征匹配成功,则将该学生在该采集周期内该上课姿态图像中的手部姿态记为不合格姿态,以此方式分别统计各学生在预设采集周期内对应的不合格姿态数目;
上述提到的各学生对应的学习姿态综合符合系数具体分析公式如下:
上述提到的学习状态分析单元用于对目标班级各学生对应的学习状态进行分析,具体分析过程如下:
R1、从目标班级在预设采集周期内对应的教师教学视频中识别出教师各教学流程对应的时间段,其中,教学流程包括书本讲解流程和板书讲解流程,进而将教师教学视频划分为各书本讲解视频段和各板书讲解视频段;
R2、将目标班级中各学生在预设采集周期内对应的学习行为视频按照教师教学视频的划分方式划分为各书本讲解学习视频段和各板书讲解学习视频段;
R3、将各学生在预设采集周期内对应的各书本讲解学习视频段分割为各书本讲解学习图像,将各学生在预设采集周期内对应的各板书讲解学习视频段分割为各板书讲解学习图像;
其中,学生视线方向具体识别过程为:将各学生在预设采集周期内各书本讲解学***视和仰视;
进一步地,各学生在书本讲解流程对应的学习状态符合系数具体分析过程为:
R4-1、将学生对应的视线方向与设定的书本讲解对应的标准视线方向进行匹配对比,若学生视线方向与设定的书本讲解流程对应的标准视线方向一致,则判断视线为正常视线,反之则判断该视线为异常视线,由此得到各学生在预设采集周期内各书本讲解学习视频段对应的正常视线数目;
R4-2、依据分析公式分析得到各学生在书本讲解流程对应的学习状态符合系数其中Yi表示为各学生在预设采集周期内各书本讲解学习视频段对应的书本讲解学习图像数目,Y′表示为在预设采集周期内对应学生视线正常数目;
R5、从各学生在预设采集周期内各板书讲解学习视频段对应的各板书讲解学习图像中识别出学生视线方向和学生手部特征,进而分析得到各学生在板书讲解流程对应的状态状态符合系数,并记为ωi;
其中,将各学生在预设采集周期内各板书讲解学习视频段对应的各板书讲解学习图像聚焦在学生头部位置,从而提取学生视线方向;
将各学生在预设采集周期内各板书讲解学习视频段对应的各板书讲解学习图像聚焦在学生手部位置,提取学生手部动作特征;
进一步地,各学生在板书讲解流程对应的状态状态符合系数具体分析过程如下:
R5-1、将学生对应的视线方向与设定的板书讲解对应的标准视线方向进行匹配对比,若学生视线方向与设定的板书讲解流程对应的标准视线方向一致,则判断视线为规范视线,反之则判断该视线为无序视线,由此得到各学生在预设采集周期内各板书讲解学习视频段对应的规范视线数目;
R5-2、将各学生在预设采集周期内各板书讲解学习视频段对应学生手部特征与设定的各课堂笔记手部特征进行匹配对比,若某学生手部动作特征符合课堂笔记手部特征,则判断该学生手部学习状态为笔记书写,反之则判断该学生手部学习状态为非笔记书写,进而对各学生在设采集周期内各板书学习视频段对应的笔记书写次数进行统计;
R5-3、利用计算公式计算得到各学生在板书讲解流程对应的学习状态符合系数ωi,其中,zi表示为各学生在预设采集周期内各板书讲解学习视频段对应的板书讲解学习图像数目,z′表示为设定的在预设采集周期内对应学生规范视线数目,yi表示为各学生在设采集周期内各板书学习视频段对应的笔记书写次数,y′表示为设定的板书过程对应的学生最低笔记书写次数,f1,f2分别表示为各学生在板书讲解流程对应的视线数目和笔记书写次数对应的影响权重,且f1+f2=1。
上述提到的各学生对应的学习状态综合符合系数,其具体分析过程包括以下步骤:
根据各学生在书本讲解流程对应的学习状态符合系数和在板书讲解流程对应的学习状态符合系数,利用计算公式计算得出各学生对应的学习状态综合符合系数εi,其中g1,g2分别表示为设定的学生在书本讲解流程、板书讲解流程对应的学习状态影响权重,且g1+g2=1。
所述学生学科综合化分析模块,用于接收各学生对应的成绩优秀评估系数、学***台。
上述提到的各学生的综合发展评估系数,其具体分析过程包括以下步骤:
根据各学生对应的成绩优秀评估系数、各学生对应的学习姿态综合符合系数和学习状态综合符合系数,利用计算公式计算得出各学生的综合发展评估系数ξi,其中h1、h2、h3分别表示为设定的学生对应的成绩优秀评估、学习姿态评估、学习状态评估对应的影响权重,且h1+h2+h3=1。
本发明实施例通过对学生成绩、学习姿态和学习状态进行综合分析,得到目标班级各学生的综合发展评估系数,一方面,便于了解学生上课的坐姿问题,进一步帮助学生矫正上课坐姿,保障了学生的正常身体发育,另一方面,有效的反应了各学生在各学科的上课状态和听课质量,为成绩起伏较大或者成绩不理想学生的学习分析提供了溯源,便于教师教学活动的完善,同时还便于学生学习状态的及时调整,为学生的学习效果和学习质量提供了有力保障。
所述云平台,用于接收各学生的综合发展评估系数,并进行后台显示。
本发明提供的一种基于深度学习的学生教育学科综合化发展分析评价***,通过对目标班级中各学生各学科对应的各次考试成绩以及各学生在预设采集周期内对应的学习姿态和学习状态进行采集与分析,得到学生的综合发展评估系数,一方面,有效的解决了当前仅仅从考试分数这一单一维度对学生的综合发展进行评价的问题,打破了当前笼统式评价模式的局限性和片面性,通过多个维度对学生进行综合评价,提高了学生综合分析评价的代表性和参考性,实现了对学生的全面评价,一方面,大幅度提升了对学生综合评价的全面性和精准性,为学生学习方式的休整提供可靠的参考依据,进而为后续学生综合化发展提供了发展方向和有力保障,另一方面,通过综合发展评估系数对学生评价,规避了当前人工评价模式中存在的随机性强、主观性大的弊端,拓展了学生综合性发展评价的关键,减少学生综合性发展评价的误差,促进了学生的综合化发展。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种基于深度学***台;
所述学生学科成绩获取模块,用于获取当前学期内目标班级各学生中各学科在各次考试对应的考试成绩,并记为Tic j,i表示为目标班级学生编号,i=1,2,......p,c表示目标班级学科编号,c=1,2,......d,j表示各学科对应的各次考试编号,j=1,2,......q,并将目标班级各学生中各学科在各次考试对应的考试成绩发送至学生学科成绩分析模块;
所述学生学科成绩分析模块,用于根据接收的目标班级各学生中各学科在各次考试对应的考试成绩,将目标班级各学生中各学科在各次考试对应的考试成绩进行整合计算,进而得到各学生对应的成绩优秀评估系数,并记为αi;
所述学生上课行为采集模块,用于通过目标班级内布设的摄像头对预设采集周期内目标班级中各学生进行学习行为视频采集,同时对目标班级在预设采集周期内对应的教师进行教学视频采集,并将目标班级中各学生在预设采集周期内对应的学习行为视频和目标班级在预设采集周期内对应的教师教学视频发送至学生上课分析模块;
所述学生上课行为分析模块,用于对目标班级中各学生在预设采集周期内对应的学习行为视频和目标班级在预设采集周期内对应的教师教学视频进行分析,进而分别得到各学生对应的学习姿态综合符合系数和学习状态综合符合系数,并分别记为βi和εi;
所述学生学科综合化分析模块,用于接收各学生对应的成绩优秀评估系数、学***台;
所述云平台,用于接收各学生的综合发展评估系数,并进行后台显示。
2.根据权利要求1所述的一种基于深度学习的学生教育学科综合化发展分析评价***,其特征在于:所述学生学科成绩分析模块,其具体分析过程包括以下步骤:
A2、将目标班级各学生中各学科在各次考试对应的考试成绩分别按照从低到高的顺序进行排序,从中提取出各学生中各学科对应的中位成绩、最高成绩和最低成绩,并分别记为S中位 ic、Smax ic和Smin ic;
A3、将目标班级各学生中各学科在各次考试对应的考试成绩进行相互对比,统计各学生中各学科各考试成绩对应的考试次数,将各学生中各学科中考试次数最多的考试成绩作为众数成绩,并记为S众数 ic;
A4、基于目标班级各学生各学科对应的平均成绩、中位成绩和众数成绩,通过分析公式分析得到各学生中各学科对应的成绩达优评估系数μic,其中S′中位 c,S′众数 c分别表示为设定的各学科对应的参考平均成绩、中位成绩和众数成绩,a1,a2,a3分别表示为设定的平均成绩、中位成绩和众数成绩对应的权重因子,且a1+a2+a3=1;
4.根据权利要求1所述的一种基于深度学习的学生教育学科综合化发展分析评价***,其特征在于:所述学生上课行为分析模块具体包括学习姿态分析单元和学习状态分析单元。
5.根据权利要求4所述的一种基于深度学习的学生教育学科综合化发展分析评价***,其特征在于:所述学习姿态分析单元同于对目标班级各学生对应的学习姿态进行分析,其具体分析过程如下:
B1、将目标班级中各学生在预设采集周期内对应的学习行为视频分割为各学习行为图像,对各学习行为图像依次编号为1,2,...t,...s;
B2、将各学生在预设采集周期内各学习行为图像中聚焦在学生背部位置,提取学生背部轮廓;
B3、从学生背部轮廓中定位出中心点位置,以中心点为基点,以学生头部到脚部的方向构建学生中心参考线,同时以学生中心点为基点,构建垂直于地面的参考线,并记为垂直参考线,获取学生中心参考线与其垂直参考线之间的夹角,记为学生姿态偏移角,并标记为θit;
B5、将各学生在预设采集周期内各学习行为图像中聚焦在学生手部位置,提取学生手部特征,将各学生在预设采集周期内各上课姿态图像中对应的学生手部特征与设定的各非课堂行为手部特征进行匹配对比,若某学生在某采集周期内某上课姿态图像中手部特征与某非课堂行为手部特征匹配成功,则将该学生在该采集周期内该上课姿态图像中的手部姿态记为不合格姿态,以此方式分别统计各学生在预设采集周期内对应的不合格姿态数目;
7.根据权利要求4所述的一种基于深度学习的学生教育学科综合化发展分析评价***,其特征在于:所述学习状态分析单元用于对目标班级各学生对应的学习状态进行分析,具体分析过程如下:
R1、从目标班级在预设采集周期内对应的教师教学视频中识别出教师各教学流程对应的时间段,其中,教学流程包括书本讲解流程和板书讲解流程,进而将教师教学视频划分为各书本讲解视频段和各板书讲解视频段;
R2、将目标班级中各学生在预设采集周期内对应的学习行为视频按照教师教学视频的划分方式划分为各书本讲解学习视频段和各板书讲解学习视频段;
R3、将各学生在预设采集周期内对应的各书本讲解学习视频段分割为各书本讲解学习图像,同时将各学生在预设采集周期内对应的各板书讲解学习视频段分割为各板书讲解学习图像;
R5、从各学生在预设采集周期内各板书讲解学习视频段对应的各板书讲解学习图像中识别出学生视线方向和学生手部特征,进而分析得到各学生在板书讲解流程对应的状态状态符合系数,并记为ωi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740382.6A CN115082266B (zh) | 2022-06-27 | 2022-06-27 | 一种学生教育学科综合化发展分析评价*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210740382.6A CN115082266B (zh) | 2022-06-27 | 2022-06-27 | 一种学生教育学科综合化发展分析评价*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082266A true CN115082266A (zh) | 2022-09-20 |
CN115082266B CN115082266B (zh) | 2023-05-05 |
Family
ID=83255175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210740382.6A Active CN115082266B (zh) | 2022-06-27 | 2022-06-27 | 一种学生教育学科综合化发展分析评价*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082266B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330358A (zh) * | 2022-10-11 | 2022-11-11 | 山东中创和泰信息咨询有限公司 | 教育培训管理***及教育培训方法 |
CN116502923A (zh) * | 2023-06-27 | 2023-07-28 | 南昌菱形信息技术有限公司 | 虚拟仿真教学实训平台的仿真方法及*** |
CN117391900A (zh) * | 2023-11-23 | 2024-01-12 | 重庆第二师范学院 | 基于大数据分析的学习效率检测***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705033A (zh) * | 2017-10-24 | 2018-02-16 | 武汉览山科技股份有限公司 | 一种基于大数据的教学质量测评*** |
CN110348359A (zh) * | 2019-07-04 | 2019-10-18 | 北京航空航天大学 | 手部姿态追踪的方法、装置及*** |
CN111078756A (zh) * | 2019-12-19 | 2020-04-28 | 广东德诚大数据科技有限公司 | 一种生成考生成绩统计分析的*** |
CN111079554A (zh) * | 2019-11-25 | 2020-04-28 | 恒安嘉新(北京)科技股份公司 | 分析学生课堂表现的方法、装置、电子设备、及存储介质 |
AU2020103529A4 (en) * | 2020-11-19 | 2021-01-28 | Shenzhen Polytechnic | An educational big data analysis method based on artificial intelligence |
CN112598557A (zh) * | 2021-03-02 | 2021-04-02 | 广东财经大学 | 一种基于大数据的学生学习行为数据分析*** |
CN113469055A (zh) * | 2021-07-01 | 2021-10-01 | 日进教学器材(昆山)有限公司 | 人体姿势识别***及人体姿势识别评估的方法 |
KR20220058857A (ko) * | 2020-10-30 | 2022-05-10 | 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 | 학습 상황 분석 방법 및 장치, 전자 기기 및 기억 매체, 컴퓨터 프로그램 |
-
2022
- 2022-06-27 CN CN202210740382.6A patent/CN115082266B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705033A (zh) * | 2017-10-24 | 2018-02-16 | 武汉览山科技股份有限公司 | 一种基于大数据的教学质量测评*** |
CN110348359A (zh) * | 2019-07-04 | 2019-10-18 | 北京航空航天大学 | 手部姿态追踪的方法、装置及*** |
CN111079554A (zh) * | 2019-11-25 | 2020-04-28 | 恒安嘉新(北京)科技股份公司 | 分析学生课堂表现的方法、装置、电子设备、及存储介质 |
CN111078756A (zh) * | 2019-12-19 | 2020-04-28 | 广东德诚大数据科技有限公司 | 一种生成考生成绩统计分析的*** |
KR20220058857A (ko) * | 2020-10-30 | 2022-05-10 | 베이징 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 | 학습 상황 분석 방법 및 장치, 전자 기기 및 기억 매체, 컴퓨터 프로그램 |
AU2020103529A4 (en) * | 2020-11-19 | 2021-01-28 | Shenzhen Polytechnic | An educational big data analysis method based on artificial intelligence |
CN112598557A (zh) * | 2021-03-02 | 2021-04-02 | 广东财经大学 | 一种基于大数据的学生学习行为数据分析*** |
CN113469055A (zh) * | 2021-07-01 | 2021-10-01 | 日进教学器材(昆山)有限公司 | 人体姿势识别***及人体姿势识别评估的方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330358A (zh) * | 2022-10-11 | 2022-11-11 | 山东中创和泰信息咨询有限公司 | 教育培训管理***及教育培训方法 |
CN115330358B (zh) * | 2022-10-11 | 2023-01-31 | 山东中创和泰信息咨询有限公司 | 教育培训管理***及教育培训方法 |
CN116502923A (zh) * | 2023-06-27 | 2023-07-28 | 南昌菱形信息技术有限公司 | 虚拟仿真教学实训平台的仿真方法及*** |
CN116502923B (zh) * | 2023-06-27 | 2023-09-01 | 南昌菱形信息技术有限公司 | 虚拟仿真教学实训平台的仿真方法及*** |
CN117391900A (zh) * | 2023-11-23 | 2024-01-12 | 重庆第二师范学院 | 基于大数据分析的学习效率检测***及方法 |
CN117391900B (zh) * | 2023-11-23 | 2024-05-24 | 重庆第二师范学院 | 基于大数据分析的学习效率检测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115082266B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082266A (zh) | 一种基于深度学习的学生教育学科综合化发展分析评价*** | |
Betts | Does school quality matter? Evidence from the National Longitudinal Survey of Youth | |
CN107240047B (zh) | 一种教学视频的学分评估方法和装置 | |
US11790803B2 (en) | Method and apparatus of diagnostic test | |
Lopes et al. | Measuring media and information literacy skills: Construction of a test | |
CN110059978B (zh) | 一种基于云计算辅助教学测评的教师评价*** | |
Alaudinova | Pedagogical Practice-Test Results Assessment Criteria, Quantity And Quality Multiplier Analysis | |
CN114140280A (zh) | 一种基于ai批改的数据处理方法、***和电子设备 | |
Pillai | Student Engagement Detection in Classrooms through Computer Vision and Deep Learning: A Novel Approach Using YOLOv4 | |
Anggraini et al. | Errors of Class VIII Junior High School Students in Solving Mathematical Communication Problems Based on the Newman Procedure | |
CN111666799A (zh) | 一种口算题的校验方法及终端 | |
CN115689340A (zh) | 一种基于彩色动态人脸特征的课堂质量监控*** | |
US20220165173A1 (en) | Smoke opacity field certification testing method | |
CN115238166A (zh) | 一种基于云计算的学生分科用辅助*** | |
WO2016005913A1 (en) | Methods and systems for career analysis and profiling | |
CN113657337A (zh) | 一种乘务员表情检测方法、装置、设备及介质 | |
Labusch et al. | Computational thinking and problem-solving–a research approach in the context of ICILS 2018 | |
Villalobos et al. | Intra-rater reliability and the role of experience: A comparative case | |
White | What’s in a score? Augmented decompositions of scores from observation systems | |
CN108389145A (zh) | 基于大数据的学业人格测评与培养*** | |
CN117036117B (zh) | 基于人工智能的课堂状态评估方法 | |
Tseng et al. | A validity study for yes/no Angoff standard setting method using cluster analysis | |
Benton | How much do I need to write to get top marks? | |
Tseng et al. | Using cluster analysis to validate the angoff standard setting method in mixed-format assessments | |
Sipos et al. | Investigation of processing test results based on knowledge similarity |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230418 Address after: Room 1402, Mingsheng Building, No. 2117 Xinluo Street, High tech Zone, Jinan City, Shandong Province, 250000 Applicant after: Shandong Puzhao Education Technology Co.,Ltd. Address before: No. 61, Metallurgical Avenue, Qingshan District, Wuhan City, Hubei Province, 430080 Applicant before: Wuhan Hanyang District Aimeng Nursing Service Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |