CN115082269A - 一种基于大数据的教学规划方法及*** - Google Patents
一种基于大数据的教学规划方法及*** Download PDFInfo
- Publication number
- CN115082269A CN115082269A CN202210844270.5A CN202210844270A CN115082269A CN 115082269 A CN115082269 A CN 115082269A CN 202210844270 A CN202210844270 A CN 202210844270A CN 115082269 A CN115082269 A CN 115082269A
- Authority
- CN
- China
- Prior art keywords
- learner
- learning
- data
- matching
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013439 planning Methods 0.000 title claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 17
- 230000009897 systematic effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 53
- 238000004891 communication Methods 0.000 claims description 27
- 230000006399 behavior Effects 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 1
- 238000002360 preparation method 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据的教学规划方法及***,属于教学规划领域,本发明通过在授课时分为课前、课中和课后三个阶段,课前时教学者在授课之前,需要根据学***台中相似相同的问题进行比较;课中时教学者将需要授课的知识进行***性的讲述,并根据学***台;同时通过分析学习者的学习状态并结合反馈的问题,可以帮助教学者了解学习者的学习情况,从而本发明可以帮助教学者了解学习者的学习情况和自己的授课方式情况,提高学习效率和授课的多方式性。
Description
技术领域
本发明涉及一种基于大数据的教学规划方法及***,属于教学规划领域。
背景技术
国内外混合式教学经过20余年的发展,不论是研究者、教学实践者,还是政府和教育机构,对其已基本达成了共识:混合式教学将成为未来教育的“新常态”;特别是在当下大数据的背景下,混合式教学呈现出井喷式的发展,火爆的大数据+教学也让社会各界重新聚焦于混合式教学。在教育技术学的以往研究中,混合式学习是与混合式教学最为相近的表述,将混合式学习和混合式教学的概念直接等同,混合式学习的关注点聚焦于学习的主体为学习者,与混合式学习不同的是,混合式教学从教师的主导地位出发,关注如何帮助学习者取得最优化的学习效果;混合式教学是指在适当的时间,通过应用适当的媒体技术,提供与适当的学习环境相契合的资源和活动,让适当的学习者形成适当的能力,从而取得最优化教学效果的教学方式;现有技术中的混合式教学,授课者可以进行线上线下的教学,但是由于学习者的数量不同,授课者无法完全掌握每个学习者的学习情况以及喜好情况,从而导致学习者无法集中学习,以及让授课者出现教学方式单一的局面,这对授课者与学习者都有着很大的损失。
发明内容
发明目的:提供一种基于大数据的教学规划方法及***,解决上述提到的问题。
技术方案:一种基于大数据的教学规划方法,包括:
步骤1、教学者在授课之前,需要根据学***台中相似相同的问题进行比较,从而保证在教学中着重强调;
步骤2、教学者将需要授课的知识进行***性的讲述,并根据学习者在授前的问题进行着重讲解,并组织学习教学,使学习者可以充分理解掌握知识;
步骤3、教学者根据学***台;学***台;
步骤4、学习平台根据使用者所使用的数据进行分类挖掘,并进行分析和存储,并结合数据库根据不同的使用者进行数据标注。
在进一步的实施例中,在步骤1中,教学者在结合学***台会进行相同相似问题的检索,进而匹配到类似的问题,供教学者备课参考;从而在根据反馈的问题进行数据匹配时,学习平台内设置的三个控制节点将完成上述工作,其中三个控制节点包括:
中央控制节点,负责存放当前的特征提取规则以及匹配参数,即向量因子权重、超时时间等,实时接收采集节点和撮合节点反馈,调用后端机器学习算法调整模型,并修正规则和参数;
采集节点:负责从多个客户端收集用户反馈的问题,从中央控制节点获取特征提取规则,按规则对信息进行特征提取,并生成统一格式的报文通过分布式流式计算平台发送给撮合节点,采集节点会收集用户的反馈信息,并向中央控制节点进行反馈;
撮合节点:撮合节点负责接收采集节点发过来的信息,按照一定规则,以预先设定的目标进行撮合,撮合节点和中央控制节点保持通信,随时根据中央控制节点参数调整撮合行为,撮合节点根据匹配成功率、匹配效果向中央控制节点反馈。
在进一步的实施例中,采集节点在收集用户反馈的问题时,需要先进行数据的处理,采集节点中处理子节点的Kafka消费者不断从Kafka集群获取Kafka消息,然后从Kafka消息中取出消息内容和消息键值,数据处理子节点将消息内容和消息键值作为函数参数传递给数据处理模块,数据处理模块首先会取出数据中终端的序列号,然后分析Kafka消息的键值获取通信上下文信息,序列号和通信上下文信息将会构成一个键值对;具体步骤如下:
首先数据处理模块会判断该键值对是否在表中;如果该键值对存在于表中,则继续判断键值对中的通信上下文信息是否有更新,如果通信上下文信息有更新,那么会更新表中序列号对应的键值对,同时保存并更新内存数据库中的序列号对应的通信上下文信息;如果表中不存在该键值对,那么则将该键值对作为新的一项***到表中,同时对保存在内存数据库中的该序列号对应的通信上下文信息进行更新或者***;
其次接着处理采集到的数据,然后将处理结果加载进入目标数据库中;
最后,如果对应的数据处理协议需要响应消息,数据处理模块会生成响应消息,然后作为函数返回值回传给数据处理节点;数据处理节点中会处理函数返回结果,使用Kafka生产者将响应消息通过Kafka集群发送给数据采集节点,由数据采集节点发送给传感器终端中央控制节点和撮合节点。
在进一步的实施例中,在步骤1中,教学者需要将设计并已制作好的自主学***台,从而学***台上的相关资源开展自主学***台,进而教学者可根据学习者反馈的问题指定教学任务。
在进一步的实施例中,在学***台会根据问题,进行匹配相关的讲解;具体步骤如下:
首先学***台将匹配请求发送到采集节点,采集节点根据从中央控制节点获取的特征提取规则,对原始请求进行规则提取和规范化处理,得到特征向量,并将这些特征向量按不同主题发送给不同的撮合节点;
其次撮合节点根据从中央控制节点获取的匹配参数及匹配目标,将采集节点传来的特征向量流封装成若干分布式弹性数据集以及一系列操作,将其提交给实时计算框架进行匹配处理,实时计算框架分为多个微批次进行处理,每次处理后都会存在一些匹配失败的特征向量;
最后撮合节点将这些向量暂时缓存在远程字典服务中,积累到一定数量后,根据机器学习算法结果调整参数,再次封装为若干分布式弹性数据集提交给实时计算框架进行二次匹配,同时撮合节点还会根据匹配成功率、匹配效果向中央控制节点进行反馈,以帮助中央控制节点标记参数样本,进行自我优化。
在进一步的实施例中,在步骤2中,在授课工作中,教学者将学习者所要学习的知识进行逐一讲解,并针对学习者在任务完成过程中存在的共性问题,采用集中讲授或组织讨论的方式进行答疑解惑;在授课的过程中,学习者可以通过不同形式展示研究性学习成果,分享学习心得和体会,同时教学者需要这个过程中不仅要对学习者的学习成果予以点评和指导,引导学习者反思在知识、技能上的收获,还要引导学习者进行学习过程、学习态度、学习经验、学习方法等方面的反思和总结,并开展自我评价,建构自我意识。
在进一步的实施例中,在步骤3中,完成授课后,教学者和学***台,以进行更大范围的交流和传播;教学者一方面可以将其作为过程性学习评价的重要组成部分,另一方面也可以将其转化为可重用、可再生的学习文化资源和教育改革资源。
在进一步的实施例中,在步骤4中,需要对学习者和教学者所产生的数据分析与存储,其中包括对学习者在授课中的学习评价,通过分析学习者的学习状态并结合反馈的问题,可以帮助教学者了解学习者的学习情况,具体步骤如下:
第一步:视频输入,学习平台根据教学者上传的教学视频中包含了视频的录像时间,场地,课堂简介等,得到标注后的课堂录像;
第二步:图像采集,在标注后的课堂录像的基础上,按照一定的时间间隔将视频的画面抽取出来,得到图像序列;
第三步:图像标注,对图像序列中的观察对象进行标注,标注内容包括学习者的状态,姿势,动作,周边对象的状态,得到观察对象的表现序列;
第四步:量化处理,根据行为表现因子的权重,将观察对象的表现序列进行量化,得到观察对象表现的可计算的数值;
第五步:表现分析,结合学习者表现的数值以及时间,得到学习者课堂表现的序列图;然后在序列图的基础上结合表现评价方法进行计算,得到学习者的综合表现的数值。
在进一步的实施例中,在进行对学习者表现分析的情况时,第一步需要对采集的图像进行处理,被采集后通过采集图像的预处理后,并通过深度学习模型来学习图像的本质特征,从而与数据库进行特征匹配,将匹配的结果作为识别的结果,具体步骤如下:
首先建立深度神经网络,并采用数据库中的信息来对深度神经网络进行训练和学习,由于人物图像数据的像素多,因此,第1层为输入层,第2层为卷积层,卷积核的形式采用Gabor小波,通过权值共享的方法减少需要训练的权值参数.从第2层到n-1层为RBM构成的对等层,实现特征的自动提取,并通过CD算法实现每2层RBM的训练,最终训练出整个的自动特征提取的RBM深度网络;第n层为标签层,对数据库中不同人脸建立标签,同时增加一个未知类型的标签,并通过反向传播算法实现从第n-1到第n层的权值训练;
其次进行人物脸部情况的匹配,采集图像经过预处理成灰度图后,就可以将其输入到多层的深度神经网络,经过深度神经网络中的Gabor卷积层进行降噪,并通过多层的RBM进行自动特征提取,最后在标签层被激活的神经元对应的标签即为检测的结果。
在进一步的实施例中,第二步需要根据学习者的两种情况进行分析,一种是学习者走神分心的情况,另一种是学习积极听课的情况;首先将学习者走神分心的表现用a,从而可以得出:
其中,N表示图像采集的数量,Si表示第i次课程的平均表现值,Tij表示第i次观察中,第j个表现因子的权重,M表示观察点的次数;从而可以得到学习者在某一节课总体上的不认真程度、某同学这一学期的不认真程度等,如若对每一位学习者进行数据计算,就可以知道班上所有学习者的上课不认真程度;
其次,在教学者授课中,如果提到学习者感兴趣的知识点时,学习者的集中力是最集中的,从而将学习者集中的表现用b,从而可以得出:
Ri=Z/X
其中,Ri表示第i次课程的学习者课堂认真听讲人数比例,Z表示采集图像中认真听讲人数,X为采集图像中的人数;从而可以得出某一节课学习者群体的集中力程度,以及不同授课者,采用的不同授课方式,学习者所接受的程度。
一种基于大数据的教学规划***,包括:
应用单元,即教学者、学***台,用于进行各个不同客户端进入学习平台,实现学习与交流;
网络单元,用于进行对应用单元中不同客户端之间的连接,实现数据传输;
数据库单元,用于存储数据,并结合互联网进行数据更新。
在进一步的实施例中,所述数据库单元包括:
数据采集模块,用于对应用单元中不同终端所产生的学习行为数据和授课数据进行捕获,并通过定位***和传感器对使用者的活动行为进行记录,并进行实时反馈;
数据处理模块,主要对每个使用者所浏览学习的内容进行处理,从而进行记录每个使用者所喜欢的领域和存在的问题、以及对知识所掌握的程度;
数据存储模块,用于存储通过多方位采集不同终端所产生的学***台管理和云计算等方面对数据进行存储。
在进一步的实施例中,所述数据采集模块采集的数据包括:使用者在终端下使用触控操作所产生的数据;在利用多感知数据层面上,借助感应功能对使用者的外部行为进行记录,这类数据包括学习者应用互动交流软件形成的远程视频交互数据以及学习者使用移动终端的手持偏好数据;实时传感数据层面上,通过定位***和传感器对学习者的活动行为进行记录,这类数据主要是学习者使用移动终端进行社会活动所产生的实时反馈数据。
有益效果:本发明涉及一种基于大数据的教学规划方法及***,属于教学规划领域,本发明通过在授课时分为课前、课中和课后三个阶段,课前时教学者在授课之前,需要根据学***台中相似相同的问题进行比较,从而保证在教学中着重强调;课中时教学者将需要授课的知识进行***性的讲述,并根据学***台;学***台;同时通过分析学习者的学习状态并结合反馈的问题,可以帮助教学者了解学习者的学习情况,从而本发明可以帮助教学者了解学习者的学习情况和自己的授课方式情况,提高学习效率和授课的多方式性。
附图说明
图1是本发明的方法示意图。
图2是本发明的***示意图。
图3是本发明的示意图。
图4是本发明的数据库单元示意图。
图5本发明的步骤4具体示意图。
图6是本发明的步骤1数据匹配示意图。
图7是本发明的步骤1采集节点示意图。
图8本发明的步骤4人脸识别流程图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施;在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
如图1至图8所示,一种基于大数据的教学规划方法,包括:
步骤1、教学者在授课之前,需要根据学***台中相似相同的问题进行比较,从而保证在教学中着重强调;
步骤2、教学者将需要授课的知识进行***性的讲述,并根据学习者在授前的问题进行着重讲解,并组织学习教学,使学习者可以充分理解掌握知识;
步骤3、教学者根据学***台;学***台;
步骤4、学习平台根据使用者所使用的数据进行分类挖掘,并进行分析和存储,并结合数据库根据不同的使用者进行数据标注;
在一个实施例中,教学者在结合学***台会进行相同相似问题的检索,进而匹配到类似的问题,供教学者备课参考;从而在根据反馈的问题进行数据匹配时,学习平台内设置的三个控制节点将完成上述工作,其中三个控制节点包括:
中央控制节点,负责存放当前的特征提取规则以及匹配参数,即向量因子权重、超时时间等,实时接收采集节点和撮合节点反馈,调用后端机器学习算法调整模型,并修正规则和参数;
采集节点:负责从多个客户端收集用户反馈的问题,从中央控制节点获取特征提取规则,按规则对信息进行特征提取,并生成统一格式的报文通过分布式流式计算平台发送给撮合节点,采集节点会收集用户的反馈信息,并向中央控制节点进行反馈;
撮合节点:撮合节点负责接收采集节点发过来的信息,按照一定规则,以预先设定的目标进行撮合,撮合节点和中央控制节点保持通信,随时根据中央控制节点参数调整撮合行为,撮合节点根据匹配成功率、匹配效果向中央控制节点反馈。
在一个实施例中,采集节点在收集用户反馈的问题时,需要先进行数据的处理,采集节点中处理子节点的Kafka消费者不断从Kafka集群获取Kafka消息,然后从Kafka消息中取出消息内容和消息键值,数据处理子节点将消息内容和消息键值作为函数参数传递给数据处理模块,数据处理模块首先会取出数据中终端的序列号,然后分析Kafka消息的键值获取通信上下文信息,序列号和通信上下文信息将会构成一个键值对;具体步骤如下:
首先数据处理模块会判断该键值对是否在表中;如果该键值对存在于表中,则继续判断键值对中的通信上下文信息是否有更新,如果通信上下文信息有更新,那么会更新表中序列号对应的键值对,同时保存并更新内存数据库中的序列号对应的通信上下文信息;如果表中不存在该键值对,那么则将该键值对作为新的一项***到表中,同时对保存在内存数据库中的该序列号对应的通信上下文信息进行更新或者***;
其次接着处理采集到的数据,然后将处理结果加载进入目标数据库中;
最后,如果对应的数据处理协议需要响应消息,数据处理模块会生成响应消息,然后作为函数返回值回传给数据处理节点;数据处理节点中会处理函数返回结果,使用Kafka生产者将响应消息通过Kafka集群发送给数据采集节点,由数据采集节点发送给传感器终端中央控制节点和撮合节点。
在一个实施例中,在步骤1中,教学者需要将设计并已制作好的自主学***台,从而学***台上的相关资源开展自主学***台,进而教学者可根据学习者反馈的问题指定教学任务。
在一个实施例中,在学***台会根据问题,进行匹配相关的讲解;具体步骤如下:
首先学***台将匹配请求发送到采集节点,采集节点根据从中央控制节点获取的特征提取规则,对原始请求进行规则提取和规范化处理,得到特征向量,并将这些特征向量按不同主题发送给不同的撮合节点;
其次撮合节点根据从中央控制节点获取的匹配参数及匹配目标,将采集节点传来的特征向量流封装成若干分布式弹性数据集以及一系列操作,将其提交给实时计算框架进行匹配处理,实时计算框架分为多个微批次进行处理,每次处理后都会存在一些匹配失败的特征向量;
最后撮合节点将这些向量暂时缓存在远程字典服务中,积累到一定数量后,根据机器学习算法结果调整参数,再次封装为若干分布式弹性数据集提交给实时计算框架进行二次匹配,同时撮合节点还会根据匹配成功率、匹配效果向中央控制节点进行反馈,以帮助中央控制节点标记参数样本,进行自我优化。
在一个实施例中,在步骤2中,在授课工作中,教学者将学习者所要学习的知识进行逐一讲解,并针对学习者在任务完成过程中存在的共性问题,采用集中讲授或组织讨论的方式进行答疑解惑;在授课的过程中,学习者可以通过不同形式展示研究性学习成果,分享学习心得和体会,同时教学者需要这个过程中不仅要对学习者的学习成果予以点评和指导,引导学习者反思在知识、技能上的收获,还要引导学习者进行学习过程、学习态度、学习经验、学习方法等方面的反思和总结,并开展自我评价,建构自我意识。
在一个实施例中,在步骤3中,完成授课后,教学者和学***台,以进行更大范围的交流和传播;教学者一方面可以将其作为过程性学习评价的重要组成部分,另一方面也可以将其转化为可重用、可再生的学习文化资源和教育改革资源。
在一个实施例中,在步骤4中,需要对学习者和教学者所产生的数据分析与存储,其中包括对学习者在授课中的学习评价,通过分析学习者的学习状态并结合反馈的问题,可以帮助教学者了解学习者的学习情况,具体步骤如下:
第一步:视频输入,学习平台根据教学者上传的教学视频中包含了视频的录像时间,场地,课堂简介等,得到标注后的课堂录像;
第二步:图像采集,在标注后的课堂录像的基础上,按照一定的时间间隔将视频的画面抽取出来,得到图像序列;
第三步:图像标注,对图像序列中的观察对象进行标注,标注内容包括学习者的状态,姿势,动作,周边对象的状态,得到观察对象的表现序列;
第四步:量化处理,根据行为表现因子的权重,将观察对象的表现序列进行量化,得到观察对象表现的可计算的数值;
第五步:表现分析,结合学习者表现的数值以及时间,得到学习者课堂表现的序列图;然后在序列图的基础上结合表现评价方法进行计算,得到学习者的综合表现的数值。
在一个实施例中,在进行对学习者表现分析的情况时,第一步需要对采集的图像进行处理,被采集后通过采集图像的预处理后,并通过深度学习模型来学习图像的本质特征,从而与数据库进行特征匹配,将匹配的结果作为识别的结果,具体步骤如下:
首先建立深度神经网络,并采用数据库中的信息来对深度神经网络进行训练和学习,由于人物图像数据的像素多,因此,第1层为输入层,第2层为卷积层,卷积核的形式采用Gabor小波,通过权值共享的方法减少需要训练的权值参数.从第2层到n-1层为RBM构成的对等层,实现特征的自动提取,并通过CD算法实现每2层RBM的训练,最终训练出整个的自动特征提取的RBM深度网络;第n层为标签层,对数据库中不同人脸建立标签,同时增加一个未知类型的标签,并通过反向传播算法实现从第n-1到第n层的权值训练;
其次进行人物脸部情况的匹配,采集图像经过预处理成灰度图后,就可以将其输入到多层的深度神经网络,经过深度神经网络中的Gabor卷积层进行降噪,并通过多层的RBM进行自动特征提取,最后在标签层被激活的神经元对应的标签即为检测的结果。
在一个实施例中,第二步需要根据学习者的两种情况进行分析,一种是学习者走神分心的情况,另一种是学习积极听课的情况;首先将学习者走神分心的表现用a,从而可以得出:
其中,N表示图像采集的数量,Si表示第i次课程的平均表现值,Tij表示第i次观察中,第j个表现因子的权重,M表示观察点的次数;从而可以得到学习者在某一节课总体上的不认真程度、某同学这一学期的不认真程度等,如若对每一位学习者进行数据计算,就可以知道班上所有学习者的上课不认真程度;
其次,在教学者授课中,如果提到学习者感兴趣的知识点时,学习者的集中力是最集中的,从而将学习者集中的表现用b,从而可以得出:
Ri=Z/X
其中,Ri表示第i次课程的学习者课堂认真听讲人数比例,Z表示采集图像中认真听讲人数,X为采集图像中的人数;从而可以得出某一节课学习者群体的集中力程度,以及不同授课者,采用的不同授课方式,学习者所接受的程度。
在一个实施例中,一种基于大数据的教学规划***,包括:
应用单元,即教学者、学***台,用于进行各个不同客户端进入学习平台,实现学习与交流;
网络单元,用于进行对应用单元中不同客户端之间的连接,实现数据传输;
数据库单元,用于存储数据,并结合互联网进行数据更新。
在一个实施例中,所述数据库单元包括:
数据采集模块,用于对应用单元中不同终端所产生的学习行为数据和授课数据进行捕获,并通过定位***和传感器对使用者的活动行为进行记录,并进行实时反馈;
数据处理模块,主要对每个使用者所浏览学习的内容进行处理,从而进行记录每个使用者所喜欢的领域和存在的问题、以及对知识所掌握的程度;
数据存储模块,用于存储通过多方位采集不同终端所产生的学***台管理和云计算等方面对数据进行存储。
在一个实施例中,所述数据采集模块采集的数据包括:使用者在终端下使用触控操作所产生的数据;在利用多感知数据层面上,借助感应功能对使用者的外部行为进行记录,这类数据包括学习者应用互动交流软件形成的远程视频交互数据以及学习者使用移动终端的手持偏好数据;实时传感数据层面上,通过定位***和传感器对学习者的活动行为进行记录,这类数据主要是学习者使用移动终端进行社会活动所产生的实时反馈数据
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (9)
1.一种基于大数据的教学规划方法,其特征在于,包括:
步骤1、教学者在授课之前,需要根据学***台中相似相同的问题进行比较,从而保证在教学中着重强调;
步骤2、教学者将需要授课的知识进行***性的讲述,并根据学习者在授前的问题进行着重讲解,并组织学习教学,使学习者可以充分理解掌握知识;
步骤3、教学者根据学***台;学***台;
步骤4、学习平台根据使用者所使用的数据进行分类挖掘,并进行分析和存储,并结合数据库根据不同的使用者进行数据标注;
在步骤1中,教学者在结合学***台会进行相同相似问题的检索,进而匹配到类似的问题,供教学者备课参考;从而在根据反馈的问题进行数据匹配时,学习平台内设置的三个控制节点将完成上述工作,其中三个控制节点包括:
中央控制节点,负责存放当前的特征提取规则以及匹配参数,即向量因子权重、超时时间等,实时接收采集节点和撮合节点反馈,调用后端机器学习算法调整模型,并修正规则和参数;
采集节点:负责从多个客户端收集用户反馈的问题,从中央控制节点获取特征提取规则,按规则对信息进行特征提取,并生成统一格式的报文通过分布式流式计算平台发送给撮合节点,采集节点会收集用户的反馈信息,并向中央控制节点进行反馈;
撮合节点:撮合节点负责接收采集节点发过来的信息,按照一定规则,以预先设定的目标进行撮合,撮合节点和中央控制节点保持通信,随时根据中央控制节点参数调整撮合行为,撮合节点根据匹配成功率、匹配效果向中央控制节点反馈;
采集节点在收集用户反馈的问题时,需要先进行数据的处理,采集节点中处理子节点的Kafka消费者不断从Kafka集群获取Kafka消息,然后从Kafka消息中取出消息内容和消息键值,数据处理子节点将消息内容和消息键值作为函数参数传递给数据处理模块,数据处理模块首先会取出数据中终端的序列号,然后分析Kafka消息的键值获取通信上下文信息,序列号和通信上下文信息将会构成一个键值对;具体步骤如下:
首先数据处理模块会判断该键值对是否在表中;如果该键值对存在于表中,则继续判断键值对中的通信上下文信息是否有更新,如果通信上下文信息有更新,那么会更新表中序列号对应的键值对,同时保存并更新内存数据库中的序列号对应的通信上下文信息;如果表中不存在该键值对,那么则将该键值对作为新的一项***到表中,同时对保存在内存数据库中的该序列号对应的通信上下文信息进行更新或者***;
其次接着处理采集到的数据,然后将处理结果加载进入目标数据库中;
最后,如果对应的数据处理协议需要响应消息,数据处理模块会生成响应消息,然后作为函数返回值回传给数据处理节点;数据处理节点中会处理函数返回结果,使用Kafka生产者将响应消息通过Kafka集群发送给数据采集节点,由数据采集节点发送给传感器终端中央控制节点和撮合节点。
2.根据权利要求1所述的一种基于大数据的教学规划方法,其特征在于,
在步骤1中,教学者需要将设计并已制作好的自主学***台,从而学***台上的相关资源开展自主学***台,进而教学者可根据学习者反馈的问题指定教学任务;
在学***台会根据问题,进行匹配相关的讲解;具体步骤如下:
首先学***台将匹配请求发送到采集节点,采集节点根据从中央控制节点获取的特征提取规则,对原始请求进行规则提取和规范化处理,得到特征向量,并将这些特征向量按不同主题发送给不同的撮合节点;
其次撮合节点根据从中央控制节点获取的匹配参数及匹配目标,将采集节点传来的特征向量流封装成若干分布式弹性数据集以及一系列操作,将其提交给实时计算框架进行匹配处理,实时计算框架分为多个微批次进行处理,每次处理后都会存在一些匹配失败的特征向量;
最后撮合节点将这些向量暂时缓存在远程字典服务中,积累到一定数量后,根据机器学习算法结果调整参数,再次封装为若干分布式弹性数据集提交给实时计算框架进行二次匹配,同时撮合节点还会根据匹配成功率、匹配效果向中央控制节点进行反馈,以帮助中央控制节点标记参数样本,进行自我优化。
3.根据权利要求1所述的一种基于大数据的教学规划方法,其特征在于,
在步骤2中,在授课工作中,教学者将学习者所要学习的知识进行逐一讲解,并针对学习者在任务完成过程中存在的共性问题,采用集中讲授或组织讨论的方式进行答疑解惑;在授课的过程中,学习者可以通过不同形式展示研究性学习成果,分享学习心得和体会,同时教学者需要这个过程中不仅要对学习者的学习成果予以点评和指导,引导学习者反思在知识、技能上的收获,还要引导学习者进行学习过程、学习态度、学习经验、学习方法等方面的反思和总结,并开展自我评价,建构自我意识。
4.根据权利要求1所述的一种基于大数据的教学规划方法,其特征在于,
在步骤3中,完成授课后,教学者和学***台,以进行更大范围的交流和传播;教学者一方面可以将其作为过程性学习评价的重要组成部分,另一方面也可以将其转化为可重用、可再生的学习文化资源和教育改革资源。
5.根据权利要求1所述的一种基于大数据的教学规划方法,其特征在于,
在步骤4中,需要对学习者和教学者所产生的数据分析与存储,其中包括对学习者在授课中的学习评价,通过分析学习者的学习状态并结合反馈的问题,可以帮助教学者了解学习者的学习情况,具体步骤如下:
第一步:视频输入,学习平台根据教学者上传的教学视频中包含了视频的录像时间,场地,课堂简介等,得到标注后的课堂录像;
第二步:图像采集,在标注后的课堂录像的基础上,按照一定的时间间隔将视频的画面抽取出来,得到图像序列;
第三步:图像标注,对图像序列中的观察对象进行标注,标注内容包括学习者的状态,姿势,动作,周边对象的状态,得到观察对象的表现序列;
第四步:量化处理,根据行为表现因子的权重,将观察对象的表现序列进行量化,得到观察对象表现的可计算的数值;
第五步:表现分析,结合学习者表现的数值以及时间,得到学习者课堂表现的序列图;然后在序列图的基础上结合表现评价方法进行计算,得到学习者的综合表现的数值。
6.根据权利要求5所述的一种基于大数据的教学规划方法,其特征在于,
在进行对学习者表现分析的情况时,第一步需要对采集的图像进行处理,被采集后通过采集图像的预处理后,并通过深度学习模型来学习图像的本质特征,从而与数据库进行特征匹配,将匹配的结果作为识别的结果,具体步骤如下:
首先建立深度神经网络,并采用数据库中的信息来对深度神经网络进行训练和学习,由于人物图像数据的像素多,因此,第1层为输入层,第2层为卷积层,卷积核的形式采用Gabor小波,通过权值共享的方法减少需要训练的权值参数.从第2层到n-1层为RBM构成的对等层,实现特征的自动提取,并通过CD算法实现每2层RBM的训练,最终训练出整个的自动特征提取的RBM深度网络;第n层为标签层,对数据库中不同人脸建立标签,同时增加一个未知类型的标签,并通过反向传播算法实现从第n-1到第n层的权值训练;
其次进行人物脸部情况的匹配,采集图像经过预处理成灰度图后,就可以将其输入到多层的深度神经网络,经过深度神经网络中的Gabor卷积层进行降噪,并通过多层的RBM进行自动特征提取,最后在标签层被激活的神经元对应的标签即为检测的结果;
第二步需要根据学习者的两种情况进行分析,一种是学习者走神分心的情况,另一种是学习积极听课的情况;首先将学习者走神分心的表现用a,从而可以得出:
其中,N表示图像采集的数量,Si表示第i次课程的平均表现值,Tij表示第i次观察中,第j个表现因子的权重,M表示观察点的次数;从而可以得到学习者在某一节课总体上的不认真程度、某同学这一学期的不认真程度等,如若对每一位学习者进行数据计算,就可以知道班上所有学习者的上课不认真程度;
其次,在教学者授课中,如果提到学习者感兴趣的知识点时,学习者的集中力是最集中的,从而将学习者集中的表现用b,从而可以得出:
Ri=Z/X
其中,Ri表示第i次课程的学习者课堂认真听讲人数比例,Z表示采集图像中认真听讲人数,X为采集图像中的人数;从而可以得出某一节课学习者群体的集中力程度,以及不同授课者,采用的不同授课方式,学习者所接受的程度。
7.一种基于大数据的教学规划***,其特征在于,包括:
应用单元,即教学者、学***台,用于进行各个不同客户端进入学习平台,实现学习与交流;
网络单元,用于进行对应用单元中不同客户端之间的连接,实现数据传输;
数据库单元,用于存储数据,并结合互联网进行数据更新。
8.根据权利要求7所述的一种基于大数据的教学规划***,其特征在于,所述数据库单元包括:
数据采集模块,用于对应用单元中不同终端所产生的学习行为数据和授课数据进行捕获,并通过定位***和传感器对使用者的活动行为进行记录,并进行实时反馈;
数据处理模块,主要对每个使用者所浏览学习的内容进行处理,从而进行记录每个使用者所喜欢的领域和存在的问题、以及对知识所掌握的程度;
数据存储模块,用于存储通过多方位采集不同终端所产生的学***台管理和云计算等方面对数据进行存储。
9.根据权利要求8所述的一种基于大数据的教学规划***,其特征在于,
所述数据采集模块采集的数据包括:使用者在终端下使用触控操作所产生的数据;在利用多感知数据层面上,借助感应功能对使用者的外部行为进行记录,这类数据包括学习者应用互动交流软件形成的远程视频交互数据以及学习者使用移动终端的手持偏好数据;实时传感数据层面上,通过定位***和传感器对学习者的活动行为进行记录,这类数据主要是学习者使用移动终端进行社会活动所产生的实时反馈数据。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844270.5A CN115082269B (zh) | 2022-07-18 | 2022-07-18 | 一种基于大数据的教学规划方法及*** |
PCT/CN2023/091946 WO2023131361A2 (zh) | 2022-07-18 | 2023-05-04 | 一种基于大数据的教学规划方法及*** |
ZA2023/07444A ZA202307444B (en) | 2022-07-18 | 2023-07-26 | Big-data-based teaching planning method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844270.5A CN115082269B (zh) | 2022-07-18 | 2022-07-18 | 一种基于大数据的教学规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082269A true CN115082269A (zh) | 2022-09-20 |
CN115082269B CN115082269B (zh) | 2023-01-20 |
Family
ID=83258805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210844270.5A Active CN115082269B (zh) | 2022-07-18 | 2022-07-18 | 一种基于大数据的教学规划方法及*** |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN115082269B (zh) |
WO (1) | WO2023131361A2 (zh) |
ZA (1) | ZA202307444B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626628A (zh) * | 2020-06-01 | 2020-09-04 | 梅和珍 | 一种用于课外辅导的网络教学*** |
WO2023131361A3 (zh) * | 2022-07-18 | 2023-09-07 | 华北理工大学 | 一种基于大数据的教学规划方法及*** |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274507B (zh) * | 2023-11-21 | 2024-02-23 | 长沙美莱医疗美容医院有限公司 | 基于互联网的面部美容整形的ai仿真模拟方法及*** |
CN117763361B (zh) * | 2024-02-22 | 2024-04-30 | 泰山学院 | 一种基于人工智能的学生成绩预测方法及*** |
CN117834724B (zh) * | 2024-03-04 | 2024-04-30 | 中科软股教育科技(北京)股份有限公司 | 一种基于大数据分析的视频学习资源管理*** |
CN117910560B (zh) * | 2024-03-20 | 2024-06-07 | 徐州医科大学 | 一种基于学习偏好测评的多风格学习教程生成*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452550A (zh) * | 2008-11-19 | 2009-06-10 | 中国网络通信集团公司 | ***的需求信息处理方法 |
CN102648465A (zh) * | 2009-08-26 | 2012-08-22 | 杰维斯股份公司 | 远程数据收集***和方法 |
CN105704400A (zh) * | 2016-04-26 | 2016-06-22 | 山东大学 | 一种基于多平台终端和云服务的学习***及其运行方法 |
CN106354810A (zh) * | 2016-08-27 | 2017-01-25 | 锁福涛 | 一种利用大数据技术的互联网教学*** |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
CN108965478A (zh) * | 2018-09-03 | 2018-12-07 | 北京许继电气有限公司 | 基于区块链技术的分布式数据采集方法和*** |
CN109118860A (zh) * | 2018-09-19 | 2019-01-01 | 江苏金惠甫山软件科技有限公司 | 基于人工智能的英语培训***及方法 |
CN110909235A (zh) * | 2019-10-24 | 2020-03-24 | 东莞成电智信信息科技有限公司 | 一种基于大数据的企业创新专家智库平台 |
CN111445331A (zh) * | 2020-03-24 | 2020-07-24 | 中国工商银行股份有限公司 | 交易撮合方法及装置 |
CN111796935A (zh) * | 2020-06-29 | 2020-10-20 | 中国工商银行股份有限公司 | 调用日志信息的消费实例分配方法及*** |
CN113160624A (zh) * | 2021-03-29 | 2021-07-23 | 贵州商学院 | 财务管理混合式课堂教学控制***及方法、介质及应用 |
CN113643163A (zh) * | 2021-08-11 | 2021-11-12 | 江苏熙枫教育科技有限公司 | 基于深度学习的互联网教育学生综合画像标签管理*** |
CN114626694A (zh) * | 2022-02-24 | 2022-06-14 | 深圳市华师兄弟教育科技有限公司 | 一种基于互联网的网络课程规划管理*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11379670B1 (en) * | 2019-09-30 | 2022-07-05 | Splunk, Inc. | Automatically populating responses using artificial intelligence |
US11747996B2 (en) * | 2020-08-05 | 2023-09-05 | Dropbox, Inc. | System and methods for implementing a key-value data store |
CN115082269B (zh) * | 2022-07-18 | 2023-01-20 | 华北理工大学 | 一种基于大数据的教学规划方法及*** |
-
2022
- 2022-07-18 CN CN202210844270.5A patent/CN115082269B/zh active Active
-
2023
- 2023-05-04 WO PCT/CN2023/091946 patent/WO2023131361A2/zh unknown
- 2023-07-26 ZA ZA2023/07444A patent/ZA202307444B/en unknown
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101452550A (zh) * | 2008-11-19 | 2009-06-10 | 中国网络通信集团公司 | ***的需求信息处理方法 |
CN102648465A (zh) * | 2009-08-26 | 2012-08-22 | 杰维斯股份公司 | 远程数据收集***和方法 |
CN105704400A (zh) * | 2016-04-26 | 2016-06-22 | 山东大学 | 一种基于多平台终端和云服务的学习***及其运行方法 |
CN106354810A (zh) * | 2016-08-27 | 2017-01-25 | 锁福涛 | 一种利用大数据技术的互联网教学*** |
CN108121785A (zh) * | 2017-12-15 | 2018-06-05 | 华中师范大学 | 一种基于教育大数据的分析方法 |
CN108965478A (zh) * | 2018-09-03 | 2018-12-07 | 北京许继电气有限公司 | 基于区块链技术的分布式数据采集方法和*** |
CN109118860A (zh) * | 2018-09-19 | 2019-01-01 | 江苏金惠甫山软件科技有限公司 | 基于人工智能的英语培训***及方法 |
CN110909235A (zh) * | 2019-10-24 | 2020-03-24 | 东莞成电智信信息科技有限公司 | 一种基于大数据的企业创新专家智库平台 |
CN111445331A (zh) * | 2020-03-24 | 2020-07-24 | 中国工商银行股份有限公司 | 交易撮合方法及装置 |
CN111796935A (zh) * | 2020-06-29 | 2020-10-20 | 中国工商银行股份有限公司 | 调用日志信息的消费实例分配方法及*** |
CN113160624A (zh) * | 2021-03-29 | 2021-07-23 | 贵州商学院 | 财务管理混合式课堂教学控制***及方法、介质及应用 |
CN113643163A (zh) * | 2021-08-11 | 2021-11-12 | 江苏熙枫教育科技有限公司 | 基于深度学习的互联网教育学生综合画像标签管理*** |
CN114626694A (zh) * | 2022-02-24 | 2022-06-14 | 深圳市华师兄弟教育科技有限公司 | 一种基于互联网的网络课程规划管理*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626628A (zh) * | 2020-06-01 | 2020-09-04 | 梅和珍 | 一种用于课外辅导的网络教学*** |
WO2023131361A3 (zh) * | 2022-07-18 | 2023-09-07 | 华北理工大学 | 一种基于大数据的教学规划方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115082269B (zh) | 2023-01-20 |
WO2023131361A2 (zh) | 2023-07-13 |
WO2023131361A3 (zh) | 2023-09-07 |
ZA202307444B (en) | 2023-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082269B (zh) | 一种基于大数据的教学规划方法及*** | |
CN113095969B (zh) | 一种基于多虚拟化身的沉浸式翻转课堂教学***及其工作方法 | |
Firat | How chat GPT can transform autodidactic experiences and open education? | |
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 | |
Li et al. | Students' perceptions of augmented reality integrated into a mobile learning environment | |
Hieu et al. | Identifying learners’ behavior from videos affects teaching methods of lecturers in Universities | |
CN112085630A (zh) | 适合omo学习场景的智适应作业*** | |
Shan et al. | Blended teaching design of college students’ mental health education course based on artificial intelligence flipped class | |
CN207742815U (zh) | 一种互动式慕课学习机 | |
CN115455186A (zh) | 一种基于多模型的学情分析方法 | |
CN115545982A (zh) | 一种在线学生异质分组***及方法 | |
CN112269914A (zh) | 一种基于人工智能的在线教育课程共享分配平台 | |
CN112215506A (zh) | 智慧数字教育ai课堂大数据管理平台及装置 | |
CN116993004A (zh) | 一种基于双层指标体系的教学评价方法和设备 | |
Zheng et al. | Relevant Concepts, Key Technologies and Typical Application Scenarios of AI+ Education | |
Zhang et al. | Future Challenges of Accounting Education in China Using Artificial Intelligence Assisted Multimedia Based Smart Accounting System | |
CN113704610B (zh) | 一种基于学习成长数据的学习风格画像生成方法及*** | |
Zheng et al. | Research on auxiliary devices for English teaching under intelligent Internet of things | |
Rabeya et al. | A Comparison of the Application of Artificial Intelligence in the Educational System | |
Paragoo et al. | Flipped classrooms for engaged learning during the pandemic: Teachers' perspectives and challenges in a South African high school | |
Parmar et al. | Automatic Analysis of Online Course Discussion Forum: A Short Review | |
Komaravalli et al. | Detecting Academic Affective States of Learners in Online Learning Environments Using Deep Transfer Learning | |
Dong et al. | The Path of Civic Education and Intelligent Strategies for Counselors in the Background of Artificial Intelligence | |
Wang | Computer Aided Teaching System for Football Teaching and Training Based on Video Image | |
Huang | Research on C++ System Practice of Online Auxiliary Teaching Platform based on Trusted Data Analysis |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220920 Assignee: Tangshan Jincheng Shengda Education Technology Co.,Ltd. Assignor: NORTH CHINA University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023110000087 Denomination of invention: A teaching planning method and system based on Big data Granted publication date: 20230120 License type: Common License Record date: 20230717 |