CN116823028A - 教学质量评价***及方法 - Google Patents
教学质量评价***及方法 Download PDFInfo
- Publication number
- CN116823028A CN116823028A CN202310658264.5A CN202310658264A CN116823028A CN 116823028 A CN116823028 A CN 116823028A CN 202310658264 A CN202310658264 A CN 202310658264A CN 116823028 A CN116823028 A CN 116823028A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- student
- teacher
- teaching quality
- module
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 241
- 238000004891 communication Methods 0.000 claims abstract description 44
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 19
- 238000001303 quality assessment method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种教学质量评价***及方法，涉及教学管理技术领域，该***包括信息采集模块和综合评价模块；信息采集模块与综合评价模块通信连接；信息采集模块用于采集目标教师所教授的各课程对应的多维评价参数；多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；综合评价模块，用于将多维评价参数输入至综合评价模型，得到各课程对应的教学质量评价结果，并将目标教师所教授的所有课程对应的教学质量评价结果进行融合，得到目标教师的综合教学质量评分结果，本发明全面地获取多维度评价参数并进行适应性地融合，实现自动精准地对教学质量进行客观评价，提高教学质量评价的评价效率和有效性。
Description
技术领域
本发明涉及教学管理技术领域，尤其涉及一种教学质量评价***及方法。
背景技术
教学质量评价是衡量高校教学水平的重要环节，教学质量的优劣直接关乎人才培养的质量，为了便于掌握教学部门的整体教学质量，提升教学质量，这也就要求教学质量评价具有更高的参考价值。
现有的教学质量评价基本采用人工评价结果作为参考指标，这种在教学后期进行的总结性评价形式主要依赖于人工，信息化程度不高，极大地影响评价的效率和有效性。
发明内容
本发明提供一种教学质量评价***及方法，用以解决现有技术中采用人工进行教学质量评分，导致评价的效率低和评价有效性差的缺陷，实现更客观高效地对教学质量的多维度评价，提高评价精度和评价效率。
本发明提供一种教学质量评价***，包括信息采集模块和综合评价模块；
所述信息采集模块与所述综合评价模块通信连接；
所述信息采集模块，用于采集目标教师所教授的各课程对应的多维评价参数；所述多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；所述教师评价参数是听课教师对各所述课程进行评价产生的评价参数；所述教师评价参数是听课学生对各所述课程进行评价产生的评价参数；
所述综合评价模块，用于将多维所述评价参数输入至综合评价模型，得到各所述课程对应的教学质量评价结果，并将所述目标教师所教授的所有课程对应的所述教学质量评价结果进行融合，得到所述目标教师的综合教学质量评分结果。
根据本发明提供的一种教学质量评价***，所述综合评价模型包括信息熵算法和变异系数算法；
所述综合评价模型，用于：
基于所述信息熵算法，获取各维所述评价参数的第一权重系数；
基于所述变异系数算法，获取各维所述评价参数的第二权重系数；
对所述第一权重系数和所述第二权重系数进行融合，得到各维所述评价参数的最终权重系数；
根据所述最终权重系数，对多维所述评价参数进行融合，得到各所述课程对应的教学质量评价结果。
根据本发明提供的一种教学质量评价***，所述信息采集模块包括多个不同视角的图像采集子模块，以及图像处理子模块；
各所述图像采集子模块与所述图像处理子模块通信连接；
所述图像采集子模块，用于采集各所述课程对应的学生视频数据；所述学生视频数据包括所述听课学生的多帧人脸图像；
所述图像处理子模块，用于：
根据所述多帧人脸图像，获取所述学生课堂参与度指标。
根据本发明提供的一种教学质量评价***，所述图像处理子模块，具体用于：
基于图像处理算法，对各帧所述人脸图像进行特征编码，得到各帧所述人脸图像的人脸特征向量；
将所述人脸特征向量输入至人脸检测模型中，得到各帧所述人脸图像对应的所述听课学生的抬头状态和总学生数量；
根据所述抬头状态以及所述总学生数量，获取各帧所述人脸图像对应的抬头比率；
根据多帧所述人脸图像对应的抬头比率，获取所述学生课堂参与度指标。
根据本发明提供的一种教学质量评价***，所述信息采集模块包括考勤采集子模块；
所述考勤采集子模块与第一客户端通信连接；所述第一客户端用于为所述听课学生提供通信服务；
所述考勤采集子模块，用于：
根据各所述课程的课程编号，确定各所述课程对应的期望听课人数；
在各所述课程对应的各授课时段内采集所述听课学生通过所述第一客户端传输的学生考勤数据；
根据所述学生考勤数据，确定各所述授课时段内的实际听课人数；
对各所述授课时段内的实际听课人数进行融合，得到所述各所述课程对应的实际听课人数；
根据所述期望听课人数和各所述课程对应的实际听课人数，获取各所述课程对应的所述学生考勤指标。
根据本发明提供的一种教学质量评价***，所述信息采集模块还包括评分采集子模块；
所述评分采集子模块与所述第一客户端通信连接；
所述评分采集子模块，用于：
在获取到所述听课学生通过所述第一客户端传输的成绩查询指令的情况下，向所述第一客户端发送各所述课程的课程类型对应的学生评分模板；
获取各所述课程对应的学生评分表；所述学生评分表是所述听课学生在所述第一客户端根据所述学生评分模板输入的；
根据各所述课程对应的学生评分表中的评分信息，获取各所述课程对应的所述学生评价参数。
根据本发明提供的一种教学质量评价***，所述评分采集子模块与第二客户端通信连接；所述第二客户端用于为所述听课教师提供通信服务；
所述评分采集子模块，还用于：
向所述第二客户端发送各所述课程的课程类型对应的教师评分模板；
获取各所述课程对应的教师评分表；所述教师评分表是所述听课教师在所述第二客户端根据所述教师评分模板输入的；
根据各所述课程对应的教师评分表中的评分信息，获取各所述课程对应的所述教师评价参数。
根据本发明提供的一种教学质量评价***，还包括管理模块；
所述管理模块与所述综合评价模块通信连接；
所述管理模块用于对所述目标教师的教学信息以及所述综合教学质量评分结果进行管理；和/或，
接收所述目标教师通过第三客户端输入的校核指令；所述第三客户端用于为所述目标教师提供通信服务；
根据所述校核指令，对所述目标教师的综合教学质量评分结果进行校核，并根据校核结果向所述第三客户端发送响应信息。
根据本发明提供的一种教学质量评价***，还包括显示器；
所述显示器与所述综合评价模块和所述信息采集模块通信连接；
所述显示器用于展示所述综合教学质量评分结果和所述多维评价参数。
本发明还提供一种教学质量评价方法，应用于如上述任一种所述教学质量评价***，所述方法包括：
采集目标教师所教授的各课程对应的多维评价参数；所述多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；所述教师评价参数是听课教师对各所述课程进行评价产生的评价参数；所述教师评价参数是听课学生对各所述课程进行评价产生的评价参数；
将多维所述评价参数输入至综合评价模型，得到各所述课程对应的教学质量评价结果；
将所述目标教师所教授的所有课程对应的所述教学质量评价结果进行融合，得到所述目标教师的综合教学质量评分结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述教学质量评价方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述教学质量评价方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述教学质量评价方法。
本发明提供的教学质量评价***及方法，通过首先运用信息采集模块采集目标教师所教授的各课程对应的多维评价参数；接着运用综合评价模块将多维评价参数输入综合评价模型，以得到各课程对应的教学质量评价结果；并运用综合评价模块融合目标教师所教授的所有课程对应的教学质量评价结果，最终得到目标教师的综合教学质量评分结果，全面地获取多维度评价参数并进行适应性地融合，实现自动精准地对教学质量进行客观评价，提高教学质量评价的评价效率和有效性。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的教学质量评价***的结构示意图之一；
图2是本发明提供的教学质量评价***的数据流图；
图3是本发明提供的教学质量评价***的结构示意图之二；
图4是本发明提供的教学质量评价***的结构示意图之三；
图5是本发明提供的获取学生考勤指标的流程示意图；
图6是本发明提供的教学质量评价方法的流程示意图；
图7是本发明提供的电子设备的结构示意图。
附图标记：
11：信息采集模块；12：综合评价模块；13：管理模块；14：显示器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
教师的教学质量评价是衡量教学水平的重要环节，教学质量的优劣直接关乎的声誉和人才培养的质量。现有的教学质量评价基本依靠未匿名的学生评价、教师互评等评价结果作为参考指标。这种在教学后期进行的总结性评价形式存在一些问题，主要为：学生评价未匿名导致评价真实性减弱；评价指标基本来源于课后，未采集课前和课中的相关指标，导致评价不全面；评价方式陈旧，大多采用手填，信息化程度不高，导致评价过程繁琐。
现有技术中从预设教学视频数据库中，获取上课过程中学生的视频画面；检测所述视频画面中的表情特征，确定对课堂内容感兴趣的表情特征对应的感兴趣数量；对学生对教师的评价信息、实到人数以及应到人数进行处理，确定参数表示教师上课内容对学生的吸引程度和教师对课程内容的传授程度，基于参数确定教学质量等级。
另外，还有一些现有技术包括中央控制模块，无线通讯模块，摄像装置，灯管驱动器，热释电红外人体传感器等装置；通过此种设计达到对学生的出勤率以及上课状态进行监控记录的目的。
这些现有技术通过采集课中的相关指标进行教学评价，但是仍存在重点关注学生在授课教室内所产生的数据，并未涉及听课教师的评价与学生成绩数据的问题，最终评分并不能全面体现教学质量；另外，现有技术中未设计可供用户操作和结果数据展示的***，导致学生和教师对此评价过程的参与度几乎为零，不利于提高学生参与评价的积极性和教师改进自身教学方式方法。
针对上述问题，本发明设计了一种基于综合教学指标的教学质量评价方法及***，结合学生考勤、学生课堂参与度、学生问卷调查(下文也称学生评分表)、学生成绩和教师评价五大指标，利用信息熵与变异系数融合算法生成指标权重并计算评分，并利用数据分析将评分进行横纵向比较，利用数据可视化将其结果清晰展现，让管理人员掌握每学期各教学单位的整体教学质量，让教师认识到自身的优势与不足，以便更有针对性地进行调整，从而提升教学质量。
下面结合图1-图5描述本申请的教学质量评价***。
其中，教学质量评价***可以是采用前后端分离的设计，***后端包括ORM(Object Relational Mapping，对象关系映射)数据库操作模块、用户管理模块、JWT(JSONWeb Token，表述性声明规范)认证模块、权限模块和定时任务模块，***后端的实现语言和框架可以是根据实际场景进行选择；示例性的，***后端可以是选择用Python(面向对象计算机程序设计语言)语言编写，采用DRF(Django-Representational State Transfer-Framework，应用开发框架)框架来开发Web API(World Wide Web ApplicationProgramming Interface，应用程序编程接口)接口，本实施例对此不作具体地限定。
***前端可以是采用Vue(渐进式框架)框架来开发各用户的操作和展示界面；***数据库可以是采用MySQL(My Structured Query Language，关系型数据库管理***)；***代理可以是采用Nginx(EngineX，反向代理服务器)服务器。
如图1所示，为本申请提供的一种教学质量评价***的结构示意图之一，该教学质量评价***可以包括：信息采集模块11和综合评价模块12；
所述信息采集模块11与所述综合评价模块12通信连接，以通过各设备自身功能和通信交互实现教学质量评价。
所述信息采集模块11，用于采集目标教师所教授的各课程对应的多维评价参数；所述多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；所述教师评价参数是听课教师对各所述课程进行评价产生的评价参数；所述学生评价参数是听课学生对各所述课程进行评价产生的评价参数；
首先，运用信息采集模块11采集目标教师所教授的各课程对应的由学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标组成的多维评价参数，获取的指标数据可以是Nx5维。其中，N为目标教师所教授的课程数量。
可选地，教师评价参数可以是通过听课教师直接将整体评分输入客户端进行获取；也可以是对听课教师依据预设的多项指标对应输入的多项评分进行加权相加后得到最后的教师评价参数；还可以是通过听课教师依据目标课程的课程类型对应的教师评分模板输入的教师评分表进行获取，本实施例对此不作具体地限定。
可选地，课程类型可以是根据课程所属专业、课程所属学科等其中的一项或多项的组合进行确定的，本实施例对此不作具体地限定。
同样地，学生评价参数可以是通过听课学生直接将整体评分输入客户端进行获取；也可以是对听课学生依据预设的多项指标对应输入的多项评分进行加权相加后得到最后的学生评价参数；还可以是通过听课学生依据目标课程的课程类型对应的学生评分模板输入的学生评分表进行获取，本实施例对此不作具体地限定。
可选地，学生课堂参与度指标可以是通过获取目标教师所教授的各课程行课过程中听课学生的抬头比率进行确定；也可以是通过获取行课过程中听课学生的表情特征、动作特征等状态特征进行确定，本实施例对此不作具体地限定。
可选地，学生考勤指标可以是通过运用客户端中获取的听课学生的学生考勤数据进行计算获取；也可以是通过图像采集装置获取所有听课学生的考勤状态，并对所有听课学生的状态进行整合并计算获取；还可以是根据目标教室和/或听课教师直接输入的听课学生的学生考勤数据进行计算获取，本实施例对此不作具体地限定。
可选地，学生成绩指标可以是通过获取目标教师所教授的各课程的所有选课学生最终的成绩，并计算所有选课学生最终成绩的平均数、四分位数、标准差和标准分中的一项或多项的组合进行获取，本实施例对此不作具体地限定。
图2为本实施例提供的教学质量评价***的数据流图，如图2所示，信息采集模块11包括批量数据处理层和评价指标层，综合评价模块12包括数据模型层、数据分析层和应用服务层。教学质量评价***可以与各种数据中心、各种客户端以及图像采集器进行通信，并通过调用批量数据处理层从中获取各种元数据，并加工处理得到综合评价模型所需的多维评价参数：学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；当批量机制判断所有指标数据被获取后，***会通过数据模型层，调用综合评价模型计算出教学质量评价结果；当每学期所有授课教师的教学质量评价结果计算完后，调用数据分析层将该学期的教学质量评价结果数据与历史教学质量评价数据一起处理并传输至应用服务层进行展示。
需要说明的是，此处的图像采集器是信息采集模块中用于进行图像采集的子模块；或者是用于向信息采集模块传输图像信息的模块，本实施例对此不做具体地限定。
所述综合评价模块12，用于将多维所述评价参数输入至综合评价模型，得到各所述课程对应的教学质量评价结果，并将所述目标教师所教授的所有课程对应的所述教学质量评价结果进行融合，得到所述目标教师的综合教学质量评分结果。
得到多维评价参数后，可以是分别将每一课程对应的多维评价参数输入综合评价模型，获取各课程对应的教学质量评价结果。
其中，综合评价模型用于对目标课程的多维评价参数进行加权相加获取各课程对应的教学质量评价结果，加权相加过程中各多维评价参数的权重系数可以是根据实际场景进行预先配置；也可以是根据各多维评价参数的值进行计算获取，本实施例对此不作具体地限定。
可选地，接着对目标教师所教授的N门课程对应的教学质量评价结果进行融合得到目标教师整体的综合教学质量评分结果，可以是通过计算N门课程对应的教学质量评价结果的平均值，将计算结果作为目标教师整体的综合教学质量评分结果；也可以是以基于课程类型设置的权重系数，对N门课程对应的教学质量评价结果进行加权相加获取目标教师整体的综合教学质量评分结果，本实施例对此不作具体地限定。
本实施例通过首先运用信息采集模块采集目标教师所教授的各课程对应的多维评价参数；接着运用综合评价模块将多维评价参数输入综合评价模型，以得到各课程对应的教学质量评价结果；并运用综合评价模块融合目标教师所教授的所有课程对应的教学质量评价结果，最终得到目标教师的综合教学质量评分结果，全面地获取多维度评价参数并进行适应性地融合，实现自动精准地对教学质量进行客观评价，提高教学质量评价的评价效率和有效性。
在上述实施例的基础上，本实施例中所述综合评价模型包括信息熵算法和变异系数算法；所述综合评价模型，用于：基于所述信息熵算法，获取各维所述评价参数的第一权重系数；基于所述变异系数算法，获取各维所述评价参数的第二权重系数；对所述第一权重系数和所述第二权重系数进行融合，得到各维所述评价参数的最终权重系数；根据所述最终权重系数，对多维所述评价参数进行融合，得到各所述课程对应的教学质量评价结果。
将多维评价参数输入至综合评价模型后，首先运用信息熵算法计算各维评价参数的第一权重系数；
信息熵是用于衡量不确定性的指标，也就是离散随机事件出现的概率。信息熵计算公式如下：
其中，k为随机变量，与之相对应的是所有可能输出的集合，定义为符号集，随机变量的输出用X表示；N为随机变量的类别数目；pk为输出概率函数。
基于信息熵算法可以通过计算各维评价参数的概率分布来衡量各维评价参数的不确定性，并根据计算得的各维评价参数的概率，得到各维评价参数的第一权重系数。
接着运用变异系数算法计算各维评价参数的第二权重系数；
变异系数又称标准差率，是概率分布离散程度的一个归一化量度，其定义为标准差与平均值之比。变异系数计算公式如下：
其中CV为变异系数，SD为标准偏差，MN为平均值。
基于变异系数算法可以通过衡量各维评价参数取值的差异程度消除各维评价参数的量纲不同的影响，并根据计算得的各维评价参数的变异程度，获取各维评价参数的第二权重系数。
可选地，接着对得到的第一权重系数和第二权重系数进行融合得到各维评价参数的最终权重系数，可以是将第一权重系数和第二权重系数进行加权相加得到一个1x5的特征向量，将该特征向量作为各维评价参数的最终权重系数，第一权重系数和第二权重系数在加权相加中的权重系数可以是根据实际场景进行设置；示例性的，可以是分别将第一权重系数和第二权重系数的权重系数设置为0.5以进行加权相加获取最终权重系数，本实施例对此不作具体地限定。
接着根据最终权重系数分别对各课程对应的多维评价参数进行加权相加，将计算得到的结果作为各课程对应的教学质量评价结果。
本实施例通过首先分别基于信息熵算法和变异系数算法，获取各维所述评价参数的第一权重系数和第二权重系数；接着对融合第一权重系数和第二权重系数，得到各维评价参数的最终权重系数；并根据最终权重系数对各维评价参数进行加权相加，获取各课程对应的教学质量评价结果，实现对多维度评价参数的适应性地融合，有助于自动精准地对教学质量进行客观评价，提高教学质量评价的评价效率。
在上述实施例的基础上，本实施例中所述信息采集模块11包括多个不同视角的图像采集子模块，以及图像处理子模块；各所述图像采集子模块与所述图像处理子模块通信连接；所述图像采集子模块，用于采集各所述课程对应的学生视频数据；所述学生视频数据包括所述听课学生的多帧人脸图像；所述图像处理子模块，用于：根据所述多帧人脸图像，获取所述学生课堂参与度指标。首先在各课程对应的行课过程中由图像采集子模块从多个不同视角采集听课学生的多帧人脸图像作为学生视频数据；
其中，图像采集子模块可以基于直接用于图像采集的图像采集器，如单目摄像机或双目摄像机等，构建生成；或者基于直接用于图像采集的图像采集器以及用于辅助成像的辅助设备，如补光灯等，进行联合搭建形成。
可选地，学生视频数据可以是通过从图像采集子模块采集的视频数据中均匀截取多帧人脸图像进行获取，截取人脸图像的帧数可以是根据实际场景进行设置；示例性的，本实施例中可以是设置截取人脸图像的帧数为20帧，本实施例对此不做具体地限定。
获取学生视频数据后，图像采集子模块将其输入到图像处理子模块进行处理，获取学生课堂参与度指标。
可选地，图像处理子模块可以是通过分析多帧人脸图像中听课学生的抬头比率，获取学生课堂参与度指标；也可以是通过获取多帧人脸图像中听课学生参与提问的比率，获取学生课堂参与度指标，本实施例对此不作具体地限定。
本实施例通过首先运用图像采集子模块采集各课程对应的学生视频数据；接着将学生视频数据输入图像处理子模块，以根据多帧人脸图像获取学生课堂参与度指标，实现课内评价参数的客观提取，有助于更精准地对教学质量进行客观评价，提高教学质量评价的有效性。
在上述实施例的基础上，本实施例中所述图像处理子模块，具体用于：基于图像处理算法，对各帧所述人脸图像进行特征编码，得到各帧所述人脸图像的人脸特征向量；将所述人脸特征向量输入至人脸检测模型中，得到各帧所述人脸图像对应的所述听课学生的抬头状态和总学生数量；根据所述抬头状态以及所述总学生数量，获取各帧所述人脸图像对应的抬头比率；根据多帧所述人脸图像对应的抬头比率，获取所述学生课堂参与度指标。
接收到学生视频数据后，对于学生视频数据中的每一帧选课学生的人脸图像，图像处理子模块首先基于图像处理算法，对该人脸图像进行特征编码，得到该人脸图像对应的人脸特征向量；
其中，图像处理算法可以是采用OpenCV(Open Source Computer VisionLibrary，开源计算机视觉库)技术，OpenCV实现了图像处理和计算机视觉方面的很多通用算法，已成为计算机视觉领域最有力的研究工具。
可选地，对该人脸图像进行特征编码获取对应的人脸特征向量时，特征向量的维度可以是根据进行编码的特征数进行设置；示例性的，本实施例中可以是设置特征向量的维度为1x128D，本实施例对此不做具体地限定。
接着将该人脸图像对应的人脸特征向量输入至人脸检测模型中，得到该人脸图像对应的听课学生的抬头状态和总学生数量；
可选地，人脸检测模型中可以是通过将该人脸图像对应的人脸特征向量与所有听课学生的人脸特征向量集进行对比，基于SVM(Support Vector Machine，支持向量机)机器学习算法，在样本人脸集中，找出该人脸图像中与预设样本人脸集对应的人脸特征向量之间欧式距离小于预设阈值的目标人脸，将该识别成功的目标人脸对应的听课学生作为该人脸图像中处于抬头状态的听课学生，并获取该人脸图像对应的所有学生的总学生数量。样本人脸集预先存储有历史处于抬头状态的学生人脸。可选地，样本人脸集可以预先存储在数据库中；也可以是通过图像处理子模块的历史识别结果进行获取得到的，本实施例对此不作具体地限定。
SVM是常见的一种判别方法，在机器学习领域，SVM算法通常用来进行模式识别、分类以及回归分析。可以理解的是，所计算出的与该人脸图像对应的人脸特征向量之间的最小欧式距离在SVM限定的阈值之内。
获取该人脸图像对应的处于抬头状态的抬头学生数量及该人脸图像对应的所有学生的总学生数量后，可以计算处于抬头状态的抬头学生数量与该人脸图像对应的所有学生的总学生数量之间的比值，将计算结果作为该人脸图像对应的抬头比率。
可选地，最后可以是对于多帧人脸图像对应的抬头比率取平均值，将取平均值的计算结果作为学生课堂参与度指标；也可以是选取多帧人脸图像对应的抬头比率中的最优值作为学生课堂参与度指标，本实施例对此不作具体地限定。
本实施例通过首先运用图像处理算法对各帧人脸图像进行特征编码，分别得到对应的人脸特征向量；接着将得到的人脸特征向量输入人脸检测模型，获取各帧人脸图像对应的听课学生的抬头状态和总学生数量，并计算各帧人脸图像对应的抬头比率；最后根据多帧人脸图像对应的抬头比率，计算学生课堂参与度指标，实现课内评价参数的客观提取，有助于更精准地对教学质量进行客观评价，提高教学质量评价的有效性。
图3为本实施例提供的教学质量评价***的结构示意图之二，如图3所示，教学质量评价***的后台与多种数据中心通信连接，包括第一数据中心和第二数据中心；且还可以与多种客户端通信连接，包括第一客户端、第二客户端和第三客户端，以便教学质量评价***通过与多种数据中心通信连接以及多种客户端通信连接，实现如下功能：学生问卷调查获取、教师评分展示、听课教师评分上传、教学质量评价结果校核、学生成绩展示、教师历史评分分析展示，以及用户管理。
教学质量评价***可以与从各种数据中心、各种客户端进行通信，获取综合评价模型所需的多维评价参数。所称的通信连接可以是通过HTTP(Hyper Text TransferProtocol，超文本传输协议)建立连接。
其中，教学质量评价***的后台可以通过批量的方式从其数据库获取排课、学生课表、听课安排等数据，还可以通过一次性数据铺底的形式接入历史教学质量评价数据，本实施例对此不作具体地限定。第一数据中心用于存储排课信息、学生课表信息、听课安排信息等课程信息。
此处第一数据中心可以通过设数据库表结构进行数据的存储和方便运用，并使用DRF中ORM模块完成对数据库表的关联，本实施例对此不作具体地限定。
教学质量评价***的后台可以从第二数据中批量获取各课程中各选课学生的成绩。第二数据中心用于存储学生成绩、教师的综合教学质量评分、学生人脸信息、教师人脸信息等教学信息。
如图4所示，第一客户端用于为听课学生提供通信服务，如将听课学生填写的调查问卷传输至教学质量评价***，或者，从教学质量评价***查询学生成绩；
第二客户端用于听课教师提供通信服务，如从教学质量评价***下载教师评分模板，以及将听课教师录入评分模板形成的教师评分表传输至教学质量评价***。
第三客户端用于为目标教师提供通信服务，也即用于实现目标教师与教学质量评价***之间的交互通信。
在上述实施例的基础上，本实施例中所述信息采集模块11包括考勤采集子模块；所述考勤采集子模块与第一客户端通信连接；所述第一客户端用于为所述听课学生提供通信服务；图5是本实施例提供的获取学生考勤指标的流程示意图，如图5所示，运用所述考勤采集子模块获取学生考勤指标的步骤包括：
步骤501，根据各所述课程的课程编号，确定各所述课程对应的期望听课人数；
对于每一课程学生考勤指标的获取，可以是首先通过该课程的课程编号在第一数据中心中的听课安排数据中获取该课程中应该到课的学生人数，作为该课程对应的期望听课人数。
其中，所有课程的课程编号与该课程中应该到课的学生人数之间存在一一对应的映射关系。
步骤502，在各所述课程对应的各授课时段内采集所述听课学生通过所述第一客户端传输的学生考勤数据；
可以理解的是，在获取学生考勤数据前，考勤采集子模块需要先根据该课程的课程编号，在第一数据中心中的排课数据中获取该课程的所有授课时段；
其中，各课程的课程编号与该课程的所有授课时段之间存在一一对应的映射关系。
接着在各个授课时段内，分别采集所有听课学生通过第一客户端传输的学生考勤数据。此处，听课学生传输考勤数据的方式可以是在第一客户端的微信端进行打卡等。
步骤503，根据所述学生考勤数据，确定各所述授课时段内的实际听课人数；
步骤504，对各所述授课时段内的实际听课人数进行融合，得到所述各所述课程对应的实际听课人数；
可选地，接着可以是分别整理在各个授课时段内，该课程的所有听课学生的学生考勤数据，获取在各个授课时段内的实际听课人数；并通过计算求取所有授课时段内的实际听课人数的平均数以进行融合，将融合后的计算结果作为该课程对应的实际听课人数。
步骤505，根据所述期望听课人数和各所述课程对应的实际听课人数，获取各所述课程对应的所述学生考勤指标。
最后通过计算该课程对应的计算期望听课人数和该课程对应的实际听课人数的比值，获取该课程的到课率，将到课率作为该课程对应的学生考勤指标。
另外，对于各课程对应的学生成绩指标的获取，可以是首先通过各课程的课程编号获取各课程中所有选课学生的成绩，接着分别通过计算求取平均数的方式将各课程所有选课学生的成绩进行融合，将计算结果作为各课程对应的学生成绩指标。
本实施例通过对于每一课程，首先根据课程编号确定其对应的期望听课人数；接着通过采集第一客户端传输的该课程对应的所有授课时段的学生考勤数据，确定并融合各授课时段内的实际听课人数，获取该课程对应的实际听课人数；最后根据期望听课人数和各所述课程对应的实际听课人数，计算得到该课程对应的所述学生考勤指标，实现课前评价参数的客观提取，有助于更精准地对教学质量进行客观评价，提高教学质量评价的有效性。
在上述实施例的基础上，本实施例中所述信息采集模块11还包括评分采集子模块；所述评分采集子模块与所述第一客户端通信连接；
所述评分采集子模块，用于：在获取到所述听课学生通过所述第一客户端传输的成绩查询指令的情况下，向所述第一客户端发送各所述课程的课程类型对应的学生评分模板；获取各所述课程对应的学生评分表；所述学生评分表是所述听课学生在所述第一客户端根据所述学生评分模板输入的；根据各所述课程对应的学生评分表中的评分信息，获取各所述课程对应的所述学生评价参数。
其中，第一客户端还用于在听课学生查看该学期所修课程并发送成绩查询指令的情况下，可以下载相应课程的课程类型对应的学生评分模板，以供听课学生对每门课程对应的学生评分模板进行填写，并上传学生评分表至评分采集子模块。若各课程的学生评分表获取完毕，评分采集子模块还可以将第二数据中心中听课学生所修的各课程的考试成绩发送至第一客户端，以便听课学生可分别查看各课程对应的考试成绩。
可选地，评分采集子模块接收到第一客户端传输的成绩查询指令后，首先可以获取听课学生所选的所有课程，接着分别获取每一课程的课程类型，并找到该课程类型对应的学生评分模板；
可选地，获取该课程类型对应的学生评分模板可以是通过课程类型及其对应的学生评分模板之间直接存在的映射关系进行查找；也可以是通过获取课程类型的标识，并根据课程类型的标识及该课程类型对应的学生评分模板之间预先配置的映射关系进行查找，本实施例对此不作具体地限定。
接着，评分采集子模块将找到的学生评分模板发送到第一客户端，并从第一客户端获取听课学生所选的所有课程的学生评分表，接着分别收集整理各课程对应的学生评分表；
可选地，学生评分表可以是通过听课学生下载其所选课程的课程类型对应的学生评分模板后，手动填批量填写评分信息并上传第一客户端；也可以是听课学生运用触摸输入、语音输入、手势输入、视觉输入、脑机输入等方式直接在客户端进行填充；还可以是听课学生通过运用对于不同学生评分模板预先设置的下拉选项进行评分信息的选择，本实施例对此不作具体地限定。
可以理解的是，从第一客户端获取听课学生所选的所有课程的学生评分表的过程后，可以是采用匿名的形式对各课程对应的学生评分表进行收集整理，以打消学生对问卷结果影响成绩的担忧。
最后整合各课程对应的学生评分表中的评分信息，获取各课程对应的学生评价参数。
示例性的，可以是先将各课程对应的每一学生评分表中的各项评分信息进行加权相加获取该学生评分表的最终评分，接着计算各课程对应的所有学生评分表的最终评分的平均值，将计算结果作为各课程对应的学生评价参数，本实施例对此不作具体地限定。
本实施例在接收到第一客户端传输的成绩查询指令后，首先将各课程的课程类型对应的学生评分模板发送到第一客户端；接着获取听课学生在第一客户端根据学生评分模板输入的各课程对应的学生评分表；最后整合各课程对应的学生评分表中的评分信息，得到各课程对应的学生评价参数，通过以不同的课程性质评价方式为依据设计多种学生评分模板，且将匿名提交学生评分表设置为成绩查询的前置条件，实现学生评价参数的客观提取，有助于更精准地对教学质量进行客观评价，提高教学质量评价的有效性。
在上述实施例的基础上，本实施例中所述评分采集子模块与第二客户端通信连接；所述第二客户端用于为所述听课教师提供通信服务；
所述评分采集子模块，还用于：向所述第二客户端发送各所述课程的课程类型对应的教师评分模板；获取各所述课程对应的教师评分表；所述教师评分表是所述听课教师在所述第二客户端根据所述教师评分模板输入的；根据各所述课程对应的教师评分表中的评分信息，获取各所述课程对应的所述教师评价参数。
其中，第二客户端用于下载相应课程的课程类型对应的教师评分模板，以供听课教师对每门课程对应的教师评分模板进行填写，并上传教师评分表至评分采集子模块。
首先，评分采集子模块可以获取听课教师历史听课的所有课程，接着分别获取每一课程的课程类型，并找到该课程类型对应的教师评分模板；
可选地，获取该课程类型对应的教师评分模板可以是通过课程类型及其对应的教师评分模板之间直接存在的映射关系进行查找；也可以是通过获取课程类型的标识，并根据课程类型的标识及该课程类型对应的教师评分模板之间预先配置的映射关系进行查找，本实施例对此不作具体地限定。
接着，评分采集子模块将找到的教师评分模板发送到第二客户端，并从第二客户端获取听课教师所选的所有课程的教师评分表，接着分别收集整理各课程对应的教师评分表；
可选地，教师评分表可以是通过听课教师下载其所选课程的课程类型对应的教师评分模板后，手动填批量填写评分信息并上传第二客户端；也可以是听课教师运用触摸输入、语音输入、手势输入、视觉输入、脑机输入等方式直接在客户端进行填充；还可以是听课教师通过运用对于不同教师评分模板预先设置的下拉选项进行评分信息的选择，本实施例对此不作具体地限定。
最后整合各课程对应的教师评分表中的评分信息，获取各课程对应的教师评价参数。
示例性的，可以是先将各课程对应的每一教师评分表中的各项评分信息进行加权相加获取该教师评分表的最终评分，接着计算各课程对应的所有教师评分表的最终评分的平均值，将计算结果作为各课程对应的教师评价参数，本实施例对此不作具体地限定。
本实施例通过在接收到第二客户端传输的成绩查询指令后，首先将各课程的课程类型对应的教师评分模板发送到第二客户端；接着获取听课教师在第二客户端根据教师评分模板输入的各课程对应的教师评分表；最后整合各课程对应的教师评分表中的评分信息，得到各课程对应的教师评价参数，通过以不同的课程性质评价方式为依据设计多种教师评分模板，实现教师评价参数的客观提取，有助于更精准地对教学质量进行客观评价，提高教学质量评价的有效性。
在上述实施例的基础上，本实施例中还包括管理模块13；所述管理模块13与所述综合评价模块12通信连接；
所述管理模块13用于对所述目标教师的教学信息以及所述综合教学质量评分结果进行管理；和/或，接收所述目标教师通过第三客户端输入的校核指令；所述第三客户端用于为所述目标教师提供通信服务；根据所述校核指令，对所述目标教师的综合教学质量评分结果进行校核，并根据校核结果向所述第三客户端发送响应信息。
如图4所示，管理模块13可以根据目标教师的名称、所属学院、所属专业、所属职级及预先设置的目标教师的编号信息等中的一项或多项的组合，以多维度的形式对目标教师的教学信息、综合教学质量评分结果、以及目标教师所教授的所有课程对应的教学质量评价结果和/或多维评价参数等内容进行查询和管理，本实施例对此不作具体地限定。
和/或，当接收到目标教师通过第三客户端输入的校核指令后，管理模块13可以基于校核指令校核目标教师的综合教学质量评分结果，完成校核后获取校核结果，并根据校核结果向第三客户端发送响应信息。
如图4所示，第三客户端用于目标教师查询该学期的综合教学质量评分结果和历史评分数据分析；进一步地，第三客户端还可以进行该学期所教授的所有课程对应的教学质量评价结果和/或多维评价参数的查询；另外，第三客户端开放了校核通道，用于目标教师对不认可的评价参数进行校核指令的输入，由管理员处理校核指令后可查看校核结果的响应信息；
另外，管理模块13还可以用于各用户的认证和权限配置；及用于管理员查询、添加、删除和修改听课学生和听课教师的信息；在一些实施例中，面对无法运用图像采集子模块进行听课学生的人脸数据的采集，也无法直接从数据库中获取听课学生的人脸数据的情况是，还可以运用管理模块13实现听课学生的人脸图像录入功能。
本实施例运用管理模块13实现对目标教师的教学信息以及综合教学质量评分结果进行管理；和/或，运用管理模块13接收第三客户端中目标教师输入的校核指令，并校核目标教师的综合教学质量评分结果进行，最后根据校核结果向第三客户端发送响应信息，实现对于用户信息的管理，以及对于目标教师的综合教学质量评分结果的准确性保障，有助于精准地对教学质量进行客观评价，提高教学质量评价的有效性。
在上述实施例的基础上，本实施例中还包括显示器14；所述显示器14与所述综合评价模块12和所述信息采集模块11通信连接；
所述显示器14用于展示所述综合教学质量评分结果和所述多维评价参数。
在一些实施例中，显示器14不仅可以以可视化数据图形的形式展示综合教学质量评分结果和多维评价参数的页面，还可以作为用户的前段操作显示页面，本实施例对此不作具体地限定。
本实施例通过运用显示器14展示综合教学质量评分结果和多维评价参数，实现利用数据可视化将多维度的教学质量评分结果清晰展现，让管理人员掌握每学期的整体教学质量，让目标教师认识到自身的优势与不足，以便更有针对性地进行调整，从而提升教学质量。
下面对本发明提供的教学质量评价方法进行描述，下文描述的教学质量评价方法与上文描述的教学质量评价***可相互对应参照。
如图6所示，为本申请提供的一种教学质量评价方法，该方法包括如下步骤：
步骤601，采集目标教师所教授的各课程对应的多维评价参数；所述多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；所述教师评价参数是听课教师对各所述课程进行评价产生的评价参数；所述教师评价参数是听课学生对各所述课程进行评价产生的评价参数；
首先，采集目标教师所教授的各课程对应的由学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标组成的多维评价参数，获取的指标数据可以是Nx5维。其中，N为目标教师所教授的课程数量。
可选地，教师评价参数可以是通过听课教师直接将整体评分输入客户端进行获取；也可以是对听课教师依据预设的多项指标对应输入的多项评分进行加权相加后得到最后的教师评价参数；还可以是提高听课教师依据目标课程的课程类型对应的教师评分模板输入的教师评分表进行获取，本实施例对此不作具体地限定。
同样地，学生评价参数可以是通过听课学生直接将整体评分输入客户端进行获取；也可以是对听课学生依据预设的多项指标对应输入的多项评分进行加权相加后得到最后的学生评价参数；还可以是通过听课学生依据目标课程的课程类型对应的学生评分模板输入的学生评分表进行获取，本实施例对此不作具体地限定。
可选地，学生课堂参与度指标可以是通过获取目标教师所教授的各课程行课过程中听课学生的抬头比率进行确定；也可以是通过获取行课过程中听课学生的表情特征、动作特征等状态特征进行确定，本实施例对此不作具体地限定。
可选地，学生考勤指标可以是通过运用客户端中获取的听课学生的学生考勤数据进行计算获取；也可以是通过图像采集装置获取所有听课学生的考勤状态，并对所有听课学生的状态进行整合并计算获取；还可以是根据目标教室和/或听课教师直接输入的听课学生的学生考勤数据进行计算获取，本实施例对此不作具体地限定。
可选地，学生成绩指标可以是通过获取目标教师所教授的各课程的所有选课学生最终的成绩，并计算所有选课学生最终成绩的平均数、四分位数、标准差和标准分中的一项或多项的组合进行获取，本实施例对此不作具体地限定。
步骤602，将多维所述评价参数输入至综合评价模型，得到各所述课程对应的教学质量评价结果；
得到多维评价参数后，可以是分别将每一课程对应的多维评价参数输入综合评价模型，获取各课程对应的教学质量评价结果。
其中，综合评价模型用于对目标课程的多维评价参数进行加权相加获取各课程对应的教学质量评价结果，加权相加过程中各多维评价参数的权重系数可以是根据实际场景进行预先配置；也可以是根据各多维评价参数的值进行计算获取，本实施例对此不作具体地限定。
步骤603，将所述目标教师所教授的所有课程对应的所述教学质量评价结果进行融合，得到所述目标教师的综合教学质量评分结果。
可选地，接着对目标教师所教授的N门课程对应的教学质量评价结果进行融合得到目标教师整体的综合教学质量评分结果，可以是通过计算N门课程对应的教学质量评价结果的平均值，将计算结果作为目标教师整体的综合教学质量评分结果；也可以是以基于课程类型设置的权重系数，对N门课程对应的教学质量评价结果进行加权相加获取目标教师整体的综合教学质量评分结果，本实施例对此不作具体地限定。
本实施例通过首先运用信息采集模块11采集目标教师所教授的各课程对应的多维评价参数；接着运用综合评价模块12将多维评价参数输入综合评价模型，以得到各课程对应的教学质量评价结果；并运用综合评价模块12融合目标教师所教授的所有课程对应的教学质量评价结果，最终得到目标教师的综合教学质量评分结果，全面地获取多维度评价参数并进行适应性地融合，实现自动精准地对教学质量进行客观评价，提高教学质量评价的评价效率和有效性。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令，以执行教学质量评价方法，该方法包括：采集目标教师所教授的各课程对应的多维评价参数；所述多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；所述教师评价参数是听课教师对各所述课程进行评价产生的评价参数；所述学生评价参数是听课学生对各所述课程进行评价产生的评价参数；将多维所述评价参数输入至综合评价模型，得到各所述课程对应的教学质量评价结果；将所述目标教师所教授的所有课程对应的所述教学质量评价结果进行融合，得到所述目标教师的综合教学质量评分结果。
此外，上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的教学质量评价方法，该方法包括：采集目标教师所教授的各课程对应的多维评价参数；所述多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；所述教师评价参数是听课教师对各所述课程进行评价产生的评价参数；所述学生评价参数是听课学生对各所述课程进行评价产生的评价参数；将多维所述评价参数输入至综合评价模型，得到各所述课程对应的教学质量评价结果；将所述目标教师所教授的所有课程对应的所述教学质量评价结果进行融合，得到所述目标教师的综合教学质量评分结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的教学质量评价方法，该方法包括：采集目标教师所教授的各课程对应的多维评价参数；所述多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；所述教师评价参数是听课教师对各所述课程进行评价产生的评价参数；所述学生评价参数是听课学生对各所述课程进行评价产生的评价参数；将多维所述评价参数输入至综合评价模型，得到各所述课程对应的教学质量评价结果；将所述目标教师所教授的所有课程对应的所述教学质量评价结果进行融合，得到所述目标教师的综合教学质量评分结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种教学质量评价***，其特征在于，包括信息采集模块和综合评价模块；
所述信息采集模块与所述综合评价模块通信连接；
所述信息采集模块，用于采集目标教师所教授的各课程对应的多维评价参数；所述多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；所述教师评价参数是听课教师对各所述课程进行评价产生的评价参数；所述学生评价参数是听课学生对各所述课程进行评价产生的评价参数；
所述综合评价模块，用于将多维所述评价参数输入至综合评价模型，得到各所述课程对应的教学质量评价结果，并将所述目标教师所教授的所有课程对应的所述教学质量评价结果进行融合，得到所述目标教师的综合教学质量评分结果。
2.根据权利要求1所述的教学质量评价***，其特征在于，所述综合评价模型包括信息熵算法和变异系数算法；
所述综合评价模型，用于：
基于所述信息熵算法，获取各维所述评价参数的第一权重系数；
基于所述变异系数算法，获取各维所述评价参数的第二权重系数；
对所述第一权重系数和所述第二权重系数进行融合，得到各维所述评价参数的最终权重系数；
根据所述最终权重系数，对多维所述评价参数进行融合，得到各所述课程对应的教学质量评价结果。
3.根据权利要求1所述的教学质量评价***，其特征在于，所述信息采集模块包括多个不同视角的图像采集子模块，以及图像处理子模块；
各所述图像采集子模块与所述图像处理子模块通信连接；
所述图像采集子模块，用于采集各所述课程对应的学生视频数据；所述学生视频数据包括所述听课学生的多帧人脸图像；
所述图像处理子模块，用于：
根据所述多帧人脸图像，获取所述学生课堂参与度指标。
4.根据权利要求3所述的教学质量评价***，其特征在于，所述图像处理子模块，具体用于：
基于图像处理算法，对各帧所述人脸图像进行特征编码，得到各帧所述人脸图像的人脸特征向量；
将所述人脸特征向量输入至人脸检测模型中，得到各帧所述人脸图像对应的所述听课学生的抬头状态和总学生数量；
根据所述抬头状态以及所述总学生数量，获取各帧所述人脸图像对应的抬头比率；
根据多帧所述人脸图像对应的抬头比率，获取所述学生课堂参与度指标。
5.根据权利要求1-4任一所述的教学质量评价***，其特征在于，所述信息采集模块包括考勤采集子模块；
所述考勤采集子模块与第一客户端通信连接；所述第一客户端用于为所述听课学生提供通信服务；
所述考勤采集子模块，用于：
根据各所述课程的课程编号，确定各所述课程对应的期望听课人数；
在各所述课程对应的各授课时段内采集所述听课学生通过所述第一客户端传输的学生考勤数据；
根据所述学生考勤数据，确定各所述授课时段内的实际听课人数；
对各所述授课时段内的实际听课人数进行融合，得到所述各所述课程对应的实际听课人数；
根据所述期望听课人数和各所述课程对应的实际听课人数，获取各所述课程对应的所述学生考勤指标。
6.根据权利要求5所述的教学质量评价***，其特征在于，所述信息采集模块还包括评分采集子模块；
所述评分采集子模块与所述第一客户端通信连接；
所述评分采集子模块，用于：
在获取到所述听课学生通过所述第一客户端传输的成绩查询指令的情况下，向所述第一客户端发送各所述课程的课程类型对应的学生评分模板；
获取各所述课程对应的学生评分表；所述学生评分表是所述听课学生在所述第一客户端根据所述学生评分模板输入的；
根据各所述课程对应的学生评分表中的评分信息，获取各所述课程对应的所述学生评价参数。
7.根据权利要求6所述的教学质量评价***，其特征在于，所述评分采集子模块与第二客户端通信连接；所述第二客户端用于为所述听课教师提供通信服务；
所述评分采集子模块，还用于：
向所述第二客户端发送各所述课程的课程类型对应的教师评分模板；
获取各所述课程对应的教师评分表；所述教师评分表是所述听课教师在所述第二客户端根据所述教师评分模板输入的；
根据各所述课程对应的教师评分表中的评分信息，获取各所述课程对应的所述教师评价参数。
8.根据权利要求7所述的教学质量评价***，其特征在于，还包括管理模块；
所述管理模块与所述综合评价模块通信连接；
所述管理模块用于对所述目标教师的教学信息以及所述综合教学质量评分结果进行管理；和/或，
接收所述目标教师通过第三客户端输入的校核指令；所述第三客户端用于为所述目标教师提供通信服务；
根据所述校核指令，对所述目标教师的综合教学质量评分结果进行校核，并根据校核结果向所述第三客户端发送响应信息。
9.根据权利要求1-4任一所述的教学质量评价***，其特征在于，还包括显示器；
所述显示器与所述综合评价模块和所述信息采集模块通信连接；
所述显示器用于展示所述综合教学质量评分结果和所述多维评价参数。
10.一种教学质量评价方法，其特征在于，应用于如权利要求1至9任一项所述的教学质量评价方法，包括：
采集目标教师所教授的各课程对应的多维评价参数；所述多维评价参数包括学生评价参数、教师评价参数，以及学生课堂参与度指标、学生考勤指标和学生成绩指标；所述教师评价参数是听课教师对各所述课程进行评价产生的评价参数；所述学生评价参数是听课学生对各所述课程进行评价产生的评价参数；
将多维所述评价参数输入至综合评价模型，得到各所述课程对应的教学质量评价结果；
将所述目标教师所教授的所有课程对应的所述教学质量评价结果进行融合，得到所述目标教师的综合教学质量评分结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310658264.5A CN116823028A (zh) | 2023-06-05 | 2023-06-05 | 教学质量评价***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310658264.5A CN116823028A (zh) | 2023-06-05 | 2023-06-05 | 教学质量评价***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116823028A true CN116823028A (zh) | 2023-09-29 |
Family
ID=88123315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310658264.5A Pending CN116823028A (zh) | 2023-06-05 | 2023-06-05 | 教学质量评价***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823028A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117271710A (zh) * | 2023-11-17 | 2023-12-22 | 山东接力教育集团有限公司 | 一种基于大数据的教辅热点数据智能分析*** |
| CN117333067A (zh) * | 2023-10-12 | 2024-01-02 | 苏州市职业大学（苏州开放大学） | 一种智能化的体育教学数据管理方法及*** |
| CN117634961A (zh) * | 2023-12-01 | 2024-03-01 | 素教(浙江)网络科技有限公司 | 一种综合评估方法、***及计算机可读介质 |
-
2023
- 2023-06-05 CN CN202310658264.5A patent/CN116823028A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117333067A (zh) * | 2023-10-12 | 2024-01-02 | 苏州市职业大学（苏州开放大学） | 一种智能化的体育教学数据管理方法及*** |
| CN117333067B (zh) * | 2023-10-12 | 2024-04-05 | 苏州市职业大学（苏州开放大学） | 一种智能化的体育教学数据管理方法及*** |
| CN117271710A (zh) * | 2023-11-17 | 2023-12-22 | 山东接力教育集团有限公司 | 一种基于大数据的教辅热点数据智能分析*** |
| CN117271710B (zh) * | 2023-11-17 | 2024-01-30 | 山东接力教育集团有限公司 | 一种基于大数据的教辅热点数据智能分析*** |
| CN117634961A (zh) * | 2023-12-01 | 2024-03-01 | 素教(浙江)网络科技有限公司 | 一种综合评估方法、***及计算机可读介质 |
| CN117634961B (zh) * | 2023-12-01 | 2024-06-04 | 素教(浙江)网络科技有限公司 | 一种综合评估方法、***及计算机可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116823028A (zh) | 教学质量评价***及方法 | |
| US10977595B2 (en) | Security and content protection by continuous identity verification | |
| WO2021047185A1 (zh) | 基于人脸识别的监测方法、装置、存储介质及计算机设备 | |
| CN107845300B (zh) | 一种实时监控的安全考试*** | |
| CN109597937A (zh) | 网络课程推荐方法及装置 | |
| AU2012204061B2 (en) | Methods and systems for object based data management | |
| CN109447860A (zh) | 成绩统计与分析*** | |
| CN110543811A (zh) | 一种基于深度学习的非配合式考试人员管理方法及其*** | |
| CN107170064A (zh) | 基于位置分布的课堂考勤方法及*** | |
| CN111370113A (zh) | 一种基于物联云的远程心理辅导***及方法 | |
| CN117745494A (zh) | 一种多端融合的3d视频数字化osce考站*** | |
| CN112862639A (zh) | 一种基于大数据分析的在线教育方法及在线教育平台 | |
| CN114492803A (zh) | 基于知识图谱的问答生成方法及装置、自动考题生成*** | |
| CN113342761A (zh) | 一种基于互联网的教学资源共享***及方法 | |
| JP2015219247A (ja) | 看護学習システム、看護学習サーバ、プログラム | |
| CN110378261A (zh) | 一种学生识别方法及装置 | |
| CN107967660B (zh) | 一种自动面部识别的安全考试*** | |
| CN114299598A (zh) | 确定注视位置的方法及相关装置 | |
| CN113327020A (zh) | 一种教学质量评估*** | |
| JP5538511B2 (ja) | 学習支援システム、学習支援サーバ、学習支援方法、及び学習支援プログラム | |
| CN111209320A (zh) | 一种教育信息数据的收集方法及*** | |
| RU2625554C1 (ru) | Способ тестирования и/или опроса удаленных пользователей | |
| CN112667692A (zh) | 一种数据处理方法、装置及电子设备 | |
| KR101723500B1 (ko) | 정보 제공 장치 및 그 방법 | |
| KR102480256B1 (ko) | 진로체험 서비스 제공 시스템 |
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 |