CN117095464A - 一种基于图像识别的学生课堂学习习惯分析方法及*** - Google Patents
一种基于图像识别的学生课堂学习习惯分析方法及*** Download PDFInfo
- Publication number
- CN117095464A CN117095464A CN202311171959.7A CN202311171959A CN117095464A CN 117095464 A CN117095464 A CN 117095464A CN 202311171959 A CN202311171959 A CN 202311171959A CN 117095464 A CN117095464 A CN 117095464A
- Authority
- CN
- China
- Prior art keywords
- image
- classroom
- images
- student
- feature
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 230000006399 behavior Effects 0.000 claims abstract description 163
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 210000003128 head Anatomy 0.000 description 15
- 230000009471 action Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241001310793 Podium Species 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102220536518 THAP domain-containing protein 1_S51A_mutation Human genes 0.000 description 1
- 102220536512 THAP domain-containing protein 1_S52A_mutation Human genes 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Social Psychology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请涉及一种基于图像识别的学生课堂学习习惯分析方法及***,其包括步骤间隔接收来自拍摄终端的课堂图像;实时将所接收的课堂图像发送至图像比对模型,图像比对模型基于课堂图像预设的区域划分规则,拆分课堂图像得到代表每个学生课堂状态的若干特征图像;将特征图像与图像比对模型中预存储的目标特征图像集合进行特征比对,判定并输出当前的课堂场景信息,目标特征图像集合中包含若干不同行为类型的目标特征图像;判定特征图像所属的行为类型;基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档。本申请具有方便监督课堂上学生的行为举止,从而方便对学生的学习习惯进行分析指正的效果。
Description
技术领域
本申请涉及智能分析的技术领域,尤其是涉及一种基于图像识别的学生课堂学习习惯分析方法及***。
背景技术
学生的课堂行为举止很大程度能够反映学生的课堂学习习惯,也影响着学生的在校成绩。目前,对于学生课堂行为举止的监督,普遍还是靠教师在课堂上的人为监督,但教师精力有限且较难在课堂教学的同时监督所有学生的行为举止,因此,对于学生课堂学习习惯的获知、了解的难度较大,较难做到针对每一个学生的学习习惯进行分析指正,存在需要改进的空间。
发明内容
为了方便监督课堂上学生的行为举止,从而方便对学生的学习习惯进行分析指正;本申请提供了一种基于图像识别的学生课堂学习习惯分析方法及***。
本申请的上述发明目的一是通过以下技术方案得以实现的:
一种基于图像识别的学生课堂学习习惯分析方法,包括步骤:
间隔接收来自拍摄终端的课堂图像,拍摄终端固定于教室内以拍摄学生上课时的课堂图像;
实时将所接收的课堂图像发送至图像比对模型,图像比对模型基于课堂图像预设的区域划分规则,拆分课堂图像得到代表每个学生课堂状态的若干特征图像;
将特征图像与图像比对模型中预存储的目标特征图像集合进行特征比对,判定并输出当前的课堂场景信息,目标特征图像集合中包含若干不同行为类型的目标特征图像;
基于当前课堂场景信息以及特征图像与目标特征图像的比对结果,判定特征图像所属的行为类型;
基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档。
通过采用上述技术方案,拍摄终端可根据教师大小设置多台,由于拍摄终端固定在教室内,因此每次拍摄的课堂图像角度是一定的,因此能够通过对课堂图像进行区域划分,拆分出课堂上每个学生的专属位置上的特征图像,进一步对若干特征图像进行图像特征对比,通过间隔不断接收的特征图像,能够判定特征图像是否属于预设的目标特征图像,目标特征图像是指学生上课时行为举止的图像,例如记笔记、玩笔转笔、举手回答、低头抬头、不看黑板发呆、低头睡觉等行为举止,若识别到存在上述行为举止的特征图像,则证明该学生在课堂上出现上述行为举止。
而行为举止的判定之前,需要通过课堂图像先判定当前的课堂场景,例如判定当前是听讲台老师讲课的场景或是全班一起低头写课堂练习的场景,以确保行为类型的正确识别,进一步才通过每个特征图像分别与目标特征图像集合进行特征比对识别,得到每个学生在整堂课上出现的行为举止并与该学生的学生信息进行绑定,例如识别教师讲课时哪位学生出现了不看黑板发呆、玩笔、低头等不认真听课的行为举止,或是识别教师讲课时有认真听讲、积极回答问题,做课堂练习时有低头拿笔做题,能够实现智能化地对学生在课堂的行为举止监督,从而达到能够评定学生的学习习惯好坏的目的,对课堂上行为举止不认真的学生和行为举止认真的学生进行批评和鼓励。
本申请在一较佳示例中:目标特征图像集合中包含有绑定了课堂场景信息的场景特征图像集合,所述将特征图像与图像比对模型中预存储的目标特征图像集合进行特征比对,判定并输出当前的课堂场景信息的步骤,包括步骤:
将若干特征图像与目标特征图像集合中的目标特征图像进行特征比对;
基于特征比对结果,若超过预设数量比例的特征图像均判定为同一个场景特征图像集合,则判定当前课堂场景信息为该场景特征图像集合预先绑定的课堂场景信息。
通过采用上述技术方案,每个班级同一次获取到的特征图像数量是固定的,若超过预设数量比例的特征图像均判定为同一个特征图像集合,即例如50张特征图像中,有45张以上在在经过特征对比后判定为学生看着黑板的行为举止,即判定当前的课堂场景为听教师讲课的课堂场景,若50张特征图像中,有45张特征图像属于低头拿笔的行为举止,则判定当前的课堂场景是做课堂练习的场景,实现对当前课堂场景信息的识别判定。
本申请在一较佳示例中:所述基于当前课堂场景信息以及特征图像与目标特征图像的比对结果,判定特征图像所属的行为类型的步骤,包括步骤:
将特征图像与目标特征图像集合中的目标特征图像进行特征比对,获取与特征图像近似的若干目标特征图像;
基于课堂场景信息,从若干目标特征图像中筛选出符合该课堂场景信息的一个目标特征图像,识别该筛选出的目标特征图像对应的行为类型;
在预设时间段内,判断所接收的若干课堂图像中,同一拆分区域的特征图像在经过特征比对后,得到的目标特征图像的行为类型是否均相同;
若相同,则将该筛选出的目标特征图像对应的行为类型,作为该特征图像的行为类型。
通过采用上述技术方案,对于特征图像中学生的行为举止的判定,需要先结合课堂场景来进行判定,若课堂场景信息是做课堂练习,则学生低头看题时,不能判定为不认真听讲的行为,而是判定为低头做题的行为,因此需要结合课堂场景信息进行判定,进一步的,不能仅靠一张课堂图像就判定学生在课堂上的行为举止,例如拍摄终端每50毫秒获取一张课堂图像,需要用连续1-2秒内所有的课堂图像中的特征图像连续比对,即预设时间段内若有的课堂图像,才能判定学生是否出现与目标特征图像相同的行为举止,使得特征图像的行为类型判定更为准确。
本申请在一较佳示例中:所述基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档的步骤,包括步骤:
识别该特征图像基于区域划分规则拆分后所绑定的标识信息,课堂图像中每个特征图像的标识信息互不相同;
识别与该标识信息预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档,每个学生信息按时间先后绑定多个行为类型。
通过采用上述技术方案,由于课堂图像的角度是固定的,因此能够对课堂图像进行区域划分,每个区域为一个学生的座位所在的区域,并给每个区域绑定标识信息,即能够获知每个区域的学生的姓名信息,实现学生课堂的行为类型与其身份信息的绑定,每个学生能够绑定多个行为类型,即能够获知学生每节课、每周、每个月或每个学期出现的所有行为举止。
本申请在一较佳示例中:特征图像中还包含了学生桌面图像,课堂场景信息包括课堂练习场景和教师讲课场景,所述基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档的步骤之后,还执行如下步骤:
当课堂场景信息为课堂练习场景时,从特征图像中提取学生桌面图像;
将学生桌面图像发送至用于监控学生做题进度的做题分析模型;
做题分析模型从学生桌面图像中识别并提取练习题文本数据,基于练习题文本数据判定当前学生的答题进度,并记录当前答题进度的时间节点;
基于前后提取到的练习题文本数据以及时间节点,输出用于代表学生每做一道练习题花费时间的做题时长数据。
通过采用上述技术方案,特征图像中包括学生和其书桌上的画面,即在学生进行课堂练习时,能够监督学生课堂练习的做题习惯和进度情况,通过间隔提取到的练习题文本数据,能够获知学生做题时是否跳题作答,学生是否完成所有的练习题,进一步,通过时间节点的计算,能够计算出学生每道练习题做题停留的时间,进而能够分析出学生对于不同练习题中只知识的掌握程度,且能够分析出练习题做题效率高的学生和做题效率低的学生,针对性的进行辅导指正。
本申请在一较佳示例中:所述基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档的步骤之后,还执行如下步骤:
获取预设周期内,每个学生信息绑定的所有的行为类型;统计不同行为类型出现的次数;
基于行为类型记录的时间点获取当时对应的课堂学科信息;统计不同行为类型出现次数最多的课堂学科信息。
通过采用上述技术方案,预设周期包括了每节课、每周、每个月以及每个学期,对每个学生信息的行为类型进行分类统计,能够获知每个学生的学习习惯好坏,且根据行为类型的不同,能够过滤掉部分正常听课、做练习的特征图像,仅留下能够代表学生积极回答问题和学习不认真的特征图像以减缓内存压力;进一步,通过识别行为类型出现时对应的课堂学科信息,能够获知不同学科的课堂上学生是否认真听讲,或存在不认真听课的举止行为最多的学科,并能够结合学生的阶段性考试成绩,分析成绩好的学生的行为类型以及成绩较差的学生的行为类型。
本申请的上述发明目的二是通过以下技术方案得以实现的:
一种基于图像识别的学生课堂学习习惯分析***,包括:
课堂图像获取模块,用于间隔接收来自拍摄终端的课堂图像,拍摄终端固定于教室内以拍摄学生上课时的课堂图像;
特征图像拆分模块,用于实时将所接收的课堂图像发送至图像比对模型,图像比对模型基于课堂图像预设的区域划分规则,拆分课堂图像得到代表每个学生课堂状态的若干特征图像;
场景识别模块,用于将特征图像与图像比对模型中预存储的目标特征图像集合进行特征比对,判定并输出当前的课堂场景信息,目标特征图像集合中包含若干不同行为类型的目标特征图像;
行为判定模块,用于基于当前课堂场景信息以及特征图像与目标特征图像的比对结果,判定特征图像所属的行为类型;
行为绑定模块,用于基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档。
通过采用上述技术方案,拍摄终端可根据教师大小设置多台,由于拍摄终端固定在教室内,因此每次拍摄的课堂图像角度是一定的,因此能够通过对课堂图像进行区域划分,拆分出课堂上每个学生的专属位置上的特征图像,进一步对若干特征图像进行图像特征对比,通过间隔不断接收的特征图像,能够判定特征图像是否属于预设的目标特征图像,目标特征图像是指学生上课时行为举止的图像,例如记笔记、玩笔转笔、举手回答、低头抬头、不看黑板发呆、低头睡觉等行为举止,若识别到存在上述行为举止的特征图像,则证明该学生在课堂上出现上述行为举止。
而行为举止的判定之前,需要通过课堂图像先判定当前的课堂场景,例如判定当前是听讲台老师讲课的场景或是全班一起低头写课堂练习的场景,以确保行为类型的正确识别,进一步才通过每个特征图像分别与目标特征图像集合进行特征比对识别,得到每个学生在整堂课上出现的行为举止并与该学生的学生信息进行绑定,例如识别教师讲课时哪位学生出现了不看黑板发呆、玩笔、低头等不认真听课的行为举止,或是识别教师讲课时有认真听讲、积极回答问题,做课堂练习时有低头拿笔做题,能够实现智能化地对学生在课堂的行为举止监督,从而达到能够评定学生的学习习惯好坏的目的,对课堂上行为举止不认真的学生和行为举止认真的学生进行批评和鼓励。
可选的,目标特征图像集合中包含有绑定了课堂场景信息的场景特征图像集合,所述场景识别模块包括:
图像、集合对比子模块,用于将若干特征图像与目标特征图像集合中的目标特征图像进行特征比对;
场景判定子模块,用于基于特征比对结果,若超过预设数量比例的特征图像均判定为同一个场景特征图像集合,则判定当前课堂场景信息为该场景特征图像集合预先绑定的课堂场景信息。
本申请的上述目的三是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于图像识别的学生课堂学习习惯分析***的步骤。
本申请的上述目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述一种基于图像识别的学生课堂学习习惯分析***的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过特征图像的比对,能够识别教师讲课时哪位学生出现了不看黑板发呆、玩笔、低头等不认真听课的行为举止,或是识别教师讲课时有认真听讲、积极回答问题,做课堂练习时有低头拿笔做题,能够实现智能化地对学生在课堂的行为举止监督,从而达到能够评定学生的学习习惯好坏的目的,对课堂上行为举止不认真的学生和行为举止认真的学生进行批评和鼓励;
2.例如50张特征图像中,有45张以上在在经过特征对比后判定为学生看着黑板的行为举止,即判定当前的课堂场景为听教师讲课的课堂场景,若50张特征图像中,有45张特征图像属于低头拿笔的行为举止,则判定当前的课堂场景是做课堂练习的场景,实现对当前课堂场景信息的识别判定;
3.拍摄终端每50毫秒获取一张课堂图像,需要用连续1-2秒内所有的课堂图像中的特征图像连续比对,即预设时间段内若有的课堂图像,才能判定学生是否出现与目标特征图像相同的行为举止,使得特征图像的行为类型判定更为准确;
4.通过时间节点的计算,能够计算出学生每道练习题做题停留的时间,进而能够分析出学生对于不同练习题中只知识的掌握程度,且能够分析出练习题做题效率高的学生和做题效率低的学生,针对性的进行辅导指正。
附图说明
图1是本申请一种基于图像识别的学生课堂学习习惯分析方法实施例的一流程图;
图2是本申请一种基于图像识别的学生课堂学习习惯分析方法中步骤S40的一实现流程图;
图3是本申请一种基于图像识别的学生课堂学习习惯分析方法中步骤S50之后的一实现流程图;
图4是本申请一种计算机设备的一原理框图。
具体实施方式
以下结合附图1-4对本申请作进一步详细说明。
在一实施例中,如图1所示,本申请公开了一种基于图像识别的学生课堂学习习惯分析方法,具体包括如下步骤:
S10:间隔接收来自拍摄终端的课堂图像,拍摄终端固定于教室内以拍摄学生上课时的课堂图像;
在本实施例中,拍摄终端为固定在教室天花板的吊顶拍摄装置,吊顶拍摄装置用于拍摄教室学生以及学生桌面的图像。吊顶拍摄装置具有通讯功能可接收指令并发送存储图像。拍摄终端的数量根据教室的大小进行选择和安装。
课堂图像包括拍摄范围内每个学生以及学生座位、桌面的图像画面。
间隔接收的具体时间间隔为50毫秒,即拍摄终端每隔50毫秒采集一张课堂图像。
具体的,每隔50毫秒接收到由拍摄终端采集到的拍摄范围内的课堂图像。
S20:实时将所接收的课堂图像发送至图像比对模型,图像比对模型基于课堂图像预设的区域划分规则,拆分课堂图像得到代表每个学生课堂状态的若干特征图像;
在本实施例中,图像比对模型是经过训练的用于对学生课堂行为举止进行图像特征比对并输出学生行为举止类型的模型。
区域划分规则是根据拍摄终端所拍摄的课堂图像的角度、画面设定的,目的是将课堂图像划分,使得每个学生位于单独的一个图像区域;特征图像中包括学生、学生桌面以及学生整***置的区域画面。每个特征图像中包含一名学生和其对应的桌面。
具体的,将每隔50毫秒接收到的课堂图像实时地发送至图像比对模型,图像比对模型接收到课堂图像后,基于拍摄该课堂图像的拍摄终端对应的区域划分该课堂图像,得到课堂上全班学生的特征图像,每个特征图像中包含一名学生和其对应的桌面及学生整***置的区域画面。
S30:将特征图像与图像比对模型中预存储的目标特征图像集合进行特征比对,判定并输出当前的课堂场景信息,目标特征图像集合中包含若干不同行为类型的目标特征图像;
在本实施例中,特征对比即学生在图像中的动作特征与目标特征图像中的人物动作特征进行比对。
目标特征图像集合中的目标特征图像包括但不限于记笔记、玩笔转笔、举手回答问题、低头、不看讲台黑板的方向发呆、低头、趴在桌上、双手叠放在桌面认真听讲、交头接耳、低头做练习题等动作特征或图像,且每个动作的图像不止一种,例如包括多张转笔玩笔的目标特征图像,或包括多个转笔玩笔的动作特征。
课堂场景信息包括但不限于教师讲台授课的场景、全班学生集体做课堂练习的课堂练习的场景和学生分组进行讨论的场景。
具体的,模型比对模型接收到特征图像后,调取预存的目标特征图像集合,将接收到的特征图像与目标特征图像集合中的目标特征图像进行比对,根据所有特征图像的比对结果,判定当前课堂图像所属的课堂场景。
S40:基于当前课堂场景信息以及特征图像与目标特征图像的比对结果,判定特征图像所属的行为类型;
在本实施例中,行为类型为预设的学生课堂行为举止,例如记笔记、玩笔转笔、举手回答问题、低头、不看讲台黑板的方向发呆、低头、趴在桌上、双手叠放在桌面认真听讲、交头接耳、低头做练习题等行为举止。
具体的,基于当前的课堂场景,以及特征图像与目标特征图像的图像特征比对结果,判定该特征图像中学生的动作所属的预设的行为举止。
S50:基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档。
在本实施例中,学生信息包括学生的班级、姓名等信息。存档的边缘节点为2T的内存,内存不足时,将最先保存的、或不能体现学生在课堂上积极表现和不认真听课的表现的特征图像删除。
具体的,基于特征图像在所属课堂图像的区域位置,识别特征图像预先绑定的学生信息,将该特征图像的行为类型与学生信息进行绑定和存档。
在一实施例中,目标特征图像集合中包含有绑定了课堂场景信息的场景特征图像集合,步骤S30包括步骤:
S31:将若干特征图像与目标特征图像集合中的目标特征图像进行特征比对;
S32:基于特征比对结果,若超过预设数量比例的特征图像均判定为同一个场景特征图像集合,则判定当前课堂场景信息为该场景特征图像集合预先绑定的课堂场景信息。
在本实施例中,场景特征图像集合是指目标特征图像集合中,绑定了课堂场景信息的目标特征图像,例如绑定了教师讲台授课的课堂场景的目标特征图像、绑定了课堂练习场景的目标特征图像;预设数量比例可人为设置,本实施例为90%。
具体的,将若干特征图像与目标特征图像集合中的目标特征图像进行特征比对,若课堂图像拆分得到的若干特征图像中,超过预设数量比例的特征图像属于同一个场景特征图像集合,则判定当前课堂场景信息为该场景特征图像集合所绑定的课堂场景。
在一实施例中,参照图2,步骤S40包括:
S41:将特征图像与目标特征图像集合中的目标特征图像进行特征比对,获取与特征图像近似的若干目标特征图像;
S42:基于课堂场景信息,从若干目标特征图像中筛选出符合该课堂场景信息的一个目标特征图像,识别该筛选出的目标特征图像对应的行为类型;
S43:在预设时间段内,判断所接收的若干课堂图像中,同一拆分区域的特征图像在经过特征比对后,得到的目标特征图像的行为类型是否均相同;
S44:若相同,则将该筛选出的目标特征图像对应的行为类型,作为该特征图像的行为类型。
在本实施例中,若干近似的目标特征图像是由于未确定课堂场景信息,例如学生出现了低头的行为举止,但发生该行为举止的课堂场景信息可能为课堂练习场景或教师讲台授课场景,两个课堂场景信息下的同个行为举止可能会造成对该学生学习习惯的误判,因此需要进一步进行课堂场景信息的确认。
由于拍摄终端间隔采集课堂图像的时间间隔为50毫秒,则预设时间段通常设置为1-2秒。若在预设时间段内,特征图像所对应到的目标特征图像的行为类型均为同一个行为类型,即1-2秒内学生均处于转笔玩笔的动作,则证明该学生出现了转笔玩笔的不认真听课的行为举止。
进一步,若预设时间段内,同一拆分区域的特征图像在经过特征比对后,1秒内得到额目标特征图像的行为类型不相同,例如预设1-2秒内,学生仅有一张图像出现了类似转笔玩笔的动作,但学生实则是将笔抬起来的正常行为动作,则证明学生仅在被拍摄的瞬间出现了类似转笔的不认真听课行为,不应被记录为不认真听课的行为举止。
具体的,将特征图像与目标特征图像集合中的目标特征图像进行特征比对,得到与特征图像近似的若干目标特征图像,进一步基于课堂场景信息,从若干目标特征图像中筛选出符合该课堂场景信息的一个目标特征图像,判断在预设的1-2秒内,所接收的若干课堂图像中,同一拆分区域的特征图像在经过特征比对后,得到的目标特征图像的行为类型是否均相同;
若相同,则将该筛选出的目标特征图像对应的行为类型,作为该特征图像的行为类型;
若不相同,则不记录该预设时间段内出现的不认真听课的行为类型。
在一实施例中,步骤S50包括步骤:
识别该特征图像基于区域划分规则拆分后所绑定的标识信息,课堂图像中每个特征图像的标识信息互不相同;
识别与该标识信息预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档,每个学生信息按时间先后绑定多个行为类型。
在本实施例中,标识信息为编号。每个学生信息按时间先后绑定多个行为类型,且缓存的边缘为2T内存,当内存满时,会优选删掉保存时间最早,或体现不出学生上课积极、上课不认真听讲的行为类型。上课积极的行为举止体现在举手回答问题。
具体的,课堂图像基于区域划分规则拆分后得到若干特征图像,每个特征图像均绑定有标识信息,同个课堂图像中不同的特征图像所绑定的标识信息不同。进一步识别与该标识信息预先绑定的学生信息以将该特征图像的行为类型与学生信息绑定存档,随着特征图像的行为类型不断判定输出,每个学生信息按照时间的顺序绑定多个行为类型,形成该学生周期性的行为类型。
在一实施例中,特征图像中还包含了学生桌面图像,课堂场景信息包括课堂练习场景和教师讲台授课的场景,参照图3,步骤S50之后还执行如下步骤:
S51:当课堂场景信息为课堂练习场景时,从特征图像中提取学生桌面图像;
S52:将学生桌面图像发送至用于监控学生做题进度的做题分析模型;
S53:做题分析模型从学生桌面图像中识别并提取练习题文本数据,基于练习题文本数据判定当前学生的答题进度,并记录当前答题进度的时间节点;
S54:基于前后提取到的练习题文本数据以及时间节点,输出用于代表学生每做一道练习题花费时间的做题时长数据。
在本实施例中,学生桌面图像中学生的桌面画面是正对天花板的角度画面。
教师讲台授课场景时,学生正常情况下处于头朝向讲台听老师讲课的行为举止;课堂练习场景时,学生正常情况下属于低头看桌面看练习题的场景。
做题分析模型能够从学生桌面中找到练习题本的轮廓并提取练习题本中的文字,通过识别答题位置处有无笔迹,既能实现对学生是否完成该题的作答的识别,进而实现对答题进度的识别和判断。例如选择题和填空题。
通过对答题进度的时间点标记,能够获知学生每做一体所要花费的时间,进而获知学生的答题效率。
具体的,当判定当前课堂场景信息为课堂练习场景时,获取每个特征图像中的学生桌面图像,将学生桌面图像发送至用于监控学生做题进度的做题分析模型,做题分析模型提取学生桌面图像中练习题本上的文本信息,并通过识别文本信息中的答题位置上有无答题笔迹来判断学生是否完成该练习题的答题,结合练习题的标号,从而获知学生的答题进度,进一步记录答题进度的时间点,由此计算出学生每答一题所耗费的时间。
在一实施例中,步骤S50之后还执行如下步骤:
S51A:获取预设周期内,每个学生信息绑定的所有的行为类型;统计不同行为类型出现的次数;
S52A:基于行为类型记录的时间点获取当时对应的课堂学科信息;统计不同行为类型出现次数最多的课堂学科信息。
在本实施例中,预设周期包括了每节课、每天、每周、每个月以及每个学期等节点周期,通过统计不同行为类型出现的次数,结合学生的阶段性考试成绩,实现对学生成绩和学习习惯的关联分析。并且能够统计出成绩好的学生常出现的行为类型和成绩差的学生常出现的行为类型。
课堂学科信息与行为类型产生的时间点的匹配,能够获知各个学科的课堂情况,分析得到最多学生积极参与的课堂和最多学生不认真听讲的课堂。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种基于图像识别的学生课堂学习习惯分析***,该一种基于图像识别的学生课堂学习习惯分析***与上述实施例中一种基于图像识别的学生课堂学习习惯分析方法对应。该一种基于图像识别的学生课堂学习习惯分析方法包括:
课堂图像获取模块,用于间隔接收来自拍摄终端的课堂图像,拍摄终端固定于教室内以拍摄学生上课时的课堂图像;
特征图像拆分模块,用于实时将所接收的课堂图像发送至图像比对模型,图像比对模型基于课堂图像预设的区域划分规则,拆分课堂图像得到代表每个学生课堂状态的若干特征图像;
场景识别模块,用于将特征图像与图像比对模型中预存储的目标特征图像集合进行特征比对,判定并输出当前的课堂场景信息,目标特征图像集合中包含若干不同行为类型的目标特征图像;
行为判定模块,用于基于当前课堂场景信息以及特征图像与目标特征图像的比对结果,判定特征图像所属的行为类型;
行为绑定模块,用于基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档。
可选的,目标特征图像集合中包含有绑定了课堂场景信息的场景特征图像集合,所述场景识别模块包括:
图像、集合对比子模块,用于将若干特征图像与目标特征图像集合中的目标特征图像进行特征比对;
场景判定子模块,用于基于特征比对结果,若超过预设数量比例的特征图像均判定为同一个场景特征图像集合,则判定当前课堂场景信息为该场景特征图像集合预先绑定的课堂场景信息。
可选的,行为判定模块包括:
近似图像获取子模块,用于将特征图像与目标特征图像集合中的目标特征图像进行特征比对,获取与特征图像近似的若干目标特征图像;
目标特征图像确定子模块,用于基于课堂场景信息,从若干目标特征图像中筛选出符合该课堂场景信息的一个目标特征图像,识别该筛选出的目标特征图像对应的行为类型;
行为类型一致性判定子模块,用于在预设时间段内,判断所接收的若干课堂图像中,同一拆分区域的特征图像在经过特征比对后,得到的目标特征图像的行为类型是否均相同;
行为类型相同子模块,用于若相同,则将该筛选出的目标特征图像对应的行为类型,作为该特征图像的行为类型。
可选的,行为绑定模块包括:
标识子模块,用于识别该特征图像基于区域划分规则拆分后所绑定的标识信息,课堂图像中每个特征图像的标识信息互不相同;
绑定子模块,用于识别与该标识信息预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档,每个学生信息按时间先后绑定多个行为类型。
可选的,还包括:
桌面图像获取模块,用于当课堂场景信息为课堂练习场景时,从特征图像中提取学生桌面图像;
做题分析模块,用于将学生桌面图像发送至用于监控学生做题进度的做题分析模型;
进度判定模块,用于做题分析模型从学生桌面图像中识别并提取练习题文本数据,基于练习题文本数据判定当前学生的答题进度,并记录当前答题进度的时间节点;
时长计算模块,用于基于前后提取到的练习题文本数据以及时间节点,输出用于代表学生每做一道练习题花费时间的做题时长数据。
可选的,还包括:
行为统计模块,用于获取预设周期内,每个学生信息绑定的所有的行为类型;统计不同行为类型出现的次数;
课堂学科统计模块,用于基于行为类型记录的时间点获取当时对应的课堂学科信息;统计不同行为类型出现次数最多的课堂学科信息。
关于一种基于图像识别的学生课堂学习习惯分析***的具体限定可以参见上文中对于一种基于图像识别的学生课堂学习习惯分析方法的限定,在此不再赘述。上述一种基于图像识别的学生课堂学习习惯分析***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像课堂图像、特征图像、图像比对模型、行为类型、目标特征图像集合以及课堂场景信息等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于图像识别的学生课堂学习习惯分析方法。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现一种基于图像识别的学生课堂学习习惯分析方法;
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种基于图像识别的学生课堂学习习惯分析方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于图像识别的学生课堂学习习惯分析方法,其特征在于:包括步骤:
间隔接收来自拍摄终端的课堂图像,拍摄终端固定于教室内以拍摄学生上课时的课堂图像;
实时将所接收的课堂图像发送至图像比对模型,图像比对模型基于课堂图像预设的区域划分规则,拆分课堂图像得到代表每个学生课堂状态的若干特征图像;
将特征图像与图像比对模型中预存储的目标特征图像集合进行特征比对,判定并输出当前的课堂场景信息,目标特征图像集合中包含若干不同行为类型的目标特征图像;
基于当前课堂场景信息以及特征图像与目标特征图像的比对结果,判定特征图像所属的行为类型;
基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档。
2.根据权利要求1所述的一种基于图像识别的学生课堂学习习惯分析方法,其特征在于:目标特征图像集合中包含有绑定了课堂场景信息的场景特征图像集合,所述将特征图像与图像比对模型中预存储的目标特征图像集合进行特征比对,判定并输出当前的课堂场景信息的步骤,包括步骤:
将若干特征图像与目标特征图像集合中的目标特征图像进行特征比对;
基于特征比对结果,若超过预设数量比例的特征图像均判定为同一个场景特征图像集合,则判定当前课堂场景信息为该场景特征图像集合预先绑定的课堂场景信息。
3.根据权利要求1所述的一种基于图像识别的学生课堂学习习惯分析方法,其特征在于:所述基于当前课堂场景信息以及特征图像与目标特征图像的比对结果,判定特征图像所属的行为类型的步骤,包括步骤:
将特征图像与目标特征图像集合中的目标特征图像进行特征比对,获取与特征图像近似的若干目标特征图像;
基于课堂场景信息,从若干目标特征图像中筛选出符合该课堂场景信息的一个目标特征图像,识别该筛选出的目标特征图像对应的行为类型;
在预设时间段内,判断所接收的若干课堂图像中,同一拆分区域的特征图像在经过特征比对后,得到的目标特征图像的行为类型是否均相同;
若相同,则将该筛选出的目标特征图像对应的行为类型,作为该特征图像的行为类型。
4.根据权利要求1所述的一种基于图像识别的学生课堂学习习惯分析方法,其特征在于:所述基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档的步骤,包括步骤:
识别该特征图像基于区域划分规则拆分后所绑定的标识信息,课堂图像中每个特征图像的标识信息互不相同;
识别与该标识信息预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档,每个学生信息按时间先后绑定多个行为类型。
5.根据权利要求1所述的一种基于图像识别的学生课堂学习习惯分析方法,其特征在于:特征图像中还包含了学生桌面图像,课堂场景信息包括课堂练习场景和教师讲课场景,所述基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档的步骤之后,还执行如下步骤:
当课堂场景信息为课堂练习场景时,从特征图像中提取学生桌面图像;
将学生桌面图像发送至用于监控学生做题进度的做题分析模型;
做题分析模型从学生桌面图像中识别并提取练习题文本数据,基于练习题文本数据判定当前学生的答题进度,并记录当前答题进度的时间节点;
基于前后提取到的练习题文本数据以及时间节点,输出用于代表学生每做一道练习题花费时间的做题时长数据。
6.根据权利要求1所述的一种基于图像识别的学生课堂学习习惯分析方法,其特征在于:所述基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档的步骤之后,还执行如下步骤:
获取预设周期内,每个学生信息绑定的所有的行为类型;统计不同行为类型出现的次数;
基于行为类型记录的时间点获取当时对应的课堂学科信息;统计不同行为类型出现次数最多的课堂学科信息。
7.一种基于图像识别的学生课堂学习习惯分析***,其特征在于,包括:
课堂图像获取模块,用于间隔接收来自拍摄终端的课堂图像,拍摄终端固定于教室内以拍摄学生上课时的课堂图像;
特征图像拆分模块,用于实时将所接收的课堂图像发送至图像比对模型,图像比对模型基于课堂图像预设的区域划分规则,拆分课堂图像得到代表每个学生课堂状态的若干特征图像;
场景识别模块,用于将特征图像与图像比对模型中预存储的目标特征图像集合进行特征比对,判定并输出当前的课堂场景信息,目标特征图像集合中包含若干不同行为类型的目标特征图像;
行为判定模块,用于基于当前课堂场景信息以及特征图像与目标特征图像的比对结果,判定特征图像所属的行为类型;
行为绑定模块,用于基于该特征图像识别预先绑定的学生信息,将该特征图像的行为类型与学生信息绑定并存档。
8.根据权利要求7所述的一种基于图像识别的学生课堂学习习惯分析***,其特征在于,目标特征图像集合中包含有绑定了课堂场景信息的场景特征图像集合,所述场景识别模块包括:
图像、集合对比子模块,用于将若干特征图像与目标特征图像集合中的目标特征图像进行特征比对;
场景判定子模块,用于基于特征比对结果,若超过预设数量比例的特征图像均判定为同一个场景特征图像集合,则判定当前课堂场景信息为该场景特征图像集合预先绑定的课堂场景信息。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种基于图像识别的学生课堂学习习惯分析***的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种基于图像识别的学生课堂学习习惯分析***的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311171959.7A CN117095464A (zh) | 2023-09-12 | 2023-09-12 | 一种基于图像识别的学生课堂学习习惯分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311171959.7A CN117095464A (zh) | 2023-09-12 | 2023-09-12 | 一种基于图像识别的学生课堂学习习惯分析方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117095464A true CN117095464A (zh) | 2023-11-21 |
Family
ID=88769839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311171959.7A Pending CN117095464A (zh) | 2023-09-12 | 2023-09-12 | 一种基于图像识别的学生课堂学习习惯分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095464A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875606A (zh) * | 2018-06-01 | 2018-11-23 | 重庆大学 | 一种基于表情识别的课堂教学评价方法及*** |
CN109461104A (zh) * | 2018-10-22 | 2019-03-12 | 杭州闪宝科技有限公司 | 课堂监控方法、装置及电子设备 |
CN109815795A (zh) * | 2018-12-14 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于人脸监测的课堂学生状态分析方法及装置 |
CN111914801A (zh) * | 2020-08-17 | 2020-11-10 | 四川创客知佳科技有限公司 | 一种用于智慧教育的课堂分析方法 |
CN115223179A (zh) * | 2021-04-19 | 2022-10-21 | 腾讯科技(深圳)有限公司 | 基于答题码的课堂教学数据处理方法和*** |
CN115907507A (zh) * | 2022-10-13 | 2023-04-04 | 华中科技大学 | 一种联合课堂场景的学生课堂行为检测和学情分析方法 |
-
2023
- 2023-09-12 CN CN202311171959.7A patent/CN117095464A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875606A (zh) * | 2018-06-01 | 2018-11-23 | 重庆大学 | 一种基于表情识别的课堂教学评价方法及*** |
CN109461104A (zh) * | 2018-10-22 | 2019-03-12 | 杭州闪宝科技有限公司 | 课堂监控方法、装置及电子设备 |
CN109815795A (zh) * | 2018-12-14 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 基于人脸监测的课堂学生状态分析方法及装置 |
CN111914801A (zh) * | 2020-08-17 | 2020-11-10 | 四川创客知佳科技有限公司 | 一种用于智慧教育的课堂分析方法 |
CN115223179A (zh) * | 2021-04-19 | 2022-10-21 | 腾讯科技(深圳)有限公司 | 基于答题码的课堂教学数据处理方法和*** |
CN115907507A (zh) * | 2022-10-13 | 2023-04-04 | 华中科技大学 | 一种联合课堂场景的学生课堂行为检测和学情分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079113B (zh) | 一种人工智能控制的教学***及其使用方法 | |
US11151892B2 (en) | Internet teaching platform-based following teaching system | |
CN108491781B (zh) | 一种课堂专注度评估方法及终端 | |
CN103761894B (zh) | 互动课堂实现方法及交互平台 | |
Baker et al. | Human classification of low-fidelity replays of student actions | |
CN109147444B (zh) | 一种学习情况反馈方法及智能台灯 | |
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 | |
CN110364043A (zh) | 一种纸云智能教育***及使用方法 | |
CN110827595A (zh) | 虚拟教学中的互动方法、装置及计算机存储介质 | |
CN110930781A (zh) | 录播*** | |
CN111369408A (zh) | 一种医院本科实习生教学管理***及方法 | |
CN112861591A (zh) | 一种互动识别方法、识别***、计算机设备和存储介质 | |
CN109949189A (zh) | 一种线上教学互动效果评价方法与装置 | |
CN112164259A (zh) | 一种课堂师生互动教学***及方法 | |
CN117095464A (zh) | 一种基于图像识别的学生课堂学习习惯分析方法及*** | |
CN110826796A (zh) | 成绩预测方法 | |
CN110991943A (zh) | 一种基于云计算的教学质量评价*** | |
US11436934B2 (en) | Systems and methods for providing a dialog assessment platform | |
CN116110262A (zh) | 语音答题的评判方法、装置、设备及存储介质 | |
CN114580882A (zh) | 一种面向混合式教学方法的授课效果评估***及方法 | |
CN110933510B (zh) | 控制***中的信息交互方法 | |
Paracha et al. | Interactive screening of learning issues via eye-tracking technology | |
CN111967255A (zh) | 一种基于互联网的语言自动组卷评测方法和存储介质 | |
CN111311998A (zh) | 一种现代云课堂在线教育平台 | |
Shurtina et al. | LEARNERS’INTERACTIONS IN MASSIVE OPEN ONLINE COURSES: ANALYSIS AND INTERPRETATION |
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 |