基于AI技术的教学方式推送方法及装置制造方法及图纸

本发明专利技术涉及互联网技术领域，公开了一种基于AI技术的教学方式推送方法及装置，其中，该方法包括：对历史课堂视频进行识别，并分别获取老师和学生的上课特征；通过机器学习分析学生上课的特征，生成对教学方式满意的学生的用户画像，并分析出满意的原因；根据对教学方式满意的学生用户画像和满意的原因，匹配出该教学方式所对应的老师的上课特征；将令不同学生满意的教学方式所对应的老师的上课特征，分别推送给老师用户。本申请提供的一种基于AI技术的教学方式推送方法，能够依据不同学生的情况，选择不同的教学方式，实现了对不同学生的因材施教，也使得对教学方式实现批量化、自动化、规模化的推送成为现实。规模化的推送成为现实。规模化的推送成为现实。

【技术实现步骤摘要】
基于AI技术的教学方式推送方法及装置


[0001]本专利技术涉及互联网
，具体而言，涉及一种基于AI技术的教学方式推送方法及装置。

技术介绍

[0002]在传统的在线教育学习中，教师会按照自己的方式进行教学，用统一的教学逻辑对学生进行施教。显然，传统的教学方式不能客观地考虑学生的差异，并对其进行因材施教，教师在教学过程中，也无法客观地考虑到对不同的学生来说，什么样的教学方式是最优的；同时现有的教学终端也无法对教学方式实现批量化、自动化、规模化的推送。

技术实现思路

[0003]基于此，为了解决上述技术问题，本专利技术提供一种基于AI技术的教学方式推送方法及装置，可以依据不同学生的情况，推送适合学生的教学方式。
[0004]本专利技术是这样实现的，第一方面，本专利技术实施例提供了一种基于AI技术的教学方式推送方法，所述方法包括：对历史课堂视频进行识别，并分别获取老师和学生的上课特征；通过机器学习分析学生上课的特征，生成对教学方式满意的学生的用户画像，并分析出满意的原因；根据对教学方式满意的学生用户画像和满意的原因，匹配出该教学方式所对应的老师的上课特征；将令不同学生满意的教学方式所对应的老师的上课特征，分别推送给老师用户，以使其根据不同的学生选择不同的教学方式。
[0005]在其中一个实施例中，所述对历史课堂视频进行识别，并分别获取老师和学生的上课特征包括：采集当前课时的课堂教学视频数据，分别获取老师和学生在上课过程的行为特征；采集当前课时的课堂教学语音数据，分别获取老师和学生在上课过程的语音特征。
[0006]在其中一个实施例中，所述采集当前课时的课堂教学视频数据，分别获取老师和学生在上课过程的行为特征包括：采集当前课时课堂教学视频，每隔预设时间对其进行一次截图以实现图像提取，将取得的图片按老师和学生进行分类，并按提取顺序存储为图片集；按图片集的顺序将老师和学生的图片分别依次输入到经过预训练的SVDA模型进行捕捉处理；所述捕捉处理包括：检测人脸和手势，标记人脸和手势的边界框，捕捉人脸和手势特征，对人脸和手势特征进行标注分类，并与提前收集的人脸、手势数据库进行匹配；将不同时间所识别到的师生人脸、手势分别提取和存储，并将每个时间每张图片
所识别出的面部表情以及手势进行统计，以获取老师和学生的行为特征。
[0007]在其中一个实施例中，所述按图片集的顺序将老师和学生的图片分别依次输入到经过预训练的SVDA模型进行捕捉处理包括：收集人脸、手势数据于数据库图像集，形成人脸、手势两个数据库；分别对人脸、手势图像数据集进行预处理，并将两个数据库中的数据分别划分为训练集，验证集和测试集，保证三者之间的比例为6:3:1；将人脸、手势图像数据对应的多维特征输入SVDA模型，选择合适的投影面，实现高维特征的降维，对于降维后的多重特征，运用KNN分类方法将其进行多重比对，先根据样本分布设置初始分类参考特征数量，为每一张图片实现分类标注，再通过交叉验证选择后，确定适合作为比对的最相似的6张图片，即可得到训练好的SVDA模型。
[0008]在其中一个实施例中，所述采集当前课时的课堂教学语音数据，分别获取老师和学生在上课过程的语音特征包括：采集当前课时音频数据，对音频数据进行初步处理，将处理后的数据存入语音数据集；采用LPC对语音数据集中的语音数据进行特征提取及加工，采用卷积神经网络进一步处理上述处理后的语音数据，得到语音数据对应的文字数据，将文字数据存入文字数据集；对文字数据进行预处理，将处理后的数据存入文字数据集，采用词袋模型Bow对预处理后的文字数据进行特征提取及加工，以得到所述语音特征；所述语音特征包括特定词语出现次数以及词语总数之间的比值，获取夸赞次数以及语速。
[0009]在其中一个实施例中，所述通过机器学习分析学生上课的特征，生成对教学方式满意的学生的用户画像，并分析出满意的原因具体包括：获取学生唯一特征的样本矩阵数据；采用聚类算法对获取到的学生数据进行计算，以构建学生满意度的用户画像；所述用户画像包括学生用户的基本信息、对课堂的满意度以及课堂表现。
[0010]在其中一个实施例中，所述采用聚类算法对获取到的学生数据进行计算，以构建学生满意度的用户画像包括：预先定义每个特征数据对满意度的影响是正相关还是负相关，并给予预先设定的权重；对数据指标的权重进行标准化处理，所述标准化公式为：。
[0011]在其中一个实施例中，所述根据对教学方式满意的学生用户画像和满意的原因，匹配出该教学方式所对应的老师的上课特征包括：将学生对教学方式满意的上课特征与采用该教学方式时老师的上课特征进行关联；根据学生对教学方式满意的上课特征找出老师上课时的特征。
[0012]与现有技术相比，本专利技术主要有以下有益效果：上述提供的一种基于AI技术的教学方式推送方法，通过对学生上课时的历史课堂视频进行识别，获取学生和老师的上课特征，并采用生成用户画像的方法，找出能够让学生满意的教学方式，使得老师用户能够接收到令不同学生满意的教学方式所对应的老师的上课特征，同时能够依据不同学生的情况，选择不同的教学方式，实现了对不同学生的因材施教，也使得对教学方式实现批量化、自动化、规模化的推送成为现实。
[0013]第二方面，本申请实施例提供一种基于AI技术的教学方式推送装置，包括：获取单元，用于对历史课堂视频进行识别，并分别获取老师和学生的上课特征；生成单元，用于通过机器学习分析学生上课的特征，生成对教学方式满意的学生的用户画像，并分析出满意的原因；匹配单元，用于根据对教学方式满意的学生用户画像和满意的原因，匹配出该教学方式所对应的老师的上课特征；推送单元，用于将令不同学生满意的教学方式所对应的老师的上课特征，分别推送给老师用户，以使其根据不同的学生选择不同的教学方式。
[0014]第三方面，本申请实施例提供的一种终端，包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现上面所述的任意一种基于AI技术的教学方式推送方法。
附图说明
[0015]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例。
[0016]图1是本专利技术第一实施例提供的一种基于AI技术的教学方式推送方法的流程示意图；图2是本专利技术第二实施例提供的一种基于AI技术的教学方式推送方法中步骤S100的具体流程示意图；图3是本专利技术第三实施例提供的一种基于AI技术的教学方式推送方法中步骤S101的具体流程示意图；图4是本专利技术第四实施例提供的一种基于AI技术的教学方式推送方法中步骤S102的具体流程示意图；图5是本专利技术第五实施例提供的一种基于AI技术的教学方式推送方法中步骤S200的具体流程示意图；图6是本专利技术第五实施例提供的一种基于AI技术的教学方式推送方法中步骤S300的具体流程示意图；图7是本专利技术提供的聚类算法中聚类中心的模型示意图；图8是本专利技术提供的聚类算法中聚类中心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI技术的教学方式推送方法，其特征在于，所述方法包括：对历史课堂视频进行识别，并分别获取老师和学生的上课特征；通过机器学习分析学生上课的特征，生成对教学方式满意的学生的用户画像，并分析出满意的原因；根据对教学方式满意的学生用户画像和满意的原因，匹配出该教学方式所对应的老师的上课特征；将令不同学生满意的教学方式所对应的老师的上课特征，分别推送给老师用户，以使其根据不同的学生选择不同的教学方式。2.如权利要求1所述的基于AI技术的教学方式推送方法，其特征在于，所述对历史课堂视频进行识别，并分别获取老师和学生的上课特征包括：采集当前课时的课堂教学视频数据，分别获取老师和学生在上课过程的行为特征；采集当前课时的课堂教学语音数据，分别获取老师和学生在上课过程的语音特征。3.如权利要求2所述的基于AI技术的教学方式推送方法，其特征在于，所述采集当前课时的课堂教学视频数据，分别获取老师和学生在上课过程的行为特征包括：采集当前课时课堂教学视频，每隔预设时间对其进行一次截图以实现图像提取，将取得的图片按老师和学生进行分类，并按提取顺序存储为图片集；按图片集的顺序将老师和学生的图片分别依次输入到经过预训练的SVDA模型进行捕捉处理；所述捕捉处理包括：检测人脸和手势，标记人脸和手势的边界框，捕捉人脸和手势特征，对人脸和手势特征进行标注分类，并与提前收集的人脸、手势数据库进行匹配；将不同时间所识别到的师生人脸、手势分别提取和存储，并将每个时间每张图片所识别出的面部表情以及手势进行统计，以获取老师和学生的行为特征。4.如权利要求3所述的基于AI技术的教学方式推送方法，其特征在于，所述按图片集的顺序将老师和学生的图片分别依次输入到经过预训练的SVDA模型进行捕捉处理包括：收集人脸、手势数据于数据库图像集，形成人脸、手势两个数据库；分别对人脸、手势图像数据集进行预处理，并将两个数据库中的数据分别划分为训练集，验证集和测试集，保证三者之间的比例为6:3:1；将人脸、手势图像数据对应的多维特征输入SVDA模型，选择合适的投影面，实现高维特征的降维，对于降维后的多重特征，运用KNN分类方法将其进行多重比对，先根据样本分布设置初始分类参考特征数量，为每一张图片实现分类标注，再通过交叉验证选择后，确定适合作为比对的最相似的6张图片，即可得到训练好的SVDA模型。5.如权利要求2所述的基于AI技术的教学方式推送方法，其特征在于，所述采集当前课时的课堂教学语音数...

【专利技术属性】
技术研发人员：范国栋，梁嘉俊，潘相颖，
申请(专利权)人：深圳市中文路教育科技有限公司，
类型：发明
国别省市：