基于人工智能与大数据的职业教育在线教学系统

摘要

本发明涉及人工智能领域，具体涉及一种基于人工智能与大数据的职业教育在线教学系统。该系统包括：状态获取模块、相关性获取模块、同步性获取模块、原因分析模块和授课策略调整模块。状态获取模块用于获取教师的授课状态和学生的学习状态；相关性获取模块用于获取本班学生之间的相关性；同步性获取模块用于获取教师当前授课状态时的不认真学生；原因分析模块用于根据不认真学生对应的相似学生获取不认真学生不认真学习的原因；授课策略调整模块用于根据不认真原因调整教师的授课策略。该系统考虑了学生与学生之间的相关性，学生与教师之间的同步性，并根据不认真学生不认真学习的原因及时调整教师的授课策略，提高了在线教育的质量。

说明书

技术领域

本发明涉及人工智能、大数据技术领域，具体涉及一种基于人工智能与大数据的职业教育在线教学系统。

背景技术

近些年在线教育迅速发展，在线教育存在着成本低、自由度大等优点。但是线上教育存在学生自由度大，教师对学生的把控能力弱等缺点。一旦学生自制能力差，或者教师没有精确掌控学生的学习状态，就容易降低线上课堂的教育质量，出现学生学习效率低或者学不会等情况，教师也不能精准获得学生的学习需求，导致教师教的多、教的快，但是学生学不会、赶不上、学不到甚至不学习的情况。

为了提高在线教育的质量，现有技术中通过检测学生的上课行为来实时监测学生的学习状态，老师根据学生的作业或考试评测情况来制定教学策略或教学方法以及教学内容。这些方法虽然在一定程度上提高了在线教育的质量，但是却忽略了在线教育时学生与学生、学生与教师之间的关联性，并且不能及时的根据学生不认真学习的原因为教师调整教学策略。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于人工智能与大数据的职业教育在线教学系统，所采用的技术方案如下：

本发明实施例提供了一种基于人工智能与大数据的职业教育在线教学系统，该系统包括：

状态获取模块，用于在教师授课时实时获取本班学生的学习状态和教师的授课状态；所述学习状态包括认真学习状态和不认真学习状态；

相关性获取模块，用于获取本班学生的学习状态变化向量，根据所述学习状态变化向量获取本班学生之间的相关性，并根据所述相关性建立相关性矩阵；

同步性获取模块，用于获取教师处于当前授课状态时每个本班学生的学习状态概率分布，并根据所述学习状态概率分布中所述不认真学习状态的概率获取不认真学生；

原因分析模块,包括相似学生获取单元、类别获取单元和原因分析单元；

所述相似学生获取单元，用于从本班学生中获取与每个不认真学生的第一相似度最高的k1个第一相似学生，所述第一相似度根据所述相关性矩阵获取；并从多个参考班级中获取与所述第一相似学生的第二相似度最高的k2个第二相似学生；

所述类别获取单元，用于获取与所述每个不认真学生相似的k1×k2个相似学生分别属于喜欢学习类别和不喜欢学习类别的概率分布，并根据所述概率分布获取所述每个不认真学生所属类别；

所述原因分析单元，用于分析喜欢学习的所述不认真学生不认真学习的原因；

授课策略调整模块，用于根据所述原因调整所述教师的授课策略。

进一步地，所述相关性获取模块包括：

学习状态变化向量获取单元，用于根据每个本班学生在每个学习状态后出现其他学习状态的概率、每个学习状态出现的概率和频率得到每个本班学生的所述学习状态变化向量；

相关性获取单元，用于计算每两个本班学生的学习状态变化向量之间的欧式距离，并根据所述相关性与所述欧式距离的负相关关系得到每两个本班学生之间的相关性。

进一步地，所述不认真学生为所述不认真学习状态的概率大于0.5的本班学生。

进一步地，所述多个参考班级包括n个历史班级和本班。

进一步地，所述相似学生获取单元包括：

相关性拓扑图构建子单元，用于以每个本班学生为节点，以所述相关性矩阵中的元素为边权值构建所述相关性拓扑图；

第一相似度获取子单元，用于从所述相关性拓扑图中每两个本班学生之间的多条路径上的相似度中选择相似度最高的m个相似度求平均值得到每两个本班学生之间的第一相似度；所述相似度为每条路径中的多条边的边权值的乘积；

历史班级获取子单元，用于从历史数据中获取与所述教师教授本节课程时的授课状态序列相似度最高的n个授课状态序列，并获取所述n个授课状态序列对应的n个历史班级；

拓扑图构建子单元，用于以所述多个参考班级中的每个参考学生为节点，以每两个参考学生的特征向量之间的余弦相似度为边权值构建拓扑图；所述参考学生的特征向量为参考学生在学习本节课程时的学习状态概率分布序列；

第二相似度获取子单元，用于从所述拓扑图中每两个参考学生之间的多条路径上的相似度中选择相似度最高的m个相似度求平均值得到每两个参考学生之间的第二相似度；所述相似度为每条路径中的多条边的边权值的乘积。

进一步地，所述拓扑图构建子单元，还用于对所述拓扑图中的边权值进行均值漂移聚类，获取边权值均值最小的第一类边权值，并将所述第一类边权值中小于均值的边权值置0。

进一步地，所述类别获取单元包括：

拓扑图分类子单元，用于对所述拓扑图进行切图处理将多班学生分为喜欢学习类别和不喜欢学习类别；

平均状态分布获取子单元，用于分别获取喜欢学习类别和不喜欢学习类别对应的平均状态分布向量，所述平均状态分布向量为每个类别中所述多个参考班级中的参考学生对应的每个学习状态概率的平均值；

类别概率分布获取子单元，用于分别计算与每个所述不认真学生相似的k1×k2个相似学生的特征向量与喜欢学习类别和不喜欢学习类别的平均状态分布向量之间的余弦相似度，并对所述余弦相似度进行归一化得到与每个所述不认真学生相似的k1×k2个相似学生的类别概率分布；

类别判断子单元，用于对所述类别概率分布相加求平均值得到所述每个不认真学生的类别概率分布；当喜欢学习类别的概率大于不喜欢学习类别的概率时，说明所述不认真学生喜欢学习；当喜欢学习类别的概率小于不喜欢学习类别的概率时，说明所述不认真学生不喜欢学习。

进一步地，所述原因分析单元用于当所述不认真学生为喜欢学习时，对所述拓扑图中的喜欢学习类别进行切图分为第一类别和第二类别，并获取所述不认真学生不认真学习的原因属于第一类别还是第二类别。

进一步地，所述第一类别为没跟上教师的授课进程而不认真学习的学生；所述第二类别为学习习惯不好导致注意力偶尔不够集中而不认真学习的学生。

本发明实施例至少具有如下有益效果：

1.本发明实施例通过状态获取模块获取教师的授课状态和学生的学习状态；通过相关性获取模块获取本班学生之间的相关性；通过同步性获取模块获取教师当前授课状态时的不认真学生；通过原因分析模块获取不认真学生不认真学习的原因；通过授课策略调整模块调整教师的授课策略。该系统考虑了学生与学生之间的相关性，学生与教师之间的同步性，并将两者结合起来判断不认真学生不认真学习的原因，根据不认真原因及时调整教师的授课策略，提高了在线教育的质量。

2.本发明实施例通过从本班学生中获取与每个不认真学生的第一相似度最高的k1个第一相似学生，从多个参考班级中获取与所述第一相似学生的第二相似度最高的k2个第二相似学生；得到与每个不认真学生相似的k1×k2相似学生。该系统结合大数据系统中的历史数据获取相似学生，不仅为不认真学生带来了第二相似学生的特征信息，增加了分析不认真学生不认真学习的原因的准确度，还消除了局部数据带来的干扰，增加了数据的可信度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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它附图；

图1为本发明一个实施例所提供的一种基于人工智能与大数据的职业教育在线教学系统的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能与大数据的职业教育在线教学系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于人工智能与大数据的职业教育在线教学系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能与大数据的职业教育在线教学系统的结构框图，该系统包括：状态获取模块10、相关性获取模块20、同步性获取模块30、原因分析模块40和授课策略调整模块50。

状态获取模块10，用于在教师授课时实时获取本班学生的学习状态和教师的授课状态；学习状态包括认真学习状态和不认真学习状态；

相关性获取模块20，用于获取本班学生的学习状态变化向量，根据学习状态变化向量获取本班学生之间的相关性，并根据相关性建立相关性矩阵；

同步性获取模块30，用于获取教师处于当前授课状态时每个本班学生的学习状态概率分布，并根据学习状态概率分布中不认真学习状态的概率获取不认真学生；

原因分析模块40,包括相似学生获取单元401、类别获取单元402和原因分析单元403；

相似学生获取单元，用于从本班学生中获取与每个不认真学生的第一相似度最高的k1个第一相似学生，第一相似度根据相关性矩阵获取；并从多个参考班级中获取与第一相似学生的第二相似度最高的k2个第二相似学生；

类别获取单元，用于获取与每个不认真学生相似的k1×k2个相似学生分别属于喜欢学习类别和不喜欢学习类别的概率分布，并根据概率分布获取每个不认真学生所属类别；

原因分析单元，用于分析喜欢学习的不认真学生不认真学习的原因。

授课策略调整模块50，用于根据所述原因调整所述教师的授课策略。

综上所述，本实施例提供了一种基于人工智能与大数据的职业教育在线教学系统，该系统通过状态获取模块10获取教师的授课状态和学生的学习状态；通过相关性获取模块20获取本班学生之间的相关性；通过同步性获取模块30获取教师当前授课状态时的不认真学生；通过原因分析模块40获取不认真学生不认真学习的原因；通过授课策略调整模块50调整教师的授课策略。该系统考虑了学生与学生之间的相关性，学生与教师之间的同步性，并将两者结合起来判断不认真学生不认真学习的原因，根据不认真原因及时调整教师的授课策略，提高了在线教育的质量。

优选的，本实施例中的状态获取模块10包括学习状态获取单元101和授课状态获取单元102。

学习状态获取单元101，用于将本班学生学习本节课程时的视频图像数据输入学生姿态提取网络得到学生的三维骨骼姿态，并将三维骨骼姿态输入学习状态分类网络中得到本班学生的学习状态。

上述本班学生学习本节课程时的视频图像数据通过本班学生上网课时使用的电子设备上自带的摄像头获取。

本实施例将学生的学习状态分为认真学习状态和不认真学习状态。认真学习状态包括：听讲状态、思考状态、写作状态和交互状态；不认真学习状态包括：开小差状态和其他状态。实施者可根据需要将学生的学习状态分为其他类别。

授课状态获取单元102，用于将教师教授本节课程的视频图像数据输入教师姿态提取网络得到教师的三维骨骼姿态，并将教师的三维骨骼姿态输入授课状态分类网络中得到教师的授课状态。

上述教师教授本节课程的视频图像数据通过教师上网课时使用的电子设备上自带的摄像头获取。

本实施例中的学生姿态提取网络和教师姿态提取网络采用openPose网络和TCN网络相结合的DNN网络结构，学习状态分类网络和授课状态分类网络采用编码器—全连接层结构的DNN网络，实施者可根据需求选择合适的网络结构。

本实施例将教师的授课状态分为讲解状态、板书状态、与学生互动状态和其他状态。实施者可根据需要将教师的授课状态分为其他类别。

优选的，本实施例中的相关性获取模块20包括曲线获取单元201、学习状态变化向量获取单元202、相关性获取单元203和相关性矩阵获取单元204。

曲线获取单元201，用于从线上教育的课程开始授课时，实时获取学生的学习状态，得到每个学生的学习状态随时间变化的曲线。

学习状态变化向量获取单元202，用于根据每个本班学生在每个学习状态后的出现其他学习状态的概率、每个学习状态出现的概率和频率得到每个本班学生的学习状态变化向量。

相关性获取单元203，用于计算每两个本班学生的学习状态变化向量之间的欧式距离，并根据相关性与欧式距离的负相关关系得到每两个本班学生之间的相关性。

本实施例中的相关性与欧氏距离的负相关关系用e的负指数次幂表示，即欧式距离为e的负指数次幂中的指数。

相关性矩阵获取单元204，用于根据每两个本班学生之间的相关性建立本班学生的相关性矩阵。

上述相关性矩阵中的元素均经过归一化处理。

优选的，本实施例中的同步性获取模块30包括概率分布获取单元301和不认真学生获取单元302。

概率分布获取单元301，用于获取教师处于当前授课状态时每个本班学生所处学习状态的概率分布。

以下给出一个教师的授课状态为讲解状态的例子：当教师当前的授课状态为讲解状态时，计算该时间段内每个本班学生处于听讲状态、思考状态、写作状态、交互状态、开小差状态和其他状态的概率。进而获取教师处于每个授课状态时每个本班学生的学习状态概率分布。

不认真学生获取单元302，用于根据每个本班学生的学习状态概率分布获取处于不认真学习状态的概率之和大于0.5的本班学生，该类学生为不认真学生。

优选的，本实施例中的相似学生获取单元401包括相关性拓扑图构建子单元、第一相似度获取子单元、历史班级获取子单元、拓扑图构建子单元和第二相似度获取子单元。

相关性拓扑图构建子单元，用于以每个本班学生为节点，以相关性矩阵中的元素为边权值构建相关性拓扑图。

第一相似度获取子单元，用于从相关性拓扑图中每两个本班学生之间的多条路径上的相似度中选择相似度最高的m个相似度求平均值得到每两个本班学生之间的第一相似度；相似度为每条路径中的多条边的边权值的乘积。

具体到本实施例中m＝5，即从每两个本班学生之间的多个相似度中选择相似度最高的5个相似度求平均值得到第一相似度。

第一相似学生获取子单元，用于从本班学生中选择与每个不认真学生的第一相似度最高的k1个第一相似学生。

具体到本实施例中k1＝5，即每个不认真学生对应5个第一相似学生，实施者可根据情况选择k1的取值。

历史班级获取子单元，用于从历史数据中获取与教师教授本节课程时的授课状态序列相似度最高的n个授课状态序列，并获取n个授课状态序列对应的n个历史班级。

具体到本实施例中n＝3，即从历史数据中选择3个历史班级，实施者可根据实际情况选择n的取值。

上述历史数据是从大数据系统中获取的，大数据系统是对在线课堂实时产生的数据进行分布式存储和计算的系统。大数据系统用于实时获取学生的学习状态和教师的授课状态，并将这些数据上传至大数据系统中。

拓扑图构建子单元，用于以多个参考班级中的每个参考学生为节点，以每两个参考学生的特征向量之间的余弦相似度为边权值构建拓扑图；参考学生的特征向量为参考学生在学习本节课程时的学习状态概率分布序列。

对多班学生拓扑图中的边权值进行均值漂移聚类，获取边权值均值最小的第一类边权值，并将第一类边权值中小于均值的边权值置0。

上述多个参考班级由n个历史班级和本班组成。

第二相似度获取子单元，用于从拓扑图中每两个参考学生之间的多条路径上的相似度中选择相似度最高的m个相似度求平均值得到每两个参考学生之间的第二相似度；相似度为每条路径中的多条边的边权值的乘积。

第二相似学生获取子单元，用于从多个参考班级中获取与每个第一相似学生的第二相似度最高的k2个第二相似学生。

具体到本实施例中k2＝5，即每个第一相似学生对应5个第二相似学生。因此每个不认真学生对应25个相似学生。

相似学生获取单元401获取了与每个不认真学生相似的k1×k2个相似学生，消除了局部数据带来的干扰，增加了数据的可信度；从历史数据中获取第二相似学生，为不认真学生带来了额外的特征信息，更准确的获取不认真学生的学习行为。

优选的，本实施例中的类别获取单元402包括拓扑图分类子单元、平均状态分布获取子单元、类别概率分布获取子单元和类别判断子单元。

拓扑图分类子单元，用于对拓扑图进行切图处理将多班学生分为喜欢学习类别和不喜欢学习类别。

具体到本实施例中采用Ncut切图对拓扑图进行切图处理。

上述喜欢学习类别中的学生长期处于听讲状态、思考状态、写作状态、交互状态。不喜欢学习类别中的学生长期处于开小差状态和其他状态。

平均状态分布获取子单元，用于分别获取喜欢学习类别和不喜欢学习类别对应的平均状态分布向量，平均状态分布向量为每个类别中多个参考班级中的参考学生对应的每个学习状态概率的平均值。

类别概率分布获取子单元，用于分别计算与每个不认真学生相似的k1×k2个相似学生的特征向量与喜欢学习类别和不喜欢学习类别的平均状态分布向量之间的余弦相似度，并对余弦相似度进行归一化得到与每个不认真学生相似的k1×k2个相似学生的类别概率分布。

类别判断子单元，用于对类别概率分布相加求平均值得到每个不认真学生的类别概率分布；当喜欢学习类别的概率大于不喜欢学习类别的概率时，说明不认真学生喜欢学习；当喜欢学习类别的概率小于不喜欢学习类别的概率时，说明不认真学生不喜欢学习。

优选的，本实施例中的原因分析单元403用于当不认真学生为喜欢学习时，对拓扑图中的喜欢学习类别进行切图分为第一类别和第二类别，并获取所述不认真学生不认真学习的原因属于第一类别还是第二类别。

第一类别为没跟上教师的授课进程而不认真学习的学生；所述第二类别为学习习惯不好导致注意力偶尔不够集中而不认真学习的学生。

优选的，本实施例中的授课策略调整模块50中调整教师授课策略的方法如下：

对于不喜欢学习的学生和注意力偶尔不够集中而不认真学习的学生，教师可以适时的与之交互，将该学生的注意力拉回到课程学习中；对于没跟上教师的授课进程而不认真学习的学生，教师应当参考大数据系统中与之相似的学生在学习本课程时教师的授课策略。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。