一种基于教学大数据分析的师生匹配度评估方法及系统

摘要

本发明涉及一种基于教学大数据分析的师生匹配度评估方法及系统，属于在线教育技术领域。方法包括以下步骤：获取学生的课堂视频数据和学生的成绩数据；根据所述学生的课堂视频数据和所述学生的成绩数据计算学生的学习能力；对所述学生的学习能力进行区间划分，计算不同学生学习能力区间对应的学生平均进步指标；利用所述学生的平均进步指标、所述学生成绩的偏度和所述分布比例增长分量指标计算教师在各能力区间的教学水平；根据学生所属的学习能力区间判断师生的匹配度。本发明将学生的学习能力作为考量师生匹配度的依据，能够较为精准地为学生匹配一个适合其学习能力的教师，能够较大概率提升学生的学习成绩，有利于提升整体教学质量。

说明书

技术领域

本发明涉及在线教育技术领域，具体涉及一种基于教学大数据分析的师生匹配度评估方法及系统。

背景技术

随着信息技术迅速发展，特别是近几来，出现了很多的在线教育平台，在线教育平台上老师和学生的数量也逐渐增加。

教学对于老师和学生而言，是一个相互的过程。某些老师的教学方式，可能对一些同学很有效，但是对于另一些同学却效果不佳，因此如何去匹配适合学生的老师，对于提升教学质量有着重大意义。

在传统线上教学中，一般是教务人员根据学生年级和学习科目，去匹配擅长教此科目的老师，这种人工匹配的方式一方面耗费人力，另一方面只参考学生的年级和学习科目因素，虽然为学生匹配出的教师能够胜任对此科目的教学，但是匹配出的老师的教学风格不一定适用于该学生的学习能力，使得该学生的进步不明显。

如何能够精准地对在线教师与学生进行自动匹配是现有在线教育平台目前面临的一个主要问题。

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教学大数据分析的师生匹配度评估方法及系统，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于教学大数据分析的师生匹配度评估方法及系统包括以下步骤：

获取学生的课堂视频数据和学生的成绩数据，学生的成绩数据包括第一次测评成绩数据和第二次测评成绩数据；

根据学生的课堂视频数据和学生的成绩数据计算学生的学习能力；

对学生的学习能力进行区间划分，计算不同学生学习能力区间对应的学生平均进步指标；

根据学生的成绩数据计算学生成绩的偏度；

根据预设的成绩区间对每一个学习能力区间进行划分，计算与第一次测评成绩数据对应的各成绩区间的学生分布比例和与第二次测评成绩数据对应的成绩区间的学生分布比例，根据各成绩区间的学生分布比例计算第二次测评成绩数据相对第一次测评成绩数据的分布比例增长分量指标；

利用学生的平均进步指标、学生成绩的偏度和分布比例增长分量指标计算教师在各能力区间的教学水平；

根据学生所属的学习能力区间和教师在学生所属的学习能力区间对应的教学水平，判断师生的匹配度。

优选的，计算学生的学习能力的方法为，包括如下步骤：

根据学生的课堂视频数据计算课堂评估次数和课堂参与等级；

根据课堂评估次数和课堂参与等级计算课堂平均参与度；

根据课堂总节数和课堂平均参与度计算学生的学期平均课堂参与度；

根据学生的成绩数据计算学生的学期进步指标；

根据学生的学期平均课堂参与度和学生的学期进步指标计算所述学生的学习能力。

本发明还提供了一种基于教学大数据分析的师生匹配度评估系统的技术方案，包括存储器和处理器，处理器执行存储器存储的计算机程序，以实现上述基于教学大数据分析的师生匹配度评估方法。

上述评估方法和评估系统的有益效果是：根据学生的课堂视频数据和学生的成绩数据计算得到了学生的学习能力和教师在每个学习能力区间对应的教学水平根据教师在学生所属学习能力区间对应的教学水平来评估师生的匹配度；本发明将学生的学习能力作为考量师生匹配度的依据，能够较为精准地为学生匹配一个适合其学习能力的教师，能够较大概率提升学生的学习成绩，有利于提升整体教学质量。

优选的，计算学生的学期平均课堂参与度的方法为：根据公式

优选的，计算学生的学期进步指标的方法，为：根据公式U＝(FM-BM)*w1+FM*w2求学生的学期进步指标，其中U为学生的学期进步指标，BM为第一次测评成绩，FM为第二次测评成绩，w1为进步速度的权重，w2为第二次测评成绩的权重。

优选的，学生的学习能力与学生学期进步指标和学期平均参与度的等级的商呈负相关变化。

优选的，计算分布比例增长分量指标的方法，包括如下步骤：根据公式

优选的，区间权重W

优选的，计算教师在各能力区间的教学水平的方法为：根据公式Z＝Pu*w3+S2*D*w4求教师在该能力区间的教学水平，Z为教师在该能力区间的教学水平，Pu为该能力区间学生平均进步指标，S2为该能力区间学生成绩的偏度，D为该能力区间分布比例增长分量指标，w3为该能力区间学生平均进步指标的权重，w4为该能力区间分布比例增长分量指标的权重，D为分布比例增长分量指标。

优选的，师生匹配度与学生的学习能力和教师在每个学生能力区间的教学水平的乘积呈正相关变化。

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教学大数据分析的师生匹配度评估方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。

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

本实施例提供了一种基于教学大数据分析的师生匹配度评估方法，详细说明如下：

如图1所示，该基于教学大数据分析的师生匹配度评估方法，包括以下步骤：

步骤S001，获取学生的视频数据和学生的成绩数据，学生的成绩数据包括第一次测评成绩数据和第二次测评成绩数据。

本实施例的师生匹配度评估方法针对的是线上教育平台，线上教育平台通常采用的是网络授课的方式，因此可以通过个人设备摄像头采集学生的视频数据。

在本实施例中，第一次测评成绩数据为基础能力测评成绩数据，第二次测评成绩数据为最终测评成绩数据；可以从在线教育平台的教学系统中获取学生的基础能力测评成绩数据和最终测评成绩数据；作为其它的实施方式，第一次测评成绩数据也可以是第一个月的测评成绩数据，第二次测评成绩数据也可以是第二个月的测评成绩数据，但是第二次测评成绩数据的时间要晚于第一次测评成绩数据的时间。

步骤S002，根据学生的课堂视频数据和学生的成绩数据计算学生的学习能力。

本实施例计算学生的学习能力过程包括以下步骤：

1)根据学生的教学视频数据计算课堂评估次数和课堂参与等级。

在本实施例中，参与度主要指学生在上课中参与的时间和参与的态度，参与的态度即学生听课的注意力。

本实施例是利用神经网络技术来评估课堂参与等级，具体的：

神经网络包含一个卷积神经网络和一个时序分类网络。

神经网络是基于时序的图像序列进行学生参与度分级，首先对于每一个学生的视频数据进行采样，本实施例采用的是每三秒进行一次参与度评估，对于学生的视频数据通常一秒均匀采集5帧，因此每三秒即可采样到15帧图像，15帧图像依次实时的经过归一化，并作为卷积神经网络的输入。

在本实施例中，卷积神经网络采用轻量级网络，如ShuffleNet系列、MixNet等。

轻量级网络包含编码器、全连接层，最终通过全连接层输出一个特征向量，经验值为128维度的特征向量，最终每三秒的采样图像经过联合操作得到一个形状维[15，128]的向量，然后输入到时序分类网络中。

时序分类网络的结构为时序编码器、全连接层，时序编码器可以采用LSTM、GRU、TCN等，采用时序编码器可以提取到视频帧的时间变化进而来检测参与程度。

本实施例的时序编码器具体采用TCN，TCN的输入形状为[B，15，128]，输出形状为[B，4]，B为Batch size，N为时间尺度，此处即15张采样图像代表三秒的数据，而时序编码器TCN输出形状中的4为参与度的四种分级结果。

标签数据进行one-hot编码(独热码)后，送到神经网络中进行训练。

在本实施例中，标签数据是学生在三秒内的参与度评级，总共分为4个等级，0级(非常低)、1级(低)、2级(高)、3级(非常高)，通过人为评判进行标注；作为其它的实施方式，也可以根据需求划分不同的参与等级，比如总共划分为3个等级，或者4个等级对应的是1级(非常低)、2级(低)、3级(高)、4级(非常高)。

最终TCN要接全连接层及分类函数Softmax，达到输出分类的目的，在本实施例中损失函数采用的是交叉熵。

在本实施例中，全连接层起到将特征映射到样本标记空间的作用，输入为时序编码器提取后的特征向量，输出为各个参与度等级的概率。

最终网络输出的结果再经过Argmax操作，得到具体的参与度等级。

在本实施例中，课堂评估次数是通过课堂时间和进行一次参与度评估的时间计算得到的，即：

其中，T为课堂的时间，单位为秒；t为进行一次参与度评估的时间，单位为秒，在本实施例中t的值为3；作为其它实施方式，也可以根据需求设置不同的评估时间。

2)根据课堂评估次数和课堂参与等级计算课堂平均参与度。

在本实施例中，课堂平均参与度是通过课堂评估次数和课堂参与等级计算得到的，即：

其中，PcpL

3)根据课堂总节数和课堂平均参与度计算学生的学期平均课堂参与度

在本实施例中，对于每一位在线教育平台上的学生，都可以通过课堂总节数和课堂平均参与度计算学生的学期平均课堂参与度，即：

其中，n为学习某科目的课堂总节数，Pcp

4)根据学生的成绩数据计算学生的学期进步指标。

在本实施例中，根据学生的基础测评成绩数据和最终测评成绩数据计算出学生的学期进步指标，在本实施例中基础测评成绩数据和最终测评成绩数据都是百分制的；作为其它实施方式，也可以根据需求为成绩数据设置不同的形式。

在本实施例中，为了保证评估的准确性，对于课堂的开始都有基础测评，测试每个学生的基础能力，最终得到基础测评成绩数据，基础评测成绩数据可以从在线教育平台的教学系统中获取，然后进行归一化，得到基础能力指标BM；学生在经历完该学期后进行最终测评，得到最终测评成绩数据，最终测评成绩数据也可以从在线教育平台的教学系统中获取，然后进行归一化，得到最终能力指标FM。

最终计算得到学生的学期进步指标，即：

U＝(FM-BM)*w1+FM*w2

其中，BM为基础能力指标，FM为最终能力指标，w1为进步速度的权重，值为0.6，w2为最终能力指标的权重，值为0.4；本实施例是根据基础能力指标BM和最终能力指标FM来量化学生的进步速度。

5)根据学生的学期平均课堂参与度和学生的学期进步指标计算学生的学习能力。

通过学生的学期平均课堂参与度和学生的学期进步指标可以反映学生的学习能力，比如，当两名学生的学期进步指标相同时，学期平均课堂参与度等级小的学生的学习能力强，学期平均课堂参与度等级大的学生的学习能力弱；当两名学生的学期平均课堂参与度等级相同时，学生的学期进步指标多的学生的学习能力强，学生的学期进步指标少的学生的学习能力弱。

在本实施例中，通过学生的学期平均课堂参和度和学生的学期进步指标计算学生的学习能力，即：

其中，U为学生的学期进步指标，Epcp为学期平均课堂参与度，Epcp+1是用于获取学习能力评估函数的上界，

在本实施例中，学生的学期进步指标U的区间是[-0.6，1]，Epcp+1的区间是[1，4，]，因此对应的学生的学习能力LS的区间为[-0.6，1]。

步骤S003，对学生的学习能力进行区间划分，计算不同学生学习能力区间对应的学生平均进步指标；

在本实施例中，对学生的学习能力LS的区间进行均匀划分，均匀划分为10个区间，计算某一个学生能力区间中所有学生的平均进步指标，即：

其中，N1为该能力区间的学生个数，U

作为其它的实施方式，也可以根据需求的不同，用其它的方式划分不同数量的区间，比如，将学生的学习能力区间均匀划分为5个区间，或者将学生的学习能力区间划分为10个区间，但不采用均匀划分的方式。

步骤S004，根据学生的成绩数据计算学生成绩的偏度；

在本实施例中，由于成绩越高其成绩进步空间越小，会导致基础成绩好但最终测评成绩不佳的学生产生学习进步指标小的现象，因此需要进行成绩分布的分析。

在本实施例中，通过计算学生成绩的偏度来分析成绩的分布情况，即：

其中，N1为某一个能力区间的学生个数，X

偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。

在本实施例中，当偏度S<0时，概率分布图左偏；当偏度S＝0时，表示数据相对均匀的分布在平均值两侧，不一定是绝对的对称分布。当偏度S>0时，概率分布图右偏；因此S的值越大，代表学生的成绩分布越好。

步骤S005，根据预设的成绩区间对每一个学习能力区间进行划分，计算与第一次测评成绩数据对应的各成绩区间的学生分布比例和与第二次测评成绩数据对应的成绩区间的学生分布比例，根据各成绩区间的学生分布比例计算第二次测评成绩数据相对第一次测评成绩数据的分布比例增长分量指标；

在本实施例中，对每一个能力区间的学生的基础测评成绩数据、最终测评成绩数据进行统计，求取教师授课学生的基础测评成绩数据的直方图和最终测评成绩数据的直方图。对于直方图，由于成绩进行了归一化，因此对直方图进行区间划分，均匀划分为10个区间，即[0,0.1)、[0.1，0.2)……(0.9,1]。

作为其它的实施方式，也可以根据需求的不同，用其他的方式划分不同数量的区间。比如，将成绩直方图均匀划分为5个区间，或者将学生的学习能力区间划分为10个区间，但不采用均匀划分的方式。

对每一个预设的成绩区间分配一个权重，越靠后的成绩区间权重越大，即：

其中，Sn

然后计算基础测评成绩数据对应的各成绩区间的学生分布比例与最终测评成绩数据对应的成绩区间的学生分布比例，根据各成绩区间的学生分布比例计算基础测评成绩数据相对最终测评成绩数据的分布比例增长分量指标，即：

分布的比例增长分量指标D的判断规则是：

其中，W

其中，R

步骤S006，利用学生的平均进步指标、学生成绩的偏度和分布比例增长分量指标计算教师在各能力区间的教学水平。

在本实施例中，通过分布比例增长分量指标、学生成绩的偏度和学生的平均进步指标和计算教师在某一个能力区间的教学水平，即：

Z＝Pu*w3+S2*D*w4

其中，Pu为该学生能力区间中所有学生的平均进步指标，w3为学生的平均进步指标的权重，值为0.2，S2为该能力区间学生综合测评成绩的偏度，D为该能力区间分布的比例增长分量指标，w4为该能力区间分布的比例增长分量指标的权重，值为0.8。S2*D表示偏度越大且成绩比例增长越大，该项值就越大。

作为其它实施方式，根据需要为上述指标设置不同的权重数值。

步骤S007，根据学生所属的学习能力区间和教师在学生所属的学习能力区间对应的教学水平，判断师生的匹配度。

在本实施例中，根据学生的学习能力匹配适合的教师，具体的，先判断该学生的学习能力所属的学习能力区间，然后根据教师对应的该学习能力区间的教学水平，为该学生匹配适合自身学习能力的教师。

本实施例，为学生匹配适合自身学习能力的教师时，可以为学生匹配在该学习能力区间中教学水平最好的老师，若是该老师的人数匹配满额，则会匹配在该学习能力区间中教学水平排名第二的老师，依次进行类推。作为其它实施方式，也可以将教师在某学习能力区间对应的教学水平是否大于设定值作为判断教师与学习能力区间中学生是否匹配的依据。

本实施例是根据学生的课堂视频数据和学生的成绩数据计算得到了学生的学习能力和教师在每个学习能力区间对应的教学水平根据教师在学生所属学习能力区间对应的教学水平来评估师生的匹配度；本实施例将学生的学习能力作为考量师生匹配度的依据，能够较为精准地为学生匹配一个适合其学习能力的教师，能够较大概率提升学生的学习成绩，有利于提升整体教学质量。

本实施例的基于教学大数据分析的师生匹配度评估系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如基于教学大数据分析的师生匹配度评估方法实施例所描述的获取学生课堂视频数据和学生的成绩数据的方法。

由于基于教学大数据分析的师生匹配度评估方法实施例已经对获取学生课堂视频数据和学生的成绩数据的方法进行了说明，此处不再赘述。

需要说明的是,上述本发明实施例先后顺序仅仅为了描述，不代表实施例的的优劣，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。

本说明书中的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。

以上所述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。