一种数据处理方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种数据处理方法、装置、电子设备及存储介质。

背景技术

教师课堂教学行为是评价教师教学质量的重要环节，通过充分了解教师的教学行为质量，能保证高质量教学水平。目前，采用学生记录或者老师测试模拟、老师观察监督的方式来获取教师的教学行为质量，此种方式不能客观、全面地评价老师的教学效果，无法实现对教师的课堂行为的采集、分析、记录及评价。

发明内容

本申请提供一种数据处理方法、装置、电子设备及存储介质，以解决现有教学行为质量评估方法无法客观、准确地对教学行为质量进行评估的问题。

第一方面，本申请提供一种数据处理方法，包括：获取教师教学的原始音视频数据；从所述原始音视频数据中提取出表征教学行为的特征数据，并根据所述特征数据生成对应的隶属度矩阵，所述隶属度矩阵中的每一行用于表征该行对应的特征数据与预设标准的占比得分；基于所述隶属度矩阵以及所述特征数据对应的预设权重矩阵，得到用于表征教学行为质量的目标矩阵。

本申请实施例中，通过获取教师教学的原始音视频数据，并从获取到的原始音视频数据中提取出表征教学行为的特征数据，并以此生成对应的隶属度矩阵，然后基于隶属度矩阵以及该特征数据对应的预设权重矩阵，便可得到用于表征教学行为质量的目标矩阵，进而客观、准确地对教学行为质量进行评估，解决了现有教学行为质量评估方法无法客观、准确地对教学行为质量进行评估的问题，为客观、准确地评价教学行为质量提供了一种可行的方案。

结合上述第一方面提供的技术方案，在一些可能的实施方式中，从所述原始音视频数据中提取出表征教学行为的特征数据，包括：从所述原始音视频数据中提取出表征教学行为的面部表情、语音情感、头部姿态、手部姿态、下肢姿态以及教师与学生的相对距离分别对应的特征数据；相应地，根据所述特征数据生成对应的隶属度矩阵，包括：根据所述面部表情、所述语音情感各自对应的特征数据生成对应的第一隶属度矩阵；以及根据所述头部姿态、所述手部姿态、所述下肢姿态各自对应的特征数据生成对应的第二隶属度矩阵；以及根据所述教师与学生的相对距离对应的特征数据生成对应的第三隶属度矩阵；相应地，基于所述隶属度矩阵以及所述特征数据对应的预设权重矩阵，得到用于表征教学行为质量的目标矩阵，包括：基于所述第一隶属度矩阵以及所述面部表情、所述语音情感对应的预设权重矩阵，得到用于表征情绪表达行为质量的第一矩阵；基于所述第二隶属度矩阵以及所述头部姿态、所述手部姿态、所述下肢姿态对应的预设权重矩阵，得到用于表征身体姿态行为质量的第二矩阵；基于所述第三隶属度矩阵以及所述教师与学生的相对距离对应的预设权重矩阵，得到用于表征身体距离行为质量的第三矩阵；基于所述第一矩阵、所述第二矩阵、所述第三矩阵，得到所述目标矩阵。

本申请实施例中，通过获取面部表情、语音情感、头部姿态、手部姿态、下肢姿态以及教师与学生的相对距离各自对应的特征数据，从而全面、客观地将教师的课堂教学行为提取出来，并将均用于反映情绪表达的面部表情、语音情感一起进行分析，得到反映情绪表达与预设标准的占比得分的第一隶属度矩阵；将均用于反映身体姿态的头部姿态、手部姿态、下肢姿态一起进行分析，得到反映身体姿态与预设标准的占比得分的第二隶属度矩阵；将用于反映身体距离的教师与学生的相对距离进行分析，得到反映身体距离与预设标准的占比得分的第三隶属度矩阵；然后基于第一隶属度矩阵以及面部表情、语音情感对应的特征数据对应的预设权重矩阵，得到用于表征情绪表达行为质量的第一矩阵；基于第二隶属度矩阵以及头部姿态、手部姿态、下肢姿态对应的特征数据对应的预设权重矩阵，得到用于表征身体姿态行为质量的第二矩阵；基于第三隶属度矩阵以及教师与学生的相对距离对应的预设权重矩阵，得到用于表征身体距离行为质量的第三矩阵；再结合第一矩阵、第二矩阵、第三矩阵，得到反映整体教学质量的目标矩阵。通过面部表情、语音情感、头部姿态、手部姿态、下肢姿态以及教师与学生的相对距离等类别的特征数据，能全面地对教师教学行为进行分析，使最终得到的目标矩阵能更准确、全面地反映教学行为质量。

结合上述第一方面提供的技术方案，在一些可能的实施方式中，基于所述隶属度矩阵以及所述特征数据对应的预设权重矩阵，得到用于表征教学质量的评矩阵价，包括：基于预设的模糊算子，以及所述隶属度矩阵和所述特征数据对应的预设权重矩阵，得到所述用于表征教学质量的目标矩阵。

本申请实施例中，利用预设的模糊算子、隶属度矩阵和预设的权重矩阵，得到目标矩阵。根据实际情况，可以选择合适的模糊算子，使计算得到的目标矩阵更加符合实际情况，扩大本方案的应用范围，并增加最终结果的可靠性、准确性。

结合上述第一方面提供的技术方案，在一些可能的实施方式中，通过以下步骤获取所述特征数据对应的预设权重矩阵：获取用于表征所述特征数据重要性的判断矩阵；获取所述判断矩阵对应的特征向量，其中，将所述特征向量转置即为所述预设权重矩阵。

本申请实施例中，通过获取判断矩阵的特征向量，再将特征向量进行转置得到特征数据对应的预设权重矩阵，即预设的权重矩阵是通过计算得到的，而不是人为定义的，可以使得基于该权重矩阵计算得到的最终结果更加客观，降低目标矩阵的主观性。

结合上述第一方面提供的技术方案，在一些可能的实施方式中，获取用于表征所述特征数据重要性的判断矩阵，包括：确定所述特征数据中第i类特征数据对第j类特征数据的重要程度，其中，i、j均为正整数，且i、j不大于所述特征数据的类别总数；基于所述第i类特征数据对所述第j类特征数据的重要程度，建立所述判断矩阵。

本申请实施例中，通过确定各类别特征数据之间的相对重要性，来生成判断矩阵，保证后续根据判断矩阵计算得到的权重值能有效反映各类别特征数据之间的相对重要性，从而保证最终结果的可靠性。

结合上述第一方面提供的技术方案，在一些可能的实施方式中，在建立所述判断矩阵之后，所述方法还包括：获取所述判断矩阵的特征向量，基于所述判断矩阵和所述判断矩阵的特征向量，得到所述判断矩阵的一致性比值；基于所述一致性比值，判断所述判断矩阵的一致性是否合格；当判断不合格时，重新建立判断矩阵。

本申请实施例中，通过对生成的判断矩阵进行一致性检验，以判断该判断矩阵的一致性是否合格，当不合格时，则重新建立判断矩阵，并对再次建立的判断矩阵进行一致性检验，直到通过一致性检验。通过本方案能检测判断矩阵各元素之间是否具有显著差异，能防止判断矩阵中各类别特征数据的相对重要性出现矛盾，使得计算得到的权重值出现错误。因此，通过一致性检验，能提升最终评价结果的可靠性。

结合上述第一方面提供的技术方案，在一些可能的实施方式中，获取所述判断矩阵的特征向量，包括：基于所述判断矩阵的每一行，得到每一行中所有元素的乘积；针对每一行元素的乘积，得到所述每一行元素的乘积的n次方根，其中，n为所述判断矩阵每一行中的元素的数量；根据得到的每一行的n次方根，生成初始向量，并对所述初始向量进行归一化运算，得到所述判断矩阵的特征向量。

本申请实施例中，利用方根法求判断矩阵的特征向量，其计算过程更加简单，能减小运算量，提高计算效率。

第二方面，本申请实施例提供一种数据处理装置，包括获取模块、处理模块，其中，获取模块，用于获取教师教学的原始音视频数据；处理模块，用于从所述原始音视频数据中提取出表征教学行为的特征数据，并根据所述特征数据生成对应的隶属度矩阵，所述隶属度矩阵中的每一行用于表征该行对应的特征数据与预设标准的占比得分；处理模块还用于基于所述隶属度矩阵以及所述特征数据对应的预设权重矩阵，得到用于表征教学行为质量的目标矩阵。

第三方面，本申请实施例提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器连接；所述存储器，用于存储程序；所述处理器，用于调用存储于所述存储器中的程序，以执行如上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式的方法。

第四方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被计算机运行时，执行如上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请一实施例示出的一种数据处理方法的流程示意图；

图2为本申请一实施例示出的一种数据处理装置的结构示意图；

图3为本申请实施例示出的电子设备结构示意图。

具体实施方式

术语“第一”、“第二”、“第三”等仅用于区分描述，并不表示排列序号，也不能理解为指示或暗示相对重要性。

下面将结合附图对本申请的技术方案进行清楚、完整地描述。

目前，对教师教学行为的质量的评价主要采用课堂观察、行为对比等经验描述的方式，主要是由专家、教师现场观察或课堂视频分析等经验性评价方法组成，缺少一种能客观、准确、公正地反映表征教学行为质量的目标矩阵。因此，本方案提供一种数据处理方法，以减轻现有技术中，对教学行为的评价依赖于人工评价的现象。

请参阅图1，图1为本申请实施例提供的一种数据处理方法，下面结合图1对其包含的步骤进行说明。

S100：获取教师教学的原始音视频数据，从所述原始音视频数据中提取出表征教学行为的特征数据，并根据所述特征数据生成对应的隶属度矩阵。

从原始音视频数据中提取出表征教学行为的特征数据，并根据特征数据生成对应的隶属度矩阵，其中，隶属度矩阵中的每一行用于表征该行对应的特征数据与预设标准的占比得分。获得的隶属度矩阵可以存储于数据库中，在需要时直接调用即可。教师教学的原始音视频数据包括教师教学的视频数据和音频数据。

一种实施方式下，通过人工智能技术(智能录播技术、情感识别技术、智能识别技术等技术)从原始数据中提取出表征教学行为的特征数据。其中，特征数据是根据教师实际课堂表现进行分析与量化计算并反馈出的，对每一类特征数据的打分。由于在一堂课中，即使是同一类特征数据，也会因为时间的变化，使其表现随之发生改变，因此，可以基于预设标准进行打分；例如该预设标准可以表示该类特征数据在一定时间内评判为“好”、“较好”、“一般”、“较差”四个等级的占比。例如，当获取的情绪表达的特征数据为R

其中，由于每个特征数据的评价价值不同，往往会形成不同等级，因此需要确定预设标准。一种实施方式下，将由各种不同决断构成的预设标准，记为V＝{v

一种实施方式下，针对一种类别的特征数据，通过统计用于判断该种类的特征数据的各判断因素在课堂教学视频中分别出现的时长，然后通过

其中，统计时长的方式可以是：首先将课堂教学视频按相同的时长划分为多个时间长度相同的教学片段，针对一种类别的特征数据，然后判断每一个教学片段中，教师的表现属于该特征数据的哪一个判断因素，在判断完所有的教学片段后，统计每一种判断因素的数量，并基于每一个教学片段的时长，得到每一种判断因素的时长。

例如，以一个45分钟的课堂教学视频为例，选择3秒为对课堂教学视频进行划分的时间段，则该课堂教学视频被分为900个教学片段，当判断的特征数据的种类为面部情绪时，判断每一个教学片段中教师的面部情绪，判断教师的面部情绪的判断因素可以是积极情绪、中性情绪、消极情绪，其中，可以将每一个教学片段的特定帧的画面作为判断的依据，例如对所有教学片段的第一帧画面进行判断；或者对每一个教学片段，都选取随机选取一帧画面进行判断。将测得的积极情绪数量记为u

不同的教学行为，对应的特征数据的类别也不同。一种实施方式下，一种可以全面评价教学质量的特征数据的种类如表1所示。

表1

S200：基于隶属度矩阵以及特征数据对应的预设权重矩阵，得到用于表征教学行为质量的目标矩阵。

在获得隶属度矩阵以及特征数据对应的预设权重矩阵后，一种实施方式下，通过计算该隶属度矩阵和该预设权重矩阵的笛卡尔积，得到用于表征教学行为质量的目标矩阵。另一种实施方式下，基于预设的模糊算子，以及隶属度矩阵和特征数据对应的预设权重矩阵，得到用于表征教学质量的目标矩阵。其中，模糊算子的运算规则可以根据实际情况选择，使计算得到的目标矩阵更加符合实际情况，增大最终评价结果的可靠性、准确性。

其中，用R表示隶属度矩阵，用D表示预设权重矩阵，当特征数据类别总数为n，且预设标准V＝{v

1.模糊算子为M(,)算子(Zadeh算子，又称“取大取小算子”)，其运算规则可以表示为：

2.模糊算子为M(·,)算子，“·”表示相乘，再取最大算子，运算规则可以表示为：

3.模糊算子为

4.模糊算子为

以上四种模糊算子仅为一种实施方式，不应作为对本申请的限制，上述四种模糊算子各有特点，其在综合评价中的特点如表2所示：

表2

其中，预设权重矩阵可以是预先获取的，存储于数据库中，在需要时直接调用即可，或者，预设权重矩阵也可以是在需要时计算得到的。一种实施方式下，预设权重矩阵可以通过以下步骤获取：获取用于表征特征数据重要性的判断矩阵；获取判断矩阵的特征向量，将特征向量进行转置得到特征数据对应的权重矩阵。例如，用A＝(a

其中，判断矩阵可以是预先获取的，存储于数据库中，在需要时直接调用即可，或者，判断矩阵可以是在需要时，根据特征数据重要性建立的。一种实施方式下，获取用于表征特征数据重要性的判断矩阵的步骤包括：首先确定特征数据中第i类特征数据对第j类特征数据的重要程度，其中，i、j均为正整数，且i、j不大于特征数据类别总数；然后基于所述第i类特征数据对所述第j类特征数据的重要程度，建立判断矩阵。其中，当特征数据类别总数为n时，i、j均从1开始依次选取，且只有当j的取值从1取到n后，i的取值加1，j的取值则再次从1开始取值，直到i、j的取值均为n。

其中，判断矩阵可用A＝(a

表3

其中，2、4、6、8为相邻判断标度的中间值，而1/a

在建立所述判断矩阵之后，还需要对判断矩阵进行检验，一种实施方式下，通过检验判断矩阵的一致性，判断建立的判断矩阵是否合格。检验判断矩阵的一致性的步骤包括：首先获取判断矩阵的特征向量，基于判断矩阵和判断矩阵的特征向量，得到判断矩阵的一致性比值；然后基于一致性比值，判断该判断矩阵的一致性是否合格；当判断不合格时，重新建立判断矩阵，并对再次建立的判断矩阵进行一致性检验，直到建立的判断矩阵通过一致性检验。例如，将判断矩阵的特征向量表示为W＝[W

计算判断矩阵的特征向量有多种方法，例如，方根法、和积法、幂法。其中，用方根法求特征向量的步骤可以是：先计算所述判断矩阵每一行元素的乘积；然后分别计算所述乘积的n次根，其中，n为判断矩阵每一行中的元素的数量；最后根据计算得到的n次根，生成初始向量，并对初始向量进行归一化运算，得到所述判断矩阵对应的特征向量。当用A＝(a

根据获得的用于表征教学行为质量的目标矩阵，利用最大隶属度原则，进行综合评判分析，确定教学质量的评价结果。

为了便于理解，以获取表1中的面部表情、语音情感、头部姿态、手部姿态、下肢姿态以及教师与学生的相对距离分别对应的特征数据为例。

从原始音视频数据中提取出表征教学行为的面部表情、语音情感、头部姿态、手部姿态、下肢姿态以及教师与学生的相对距离分别对应的特征数据。相应地，根据特征数据生成对应的隶属度矩阵的步骤包括：根据面部表情、语音情感各自对应的特征数据生成对应的第一隶属度矩阵；以及根据头部姿态、手部姿态、下肢姿态各自对应的特征数据生成对应的第二隶属度矩阵；以及根据教师与学生的相对距离对应的特征数据生成对应的第三隶属度矩阵。基于第一隶属度矩阵以及面部表情、语音情感对应的预设权重矩阵，得到用于表征情绪表达行为质量的第一矩阵；再基于第二隶属度矩阵以及头部姿态、手部姿态、下肢姿态对应的预设权重矩阵，得到用于表征身体姿态行为质量的第二矩阵；然后基于第三隶属度矩阵以及教师与学生的相对距离对应的预设权重矩阵，得到用于表征身体距离行为质量的第三矩阵；最后基于第一矩阵、第二矩阵、第三矩阵，得到目标矩阵。其中，一种实施方式下，基于第一矩阵、第二矩阵、第三矩阵，生成一个包含第一矩阵、第二矩阵、第三矩阵中所有元素的第四矩阵，在根据情绪表达、身体姿态、身体距离的相对重要性，获得对应的判断矩阵，并求出对应的权重矩阵。基于该权重矩阵和第四矩阵，得到目标矩阵。

为了便于理解，获取第一矩阵R

表4

情绪表达、身体姿态、身体距离对应的预设权重矩阵为D＝[0.5 0.3 0.2]，即情绪表达的权重值为0.5、身体姿态的权重值为0.3、身体距离的权重值为0.2。利用预设的模糊算子计算目标矩阵

当模糊算子为M(,)算子时：

当模糊算子为M(·,)算子时：

当模糊算子为

当模糊算子为

对上述四种模糊算子的结果，根据最大隶属度原则进行分析，可以看出，四个结果中，都是代表“较好”的第二个数据数值最大，而情绪表达、身体姿态、身体距离均是用于表征教学行为质量的特征数据，因此，基于该三组特征数据，可以得出该教学行为的质量评价结果为“较好”。

可选的，在获取预设权重矩阵之前，构建情绪表达,身体姿态,身体距离的判断矩阵A，

请参阅图2，图2为本申请实施例提供的一种数据处理装置100，该装置包括获取模块110、处理模块120。

获取模块110，用于获取教师教学的原始音视频数据。

处理模块120，用于从所述原始音视频数据中提取出表征教学行为的特征数据，并根据所述特征数据生成对应的隶属度矩阵，所述隶属度矩阵中的每一行用于表征该行对应的特征数据与预设标准的占比得分。

处理模块120还用于基于所述隶属度矩阵以及所述特征数据对应的预设权重矩阵，得到用于表征教学行为质量的目标矩阵。

可选的，获取模块110还用于从所述原始音视频数据中提取出表征教学行为的面部表情、语音情感、头部姿态、手部姿态、下肢姿态以及教师与学生的相对距离分别对应的特征数据。

可选的，处理模块120还用于根据所述面部表情、所述语音情感各自对应的特征数据生成对应的第一隶属度矩阵；以及根据所述头部姿态、所述手部姿态、所述下肢姿态各自对应的特征数据生成对应的第二隶属度矩阵；以及根据所述教师与学生的相对距离对应的特征数据生成对应的第三隶属度矩阵。同时，处理模块120还用于基于所述第一隶属度矩阵以及所述面部表情、所述语音情感对应的预设权重矩阵，得到用于表征情绪表达行为质量的第一矩阵；基于所述第二隶属度矩阵以及所述头部姿态、所述手部姿态、所述下肢姿态对应的预设权重矩阵，得到用于表征身体姿态行为质量的第二矩阵；基于所述第三隶属度矩阵以及所述教师与学生的相对距离对应的预设权重矩阵，得到用于表征身体距离行为质量的第三矩阵。并基于所述第一矩阵、所述第二矩阵、所述第三矩阵，得到所述目标矩阵。

可选的，处理模块120还用于基于预设的模糊算子，以及所述隶属度矩阵和所述特征数据对应的预设权重矩阵，得到所述用于表征教学质量的目标矩阵。

可选的，处理模块120还用于获取用于表征所述特征数据重要性的判断矩阵；获取所述判断矩阵对应的特征向量，其中，将所述特征向量转置即为所述预设权重矩阵。

可选的，处理模块120还用于确定所述特征数据中第i类特征数据对第j类特征数据的重要程度，其中，i、j均为正整数，且i、j不大于所述特征数据的类别总数；基于所述第i类特征数据对所述第j类特征数据的重要程度，建立所述判断矩阵。

可选的，处理模块120还用于获取所述判断矩阵的特征向量，基于所述判断矩阵和所述判断矩阵的特征向量，得到所述判断矩阵的一致性比值；基于所述一致性比值，判断所述判断矩阵的一致性是否合格；当判断不合格时，重新建立判断矩阵。

可选的，处理模块120还用于基于所述判断矩阵的每一行，得到每一行中所有元素的乘积；针对每一行元素的乘积，得到所述每一行元素的乘积的n次方根，其中，n为所述判断矩阵每一行中的元素的数量；根据得到的每一行的n次方根，生成初始向量，并对所述初始向量进行归一化运算，得到所述判断矩阵的特征向量。

请参阅图3，图3为本申请实施例提供的一种电子设备200。所述电子设备200包括：收发器210、存储器220、通讯总线230、处理器240。

所述收发器210、所述存储器220、处理器240各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线230或信号线实现电性连接。其中，收发器210用于收发数据。存储器220用于存储计算机程序，如存储有图2中所示的软件功能模块，即数据处理装置100。其中，数据处理装置100包括至少一个可以软件或固件(firmware)的形式存储于所述存储器220中或固化在所述电子设备200的操作系统(operating system，OS)中的软件功能模块。所述处理器240，用于执行存储器220中存储的可执行模块，例如数据处理装置100包括的软件功能模块或计算机程序。例如，获取教师教学的原始音视频数据；从所述原始音视频数据中提取出表征教学行为的特征数据，并根据所述特征数据生成对应的隶属度矩阵，所述隶属度矩阵中的每一行用于表征该行对应的特征数据与预设标准的占比得分；基于所述隶属度矩阵以及所述特征数据对应的预设权重矩阵，得到用于表征教学行为质量的目标矩阵。

其中，存储器220可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。

处理器240可以是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器240也可以是任何常规的处理器等。

其中，上述的电子设备200，包括但不限于个人电脑、服务器等。

本申请实施例还提供了一种非易失性计算机可读取存储介质(以下简称存储介质)，该存储介质上存储有计算机程序，该计算机程序被计算机如上述的电子设备200运行时，执行上述所示的数据处理方法。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。