一种应用于在线教育的学生学习状态检测方法及系统

技术领域

本发明涉及计算机数据处理技术领域，特别涉及一种应用于在线教育的学生学习状态检测方法及系统。

背景技术

一些社会人员会通过在线课堂的形式听课学习。其次，一些不便于线下教学的学校也会安排师生采取在线课堂的形式上课及听课。

但是，在线课堂多以多人视频的模式执行，老师为保证学生听课质量，需要关注学生的学习状态，此时，需要一一查看每个学生的视频画面，确定学生是否在认真听课，比较繁琐，繁琐的同时也占用了老师本应用于执教的部分精力。

现有技术也给出了这一问题的解决方案，比如中国专利文献公开号为CN115546861A的一种在线课堂专注度识别方法、系统、设备及介质，其中基于学生视频识别学生表情，基于学生表情确定学生专注度，可代替老师关注学生的学习状态。

然而，在真实上课时，学生听课是否专注的判断时机、判断手段是决定于教师上课状态的；例如：老师在执教时，提示学生休息5分钟，此时学生做出任何不专注行为都是合理的，若仍基于学生视频确定学生是否专注，会造成误判；又例如：老师给出互动跟做提示，此时判断学生是否专注应判断学生是否跟做。其次，有可能出现表情识别不到的情形发生；例如：老师提示学生完成课本上的练习，学生会低头/埋头执行，可能会无法识别表情。

因此，上述给出的解决方案在具体应用时存在局限性即适用性较低的情况，亟需进行解决。

发明内容

本发明目的之一在于提供了一种应用于在线教育的学生学习状态检测方法及系统，极大程度上提升了学生学习状态异常检测的适用性，克服了局限性问题，其次，无需在线课堂的执教老师关注学生的学习状态，提升了便捷性，有益于执教老师将精力投入到教学中去，一定程度上提升了教学质量。

本发明实施例提供的一种应用于在线教育的学生学习状态检测方法，包括：

当在线教育课堂开课时，获取所述在线教育课堂的执教老师的第一状态信息；

基于所述第一状态信息和预设的学生学习状态异常检测模板生成库，生成学生学习状态异常检测模板；

获取所述在线教育课堂的听课学生的第二状态信息；

基于所述学生学习状态异常检测模板，根据所述第二状态信息，对所述听课学生进行学生学习状态异常检测。

优选的，获取所述在线教育课堂的执教老师的第一状态信息，包括：

向所述执教老师的第一移动终端推送预设的执教老师状态选择表；

获取所述执教老师从所述执教老师状态选择表中选择的执教老师状态；

基于所述执教老师状态，确定第一状态信息；

和/或，

通过所述第一移动终端获取所述执教老师的第一发言信息；

基于所述第一发言信息，确定第一状态信息；

和/或，

通过所述第一移动终端获取所述执教老师的上课图像；

从所述上课图像中提取所述执教教师的第一动作信息；

基于所述第一动作信息，确定第一状态信息。

优选的，基于所述第一状态信息和预设的学生学习状态异常检测模板生成库，生成学生学习状态异常检测模板，包括：

解析所述第一状态信息的信息种类数目；

当所述信息种类数目唯一时，从所述学生学习状态异常检测模板生成库中确定所述第一状态信息对应的学生学习状态异常检测规则；

基于所述学生学习状态异常检测规则，生成学生学习状态异常检测模板；

当所述信息种类数目不唯一时，基于预设的特征解析模板，解析所述第一状态信息的状态信息特征集；

基于所述状态信息特征集，构建所述第一状态信息的第一特征描述向量；

从所述学生学习状态异常检测模板生成库中提取多组一一对应的第二特征描述向量和学生学习状态异常检测规则集；

计算所述第一特征描述向量与任一所述第二特征描述向量之间的向量相似度；

基于最大所述向量相似度的所述第二特征描述向量对应的所述学生学习状态异常检测规则集，生成学生学习状态异常检测模板。

优选的，获取所述在线教育课堂的听课学生的第二状态信息，包括：

通过所述听课学生的第二移动终端获取所述听课学生的第二发言信息；

基于所述第二发言信息，确定第二状态信息；

和/或，

通过所述第二移动终端获取所述听课学生的听课图像；

从所述听课图像中提取所述听课学生的第二动作信息；

基于所述第二动作信息，确定第二状态信息。

优选的，应用于在线教育的学生学习状态检测方法，还包括：

获取所述听课学生的听课记录；

基于所述听课记录，将所述听课学生划分成重点学生和非重点学生；

对所述重点学生和所述非重点学生进行学生学习状态异常检测的检测资源的适应分配。

优选的，基于所述听课记录，将所述听课学生划分成重点学生，包括：

从所述听课记录中提取所述听课学生历史上产生的学习状态异常记录；

基于所述学习状态异常记录，确定所述听课学生的学习状态异常频率；

当所述学习状态异常频率大于等于预设的学习状态异常频率阈值时，将对应所述听课学生作为重点学生；

和/或，

获取所述听课学生的听课认真状态上限预测依据；

将所述听课认真状态上限预测依据输入至预设的听课认真状态上限预测模型，确定听课认真状态上限；

从所述听课记录中提取所述听课学生最近预设的时间范围内的第一连续听课情况；

基于所述第一连续听课情况，确定所述听课学生是否达到所述听课认真状态上限；

当为是时，将对应所述听课学生作为重点学生。

优选的，获取所述听课学生的听课认真状态上限预测依据，包括：

获取所述学习状态异常记录的记录时间；

基于所述记录时间，将所述学习状态异常记录在预设的时间轴上展开；

从所述时间轴上检索满足预设的第一检索条件的目标学习状态异常记录；

从所述听课记录中提取所述目标学习状态异常记录的所述记录时间之前所述时间范围内的第二连续听课情况，并作为听课认真状态上限预测依据；

其中，所述第一检索条件包括：所述时间轴上所述学习状态异常记录前和后预设的时间距离内异常记录类型为预设类型的所述学习状态异常记录的总数大于等于预设数目阈值；

和/或，

获取所述听课学生的学生信息；

基于预设的检索条件生成模板，根据所述学生信息，生成第二检索条件；

从预设的听课认真状态上限收集库中检索出满足所述第二检索条件的其他听课认真状态上限，并作为听课认真状态上限预测依据。

优选的，对所述重点学生和所述非重点学生进行学生学习状态异常检测的检测资源的适应分配，包括：

分别统计所述重点学生的第一学生总数和所述非重点学生的第二学生总数；

计算所述第一学生总数与所述第二学生总数的数目比值；

从预设的检测资源分配策略库中确定所述数目比值对应的检测资源分配策略；

基于所述检测资源分配策略，将所述检测资源分别分配给所述重点学生和所述非重点学生。

本发明实施例提供的一种应用于在线教育的学生学习状态检测系统，其特征在于，包括：

执教老师状态信息获取模块，用于当在线教育课堂开课时，获取所述在线教育课堂的执教老师的第一状态信息；

学生学习状态异常检测模板生成模块，用于基于所述第一状态信息和预设的学生学习状态异常检测模板生成库，生成学生学习状态异常检测模板；

听课学生状态信息获取模块，用于获取所述在线教育课堂的听课学生的第二状态信息；

学生学习状态异常检测模块，用于基于所述学生学习状态异常检测模板，根据所述第二状态信息，对所述听课学生进行学生学习状态异常检测。

优选的，所述执教老师状态信息获取模块获取所述在线教育课堂的执教老师的第一状态信息，执行如下操作：

向所述执教老师的第一移动终端推送预设的执教老师状态选择表；

获取所述执教老师从所述执教老师状态选择表中选择的执教老师状态；

基于所述执教老师状态，确定第一状态信息；

和/或，

通过所述第一移动终端获取所述执教老师的第一发言信息；

基于所述第一发言信息，确定第一状态信息；

和/或，

通过所述第一移动终端获取所述执教老师的上课图像；

从所述上课图像中提取所述执教教师的第一动作信息；

基于所述第一动作信息，确定第一状态信息。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种应用于在线教育的学生学习状态检测方法的示意图；

图2为本发明实施例中一种应用于在线教育的学生学习状态检测系统的示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种应用于在线教育的学生学习状态检测方法，如图1所示，包括：

步骤S1：当在线教育课堂开课时，获取所述在线教育课堂的执教老师的第一状态信息；

步骤S2：基于所述第一状态信息和预设的学生学习状态异常检测模板生成库，生成学生学习状态异常检测模板；

步骤S3：获取所述在线教育课堂的听课学生的第二状态信息；

步骤S4：基于所述学生学习状态异常检测模板，根据所述第二状态信息，对所述听课学生进行学生学习状态异常检测。

上述技术方案的工作原理及有益效果为：

第一状态信息包括：讲课中、提示学生休息、上课做出的动作和提示学生完成课本练习等。第二状态信息包括：听课做出的表情和动作等。学生学习状态异常检测模板由执教老师的第一状态信息生成；例如：老师在讲课中，学生学习状态异常检测模板为检测学生表情和动作是否存在不专注等；又例如：老师提示学生休息，学生学习状态异常检测模板为不做任何检测；再例如：老师做出拍手的跟做动作，学生学习状态异常检测模板为检测学生是否跟随拍手；其次例如：老师提示学生完成课本练习，学生学习状态异常检测模板为检测学生是否低头/埋头完成练习。

在具体应用的时候，持续获取执教老师状态，基于执教老师状态确定学生听课是否专注的判断时机、判断手段，基于判断时机、判断手段，综合并适应性对听课学生进行学生学习状态异常检测。

本申请极大程度上提升了学生学习状态异常检测的适用性，克服了局限性问题，其次，无需在线课堂的执教老师关注学生的学习状态，提升了便捷性，有益于执教老师将精力投入到教学中去，一定程度上提升了教学质量。

在一个实施例中，获取所述在线教育课堂的执教老师的第一状态信息，包括：

向所述执教老师的第一移动终端推送预设的执教老师状态选择表；

获取所述执教老师从所述执教老师状态选择表中选择的执教老师状态；

基于所述执教老师状态，确定第一状态信息；

和/或，

通过所述第一移动终端获取所述执教老师的第一发言信息；

基于所述第一发言信息，确定第一状态信息；

和/或，

通过所述第一移动终端获取所述执教老师的上课图像；

从所述上课图像中提取所述执教教师的第一动作信息；

基于所述第一动作信息，确定第一状态信息。

上述技术方案的工作原理及有益效果为：

“和/或”代表执教老师的第一状态信息的确定有三种方式：第一种，推送执教老师状态选择表供老师选择；执教老师状态选择表包含讲课中、提示学生休息、上课做出的动作和提示学生完成课本练习等选项。第二种，基于执教老师发言确定；例如：老师发言“休息5分钟”，则第一状态信息为提示学生休息，老师发言“继续上课”，则第一状态信息为上课中等。第三种，基于执教老师动作确定；例如：老师做出瑜伽示范动作，则第一状态信息为提示学生进行瑜伽跟做。

本发明实施例引入三种方式确定执教老师的第一状态信息，提升了系统的适用性。

在一个实施例中，基于所述第一状态信息和预设的学生学习状态异常检测模板生成库，生成学生学习状态异常检测模板，包括：

解析所述第一状态信息的信息种类数目；

当所述信息种类数目唯一时，从所述学生学习状态异常检测模板生成库中确定所述第一状态信息对应的学生学习状态异常检测规则；

基于所述学生学习状态异常检测规则，生成学生学习状态异常检测模板；

当所述信息种类数目不唯一时，基于预设的特征解析模板，解析所述第一状态信息的状态信息特征集；

基于所述状态信息特征集，构建所述第一状态信息的第一特征描述向量；

从所述学生学习状态异常检测模板生成库中提取多组一一对应的第二特征描述向量和学生学习状态异常检测规则集；

计算所述第一特征描述向量与任一所述第二特征描述向量之间的向量相似度；

基于最大所述向量相似度的所述第二特征描述向量对应的所述学生学习状态异常检测规则集，生成学生学习状态异常检测模板。

上述技术方案的工作原理及有益效果为：

一般的，第一状态信息的信息种类数目唯一，此时，从学生学习状态异常检测模板生成库中确定第一状态信息对应的学生学习状态异常检测规则，并生成学生学习状态异常检测模板；例如：老师仅为提示学生休息状态，则学生学习状态异常检测规则应为不做任何检测，生成模板；又例如：老师仅为讲课中状态，则学生学习状态异常检测规则应为检测学生表情和动作是否存在不专注，生成模板。

但是，也存在信息种类数目不唯一的情况；例如：老师在进行舞蹈教学，做出抬腿动作，但是口头说“先不跟做，看我示范”，此时老师状态有两种。此时，基于特征解析模板，解析第一状态信息的状态信息特征集；例如：提取出状态信息特征集包含老师发言包含动作示范指令老师也做出动作和老师在进行舞蹈教学等。基于状态信息特征集，构建第一状态信息的第一特征描述向量，第一特征描述向量与第二特征描述向量的向量相似度越大，对应学生学习状态异常检测规则集越适宜执行；例如：舞蹈教学时应以老师发言为准，则最大向量相似度的第二特征描述向量对应的学生学习状态异常检测规则集包含检测学生是否查看示范、检测学生是否未学做动作等。基于该学生学习状态异常检测规则集生成学生学习状态异常检测模板。

本发明实施例考虑到执教老师状态唯一与不唯一的两种状态，分别进行学生学习状态异常检测模板的生成，进一步提升了系统的适用性。

在一个实施例中，获取所述在线教育课堂的听课学生的第二状态信息，包括：

通过所述听课学生的第二移动终端获取所述听课学生的第二发言信息；

基于所述第二发言信息，确定第二状态信息；

和/或，

通过所述第二移动终端获取所述听课学生的听课图像；

从所述听课图像中提取所述听课学生的第二动作信息；

基于所述第二动作信息，确定第二状态信息。

上述技术方案的工作原理及有益效果为：

“和/或”代表听课学生的第二状态信息的确定有两种方式：第一种，基于学生发言确定；例如：学生读出课文内容，说明学生状态为读课文等。第二种，基于学生动作确定；例如：学生做出抬腿动作，说明学生状态为抬腿等；又例如：学生做出大笑的表情动作，则学生状态为大笑。

本发明实施例引入二种方式确定听课学生的第二状态信息，提升了系统的适用性。

在一个实施例中，应用于在线教育的学生学习状态检测方法，还包括：

获取所述听课学生的听课记录；

基于所述听课记录，将所述听课学生划分成重点学生和非重点学生；

对所述重点学生和所述非重点学生进行学生学习状态异常检测的检测资源的适应分配。

上述技术方案的工作原理及有益效果为：

正常的，听课学生的听课表现各不相同，一些学生会容易出现不专注的情况，其余学生不会。若对每一学生均时刻检测，可能会造成检测资源的分配不合理。因此，基于听课学生的听课记录，将听课学生划分成重点学生和非重点学生，然后进行检测资源的适应分配。

本发明实施例将听课学生进行重点与非重点划分，后进行学生学习状态异常检测的检测资源的适应分配，提升了检测资源的分配合理性。

在一个实施例中，基于所述听课记录，将所述听课学生划分成重点学生，包括：

从所述听课记录中提取所述听课学生历史上产生的学习状态异常记录；

基于所述学习状态异常记录，确定所述听课学生的学习状态异常频率；

当所述学习状态异常频率大于等于预设的学习状态异常频率阈值时，将对应所述听课学生作为重点学生；

和/或，

获取所述听课学生的听课认真状态上限预测依据；

将所述听课认真状态上限预测依据输入至预设的听课认真状态上限预测模型，确定听课认真状态上限；

从所述听课记录中提取所述听课学生最近预设的时间范围内的第一连续听课情况；

基于所述第一连续听课情况，确定所述听课学生是否达到所述听课认真状态上限；

当为是时，将对应所述听课学生作为重点学生。

上述技术方案的工作原理及有益效果为：

“和/或”代表将听课学生划分成重点学生的方式有两种：第一种，基于听课记录确定听课学生的学习状态异常频率，频率过高，说明学生历史表现较差，出现学习状态不专注的可能性较高，作为重点学生；听课学生历史上产生听课表情不专注、未低头/埋头完成练习的学习状态异常记录时，会录入听课记录。第二种，基于听课记录确定学生是否达到听课认真状态上限，若是，说明学生在此之后出现学习状态不专注的可能性较高，作为重点学生；确定听课认真状态上限，将听课认真状态上限预测依据输入至听课认真状态上限预测模型，听课认真状态上限预测模型为利用大量的人工基于听课认真状态上限预测依据进行听课认真状态上限预测的逻辑记录对神经网络模型进行训练至收敛后的人工智能模型，能够代替人工基于听课认真状态上限预测依据进行听课认真状态上限预测；逻辑记录可以为，例如：听课认真状态上限预测依据为学生历史连续听课总时长达到30、33等分钟后频繁出现不专注表情，确定听课认真状态上限为听课认真状态上限为听课总时长30分钟；第一连续听课情况包括：听课时长、听课类型(舞蹈课、数学课等)、跟做动作类型及跟做时长等。

本发明实施例引入两种方式将听课学生划分成重点学生，提升了重点学生划分的全面性和合理性，特别是第二种，学生在连续听课较久时，会存在听课认真状态上限，基于学生的连续听课情况判断其是否达到听课认真状态上限，若是，作为重点学生，提升了重点学生划分的精准性和适用性。

在一个实施例中，获取所述听课学生的听课认真状态上限预测依据，包括：

获取所述学习状态异常记录的记录时间；

基于所述记录时间，将所述学习状态异常记录在预设的时间轴上展开；

从所述时间轴上检索满足预设的第一检索条件的目标学习状态异常记录；

从所述听课记录中提取所述目标学习状态异常记录的所述记录时间之前所述时间范围内的第二连续听课情况，并作为听课认真状态上限预测依据；

其中，所述第一检索条件包括：所述时间轴上所述学习状态异常记录前和后预设的时间距离内异常记录类型为预设类型的所述学习状态异常记录的总数大于等于预设数目阈值；

和/或，

获取所述听课学生的学生信息；

基于预设的检索条件生成模板，根据所述学生信息，生成第二检索条件；

从预设的听课认真状态上限收集库中检索出满足所述第二检索条件的其他听课认真状态上限，并作为听课认真状态上限预测依据。

上述技术方案的工作原理及有益效果为：

“和/或”代表听课学生的听课认真状态上限预测依据的获取方式有两种：第一种，基于听课学生自身历史上出现不专注前的连续听课情况确定；将学习状态异常记录在时间轴上展开，记录时间与时间轴上的时间点一一对应设置，设置第一检索条件，预设类型为表征学生疲惫、开小差等的异常记录类型，例如：表情疲惫、多次点头等，学习状态异常记录前和后时间距离内预设类型的学习状态异常记录较多时，说明听课学生出现不专注，将之前的第二连续听课情况提取出作为听课认真状态上限预测依据。第二种，基于别的学生的听课认真状态上限确定；学生信息有所在年级信息、年龄信息、性别信息、擅长科目信息、历史科目成绩信息等，基于检索条件生成模板根据学生信息生成第二检索条件：检索学生的年级应为x(与听课学生相同)，检索学生的年龄应为xx(与听课学生相同)，检索学生的性别应为x(与听课学生相同)，检索学生的擅长科目信息与听课学生的擅长科目信息相似度≥90％，检索学生的历史科目成绩信息与听课学生的历史科目成绩信息相似度≥85％；预设的听课认真状态上限收集库有不同学生的听课认真状态上限，来源有：1、预测别的听课学生的听课认真状态上限时获得，2、由研究学生听课的相关专家给出。

本发明实施例引入两种方式获取听课学生的听课认真状态上限预测依据，提升了听课认真状态上限预测依据获取的全面性，间接提升了上限预测的全面性，特别是第二种获取方式，检索出的其他听课认真状态上限需满足第二检索条件，若不满足，作为听课认真状态上限预测依据的价值不高，提升预测依据选取的精准性。

在一个实施例中，对所述重点学生和所述非重点学生进行学生学习状态异常检测的检测资源的适应分配，包括：

分别统计所述重点学生的第一学生总数和所述非重点学生的第二学生总数；

计算所述第一学生总数与所述第二学生总数的数目比值；

从预设的检测资源分配策略库中确定所述数目比值对应的检测资源分配策略；

基于所述检测资源分配策略，将所述检测资源分别分配给所述重点学生和所述非重点学生。

上述技术方案的工作原理及有益效果为：

在进行适宜检测资源分配时，基于重点学生和非重点学生的数目比值，从检测资源分配策略库中确定检测资源分配策略，并进行执行，数目比值越大，说明需要着重进行学生学习状态检测的学生越多，检测资源分配策略应越着重将检测资源分配给每一重点学生。检测资源为检测频率，分配的检测资源越多，对学生进行学习状态检测的频率越高。

本发明实施例引入检测资源分配策略库，基于重点学生和非重点学生的数目比值查库确定检测资源分配策略并执行，提升了对重点学生和非重点学生进行适宜检测资源分配的合理性和分配效率。

本发明实施例提供了一种应用于在线教育的学生学习状态检测系统，如图2所示，包括：

执教老师状态信息获取模块1，用于当在线教育课堂开课时，获取所述在线教育课堂的执教老师的第一状态信息；

学生学习状态异常检测模板生成模块2，用于基于所述第一状态信息和预设的学生学习状态异常检测模板生成库，生成学生学习状态异常检测模板；

听课学生状态信息获取模块3，用于获取所述在线教育课堂的听课学生的第二状态信息；

学生学习状态异常检测模块4，用于基于所述学生学习状态异常检测模板，根据所述第二状态信息，对所述听课学生进行学生学习状态异常检测。

在一个实施例中，所述执教老师状态信息获取模块1获取所述在线教育课堂的执教老师的第一状态信息，执行如下操作：

向所述执教老师的第一移动终端推送预设的执教老师状态选择表；

获取所述执教老师从所述执教老师状态选择表中选择的执教老师状态；

基于所述执教老师状态，确定第一状态信息；

和/或，

通过所述第一移动终端获取所述执教老师的第一发言信息；

基于所述第一发言信息，确定第一状态信息；

和/或，

通过所述第一移动终端获取所述执教老师的上课图像；

从所述上课图像中提取所述执教教师的第一动作信息；

基于所述第一动作信息，确定第一状态信息。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。