一种网络教学平台的制作方法

本发明涉及教育教学领域，具体涉及一种网络教学平台。

背景技术：

随着互联网科技的发展，互联网思维改变了人们的教育方式，互联网教育便应运而生。为了突破教育活动在地域和时间上的限制，开发出一套通用的网络教学平台。在这个平台上，学生是教学的主体，教师起主导作用，系统的通用性体现在任何教师都可以申请开通其所任课程的网络教学空间，自主管理与维护其网络课程。通过该网络教学平台辅助课堂教学，以达到扩充课堂内容、共享教学资源与最佳利用的目的，方便学生学习、师生交流，减轻教师教学工作强度，提高教师工作效率与学生学习效率。

现有的网络教学平台的课程设置往往是固定的，对于不同的学生个体难以实现个性化的设置，会造成既定课程的设置难以针对不同学生的状态和需求，不能够实现最高的学习效率。

因此，需要提供一种能够实现智能化课程设置的网络教学平台。

技术实现要素：

本发明所要解决的技术问题是现有的网络教学平台，课程设置往往是固定的，对于不同的学生个体难以实现个性化的设置的技术问题。

本发明解决其技术问题所采取的技术方案是：

一种网络教学平台，其包括：表情分析模块、测评模块、课程记录模块、课程智能设置模块和教学模块；表情分析模块、测评模块和课程记录模块连接于课程智能设置模块，该课程智能设置模块连接到教学模块。

进一步地，表情分析模块包括表情采集组件、表情库和表情分析组件。

进一步地，测评模块包括试题存储器和测评判断组件。

进一步地，课程记录模块用于记录该学生历史课程记录，并将该课程按照上述特定分类aj以及该课程的培训次数xjk。

根据网络教学平台的课程设置方法，课程智能设置模块通过将j个特定分类中的所有课程，按照权重由大到小进行排序，生成课程设置，并将该课程设置发送到教学模块进行应用。

本发明提供的网络教学平台，具有以下有益效果：1)在进行课程设置时考虑到学习者的表情因素以及以往学习情况，进行课程设置，更加具有针对性，提高了教学效率；2)通过改进的算法，提高了情感因子等其他因素计算的客观性和科学性。

附图说明

图1为本发明提供的网络教学平台的结构示意图。

具体实施方式

下面将参照附图对本发明进行更详细的描述，其中表示了本发明的优选实施例，应该理解本领域技术人员可以修改在此描述的本发明而仍然实现本发明的有益效果。因此，下列描述应当被理解为对于本领域技术人员的广泛知道，而并不作为对本发明的限制。

为了清楚，不描述实际实施例的全部特征。在下列描述中，不详细描述公知的功能和结构，因为它们会使本发明由于不必要的细节而混乱。应当认为在任何实际实施例的开发中，必须作出大量实施细节以实现开发者的特定目标。

为使本发明的目的、特征更明显易懂，下面结合附图对本发明的具体实施方式作进一步的说明。需要说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用一方便、清晰地辅助说明本发明实施例的目的。

如图1所示，本发明提供的网络教学平台包括表情分析模块、测评模块、课程记录模块、课程智能设置模块和教学模块。表情分析模块、测评模块和课程记录模块连接于课程智能设置模块，该课程智能设置模块连接到教学模块。

其中，表情分析模块包括表情采集组件、表情库和表情分析组件。表情采集组件用于通过教学模块的学生设备端进行采集学生表情，通过采集工具(如摄像头等)对于学生表情进行采集。优选地，每秒采集5幅图像，每次采计6秒，共30幅图像；图像分辨率均为1280×960像素。将采集后的表情图片存储到表情库。表情分析组件通过实时采集的表情图片和表情库中的历史图片，进行表情分析。

具体的表情分析方法可以为如下方式：

首先提取图像的颜色、纹理、形状等分量，然后利用机器学习训练分类器，以判断图像的情感。机器学习训练分类器的设计方式为在建立图像情感因子空间、分析图像特征和情感描述之间关系的基础上，对不同图像样本的情感因子数据进行赋值。并将该表情图像、该图像的表情因子数值和对应的特定课程的分类aj进行关联存储。

分量中具有n个集合，每个集合中具有m个特征，每个表情图像的情感因子数值为：

其中，y为情感因子，为特征的权重系数，其取值为表示特征的偏值，其取值为

通过上述方法能够提高表情分析的准确性。

测评模块包括试题存储器和测评判断组件，其中试题存储器中按照知识点标注对试题进行分类存储，测评模块在特定时间段，如每次教学结束之前或者之后，将试题存储器中的特定分类的试题发送到学生端进行测试，并根据测试的答题情况，对该分类下的学习情况进行评分。其中，包括j个特定分类aj以及相应的评分pj。

课程记录模块用于记录该学生历史课程记录，并将该课程按照上述特定分类aj以及该课程的培训次数xjk。

课程智能设置模块通过表情分析模块、测评模块、课程记录模块中记录分析的数据，对各个特定分类中的课程进行权重分析，并根据权重值由大到小进行课程设置。具体权重计算公式为：

其中,wjk为特定分类aj的第k个课程的权重，为特定分类aj的全部表情图象的平均情感因子，pj为特定分类aj的相应评分，为特定分类aj的k个课程的平均学习次数，xjk为特定分类aj的第k个课程的学习次数。

课程智能设置模块通过将j个特定分类中的所有课程，按照权重由大到小进行排序，生成课程设置，并将该课程设置发送到教学模块进行应用。

一种基于上述网络教学平台的课程设置方法，其包括：

步骤1，采集表情图像，进行情感因子分析。

表情采集组件用于通过教学模块的学生设备端进行采集学生表情，通过采集工具(如摄像头等)对于学生表情进行采集。优选地，每秒采集5幅图像，每次采计6秒，共30幅图像；图像分辨率均为1280×960像素。将采集后的表情图片存储到表情库。表情分析组件通过实时采集的表情图片和表情库中的历史图片，进行表情分析。

具体的表情分析方法可以为如下方式：

首先提取图像的颜色、纹理、形状等分量，然后利用机器学习训练分类器，以判断图像的情感。机器学习训练分类器的设计方式为在建立图像情感因子空间、分析图像特征和情感描述之间关系的基础上，对不同图像样本的情感因子数据进行赋值。并将该表情图像、该图像的表情因子数值和对应的特定课程的分类aj进行关联存储。

分量中具有n个集合，每个集合中具有m个特征，每个表情图像的情感因子数值为：

其中，y为情感因子，为特征的权重系数，其取值为表示特征的偏值，其取值为

通过上述方法能够提高表情分析的准确性。

步骤2，对现有学习情况进行评分，具体为：

测评模块的试题存储器中按照知识点标注对试题进行分类存储，测评模块在特定时间段，如每次教学结束之前或者之后，将试题存储器中的特定分类的试题发送到学生端进行测试，并根据测试的答题情况，对该分类下的学习情况进行评分。其中，包括j个特定分类aj以及相应的评分pj。

步骤3，对于现有课程学习次数进行统计，具体为：

课程记录模块用于记录该学生历史课程记录，并将该课程按照上述特定分类aj以及该课程的培训次数xjk。

步骤4，进行j个特定分类中的所有课程(每个分类中包含kj个课程)的权重进行计算。

课程智能设置模块通过表情分析模块、测评模块、课程记录模块中记录分析的数据，对各个特定分类中的课程进行权重分析，并根据权重值由大到小进行课程设置。具体权重计算公式为：

其中,wjk为特定分类aj的第k个课程的权重，为特定分类aj的全部表情图象的平均情感因子，pj为特定分类aj的相应评分，为特定分类aj的k个课程的平均学习次数，xjk为特定分类aj的第k个课程的学习次数。

步骤5，生成课程设置。

课程智能设置模块通过将j个特定分类中的所有课程，按照权重由大到小进行排序，生成课程设置，并将该课程设置发送到教学模块进行应用。

本发明提供的网络教学平台，具有以下有益效果：1)在进行课程设置时考虑到学习者的表情因素以及以往学习情况，进行课程设置，更加具有针对性，提高了教学效率；2)通过改进的算法，提高了情感因子等其他因素计算的客观性和科学性。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。