一种基于大数据的教学模式分析方法与流程

1.本发明涉及教学模式分析技术领域，具体地说，涉及一种基于大数据的教学模式分析方法。


背景技术：

2.教学模式是指在一定的教育思想、教学理论、学习理论指导下的教学活动进程的稳定结构形式，它是教育思想、教学理论、学习理论的集中体现。课堂教学的目标是多元的，因此教学活动也常常使综合性的，因此一种课堂教学往往时多种教学模式的有机组合和运用。没有哪一种教学模式时普遍适用和最好的，一个能力较强的教师应在一个专题的教学中得心应手地运用多种教学模式，既不能机械照搬已有的教学模式，也不能脱离科学的教学模式和方法而盲目地从事教学。实际教学应用中，针对不同的教师个性、学生个性、不同学科等，都需采用不同的教学模式来提高教学效果。随着教育信息化的高速发展，教学活动与人工智能技术的融合越来越紧密，但是教学评价环节仍然处于传统的人工标注统计阶段，也无法通过课堂表现、学生成绩等直观的教学成效与相应的教学模式结合起来进行分析，导致教育工作者无法及时反思教学行为以及教学方法，并总结与改正教学环节中的问题与不足，从而实施具有深度的直接有效的教学活动。但是，目前却没有能够有效分析教学模式实施效果的方法。


技术实现要素：

3.本发明的目的在于提供一种基于大数据的教学模式分析方法，以解决上述背景技术中提出的问题。
4.为实现上述技术问题的解决，本发明的目的之一在于，提供了一种基于大数据的教学模式分析方法，包括如下步骤：
5.s1、搭建教学模式分析系统的网络架构，并连接智慧校园信息管理平台；
6.s2、从多方面获取教学模式相关的海量数据，对数据进行加工处理；
7.s3、对课堂的教学模式进行智能判识，并进行标签记录；
8.s4、结合课堂表现，对该课堂的教学模式进行分析评价；
9.s5、对接学生成绩，与教学模式进行碰撞分析；
10.s6、结合上述关联项目，对教学模式进行综合评价和打分；
11.所述s6中，对教学模式进行打分采用加权平均算法，其计算表达式为：
[0012][0013]
式中，f表示某种教学模式在教学课堂中表现的评估分值；x1，x2，
…
，x3分别表示不同评判指标项目的评估分数；f1+f2+
…
+f
k
＝n,(n＝1)，f1，f2，
…
，f3叫做权，分别表示x1，x2，
…
，x3对应的分值在评估总分值中的占比权重；
[0014]
s7、生成对应的综合分析报告，教育工作者可根据学科、班级结构、学生性质、教师表现等因素，来选择对应适用的教学模式进行试行及应用。
[0015]
作为本技术方案的进一步改进，所述s2中，对数据进行加工处理的方法包括如下步骤：
[0016]
s2.1、从智慧校园信息管理平台获取海量相关数据，包括课表信息、教师信息、教师讲义材料、教学音视频数据、学生成绩等；
[0017]
s2.2、对数据进行清洗、提炼及整理等预处理操作；
[0018]
s2.3、按照一定的规则对数据进行分类，如按照班级、学科、教师进行分类，或按照数据类型分类，如按照音频、视频、表格、文字等，并分别对不同类型的数据信息进行识别分析；
[0019]
s2.4、分别将源文件及处理后的数据存储到对应的数据集中，形成大数据库。
[0020]
作为本技术方案的进一步改进，所述s2.3中，分别对不同类型的数据信息进行识别分析的方法包括如下步骤：
[0021]
s2.3.1、针对课堂音频数据，通过混合高斯模型gmm检测音频中的活动音和静音部分，并通过语音识别技术区分教师和学生的声音，并分别统计教师和学生的说话频率及说话时长；
[0022]
s2.3.2、针对课堂视频数据，通过人工智能ai技术，追踪判识课堂中教师的行为并分别统计时长及频次，如讲解、板书、ppt演示、提问、解疑等；
[0023]
s2.3.3、针对课堂视频数据，通过人工智能ai技术，追踪判识课堂中学生的行为并分别统计频次，如听讲、走神、举手、起立、与教师互动等；
[0024]
s2.3.4、针对听课、教研记录文件，直接获取教学模式的判识和评价，并获取对应的课堂表现评价。
[0025]
其中，所述s2.3.1中，活动音即存在人声的有效音频，静音即不存在有效人声的音频；其中，通过课堂中活动音的时长、教师说话的时长及师生对话频率等指标，可作为用来判识教学模式的指标。
[0026]
作为本技术方案的进一步改进，所述s2.3.1中，混合高斯模型的算法计算表达式如下：
[0027]
设有随机变量x，则混合高斯模型可以用下式表示：
[0028][0029]
其中n(x|μ
k
，∑k)称为混合模型中的第k个分量；
[0030]
另外，针对两个聚类的情况，可以用两个二维高斯分布来表示，则分量数k＝2.π
k
是混合系数，且满足：
[0031][0032]
0≤π
k
≤1；
[0033]
实际上，可以认为π
k
就是每个分量n(x|μ
k
，∑k)的权重。
[0034]
作为本技术方案的进一步改进，所述s3中，对课堂的教学模式进行智能判识的方法包括如下步骤：
[0035]
s3.1、结合步骤s2中分析统计的数据结果，针对某一课堂中教师的讲解时长、板书/ppt演示时长、提问次数、师生互动及学生表现情况等项目，绘制对应的多边形网格属性分布图；
[0036]
s3.2、完成所有课堂表现的多边形网格属性分布图的绘制；
[0037]
s3.3、设定各属性的等级阈值；
[0038]
s3.4、通过将课堂多边形网格属性分布图中的各属性与对应的等级阈值进行对比，从而判断该课堂的教学模式并标记标签。
[0039]
其中，教学模式的种类标签主要包括传递
‑
接受式、自学
‑
辅导式、探究式教学、概念获得模式、巴特勒学习模式、抛锚式教学、范例教学模式、现象分析模式、加涅模式、奥苏贝尔模式、合作学习模式、发现式模式；具体应用过程中，将教学模式的种类标签简化为讲解传授型、互动对话型、自习指导型及多元混合型等。
[0040]
作为本技术方案的进一步改进，所述s5中，对接学生成绩与缴存模式进行碰撞分析的方法包括如下步骤：
[0041]
s5.1、以班级为单元，获取该班级学生在不同教学模式下的学科成绩，或以学科为单位，获取该学科在不同教学模式下各班级学生的成绩；
[0042]
s5.2、分别计算同一班级学生在不同教学模式下的学科成绩数据均值，或分别计算同一学科不同班级在不同教学模式下的成绩数据均值；
[0043]
s5.3、分别计算同一班级学生在不同教学模式下的学科成绩数据均方差值，或分别计算同一学科不同班级在不同教学模式下的成绩数据均方差值；
[0044]
s5.4、获取同一班级学生在不同教学模式下的学科成绩数据极值，或获取同一学科不同班级在不同教学模式下的成绩数据极值，并分别计算对应项目中各教学模式下的成绩数据全距值；
[0045]
s5.5、计算同一班级学生在不同教学模式下的学科成绩及格率，或计算同一学科不同班级在不同教学模式下的成绩及格率；
[0046]
s5.6、结合上述计算的同一班级或同一学科在不同教学模式下的成绩均值、成绩均方差值、全距值及及格率，对多种教学模式进行碰撞分析。
[0047]
作为本技术方案的进一步改进，所述s5.2中，学生成绩数据均值的计算表达式如下：
[0048][0049]
其中，为数据集中成绩数据的均值，m为数据集中成绩数据个数，y1，y2，y3,...,y
m
为各成绩数据的分值。
[0050]
作为本技术方案的进一步改进，所述s5.3中，学生成绩数据均方差值的计算表达式如下：
[0051][0052]
其中，d为数据集中成绩数据的均方差值。
[0053]
作为本技术方案的进一步改进，所述s5.4中，学生成绩数据全距值的计算表达式如下：
[0054]
s＝y
max
‑
y
min
；
[0055]
其中，s为数据集中成绩数据的全距值，y
max
为数据集中成绩数据分值的最大值，y
min
为数据集中成绩数据分值的最小值。
[0056]
作为本技术方案的进一步改进，所述s6中，对教学模式进行打分采用加权平均算法，其计算表达式为：
[0057][0058]
式中，f表示某种教学模式在教学课堂中表现的评估分值；x1，x2，
…
，x3分别表示不同评判指标项目的评估分数；f1+f2+
…
+f
k
＝n,(n＝1)，f1，f2，
…
，f3叫做权，分别表示x1，x2，
…
，x3对应的分值在评估总分值中的占比权重。
[0059]
其中，评判指标项目包括但不限于班级学生成绩均值、学生课堂表现、教师授课效果、教研评价等。
[0060]
作为本技术方案的进一步改进，所述。
[0061]
本发明的目的之二在于，提供了一种基于大数据的教学模式分析系统及其运行装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述任一的基于大数据的教学模式分析方法的步骤。
[0062]
本发明的目的之三在于，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一的基于大数据的教学模式分析方法的步骤。
[0063]
与现有技术相比，本发明的有益效果：
[0064]
1.该基于大数据的教学模式分析方法通过与智慧校园信息管理平台连接，获取海量与教学模式相关的数据，对课堂教学音视频数据进行深度挖掘、提炼及分析，可以快速进行教学评价，减轻人工的工作量，提高教学评价的效率及准确性；
[0065]
2.该基于大数据的教学模式分析方法通过结合课堂表现及学生成绩，自动绘制课堂教学的多边形网格属性分布图，从而可以自动且准确地判识课堂的教学模式，并结合多方面的评判指标，针对不同班级或不同学科，对应用的教学模式进行评分，从而可以更好地探究适用的教学模式或多种模式组合；
[0066]
3.该基于大数据的教学模式分析方法通过将教学分析与人工智能技术相结合，解决了传统教学模式分析方法中存在的局限，符合提升教师专业能力、促进教学质量的目标，利于教师专业素养的发展，进而提高教学质量。
附图说明
[0067]
图1为本发明的示例性产品架构图；
[0068]
图2为本发明的示例性多边形网格属性分布图；
[0069]
图3为本发明的整体方法流程图；
[0070]
图4为本发明的局部方法流程图之一；
[0071]
图5为本发明的局部方法流程图之二；
[0072]
图6为本发明的局部方法流程图之三；
[0073]
图7为本发明的局部方法流程图之四。
具体实施方式
[0074]
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
整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0075]
实施例1
[0076]
如图1
‑
图7所示，本实施例的目的在于，提供了一种基于大数据的教学模式分析方法，包括如下步骤：
[0077]
s1、搭建教学模式分析系统的网络架构，并连接智慧校园信息管理平台；
[0078]
s2、从多方面获取教学模式相关的海量数据，对数据进行加工处理；
[0079]
s3、对课堂的教学模式进行智能判识，并进行标签记录；
[0080]
s4、结合课堂表现，对该课堂的教学模式进行分析评价；
[0081]
s5、对接学生成绩，与教学模式进行碰撞分析；
[0082]
s6、结合上述关联项目，对教学模式进行综合评价和打分；
[0083]
s6中，对教学模式进行打分采用加权平均算法，其计算表达式为：
[0084][0085]
式中，f表示某种教学模式在教学课堂中表现的评估分值；x1，x2，
…
，x3分别表示不同评判指标项目的评估分数；f1+f2+
…
+f
k
＝n,(n＝1)，f1，f2，
…
，f3叫做权，分别表示x1，x2，
…
，x3对应的分值在评估总分值中的占比权重；
[0086]
s7、生成对应的综合分析报告，教育工作者可根据学科、班级结构、学生性质、教师表现等因素，来选择对应适用的教学模式进行试行及应用。
[0087]
本实施例中，s2中，对数据进行加工处理的方法包括如下步骤：
[0088]
s2.1、从智慧校园信息管理平台获取海量相关数据，包括课表信息、教师信息、教师讲义材料、教学音视频数据、学生成绩等；
[0089]
s2.2、对数据进行清洗、提炼及整理等预处理操作；
[0090]
s2.3、按照一定的规则对数据进行分类，如按照班级、学科、教师进行分类，或按照数据类型分类，如按照音频、视频、表格、文字等，并分别对不同类型的数据信息进行识别分析；
[0091]
s2.4、分别将源文件及处理后的数据存储到对应的数据集中，形成大数据库。
[0092]
进一步地，s2.3中，分别对不同类型的数据信息进行识别分析的方法包括如下步骤：
[0093]
s2.3.1、针对课堂音频数据，通过混合高斯模型gmm检测音频中的活动音和静音部分，并通过语音识别技术区分教师和学生的声音，并分别统计教师和学生的说话频率及说话时长；
[0094]
s2.3.2、针对课堂视频数据，通过人工智能ai技术，追踪判识课堂中教师的行为并分别统计时长及频次，如讲解、板书、ppt演示、提问、解疑等；
[0095]
s2.3.3、针对课堂视频数据，通过人工智能ai技术，追踪判识课堂中学生的行为并分别统计频次，如听讲、走神、举手、起立、与教师互动等；
[0096]
s2.3.4、针对听课、教研记录文件，直接获取教学模式的判识和评价，并获取对应的课堂表现评价。
[0097]
其中，s2.3.1中，活动音即存在人声的有效音频，静音即不存在有效人声的音频；其中，通过课堂中活动音的时长、教师说话的时长及师生对话频率等指标，可作为用来判识教学模式的指标。
[0098]
具体地，s2.3.1中，混合高斯模型的算法计算表达式如下：
[0099]
设有随机变量x，则混合高斯模型可以用下式表示：
[0100][0101]
其中n(x|μ
k
,∑k）称为混合模型中的第k个分量；
[0102]
另外，针对两个聚类的情况，可以用两个二维高斯分布来表示，则分量数k＝2.π
k
是混合系数，且满足：
[0103][0104]
0≤π
k
≤1；
[0105]
实际上，可以认为π
k
就是每个分量n(x|μ
k
,∑k)的权重。
[0106]
本实施例中，s3中，对课堂的教学模式进行智能判识的方法包括如下步骤：
[0107]
s3.1、结合步骤s2中分析统计的数据结果，针对某一课堂中教师的讲解时长、板书/ppt演示时长、提问次数、师生互动及学生表现情况等项目，绘制对应的多边形网格属性分布图；
[0108]
s3.2、完成所有课堂表现的多边形网格属性分布图的绘制；
[0109]
s3.3、设定各属性的等级阈值；
[0110]
s3.4、通过将课堂多边形网格属性分布图中的各属性与对应的等级阈值进行对比，从而判断该课堂的教学模式并标记标签。
[0111]
其中，教学模式的种类标签主要包括传递
‑
接受式、自学
‑
辅导式、探究式教学、概念获得模式、巴特勒学习模式、抛锚式教学、范例教学模式、现象分析模式、加涅模式、奥苏贝尔模式、合作学习模式、发现式模式；具体应用过程中，将教学模式的种类标签简化为讲解传授型、互动对话型、自习指导型及多元混合型等。
[0112]
本实施例中，s5中，对接学生成绩与缴存模式进行碰撞分析的方法包括如下步骤：
[0113]
s5.1、以班级为单元，获取该班级学生在不同教学模式下的学科成绩，或以学科为单位，获取该学科在不同教学模式下各班级学生的成绩；
[0114]
s5.2、分别计算同一班级学生在不同教学模式下的学科成绩数据均值，或分别计算同一学科不同班级在不同教学模式下的成绩数据均值；
[0115]
s5.3、分别计算同一班级学生在不同教学模式下的学科成绩数据均方差值，或分别计算同一学科不同班级在不同教学模式下的成绩数据均方差值；
[0116]
s5.4、获取同一班级学生在不同教学模式下的学科成绩数据极值，或获取同一学科不同班级在不同教学模式下的成绩数据极值，并分别计算对应项目中各教学模式下的成绩数据全距值；
[0117]
s5.5、计算同一班级学生在不同教学模式下的学科成绩及格率，或计算同一学科不同班级在不同教学模式下的成绩及格率；
[0118]
s5.6、结合上述计算的同一班级或同一学科在不同教学模式下的成绩均值、成绩均方差值、全距值及及格率，对多种教学模式进行碰撞分析。
[0119]
具体地，s5.2中，学生成绩数据均值的计算表达式如下：
[0120][0121]
其中，为数据集中成绩数据的均值，m为数据集中成绩数据个数，y1,y2,y3,...,y
m
为各成绩数据的分值。
[0122]
具体地，s5.3中，学生成绩数据均方差值的计算表达式如下：
[0123][0124]
其中，d为数据集中成绩数据的均方差值。
[0125]
具体地，s5.4中，学生成绩数据全距值的计算表达式如下：
[0126]
s＝y
max
‑
y
min
；
[0127]
其中，s为数据集中成绩数据的全距值，y
max
为数据集中成绩数据分值的最大值，y
min
为数据集中成绩数据分值的最小值。
[0128]
本实施例中，s6中，对教学模式进行打分采用加权平均算法，其计算表达式为：
[0129][0130]
式中，f表示某种教学模式在教学课堂中表现的评估分值；x1，x2，
…
，x3分别表示不同评判指标项目的评估分数；f1+f2+
…
+f
k
＝n,(n＝1)，f1，f2，
…
，f3叫做权，分别表示x1，x2，
…
，x3对应的分值在评估总分值中的占比权重。
[0131]
其中，评判指标项目包括但不限于班级学生成绩均值、学生课堂表现、教师授课效果、教研评价等。
[0132]
本实施例还提供了一种基于大数据的教学模式分析系统及其运行装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
[0133]
处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于大数据的教学模式分析方法。
[0134]
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(sram)，电可擦除可编程只读存储器(eeprom)，可擦除可编程只读存储器(eprom)，可编程只读存储器(prom)，只读存储器(rom)，磁存储器，快闪存储器，磁盘或光盘。
[0135]
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的基于大数据的教学模式分析方法的步骤。
[0136]
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于大数据的教学模式分析方法的步骤。
[0137]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储与计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0138]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。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仅为本发明
的优选例，并不用来限制本发明，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。