【技術實現步驟摘要】
一種基于人工智能的教師綜合能力評估方法
[0001]本專利技術涉及智慧教學
，具體涉及一種基于人工智能的教師綜合能力評估方法
。
技術介紹
[0002]現有主流的教學綜合評估依據主要是學生考試成績
、
教學督導反饋和教師自評互評，其中學生考試成績客觀性強易量化比較，而教學督導反饋和教師自評互評有非常強的主觀性和偶發性，且評價結果不易量化
。
該過程主要由教學督導組通過周期性的隨堂聽課以及教師備課
、
講課
、
輔導
、
答疑
、
作業
、
考核等情況進行隨機抽查的方式，并教師的教學情況進行評估，同時采納教師間互相評估結果，最終得到教師的教學工作綜合評價
。
[0003]該傳統方式存在一定的局限性，首先僅采取教師互評或督導組評估等人為主觀評估的方式，缺乏客觀性
。
同時，隨堂聽課的結果缺乏代表性，被考察教師往往做出提前準備
。
最后，學校教師數量眾多，督導組頻繁巡課會消耗大量的人力資源
。
[0004]中國申請號為
202010387265.7
的專利技術專利公開了一種教學質量評測方法及系統，該專利技術專利通過不同的評價指標，從課堂秩序
、
課堂氛圍
、
教學效率的角度來對教學質量進行量化分析，從而對教師進行評估，該方法在一定程度上能夠解決傳統方法中人為觀察單個角度來評估教師教學質量所...
【技術保護點】
【技術特征摘要】 【專利技術屬性】
1.
一種基于人工智能的教師綜合能力評估方法，其特征在于，包括：
S1
利用智慧課堂錄制教師在不同教學階段的教學視頻，并將教學視頻上傳至流媒體服務器；
S2
從流媒體服務器中獲取所需教學階段的教學視頻，作為待解析視頻，并獲取與待解析視頻的教學階段相同的歷史視頻，根據音頻工具從待解析視頻中提取得到音頻文件，并對音頻文件進行預處理；
S3
利用預訓練的語音識別模型將預處理的音頻文件進行課堂語音轉錄，得到教學過程文本；
S4
構建知識點庫，知識點庫中包括教學內容中的各個知識點，將教學過程文本進行教學內容的提取，并與知識點庫進行比對，得到教學過程文本中各個知識點出現的頻次，并結合教學過程文本對應的歷史視頻計算得到教師的教學內容評分；
S5
對教學過程文本進行關鍵字搜索和文本分析，得到教師的教學素質評分；
S6
利用預訓練的動作識別模型對待解析視頻中的師生行為進行識別，統計并結合待解析視頻對應的歷史視頻計算教師的互動行為評分，利用預訓練的目標檢測模型對待解析視頻中的教師行動軌跡進行識別，結合待解析視頻對應的歷史視頻得到教師的巡視評分，將互動行為評分和巡視評分作為教師的教學狀態評分；
S7
利用預訓練的目標檢測模型對待解析視頻進行幀級別的檢測，提取投影儀的
PPT
區域和黑板區域，統計
PPT
區域和黑板區域的變化次數，并將變化次數進行評分量化，結合待解析視頻對應的歷史視頻計算得到教師的教學方式評分；
S8
按照教學階段統計每個教師進行教學的班級學習成績，根據學習成績對教師的教學質量進行評估，得到教師的教學質量評分；
S9
將教師的教學內容評分
、
教師的教學素質評分
、
教師的教學狀態評分
、
教師的教學方式評分和教師的教學質量評分進行綜合處理，得到教師的綜合能力評估結果
。2.
如權利要求1所述的方法，其特征在于，步驟
S4
包括：
S41
獲取教學內容，根據教學內容確定不同教學階段的各個知識點，將所有知識點構成知識點庫；
S42
將教學過程文本與知識點庫進行比對，統計得到知識點庫中的各個知識點在教學過程文本中出現的頻次；
S43
獲取與教學過程文本的教學階段相同的歷史視頻，結合教學過程文本的知識點頻次計算得到教師的教學內容評分，所述歷史視頻包括由人工標注的各個知識點出現的頻次；其中，計算公式如下：式中，
i1代表相同教學階段的歷史視頻的數量，表示教師的教學內容評分，
n1代表知識點庫中隸屬于該教學階段的知識點的數量，是權重，權重代表不同知識點的重要程
度，代表第
j
個知識點在歷史視頻中出現的頻次，
k
j
代表第
j
個知識點在教學過程文本中出現的頻次
。3.
如權利要求1所述的方法，其特征在于，步驟
S5
包括：
S51
構建文明用語表，根據文明用語表確定不文明關鍵字，在教學過程文本中利用不文明關鍵字進行搜索，統計得到教學過程文本的不文明關鍵字的頻次；
S52
收集周期性的話題文本，將教學過程文本與話題文本進行文本相似度比較，統計得到教學過程文本的不當言論的頻次；
S53
收集教學禁用語文本，將教學過程文本與教學禁用語文本進行文本相似度比較，統計得到教學過程文本的教學禁用語的頻次；
S54
根據教學過程文本的不文明關鍵字的頻次
、
教學過程文本的不當言論的頻次和教學過程文本的教學禁用語的頻次計算得到教師的教學素質評分，計算公式如下：式中，
S
e
代表教師的教學素質評分，
w
e
表示權重，
e1為教學過程文本的不文明關鍵字的頻次，
e2為教學過程文本的教學禁用語的頻次，
Pr
代表是否出現不當言論，若出現則
Pr
＝1，若未出現則
Pr
＝
0。4.
如權利要求1所述的方法，其特征在于，步驟
S6
包括：
S61
根據預訓練的動作識別模型，對待解析視頻中的師生行為進行識別，統計每種師生行為出現的次數，所述師生行為包括學生起立
、
學生舉手
、
學生趴桌子
、
老師點人和老師坐講臺；
S62
獲取相同教學階段的歷史視頻的各種師生行為出現的次數，將歷史視頻的各種師生行為出現的次數進行向量化和標準化，得到歷史標準向量；
S63
根據待解析視頻中每種師生行為出現的次數和歷史標準向量計算得到教師的互動行為評分；
S64
根據預訓練的目標檢測模型對待解析視頻進行檢測，以教師左上角為原點，定位課堂中教師出現的位置坐標，每
10s
定位一次教師的位置坐標，得到位置坐標集合；
S65
提取待解析視頻中的講臺區域，并將待解析視頻中除講臺區域以外的其他區域作為非講臺區域，統計位置坐標集合中位于非講臺區域的位置坐標的個數占位置坐標集合中位置坐標總數的比例，并結合教師行動軌跡的離散值，得到教師的巡視情況；
S66
獲取相同教學階段的歷史視頻的巡視情況；
S67
技術研發人員：李舵文，嚴鶴，王俊，胡琦，劉建，
申請(專利權)人：云啟智慧科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。