1.本发明涉及网络教学技术领域，具体是一种基于人工智能的教学互动系统。


背景技术：

2.在线学习，也叫做网络教育，即e-learning，是一种网络化学习方式，即学生通过pc或终端上网，登录在线学习平台，通过网络进行选课、听课、完成作业和考试而实现学习过程的一种全新的学习方式。
3.目前在线教学最主流的点播、视频录像教学，都是教师提前录好视频上传，学生下载视频或在线看视频进行学习，不能保证所有学生都按时学习，在上课时老师无法观察到所有学生是否都在认真听课，从而导致教学质量和效率无法得到保障，学生们不认真听课，所学到的东西也会有所欠缺，不能很好的为学生的自主学习提供全过程、全方位的支持与服务；同时目前还没有针对教育平台的教师的教学质量形成一个完善的评价体系；无法为学生合理的分配教师，实现学习资源的有效推荐，为此，我们提出一种基于人工智能的教学互动系统。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于人工智能的教学互动系统。
5.为实现上述目的，根据本发明的第一方面的实施例提出一种基于人工智能的教学互动系统，包括在线监控模块、教学分析模块、教学评估模块、自主训练模块和训练分析模块；
6.所述在线监控模块用于在认证成功后通过网络控制学生端的摄像头和音频采集单元采集学生学习过程中的特征数据，并将采集到的特征数据发送至学习分析模块；所述特征数据包括声音信息和人脸图像信息；
7.所述学习分析模块用于将特征数据输入至学习状态评估模型中获取学习状态标签，并将学习状态标签发送至教师端，所述教师端用于对接收到的学习状态标签进行确认/修改并反馈至控制器；
8.在一个完整的教学课程中，所述教学分析模块与学习分析模块相连接，用于实时获取所有学生的学习状态标签并进行教学值分析，若教学值gx小于预设教学阈值，则生成提醒信息至教师端，提醒教师对当前教学课程的教学内容或教学方式作出改动，以提高教学质量和效率；
9.所述自主训练模块用于学生课后进行模拟题训练，并记录训练信息，所述训练分析模块用于获取学生的训练信息并进行进步系数分析，若进步系数g7＜进步系数阈值，则表明学生当前自主训练的效果差，建议学生改变学习方式，并通过互动教学模块与教师进行沟通。
10.进一步地，所述教学分析模块的具体分析步骤如下：
11.实时获取所有学生的学习状态标签，得到各个标签的占比；结合数据库中存储的各个标签对教学吸引度评价的影响因子，计算对应教师的教学吸引度qs；其中学习状态标签包括专注、互动、抗拒和迷茫；
12.建立教学吸引度qs随时间变化的曲线图，若qs≥预设吸引度阈值，则在对应的曲线图中截取对应的曲线段并标注为红色，记为吸引曲线段；
13.统计吸引曲线段的数量为w1，将所有的吸引曲线段对时间进行积分得到吸引能量e1，利用公式gx＝w1
×
a1+e1
×
a2计算得到对应教师的教学值gx，其中a1、a2均为系数因子。
14.进一步地，所述教学分析模块还用于将教学值gx打上时间戳存储至数据库；所述教学评估模块用于根据数据库内存储的带有时间戳的教学值对教师的教学水平进行综合评估，具体评估方法为：
15.根据时间戳，获取同一教师在系统当前时间前三十天的教学值；对教学值进行等级评判得到评价信号，所述评价信号包括优秀、一般、不合格；
16.统计优秀、一般以及不合格信号各自出现的次数，并分别标记为c1、c2和c3；利用公式gp＝(c1
×
3+c2)/(c3
×
a3)计算得到教师的教学评值gp，其中a3为系数因子；所述教学评估模块用于将教学评值gp传输至控制器；
17.所述控制器用于根据教学评值gp对教师信息进行排序，并将排序后的教师信息和教学评值gp传输至显示模块进行实时显示。
18.进一步地，对教学值进行等级评判得到评价信号的具体过程如下：
19.将教学值gx与等级阈值相比较，等级阈值包括x2、x3；当gx≥x2时，此时评价信号为优秀，当x3＜gx＜x2时，此时评价信号为一般，当gx≤x3时，此时评价信号为不合格；其中x2、x3均为固定数值且x2＞x3。
20.进一步地，教师端和学生端分别与认证模块相连接，所述认证模块用于验证教师端和学生端的登录请求；验证方式为人脸识别或指纹识别。
21.进一步地，还包括评估修正模块，所述评估修正模块用于根据教师端反馈的学习状态标签和对应的特征数据对学习状态评估模型进行迭代修正。
22.进一步地，所述学习状态评估模型的具体构建步骤为：
23.获取标准训练数据；其中，标准训练数据包括历史特征数据以及对应的学习状态标签；构建深度卷积神经网络模型，将标准训练数据按照设定比例划分为训练集、测试集和校验集；设定比例包括2:1:1、3:1:1和4:3:1；
24.将训练集、测试集和校验集经过数据归一化之后对深度卷积神经网络模型进行训练、测试和校验；将训练完成的深度卷积神经网络模型标记为学习状态评估模型。
25.进一步地，所述训练分析模块的具体分析步骤为：
26.针对同一训练科目，获取学生每次训练的训练成绩，依次标记为b1、b2、b3、
…
、bn；统计bi≥b(i-1)的次数为g1；
27.当bi≥b(i-1)时，将bi与b(i-1)进行差值计算得到第二进步值g2，将bi与对应训练科目的考核阈值进行差值计算得到第一均值差g3，将b(i-1)与对应训练科目的考核阈值进行差值计算得到第二均值差g4；利用公式g5＝g2
×
g1+g3
×
g2+g4
×
g3获取得到单次值g5，其中g1、g2、g3均为预设系数；将所有的单次值进行求和得到进步超值并标记为g6；利用公式g7＝g1
×
g4+g6
×
g5获取得到学生的进步系数g7，其中g4、g5均为预设系数。
28.与现有技术相比，本发明的有益效果是：
29.1、本发明中所述学习分析模块用于接收在线监控模块采集的特征数据并将特征数据输入至学习状态评估模型中获取学习状态标签；所述控制器接收到学习状态标签后根据学习状态标签发送对应的学习提醒信息至学生端，提醒学生专心学习；学生无需通过传统的人机交互工具进行繁琐的信息输入，只需要通过语音进行学习反馈，所述评估修正模块用于根据教师端反馈的学习状态标签和对应的特征数据对学习状态评估模型进行迭代修正，不断自我优化，以达到更好的学习效果；
30.2、在一个完整的教学课程中，所述教学分析模块用于实时获取所有学生的学习状态标签并进行分析；根据各个标签的占比，结合数据库中存储的各个标签对教学吸引度评价的影响因子，计算对应教师的教学吸引度qs；建立教学吸引度qs随时间变化的曲线图，将教学吸引度qs与预设吸引度阈值相比较，经过相关处理计算得到对应教师的教学值gx，若gx小于预设教学阈值，则生成提醒信息至教师端，提醒教师对当前教学课程的教学内容或教学方式作出改动，以提高教学质量和效率；
31.3、本发明中所述教学评估模块用于根据数据库内存储的带有时间戳的教学值对教师的教学水平进行综合评估；对教学值gx进行等级评判得到评价信号，统计优秀、一般以及不合格信号各自出现的次数，计算得到教师的教学评值gp；所述控制器用于根据教学评值gp对教师信息进行排序，便于学生和家长对教师的教学水平有一个直观的了解，并根据教师的教学水平选择合适的教师进行教学；
32.4、本发明中所述训练分析模块用于获取学生的训练信息并进行进步系数分析，若进步系数g7＜进步系数阈值，则表明学生当前自主训练的效果差，建议学生改变学习方式，并通过互动教学模块与教师进行沟通，以达到更好的学习效果。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
34.图1为本发明一种基于人工智能的教学互动系统的原理框图。
具体实施方式
35.下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
36.如图1所示，一种基于人工智能的教学互动系统，包括教师端、学生端、认证模块、在线监控模块、学习分析模块、控制器、评估修正模块、教学分析模块、数据库、教学评估模块、显示模块、自主训练模块、训练分析模块以及互动教学模块；
37.教师端和学生端分别与认证模块相连接，认证模块用于验证教师端和学生端的登录请求；验证方式为人脸识别或指纹识别；
38.在线监控模块用于在认证成功后通过网络控制学生端的摄像头和音频采集单元采集学生学习过程中的特征数据，特征数据包括声音信息和人脸图像信息；并将采集到的特征数据发送至学习分析模块；
39.学习分析模块用于接收在线监控模块采集的特征数据并将特征数据输入至学习状态评估模型中获取学习状态标签，并将学习状态标签发送至教师端，教师端用于对接收到的学习状态标签进行确认/修改并反馈至控制器；控制器接收到学习状态标签后根据学习状态标签发送对应的学习提醒信息至学生端，提醒学生专心学习；其中学习状态标签包括专注标签、互动标签、抗拒标签和迷茫标签；
40.在本实施例中，学习状态评估模型通过rbf神经网络或者深度卷积神经网络进行构建；具体构建步骤为：
41.获取标准训练数据；其中，标准训练数据包括历史特征数据以及对应的学习状态标签，其中，标准训练数据中的学习状态标签通过人工标注获取；
42.构建深度卷积神经网络模型，将标准训练数据按照设定比例划分为训练集、测试集和校验集；设定比例包括2:1:1、3:1:1和4:3:1；
43.将训练集、测试集和校验集经过数据归一化之后对深度卷积神经网络模型进行训练、测试和校验，将训练完成的深度卷积神经网络模型标记为学习状态评估模型；本实施例中，在学习状态过程中，当学习状态标签为专注或互动时，表示无异常；当学习状态标签为抗拒和迷茫时，表示异常，需要对学生进行提醒，以调整学习状态，提高学习效率；
44.评估修正模块与教师端相连接，用于根据教师端反馈的学习状态标签和对应的特征数据对学习状态评估模型进行迭代修正；
45.在一个完整的教学课程中，教学分析模块与学习分析模块相连接，用于实时获取所有学生的学习状态标签并进行分析；具体分析步骤为：
46.s1：实时获取所有学生的学习状态标签，得到各个标签的占比；结合数据库中存储的各个标签对教学吸引度评价的影响因子，计算对应教师的教学吸引度qs；
47.s2：建立教学吸引度qs随时间变化的曲线图，将教学吸引度qs与预设吸引度阈值相比较，若qs≥预设吸引度阈值，则在对应的曲线图中截取对应的曲线段并标注为红色，记为吸引曲线段；
48.s3：统计吸引曲线段的数量为w1，将所有的吸引曲线段对时间进行积分得到吸引能量e1，利用公式gx＝w1
×
a1+e1
×
a2计算得到对应教师的教学值gx，其中a1、a2均为系数因子；
49.s4：将教学值gx与预设教学阈值相比较，若gx小于预设教学阈值，则表示当前教学课程对学生吸引程度比较低，生成提醒信息至教师端，提醒教师对当前教学课程的教学内容或教学方式作出改动，以提高教学质量和效率；
50.教学分析模块还用于将教学值gx打上时间戳存储至数据库；
51.教学评估模块与数据库相连接，用于根据数据库内存储的带有时间戳的教学值对教师的教学水平进行综合评估，具体评估方法为：
52.v1：根据时间戳，获取同一教师在系统当前时间前三十天的教学值gx；
53.v2：将教学值与等级阈值相比较，对教学值gx进行等级评判得到评价信号，评价信号包括优秀、一般、不合格；具体为：
54.等级阈值包括x2、x3；x2、x3均为固定数值且x2＞x3；当gx≥x2时，此时评价信号为优秀，当x3＜gx＜x2时，此时评价信号为一般，当gx≤x3时，此时评价信号为不合格；
55.v3：统计优秀、一般以及不合格信号各自出现的次数，并分别标记为c1、c2和c3；利用公式gp＝(c1
×
3+c2)/(c3
×
a3)计算得到教师的教学评值gp，其中a3为系数因子；教学评值gp用于反映教师的教学水平；
56.教学评估模块用于将教学评值gp传输至控制器，控制器用于根据教学评值gp对教师信息进行排序，并将排序后的教师信息和教学评值gp传输至显示模块进行实时显示，教师信息表示为教师的个人简历以及相关的教学经历，便于学生和家长对教师的教学水平有一个直观的了解，并根据教师的教学水平选择合适的教师进行教学；
57.自主训练模块用于学生课后进行模拟题训练，并记录训练信息，训练信息包括训练科目和对应的训练成绩；
58.训练分析模块与自主训练模块相连接，用于获取学生的训练信息并进行进步系数分析，具体分析步骤为：
59.针对同一训练科目，获取学生每次训练的训练成绩，依次标记为b1、b2、b3、
…
、bn；其中n表示第n次训练；当bi≥b(i-1)时，将bi标记为第一进步值，统计第一进步值出现的次数并标记为g1；
60.将第一进步值bi与b(i-1)进行差值计算得到第二进步值并标记为g2；获取对应训练科目的考核阈值，将bi与对应训练科目的考核阈值进行差值计算得到第一均值差并标记为g3；将b(i-1)与对应训练科目的考核阈值进行差值计算得到第二均值差并标记为g4；利用公式g5＝g2
×
g1+g3
×
g2+g4
×
g3获取得到单次值g5，其中g1、g2、g3均为预设系数；
61.将所有的单次值进行求和得到进步超值并标记为g6；利用公式g7＝g1
×
g4+g6
×
g5获取得到学生的进步系数g7，其中g4、g5均为预设系数；
62.将进步系数g7与进步系数阈值相比较；若进步系数g7≥进步系数阈值，则表明学生当前自主训练的效果较好；若进步系数g7＜进步系数阈值，则表明学生当前自主训练的效果差，建议学生改变学习方式，并通过互动教学模块与教师进行沟通；互动教学模块用于教师与学生登录教学平台并进行在线互动教学。
63.上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
64.本发明的工作原理：
65.一种基于人工智能的教学互动系统，在工作时，在线监控模块用于在认证成功后通过网络控制学生端的摄像头和音频采集单元采集学生学习过程中的特征数据，学习分析模块用于接收在线监控模块采集的特征数据并将特征数据输入至学习状态评估模型中获取学习状态标签；教师端用于对接收到的学习状态标签进行确认/修改并反馈至控制器；评估修正模块用于根据教师端反馈的学习状态标签和对应的特征数据对学习状态评估模型进行迭代修正；控制器接收到学习状态标签后根据学习状态标签发送对应的学习提醒信息至学生端，提醒学生专心学习；
66.在一个完整的教学课程中，教学分析模块用于实时获取所有学生的学习状态标签并进行分析；实时获取所有学生的学习状态标签，得到各个标签的占比，结合数据库中存储
的各个标签对教学吸引度评价的影响因子，计算对应教师的教学吸引度qs；建立教学吸引度qs随时间变化的曲线图，将教学吸引度qs与预设吸引度阈值相比较，经过相关处理计算得到对应教师的教学值gx，若gx小于预设教学阈值，则生成提醒信息至教师端，提醒教师对当前教学课程的教学内容或教学方式作出改动，以提高教学质量和效率；
67.教学评估模块用于根据数据库内存储的带有时间戳的教学值对教师的教学水平进行综合评估，将教学值与等级阈值相比较，对教学值gx进行等级评判得到评价信号，统计优秀、一般以及不合格信号各自出现的次数，计算得到教师的教学评值gp；控制器用于根据教学评值gp对教师信息进行排序，并将排序后的教师信息和教学评值gp传输至显示模块进行实时显示，便于学生和家长对教师的教学水平有一个直观的了解，并根据教师的教学水平选择合适的教师进行教学；训练分析模块用于获取学生的训练信息并进行进步系数分析，若进步系数g7＜进步系数阈值，则表明学生当前自主训练的效果差，建议学生改变学习方式，并通过互动教学模块与教师进行沟通。
68.在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
69.以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。