线上课程授课质量的评价方法及装置

摘要

本申请实施例公开了一种线上课程授课质量的评价方法及装置，方法包括：获取线上课程的视频数据，所述视频数据中包括待评价对象；对所述视频数据进行人工智能处理，得到多个特征数据；将所述多个特征数据输入预先训练好的评价模型；获取所述评价模型基于所述多个特征数据得到的评价结果。上述实现方案将待评价对象的上课过程进行了数据化处理，基于其上课的视频数据提取出多个特征数据，结合预先训练好的评价模型得到待评价对象的评价结果，该方法不仅效率高，且适用性强，基于对模型的训练数据的把控和训练模型的合适选取，也能够保证评价结果的准确性。

说明书

技术领域

本发明涉及人工智能技术领域，更具体的说，是涉及一种线上课程授课质量的评价方法及装置。

背景技术

随着社会生活及工作节奏的不断加快，线上教育应运而生。线上教育由于存在即时方便，不受环境的影响的优点，也受到越来越多学生和家长的欢迎。

为了更好的了解并助力于改进线上课程的教学效果，需要对线上课程的授课质量进行评价。由于线上教育与线下教育迥异的教育模式，使得目前尚不存在针对线上课程的准确高效的质量评价方法。

发明内容

有鉴于此，本发明提供如下技术方案：

一种线上课程授课质量的评价方法，包括：

获取线上课程的视频数据，所述视频数据中包括待评价对象；

对所述视频数据进行人工智能处理，得到多个特征数据；

将所述多个特征数据输入预先训练好的评价模型；

获取所述评价模型基于所述多个特征数据得到的评价结果。

可选的，所述对所述视频数据进行人工智能处理，得到多个特征数据，包括：

从所述视频数据中提取与所述视频数据对应的音频数据、文本数据和图像数据；

基于所述音频数据确定所述待评价对象的情感特征；

对所述文本数据进行词向量嵌入处理，确定所述文本内容与课程主题的相关度；

基于所述图像数据确定所述待评价对象的动作特征。

可选的，还包括：

基于所述图像数据确定所述待评价对象对课程文件的控制数据。

可选的，所述基于所述图像数据确定所述待评价对象的动作特征，包括：

采用手势追踪技术从所述图像数据中确定手势的坐标位点；

基于手势识别分类算法和所述坐标位点确定所述待评价对象的动作特征。

可选的，所述将所述多个特征数据输入预先训练好的评价模型，包括：

将所有的所述特征数据进行预处理和特征拼接处理，并将处理后的特征数据输入预先训练好的评价模型。

可选的，所述评价模型的训练过程包括：

收集历史课程视频并对所述历史课程视频进行标注；

从所述历史课程视频中提取出对应的特征文件，所述特征文件包括音频文件、文本文件和图像文件；

从所述特征文件中提取出多个训练特征；

基于所述训练特征和选择的数据模型，训练得到所述评价模型。

可选的，在所述获取所述评价模型基于所述多个特征数据得到的评价结果后，还包括：

基于所述评价结果确定针对所述待评价对象的推荐数据。

一种线上课程授课质量的评价装置，包括：

数据获取模块，用于获取线上课程的视频数据，所述视频数据中包括待评价对象；

智能处理模块，用于对所述视频数据进行人工智能处理，得到多个特征数据；

数据输入模块，用于将所述多个特征数据输入预先训练好的评价模型；

结果确定模块，用于获取所述评价模型基于所述多个特征数据得到的评价结果。

可选的，所述智能处理模块包括：

数据提取模块，用于从所述视频数据中提取与与所述视频数据对应的音频数据、文本数据和图像数据；

音频处理模块，用于基于所述音频数据确定所述待评价对象的情感特征；

文本处理模块，用于对所述文本数据进行词向量嵌入处理，确定所述文本内容与课程主题的相关度；

图像处理模块，用于基于所述图像数据确定所述待评价对象的动作特征。

可选的，所述智能处理模块还包括：

图像分析模块，用于基于所述图像数据确定所述待评价对象对课程文件的控制数据。

经由上述的技术方案可知，与现有技术相比，本发明实施例公开了一种线上课程授课质量的评价方法及装置，方法包括：获取线上课程的视频数据，所述视频数据中包括待评价对象；对所述视频数据进行人工智能处理，得到多个特征数据；将所述多个特征数据输入预先训练好的评价模型；获取所述评价模型基于所述多个特征数据得到的评价结果。上述实现方案将待评价对象的上课过程进行了数据化处理，基于其上课的视频数据提取出多个特征数据，结合预先训练好的评价模型得到待评价对象的评价结果，该方法不仅效率高，且适用性强，基于对模型的训练数据的把控和训练模型的合适选取，也能够保证评价结果的准确性。

附图说明

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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种线上课程授课质量的评价方法流程图；

图2为本发明实施例公开的对视频数据进行人工智能处理的流程图；

图3为本发明实施例公开的一种评价模型的训练流程图；

图4为本发明实施例公开的一个线上课程授课质量的评价方法的架构层次实现图；

图5为本发明实施例公开的一种线上课程授课质量的评价装置的结构示意图。

具体实施方式

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。

本申请实施例可以应用于电子设备，本申请对该电子设备的产品形式不做限定，可以包括但并不局限于智能手机、平板电脑、可穿戴设备、个人计算机(personalcomputer，PC)、上网本等，可以依据应用需求选择。

图1为本发明实施例公开的一种线上课程授课质量的评价方法流程图，参见图1所示，线上课程授课质量的评价方法可以包括：

步骤101：获取线上课程的视频数据，所述视频数据中包括待评价对象。

其中的待评价对象即线上课程的授课老师，视频数据即记录有授课老师上课过程的视频文件。在线教育领域中，老师进行线上授课，老师授课结束后，对老师当前这节课效果很难做出及时与有效的评价。随着老师上课数量的增加，无法对老师整体的授课质量做出评价，进而无法甄别优秀的老师。基于此，本申请实施例公开的该线上课程授课质量的评价方法。在该方法的实施中，首先需要获取授课老师上课的视频数据，后续基于该视频数据进行相应处理，得到针对授课老师的评价结果。

步骤102：对所述视频数据进行人工智能处理，得到多个特征数据。

为了使得最终得到的评价结果更加全面准确，本实施例中，可以确定多个不同维度的特征数据。因此，其中的人工智能处理可以包括多个方向的智能处理。在后面的实施例中，将对人工智能处理的具体实现做详细说明，在此不再过多介绍。

步骤103：将所述多个特征数据输入预先训练好的评价模型。

多个特征数据作为评价模型的输入，使得评价模型能够基于预置的规则和模型自身的逻辑处理特点，得到针对待评价对象的评价结果。

步骤104：获取所述评价模型基于所述多个特征数据得到的评价结果。

本申请实施例中，对评价结果的形式和内容并不做固定限制，例如，评价结果可以是分数，可以是文字描述，也可以是包括分数和对应文字说明的结果。

本实施例所述线上课程授课质量的评价方法，待评价对象的上课过程进行了数据化处理，基于其上课的视频数据提取出多个特征数据，结合预先训练好的评价模型得到待评价对象的评价结果，该方法不仅效率高，且适用性强，基于对模型的训练数据的把控和训练模型的合适选取，也能够保证评价结果的准确性。

图2为本发明实施例公开的对视频数据进行人工智能处理的流程图，如图2所示，所述对所述视频数据进行人工智能处理，得到多个特征数据，可以包括：

步骤201：从所述视频数据中提取与所述视频数据对应的音频数据、文本数据和图像数据。

音频数据即视频数据中的声音部分的数据；文本数据可以是对音频数据进行语音识别处理后得到的文本数据，其能够描述授课老师说了那些话，哪些内容；图像数据为视频数据中去除音频数据后的多帧图像的集合。

步骤202：基于所述音频数据确定所述待评价对象的情感特征。

步骤203：对所述文本数据进行词向量嵌入处理，确定所述文本内容与课程主题的相关度。

步骤204：基于所述图像数据确定所述待评价对象的动作特征。

具体的，步骤204可以包括：采用手势追踪技术从所述图像数据中确定手势的坐标位点；基于手势识别分类算法和所述坐标位点确定所述待评价对象的动作特征。

实现中，首先可以对授课老师的上课过程进行数据化处理，然后利用人工智能相关的技术对老师上课的音频数据，图像数据，文本数据等进行特征提取。当然，本申请对于实施特征提取的内容并不做固定限制，如除了前述音频数据、图像数据、文本数据外，还可以对视频质量数据进行特征提取；其中视频质量指的是课程录制视频是否清晰、卡顿等，受老师的设备和网络影响。显然的，在课程视频不清晰或经常卡顿的情况下，授课质量也会大打折扣。

对视频数据进行人工智能处理并不限于以上内容，可结合实际情况或需要自主设定，例如，其他实现中，对视频数据进行人工智能处理还可以包括：基于所述图像数据确定所述待评价对象对课程文件的控制数据。

上述实施例中，所述将所述多个特征数据输入预先训练好的评价模型，包括：将所有的所述特征数据进行预处理和特征拼接处理，并将处理后的特征数据输入预先训练好的评价模型。

评价模型的训练过程可参见图3，如图3所示，训练过程可以包括：

步骤301：收集历史课程视频并对所述历史课程视频进行标注。

在训练评价模型前，需要获取训练数据，即历史课程视频。本实施例中，可采用已经由专家进行了高质量高数量的标注的历史课程视频作为训练数据。

步骤302：从所述历史课程视频中提取出对应的特征文件，所述特征文件包括音频文件、文本文件和图像文件。

步骤303：从所述特征文件中提取出多个训练特征。

步骤304：基于所述训练特征和选择的数据模型，训练得到所述评价模型。

其中，数据模型可以但不限制为回归模型，当然，为了使得最终的评价模型更加准确，贴合实际应用，也可以将回归模型和人工设定规则结合使用，得到评价模型的原始模型。其中的人工设定规则例如：在学生迟到时间段内不计算评分。

本实施例中，在专家对老师上课数据做了高质量高数量的标注的前提下，采用语音转文本技术，语音情绪识别技术，文本情绪识别，图像表情识别技术，自然语言处理技术等技术进行提取特征，采用机器学习回归模型和人工规则的数据模型，从多个维度对老师上课的课程质量进行评估，获得对老师上课质量的评价结果。

在其他的实施例中，在所述获取所述评价模型基于所述多个特征数据得到的评价结果后，还可以包括：基于所述评价结果确定针对所述待评价对象的推荐数据。例如，基于多个老师的评价数据，基于评价分数高低进行排序推荐。

图4为本发明实施例公开的一个线上课程授课质量的评价方法的架构层次实现图，结合图4所示，实现中首先可以通过专家对老师上课以后的视频根据自定义的规则进行高质量高数量的标注，接下来根据数据的类型分为音频，文本，视频。采用AI技术，从音频和视频数据中，提取特征。根据课内数据和课后评价数据提取对应的特征。在数据完成特征化后，通过机器学习和人工规则的数据模型，对数据进行训练，在达到指定的预测指标的情况下，完成模型的训练，得到评价模型，应用于线上。

具体的一个实现，可以包括：

1、专家根据自定义的规则对老师历史上课数据进行高质量高数量的标注。专家的高质量高数量的标注数据，让评价模型对评分结果有更好的准确性。

2、从上课视频中，使用图像表情识别技术，获得图像表情的数据。使用图像质量相关的计算算法，计算图像质量评估标准。从上课的老师和学生的音频数据，提取老师音频的情感特征。同时把音频数据转化成文本数据，获得老师上课的内容，对文本内容做词向量嵌入，计算内容与主题的相关度。对老师的上课时间按照翻页课件进行统计，计算老师课件使用时间的控制程度。在课件使用过程中对操作的动作课件的次数进行统计，计算老师上课期间与学生的交互行为数据。利用手势追踪技术，从视频中获得手势的坐标位点，利用手势识别分类算法，获得视频中的各种手势动作特征信息。

3、对所有的特征数据进行预处理和进行特征拼接，根据基于机器学习和人工规则的评价模型对老师上课质量做出评估，获得老师上课的评分。

4、计算老师评分指数，对老师评分做排名，给学生进行老师推荐。

本实施例中，对老师的在线授课过程全部数据化处理，采用多个维度对老师授课质量进行考量和评估，包括图像，文本，音频，视频，动作，情绪等多维角度。使用最新的AI技术对音视频数据进行特征提取，采用基于机器学习和人为规则的评价模型，能够自动进行评估和打分，模型不再依赖人，具有普适性，适合大规模推广。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置实现，因此本发明还公开了一种装置，下面给出具体的实施例进行详细说明。

图5为本发明实施例公开的一种线上课程授课质量的评价装置的结构示意图，参见图5所示，线上课程授课质量的评价装置50可以包括：

数据获取模块501，用于获取线上课程的视频数据，所述视频数据中包括待评价对象。

智能处理模块502，用于对所述视频数据进行人工智能处理，得到多个特征数据。

数据输入模块503，用于将所述多个特征数据输入预先训练好的评价模型。

结果确定模块504，用于获取所述评价模型基于所述多个特征数据得到的评价结果。

本实施例所述线上课程授课质量的评价装置，待评价对象的上课过程进行了数据化处理，基于其上课的视频数据提取出多个特征数据，结合预先训练好的评价模型得到待评价对象的评价结果，该方法不仅效率高，且适用性强，基于对模型的训练数据的把控和训练模型的合适选取，也能够保证评价结果的准确性。

一个实现中，所述智能处理模块包括：数据提取模块，用于从所述视频数据中提取与与所述视频数据对应的音频数据、文本数据和图像数据；音频处理模块，用于基于所述音频数据确定所述待评价对象的情感特征；文本处理模块，用于对所述文本数据进行词向量嵌入处理，确定所述文本内容与课程主题的相关度；图像处理模块，用于基于所述图像数据确定所述待评价对象的动作特征。

一个实现中，所述智能处理模块还包括：图像分析模块，用于基于所述图像数据确定所述待评价对象对课程文件的控制数据。

一个实现中，图像处理模块还用于：采用手势追踪技术从所述图像数据中确定手势的坐标位点；基于手势识别分类算法和所述坐标位点确定所述待评价对象的动作特征。

一个实现中，所述数据输入模块具体可用于：将所有的所述特征数据进行预处理和特征拼接处理，并将处理后的特征数据输入预先训练好的评价模型。

一个实现中，所述评价模型的训练过程可以包括：收集历史课程视频并对所述历史课程视频进行标注；从所述历史课程视频中提取出对应的特征文件，所述特征文件包括音频文件、文本文件和图像文件；从所述特征文件中提取出多个训练特征；基于所述训练特征和选择的数据模型，训练得到所述评价模型。

一个实现中，线上课程授课质量的评价装置还可以包括：推荐模块，用于基于所述评价结果确定针对所述待评价对象的推荐数据。

上述实施例中的所述的任意一种线上课程授课质量的评价装置包括处理器和存储器，上述实施例中的数据获取模块、智能处理模块、数据输入模块、结果确定模块等均作为程序模块存储在存储器中，由处理器执行存储在所述存储器中的上述程序模块来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序模块。内核可以设置一个或多个，通过调整内核参数来实现回访数据的处理。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述实施例中所述的线上课程授课质量的评价方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述实施例中所述的线上课程授课质量的评价方法。

进一步，本实施例提供了一种电子设备，包括处理器以及存储器。其中存储器用于存储所述处理器的可执行指令，所述处理器配置为经由执行所述可执行指令来执行上述实施例中所述的线上课程授课质量的评价方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。