[发明专利]一种基于人工智能的教学互动系统

权利要求书

1.一种基于人工智能的教学互动系统，其特征在于，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；

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；

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；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；

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，具体分析步骤如下：

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；

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；

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；

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；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：

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；具体过程如下：

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；

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；

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，为学生和家长根据教师的教学水平选择教师进行教学提供依据；

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。

2.根据权利要求1所述的一种基于人工智能的教学互动系统，其特征在于，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。

3.根据权利要求1所述的一种基于人工智能的教学互动系统，其特征在于，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。

4.根据权利要求1所述的一种基于人工智能的教学互动系统，其特征在于，所述学习状态评估模型的具体构建步骤为：

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；

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。

5.根据权利要求1所述的一种基于人工智能的教学互动系统，其特征在于，所述训练分析模块的具体分析步骤为：

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；

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和B(i-1)分别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和第二均值差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。