-
公开(公告)号:CN114021722B
公开(公告)日:2024-11-08
申请号:CN202111278587.9
申请日:2021-10-30
申请人: 华中师范大学
IPC分类号: G06N5/022
摘要: 本发明属于教育数据挖掘领域,提供一种融合认知刻画的注意力知识追踪方法,包括:(1)数据预处理;(2)特征融合;(3)表现预测;(4)模型训练。本发明提出了一套基于学习者认知画像的注意力知识追踪框架,此框架分别对学习者的记忆、实践和语言三方面特征进行建模,最终根据上述所得三方面特征进行联合建模,综合考虑学习者多方面的信息,以此来提升模型对于学习者知识掌握情况和未来表现预测的表现。
-
公开(公告)号:CN113903045B
公开(公告)日:2024-11-01
申请号:CN202111237628.X
申请日:2021-10-22
申请人: 华中师范大学
IPC分类号: G06V30/244 , G06F40/126
摘要: 本发明公开了一种手写汉字图像的笔顺识别方法及系统,其中,笔顺识别方法包括预处理步骤、第一次笔顺匹配步骤、第二次笔顺匹配步骤和笔段融合步骤;本发明提供的笔顺识别方法是针对静态手写汉字图像,避免了在电子设备上书写体验的失真;本发明基于八邻域方向编码规则给出了不同类型笔画的非法方向编码,并根据非法方向编码来计算第一次笔顺匹配步骤中的匹配权重;本发明对手写汉字进行第一次笔顺匹配和第二次笔顺匹配,可确保手写汉字中的每个笔段都有匹配的笔顺;本发明通过不同笔段的八邻域编码链和不同笔画的合法方向编码来实现笔段融合;通过本发明提供的笔顺识别方法,能有效提高静态手写汉字图像中笔顺识别的准确率。
-
公开(公告)号:CN113505589B
公开(公告)日:2024-07-23
申请号:CN202110802482.2
申请日:2021-07-15
申请人: 华中师范大学
IPC分类号: G06F40/279 , G06F40/166
摘要: 本发明提供一种基于BERT模型的MOOC学习者认知行为识别方法,包括:获取MOOC论坛中学习者讨论文本数据,生成MOOC评论领域的专业语料;对语料进行预处理,生成包含MOOC领域专业知识预训练数据;结合预训练数据,使用MLM和NSP策略对BERT模型进行再训练,得到MOOC‑BERT;构建MOOC学习者认知行为标注数据集;使用标注数据集对MOOC‑BERT中参数和权重微调,生成面向MOOC学习者的认知行为识别模型。本发明基于BERT模型的MOOC学习者认知行为识别方法,用于提高对在线学习环境中学习者认知行为的识别能力,有效帮助教师分析大规模场景下MOOC学习者的认知行为类型。
-
公开(公告)号:CN118195007A
公开(公告)日:2024-06-14
申请号:CN202410413403.2
申请日:2024-04-08
申请人: 华中师范大学
IPC分类号: G06N5/04 , G06N3/0455 , G06F16/45 , G06F16/483 , G06Q50/20
摘要: 本申请实施例提供一种小学科学课程导学对话方法、系统、电子设备及存储介质,属于人工智能技术领域,其中方法包括:接收用户的初始对话输入,初始对话输入中包含有待解决的题目;将待解决的题目输入至支持视觉问答的大语言模型中,获取具有显式推导过程的正确答案;大语言模型通过预先构建好的教学脚手架数据集预训练得到;基于具有显式推导过程的正确答案,用户的当前对话输入和历史对话记录,生成当前对话输入的回复。本申请实施例中利用预先构建好的教学脚手架数据集训练大语言模型,更加适配实际教学场景,利用模型生成输入问题的具有显式推导过程的正确答案,生成用户当前对话输入的回复,给用户提供类似教师的逐步指导,完成了引导式教学。
-
公开(公告)号:CN118155265A
公开(公告)日:2024-06-07
申请号:CN202410358519.0
申请日:2024-03-27
申请人: 华中师范大学
IPC分类号: G06V40/16 , G06V10/764 , G06V10/82 , G06Q10/0639 , G06Q50/20
摘要: 本申请属于人工智能领域,具体公开了一种学习者困惑度分类方法、教学效果评价方法及设备,困惑度分类方法包括:获取教学场景下包含学习者脸部图像的视频序列;将视频序列划分为多段视频子序列,提取每段视频子序列中的峰值帧;提取每个峰值帧中学习者人脸的全局特征;提取每个峰值帧中学习者人脸的局部特征和面部动作单元激活模式,基于任意两个峰值帧间面部动作单元激活模式的相似度构建不带权的图卷积神经网络;根据图卷积神经网络确定学习者的困惑状态。通过本申请能在无监督的条件下提取代表帧,并利用动作单元信息,融合图片的表情关系特征;考虑了从局部到全局的重要视觉特征,实现了困惑表情的细粒度分类,以最终对教学效果做出量化评价。
-
公开(公告)号:CN116502713B
公开(公告)日:2024-02-20
申请号:CN202310371918.6
申请日:2023-04-03
申请人: 华中师范大学
摘要: 本发明涉及知识追踪技术领域,尤其涉及一种基于加权元路径增强题目相似性嵌入的知识追踪方法,包括:建立加权异构信息网络,构建所述加权异构信息网络的元路径;通过有偏随机游走算法对题目节点进行采样,输出不同的题目节点序列,移除非题目节点;通过嵌入算法获取题目的特征向量,输出题目嵌入;融合当前时刻的题目嵌入和答题正确性向量获取输入向量,输出更新后当前时刻的知识状态向量;预测学习者正确回答下一道题目的概率。本发明利用各种关系提取题目之间的多维和高阶相似语义从而得到更优质的题目表示方法,从而挖掘到更高阶且更准确的题目相似性进而缓解答题信息不足的问题,且有利于提升知识追踪模型的预测性能。(56)对比文件Nan Zhang等.“Attention-BasedKnowledge Tracing with HeterogeneousInformation Network Embedding”.《International Conference on KnowledgeScience, Engineering and Management》.2020,第95-103页.
-
公开(公告)号:CN117473041A
公开(公告)日:2024-01-30
申请号:CN202311106919.4
申请日:2023-08-30
申请人: 华中师范大学
摘要: 本发明属于知识追踪技术领域,提供一种基于认知策略的编程知识追踪方法,包括:(1)问题定义和数据预处理;(2)试题表征;(3)代码表征;(4)认知过程双序列建模;(5)表现预测和模型训练。本发明方法根据学习者的认知过程,即理解试题和编写代码解决问题两方面,来建模编程知识追踪问题,分别利用图嵌入技术来聚合试题困难度、知识技能等信息,优化传统知识追踪中试题的表征,考虑到编程学科的开放性,融合了学生代码中蕴含的语法结构、文本注释等认知信息来表征代码特征,然后结合两者分别建模学习者的知识状态和编程能力,更能模拟学习者的做题场景,更好地建模学习者的认知过程。
-
公开(公告)号:CN110334610B
公开(公告)日:2024-01-26
申请号:CN201910516795.4
申请日:2019-06-14
申请人: 华中师范大学
IPC分类号: G06V20/40 , G06V40/20 , G06Q10/0639 , G06Q50/20
摘要: 本发明公开了一种基于计算机视觉的多维度课堂量化系统及方法,该系统包括:数据采集模块,用于实时采集课堂上课的学生正面视频,以及教师授课的视频;数据实时处理模块,用于实现教师授课行为检测与识别、学生上课学习行为的检测与识别;数据可视化展示模块,用于从四个角度量化课堂并可视化展示,从而构建教师和学生双向维度的新型评价系统来量化课堂;数据存储模块,包括整堂课的原始视频数据保留、学生异常行为截帧保留、课堂评价报告生成,从原始视频到处理过程到处理结果三个部分存储数据。本发明能自动、智能地评价课堂,方便教师课后参考课堂教学过程,根据量化的学生行为结果反馈教学质量从而针对性地改善教学效果,促进学生学习进步。
-
公开(公告)号:CN106775397B
公开(公告)日:2024-01-23
申请号:CN201611136076.2
申请日:2016-12-12
申请人: 华中师范大学
IPC分类号: G06F3/04886
摘要: 本发明提供PCB板和应用PCB板的多点触控方法,PCB板包括输入模块、微处理器、电压产生模块和输出模块;输入模块与云盒主机相连,用于接收云盒主机的请求信号,将其发送给微处理器,并为微处理器和电压产生模块供电;微处理器与输入模块相连,用于对请求信号进行处理得到电压控制信号,并将其发送给电压产生模块;电压产生模块与微处理器相连,用于根据电压控制信号得到驱动电压信号,并将其发送给输出模块;输出模块与显示屏相连,用于向显示屏发送驱动电压信号,以使显示屏根据驱动电压信号完成不同显示模式的切换。本发明利用PCB板将显示屏与主机相连接,实现了显示屏两种不同显示模式的切换,满足不同显示模式下的多点触控操作。
-
公开(公告)号:CN111104789B
公开(公告)日:2023-12-29
申请号:CN201911161565.7
申请日:2019-11-22
申请人: 华中师范大学
IPC分类号: G06F40/205 , G06F40/211 , G06F40/30 , G06F16/33
摘要: 本发明提供了一种文本评分方法、装置和系统;该方法包括:获取待评分的文本;提取文本的文本特征;文本特征包括浅层语言特征、句法特征、语义特征和主题特征;其中,语义特征用于表征文本内的语义连贯度;主题特征用于表征文本与预设的文本主题的相关度;将文本特征输入至预先设定的评分模型中,得到输出结果;根据输出结果确定文本的评分。该方法从待评分的文本中提取浅层语言特征、句法特征、语义特征和主题特征作为文本特征,将上述文本特征输入到预先设定的评分模型中,将评分模型输出的输出结果作为该文本的评分。该方式中针对浅层语言特征、句法特征、语义特征和主题特征这四个方面(56)对比文件Huang T 等.Fine-grained engagementrecognition in online learningenvironment《.2019 IEEE 9th internationalconference on electronics information andemergency communication (ICEIEC)》.2019,第338-341页.Liu J 等.Automated essay scoringbased on two-stage learning《.arXivpreprint arXiv:1901.07744》.2019,第1-7页.陈珊珊.自动作文评分模型及方法研究《.中国优秀硕士学位论文全文数据库信息科技辑》.2018,第I138-2830页.
-
-
-
-
-
-
-
-
-