Den första satsen!Northern Normal University som valts ut som ett typiskt fall av ＂Artificial Intelligence+Higher Education＂ i utbildningsministeriet

Nyligen tillkännagav utbildningsministeriet de typiska fallen av de första 18 ansökningsscenarier ”Artificial Intelligence+Higher Education”, och Guo Junqi, professor vid School of Artificial Intelligence vid Peking Normal University, valdes av ”Innovation” AI++ Klassrum undervisar intelligent utvärdering ”.

Klicka för att se hela listan

För att noggrant genomföra den nationella strategiska utplaceringen av landets ”Artificial Intelligence+” -operation, främjar aktivt integration och utveckling av högre utbildning och konstgjord intelligensteknologi och använder intelligent teknik för att stödja innovationen av talangträningsmodeller, reformen av undervisningsmetoder och förbättringen av utbildningsstyrningsförmågan. applikationer i tillämpningen av konstgjord intelligens teknik essensEfter tillämpningen av högskolor och universitet bestämdes expertdemonstrationen och andra länkar, den första omgången på 18 ”Artificial Intelligence+Higher Education” -ansökningsscenarier.

Innovativ ”AI+” klassrum undervisar intelligent utvärdering

Fallet med ”innovation” AI+”klassrumsundervisning underrättelseutvärdering” har byggt ett omfattande klassrums undervisningsprocess intelligent utvärderingssystem genom att integrera olika konstgjorda intelligens- och dataanalyssteknologier som datorvision, naturligt språkbearbetning, integrerat lärande och statistisk modellering.Systemet kan övervaka och analysera lärarnas undervisningsbeteende, elevernas inlärningsbeteende, undervisningsinnehåll och organisatoriska former av klassrummet och kvantifiera och visa lärarens undervisningsstil, studentkoncentration och undervisningskunskappunkter.Denna intelligenta utvärderingsmetod syftar till att övervinna subjektiviteten och fördröjningen av traditionell undervisningsutvärdering och uppnå mer exakt övervakning av undervisningsprocesser.

Huvudmodellfunktionen i detta fall är som följer:

01 Lärarstudentklassens beteendeigenkänningsmodell

Denna del av analysen av problem med lärares beteendeanalys och utvärderingsbakgrund i klassrummet har byggt en ram av lärare och elever baserat på djup inlärning och bildar en fullständig ram från klassrumsvideoinmatning till rörelsesekvensutgång.Å ena sidan användningen av Video Network Space Search Technology och Streaming Buffer Technology för att identifiera de fem studenternas lyssningsinlärningsåtgärder.Å andra sidan, baserat på djup och mycket utmärkta representation och tids- och rymdkarta Neuralnätverk, inser det identifieringen av nio lärares undervisningsåtgärder.Konstruktionen av denna ram är gynnsam för efterföljande intelligent övervakning och verklig analys av klassrumsundervisningen och ger teknisk support för lärares dataanalys för intelligent utvärdering av klassrummet.

Lärare och elevernas klassrumsens igenkänningsmodell

02 Lärarens klassrumsskytteövervakningsmodell

Denna del av analysen av informationsanalysen av klassrumets undervisningsprocess analyseras med lärarens platsinformation.Platsrörelse (förskjutning) hänvisar till förändringarna av lärare som står i klassrummet.Denna modul inser den verkliga förflyttningen av lärare genom kombinationen av ansiktsdetekteringsmodellen i kombination med den förenklade kameran, återställer fågelns ögonvy av läraren i klassrummet och använder en kärntäthetsuppskattningsalgoritm för att ytterligare beräkna positionen för positionen Förskjutning för lärarens undervisningsinformation.

Läraren förskjuter värmekarta

03 Lärarundervisning Visa mobilövervakningsmodell

Denna del står inför rörelsen av linjen i processen att undervisa lärare, återställer lärarnas synbanor, analyserar samspelet mellan lärare och studenter och förbättrar undervisningseffektiviteten och ledningsnivån.Denna modell återställer lärarnas visionsriktning i det tre dimensionella utrymmet genom siktdetekteringsalgoritmernas linje och visualisering av dess distribution under en tid visualiseras till omfattande och djupanalys av fokus och lag för lärarnas klassrum .

04 Undervisningsövervakningsmodell

Baserat på lärarinnehållet i undervisningsläraren, genom analysen av den tekniska analysen av naturligt språkbehandling och textmatchning, täckningen av kunskapspunkterna under undervisningsprocessen och den övergripande läroplanens innehållstrend.Denna modell är huvudsakligen uppdelad i tre delar: använd först Whisper Technology för att konvertera ljudljud till text och spela in tiden för varje mening.För det andra sammanfattar texten texten genom en stor språkmodell för att extrahera nyckelinformation.För det tredje, använd Sbert -modellen för att matcha denna information med undervisningsöversikten och beräkna frekvensen av kunskapspunkter i undervisningsplanen genom sökordsmatchningsteknologi genom sökordsmatchningsteknologi och analysera sedan djupet och bredden i innehållet i klassrummet som en hela essensenDenna modell kan hjälpa lärare att optimera undervisningsstrategin och också ge utbildningschefer ett kvantitativt verktyg för att övervaka kvaliteten på undervisningen, vilket hjälper till att säkerställa kvaliteten på utbildning och undervisning.

SBERT CALCULATION SENGE SYNONYMUS GRAD

05 Lärarklassens röststil Klassificeringsmodell

Analysmodulen för lärarnas ljud i processen för klassrumsundervisningsprocessen är huvudsakligen uppdelad i tre delar, en är textkonverteringstexten; Tre är det en klassificering av lärarnas klassrumsröststil, kodar ett stort antal lärares ljud, och träningsmodellen används för att förutsäga.Resultaten av modellanalysen används för att analysera formen och lagarna i klassrumsorganisationer med beteende hos lärare och studenter.Denna modell analyserar lärarens klassrumsröst, som underlättar lärare och elever att förstå nyckelinnehållet i klassrummet och förstå formen av klassorganisationen.

Lärarklassrum röststil Klassificeringsmodell

06 Klassrumsundervisning Multi -Dimensional Index Evaluation Model

I enlighet med de verkliga klassrumsbehoven hos högskolelärare och studenter organiserar denna del omfattande det befintliga klassrumsutvärderingsindexsystemet, följer principerna för rimlig, slump och lämplig och utformade utvärderingsindikatorerna för undervisning som är lämplig för konstgjord intelligensteknik och intelligenta fördelar.Detta klassrumsundervisning Intelligent Evaluation Index System är utvecklat från tre utvärderingsdimensioner: Lärarundervisning, studentinlärning och klassrumsinnehåll. deltagande och koncentration.

Klassrumsundervisning Multi -Dimensional Index Evaluation Model

Detta fall har distribuerats vid det 102 smarta klassrummet i elektronikbyggnaden i Artificial Intelligence Institute of Peking Normal University. Undervisning i lärarna vid skolans undervisning.

Utvärdering av utvärderingsgränssnitt för konstgjord intelligens klassrum

Peking Normal University kommer att fortsätta att stärka forskning och utbyten, i kombination med den faktiska situationen för att fördjupa utforskningen och praxis av ”konstgjord intelligens+högre utbildning”, genomföra utbildning och undervisning utvärdering och innovation med hjälp av konstgjord intelligenssteknik och ständigt förbättra kvaliteten på talangträning.

-Bnuweixin-