本技術(shù)屬于教學(xué)質(zhì)量評價領(lǐng)域，具體涉及一種教學(xué)質(zhì)量評價方法及系統(tǒng)。

背景技術(shù)：

1、目前學(xué)校對教師個體的教學(xué)質(zhì)量評價，目前實際執(zhí)行最多的仍然是聽課和座談，這里的聽課方法又分為進入課堂和不進入課堂而采用遠程視頻方法的聽課。但是，聽課與座談收集到的主觀信息較多，客觀信息較少。隨著信息技術(shù)的發(fā)展，基于教育信息化平臺進行教學(xué)質(zhì)量評價，也有了一定的發(fā)展，如cn107784883a該教學(xué)系統(tǒng)及基于該教學(xué)系統(tǒng)的教學(xué)質(zhì)量評價方法既解決了現(xiàn)有技術(shù)中老師與學(xué)生互動過程中也會出現(xiàn)老師不知道有好多學(xué)生已經(jīng)掌握到講解的內(nèi)容的問題，也解決了現(xiàn)有技術(shù)中老師教學(xué)質(zhì)量評價方法評價結(jié)果與實際偏差較大的問題，但是僅從師生互動方面很難全面反映教學(xué)質(zhì)量。

技術(shù)實現(xiàn)思路

1、基于上述問題，本技術(shù)不僅豐富了評價指標，且利用改進的dbo算法，在滾球行為中加入隨機游走策略進行擾動；在偷竊中加入方向跟隨策略，提高尋優(yōu)精度，提升了其在全局探索和尋優(yōu)精度方面的性能。其技術(shù)方案為：

2、一種教學(xué)質(zhì)量評價方法，包括以下步驟：

3、s1.將授課課件內(nèi)容上傳至數(shù)據(jù)庫，并進行關(guān)鍵詞標注；

4、s2.采集授課時的視頻信息，構(gòu)建目標函數(shù)p；

5、p＝af(pm)+kf(pe)+cf(pf)；

6、式中，a、k和c為權(quán)重系數(shù)；

7、pm為授課匹配度：現(xiàn)場授課內(nèi)容與上傳的授課課件內(nèi)容進行比較得出授課匹配度；f(pm)為pm的標準化函數(shù)；

8、pe為學(xué)習(xí)專注度：學(xué)生面部是否朝向教師或者授課載體；f(pe)是pe的標準化函數(shù)；

9、pf師生互動活躍度：若師生互動次數(shù)與提問的問題個數(shù)的比值；f(pf)為pf的標準化函數(shù)；

10、s3.利用改進的dbo算法對pm、pe、pf進行尋優(yōu)；

11、s4.將優(yōu)化后參數(shù)反饋至深度學(xué)習(xí)算法中，使其不斷調(diào)整每層權(quán)重系數(shù)，不斷減小真實值和預(yù)測值之間的誤差，將深度學(xué)習(xí)算法輸出的預(yù)測值pm、pe、pf的代入步驟s2中，根據(jù)目標函數(shù)計算得出得分p。

12、優(yōu)選的，對于a、k和c取值規(guī)則如下：

13、若pm≥0.8，則a＝0.7；若0.8<pm≤0.5，則a＝0.2，若pm＜0.5，則a＝0.1；

14、若學(xué)生面部朝向教師或者授課載體，認為課堂專注度高，k＝0.7；若學(xué)生面部偏離教師或者授課載體，k＝0.3,若學(xué)生伏案睡覺，k＝0；

15、若師生互動次數(shù)大于提問的問題個數(shù)，則c＝0.7，若師生互動次數(shù)等于提問的問題個數(shù)，則c＝0.2，若師生互動次數(shù)小于提問的問題個數(shù)，則c＝0.1。

16、優(yōu)選的，步驟s3中，改進的蜣螂算法辨識步驟：

17、s31：種群初始化：初始種群的大小、采樣時間、迭代次數(shù)、參數(shù)的取值范圍；s32：計算每個個體的適應(yīng)度函數(shù)p(pm、pe、pf)值；

18、s33：記錄并保存最佳結(jié)果，確定下一代種群范圍；

19、s34：確定迭代條件：判斷是否到達迭代次數(shù)或辨識精度，如果滿足終止條件，輸出最佳參數(shù)pm、pe、pf，結(jié)束；否則繼續(xù)執(zhí)行下一步；

20、s35：通過滾球、跳舞、覓食、偷竊和繁殖的過程更新下一代，在滾球行為中加入隨機游走策略和縱橫交叉策略進行擾動；在偷竊中加入方向跟隨策略，提高尋優(yōu)精度；

21、s36：更新迭代次數(shù)τ＝τ+1，返回到step?32。

22、優(yōu)選的，步驟s35中，采用隨機游走策略對蜣螂滾球行為進行擾動，隨機游走策略公式如下：

23、x(m)＝{0,cussum[2r(m1)-1],cussum[2r(m2)-1],…,cussum[2r(mn)-1]

24、其中，x(m)為隨機游走的步數(shù)集；cussum為游走步數(shù)累計和；m為當(dāng)前游走步數(shù)；mn為第n次游走步數(shù)，r(m)為隨機函數(shù)，取值為[0,1]；

25、對其進行歸一化如下：

26、

27、式中：為第i只蜣螂在第τ次迭代中的參數(shù)pm或pe或pf粒子位置；αi和bi分別為第i維隨機游走變量的最小值和最大值；和分別為第i維隨機游走變量在第τ次迭代的最小值和最大值。

28、優(yōu)選的，步驟s35中，橫向交叉假設(shè)smi1和smi2是配對后的父代個體,其子代為和經(jīng)以下公式獲得：

29、

30、其中smi1j和smi2j分別表示smi1和smi2的第j維，j＝1,2,…d，是smi1j和smi2j在第j維上橫向交叉產(chǎn)生參數(shù)pm、pe、pf子代的第j維，r1和r2是(0,1)范圍內(nèi)均勻分布的隨機數(shù)，λ1和λ2是(-1,1)范圍內(nèi)均勻分布的隨機數(shù)；生成的參數(shù)pm、pe、pf子代分別與其父代進行比較，保留目標函數(shù)值更小的個體；

31、縱向交叉如下：

32、

33、其中,smij1和smij2分別表示smj1和smj2的第i維,是smj1和smj2,在縱向交叉產(chǎn)生子代的第i維，r是(0,1)范圍內(nèi)均勻分布的隨機數(shù)，生成的參數(shù)pm、pe、pf子代與其父代進行比較，保持目標值更小的個體；

34、設(shè)置閾值函數(shù)pv：

35、pv＝2*(1-(τ/t)1.5)/3；

36、τ為當(dāng)前迭代次數(shù)，t為最大迭代次數(shù)，當(dāng)r≥pv時，采用縱橫交叉策略；當(dāng)r＜pv時，本次迭代跳過縱橫交叉策略。

37、優(yōu)選的，步驟s35中，方向跟隨策略步驟如下：

38、s35-1.所有小偷蜣螂更新完位置之后采取方向跟隨策略再次更新位置；

39、s35-2.在偷竊前小偷蜣螂需要對推球蜣螂進行觀察,根據(jù)各自的觀察隨機選擇一只推球蜣螂,對其進行跟隨以便于進行下一步的偷竊行為；

40、s35-3.假設(shè)全局最優(yōu)位置是最適合觀察的位置,使用方向跟隨策略進行位置更新公式如下：

41、

42、δ＝pv*(||xb+ψ(umax-ulim)||)

43、式中，xb為全局最優(yōu)位置，rτ小偷蜣螂隨機選擇的目標推球蜣螂所在的位置；d(rτ-xb)表示從最優(yōu)位置移動到隨機選擇的推球蜣螂所在位置的直線方向的單位向量；ψ為隨機數(shù)，取值[0,1]，δ是移動步長，umax、ulim分別是優(yōu)化位置的上限、下限。

44、優(yōu)選的，步驟s5中，深度學(xué)習(xí)算法的損失函數(shù)使用均方誤差mse，真實值和預(yù)測值之間的誤差計算如下：

45、

46、

47、其中w1-w4為每層的權(quán)重，b1-b4為每層的偏置；n為樣本數(shù)量，為預(yù)測值(關(guān)于pm、pe、pf的預(yù)測值)，yi為真實值，為每層輸入的特征向量值。

48、一種教學(xué)質(zhì)量評價系統(tǒng)；包括數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、數(shù)據(jù)計算模塊和輸出模塊；

49、所述數(shù)據(jù)采集模塊：通過攝像頭、麥克風(fēng)等設(shè)備獲取授課時的視頻信息；

50、所述數(shù)據(jù)處理模塊：利用深度學(xué)習(xí)方法對視頻信息進行處理，獲得授課匹配度、學(xué)習(xí)專注度以及師生互動次數(shù)；

51、所述數(shù)據(jù)計算模塊：構(gòu)建目標函數(shù)，并利用改進的dbo算法進行尋優(yōu)，將尋優(yōu)結(jié)果反饋至深度學(xué)習(xí)算法中，使其不斷調(diào)整每層權(quán)重系數(shù),得到最后的得分p；

52、所述輸出模塊：將得分p可視化輸出。

53、優(yōu)選的，對于學(xué)習(xí)專注度的識別采用基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，通過使用降維和自適應(yīng)梯度的方法獲得頭部姿態(tài)數(shù)據(jù)；頭部姿態(tài)是指在三維空間中人的頭部的方位角，把頭部繞x，y，z三個軸的旋轉(zhuǎn)角分別記為仰俯角、偏航角以及橫滾角；當(dāng)學(xué)生面部朝向教師或者授課載體時課堂專注度高，同時也要考慮學(xué)生在教室位置的影響，此時偏航角為0°～20°；當(dāng)偏航角超過60°時則認為學(xué)生在東張西望，課堂專注度一般；如果學(xué)生伏案睡覺，俯仰角則會超過60°，課堂專注度嚴重不足。

54、與現(xiàn)有技術(shù)相比，本技術(shù)有益效果如下：

55、1.從授課老師、學(xué)生兩個維度設(shè)置評價指標，利用深度學(xué)習(xí)進行特征提取，得到的數(shù)據(jù)相對客觀；

56、2.在迭代前期，小偷蜣螂容易快速向最優(yōu)個體靠近，導(dǎo)致算法陷入局部最優(yōu)，因此本技術(shù)將隨機游走策略和縱橫交叉策略加入滾球行為中，從而提高算法的全局探索能力；縱橫交叉策略中加入閾值函數(shù)，降低搜索成本，提高搜索效率；在偷竊中加入方向跟隨策略，提高尋優(yōu)精度。