本发明涉及教学质量评价，具体涉及一种多元化的教学评价方法及系统。
背景技术：
1、一般认为，课堂教学质量评价应包括课堂教学过程和课堂教学效果两方面的评价。前者主要是指对教师课堂教学内容的安排、教学结构的设计和授课方式方法等方面做出的评价；后者则是指对学生听课时普遍表现出的响应度、认同度和课堂活跃气氛并最终反映为学生对所教内容理解、掌握的水平等方面做出的评价。课堂教学质量评价的目的不仅仅是评价者对教学过程中师生行为活动、情感交互和课堂环境进行价值判断的过程，还是发现课堂教学新价值并通过诊断来不断提升课堂教学价值的过程。
2、当前，对于教师课堂教学效果的评价，主要是通过对教师的各种考核以及教师所教授的班级总体成绩水平横向对比得到的。随着大数据分析、智能计算等技术的深度应用，以往学生问卷调查、督导旁听、主观打分将不再是进行课堂教学质量评价的唯一或主要方式。
3、教学质量评价是一个较为复杂的问题，影响其结果的因素较多。目前的教学质量评价体系都存在较强的人为主观性，不够公平、公正，且评价结果也不够准确。
技术实现思路
1、本发明实施例的目的在于提供一种多元化的教学质量评价方法及系统，以提高教学质量评价过程的公正与公平、提高评价结果的准确性。
2、为实现上述目的，第一方面，本发明实施例提供了一种多元化的教学质量评价方法，包括：
3、构建卷积神经网络；所述卷积神经网络包括输入层、卷积层和输出层；
4、基于ai获取上课时的教师讲授数据；
5、基于ai获取上课时的学生行为数据；
6、从校内作业论坛上获取评论数据；所述评论数据包括学生对课程的评论内容、对老师课堂教学的反馈内容；
7、将所述教师教授数据、学生行为数据和评论数据作为教学质量评价指标；
8、将所述教学质量评价指标输入预训练的评价模型进行教学质量评价，输出针对每一位老师或每一课程的教学质量评价结果。
9、作为本技术的一种具体实现方式，
10、基于ai获取上课时的教师讲授数据，具体为：
11、采用拾音器获取上课时的教师语音数据；
12、采用语音识别算法对所述教师语音数据进行语音识别，得到文本数据；
13、利用tf-idf词频统计和聚类分析算法从所述文本数据中提取出关键字词，进而统计出教师讲述的高频词汇和专业词汇及其出现的次数。
14、作为本技术的一种具体实现方式，所述学生行为数据包括学生的面部表情及身体动作；基于ai获取上课时的学生行为数据，具体为：
15、在gpu服务器上训练神经网络模型；所述神经网络模型包括bp、rnn及fsmn；
16、将所述神经网络模型移植到单片机；
17、所述单片机通过opencv实现图像解译转码、预处理和面部移动光流追踪，通过schmm实现人体形态特征的识别，通过python和深度学习架构库实现人脸相关特征的识别，得到所述行为数据。
18、作为本技术的另一种具体实现方式，获取学生上课的课堂数据具体为：
19、采集学生上课的图像信息；
20、对所述图像信息进行分析，根据学生上课时脸部状态判断学生是否处于疲劳犯困状态；
21、对所述图像信息进行分析，根据学生上课时的头部摆动角度判断学生是否注意力不集中；
22、对所述图像信息进行分析，通过相邻学生头部摆动的相对角度以及嘴部的动作判断是否有学生在交头接耳；
23、对所述图像信息进行分析，通过学生头部上下摆动的角度以及头部保持时间判断学生是否做与课堂无关的事情。
24、作为本技术的一种优选实现方式，所述评论内容和反馈内容包括文本、音频数据和视频数据，从校内作业论坛上获取评论数据之后，所述方法还包括：
25、对所述评论内容和反馈内容进行多模态分析，得到分析结果；
26、并将所述分析结果作为教学质量评价指标。
27、作为本技术的一种具体实现方式，对所述评论内容和反馈内容进行多模态分析，得到分析结果，具体为：
28、对所述文本、音频数据和视频数据进行单模态表示提取，得到提取结果；
29、根据所述提取结果，利用跨模态注意力得到单模态之间的动态交互信息，所述跨模态注意力满足如下关系：
30、
31、其中，ai为第i个模态的所述跨模态注意力，bi为第i个模态的输入向量矩阵，ei表示第i个模态的查询矩阵，表示第i个所述查询矩阵的权重矩阵，kj表示第j个模态的键矩阵，表示第j个所述键矩阵的所述权重矩阵的转置矩阵，表示第j个模态的输入向量矩阵的转置矩阵，为缩放比例因子，qj表示第j个模态的值矩阵，表示第j个所述值矩阵的权重矩阵；
32、利用所述动态交互信息提取总体特征和显著特征，利用所述显著特征和所述总体特征得到综合情感特征，并利用所述综合情感特征得到分析结果，所述情感特征满足如下关系：
33、
34、其中，zi表示第i个所述综合情感特征，averagepooling(ai)表示所述总体特征，maxpooling(ai)表示所述显著特征。
35、第二方面，本发明实施例提供了一种多元化的教学质量评价系统，包括：
36、获取单元，用于基于ai获取上课时的教师讲授数据、学生行为数据和从校内作业论坛上获取评论数据；所述评论数据包括学生对课程的评论内容、对老师课堂教学的反馈内容；
37、指标确定单元，用于将所述教师讲授数据、学生行为数据和和评论数据作为教学质量评价指标；
38、质量评价单元，用于将所述教学质量评价指标输入预训练的评价模型进行教学质量评价，输出针对每一位老师或每一课程的教学质量评价结果。
39、作为本技术的一种具体实现方式，所述获取单元具体用于：
40、采用拾音器获取上课时的教师语音数据；
41、采用语音识别算法对所述教师语音数据进行语音识别，得到文本数据；
42、利用tf-idf词频统计和聚类分析算法从所述文本数据中提取出关键字词，进而统计出教师讲述的高频词汇和专业词汇及其出现的次数。
43、进一步地，所述学生行为数据包括学生的面部表情及身体动作；所述获取单元具体用于：
44、在gpu服务器上训练神经网络模型；所述神经网络模型包括bp、rnn及fsmn；
45、将所述神经网络模型移植到单片机；
46、所述单片机通过opencv实现图像解译转码、预处理和面部移动光流追踪，通过schmm实现人体形态特征的识别，通过python和深度学习架构库实现人脸相关特征的识别，得到所述行为数据。
47、作为本技术的一种优选实现方式，所述评论内容和反馈内容包括文本、音频数据和视频数据；所述指标单元还用于：
48、对所述评论内容和反馈内容进行多模态分析，得到分析结果；
49、并将所述分析结果作为教学质量评价指标。
50、实施本发明实施例，基于ai采集学生上课的教师讲授数据和学生行为数据，并从校内作业论坛的评论数据作为教学质量评价指标，将上述教学质量评价指标输入预训练的评价模型，得到针对每一位老师或每一课程的教学质量评价结果；该方案避免了传统评价方式中人为主观因素所带来的影响，保证了教学质量评价的公平性和公正性，且提高了评价结果的准确性。
1.一种多元化的教学质量评价方法，其特征在于，包括：
2.如权利要求1所述的多元化的教学质量评价方法，其特征在于，基于ai获取上课时的教师讲授数据，具体为：
3.如权利要求1所述的多元化教学质量评价方法，其特征在于，所述学生行为数据包括学生的面部表情及身体动作；基于ai获取上课时的学生行为数据，具体为：
4.如权利要求1所述的多元化的教学质量评价方法，其特征在于，基于ai获取上课时的学生行为数据具体为：
5.如权利要求1所述的多元化的教学质量评价方法，其特征在于，所述评论内容和反馈内容包括文本、音频数据和视频数据，从校内作业论坛上获取评论数据之后，所述方法还包括：
6.如权利要求5所述的多元化的教学质量评价方法，其特征在于，对所述评论内容和反馈内容进行多模态分析，得到分析结果，具体为：
7.一种多元化的教学质量评价系统，其特征在于，包括：
8.如权利要求7所述的多元化的教学质量评价系统，其特征在于，所述获取单元具体用于：
9.如权利要求7所述的多元化的教学质量评价系统，其特征在于，所述学生行为数据包括学生的面部表情及身体动作；所述获取单元具体用于：
10.如权利要求7所述的多元化的教学质量评价系统，其特征在于，所述评论内容和反馈内容包括文本、音频数据和视频数据；所述指标确定单元还用于：
