1.本发明涉及线上教学技术领域，具体涉及一种课堂自动上台控制方法、装置、设备及存储介质。
背景技术：[0002]“专递课堂”是指由拥有相对丰富教育资源的城里或乡镇中心学校安排专职教师，通过先进的远程教育媒体，同时给几个教学点学生进行异地网络授课，让全区所有学生享受优质教育资源；“专递课堂”强调专门性，主要针对农村薄弱学校和教学点缺少师资、开不出开不足开不好国家规定课程的问题，采用网上专门开课或同步上课、利用互联网按照教学进度推送适切的优质教育资源等形式，帮助其开齐开足开好国家规定课程，促进教育公平和均衡发展。
[0003]
由于专递课堂强调的是专门性，所以一般情况下同堂上课的人数不会太多，自动上台能加强多方互动性，简化监管教师的操作复杂性。
[0004]
但是现有的专递课堂不能对自动上台模式进行控制，在不自动上台模式下，主讲老师需要手动操作学生上台，自动化程度低；在自动上台模式下，主讲没进入课堂时，学生进入课堂就上台推流，造成流量资源浪费。
技术实现要素：[0005]
因此，本发明要解决的技术问题在于克服现有的专递课堂不能对自动上台模式进行自动控制，造成自动化程度低以及流量资源的浪费的缺陷，从而提供一种课堂自动上台控制方法、装置、设备及存储介质。
[0006]
本发明实施例提供了一种课堂自动上台控制方法，包括如下步骤：
[0007]
获取课堂教学数据，基于所述课堂教学数据构建交互有效性评价模型；其中，所述教学数据包括课程数据和与所述课程数据对应的上课人数数据；
[0008]
采集当前教学数据，将所述当前教学数据输入所述交互有效性评价模型中，生成课堂交互数值；
[0009]
将所述课堂交互数值与预设阈值进行比较，当所述课堂交互数值与所述预设阈值相符时，则基于预设上台数量控制学生自动上台。
[0010]
本发明提供的一种课堂自动上台控制方法，通过交互有效性评价模型对当前教学数据的处理，实现了对自动上台的控制，并且通过预设上台数量控制学生自动上台降低了流量资源的浪费，提高了教学互动性，简化了监管教师的操作复杂性，当前课堂互动性较强时，实现上台学生与教师之间的互动，若与会人员在加入或离开课堂不会对教学造成影响，进而保证了课堂秩序稳定和良好的听课体验。
[0011]
可选地，对所述课堂教学数据进行预处理，生成课堂交互有效值；
[0012]
基于所述课堂教学数据和所述课堂交互有效值对初始交互评价模型进行训练，生成交互有效性评价模型。
[0013]
可选地，所述对所述课堂教学数据进行预处理，生成课堂交互有效值，包括：
[0014]
将所述课堂教学数据进行归一化，基于多个预设评价指标分别对归一化后的课堂教学数据进行评价，基于评价结果构建评价矩阵；
[0015]
获取所述课堂教学数据对应的多个权重系数，基于所述多个权重系数与所述评价矩阵确定所述课堂交互有效值。
[0016]
上述通过预设指标对专递课堂历史数据进行评价，提高了评价结果的可信度，并基于权重与评价矩阵确定课堂交互有效值，使得课堂交互有效值更加精确，更能代表课堂教学数据的交互状态。
[0017]
所述将所述课堂教学数据进行归一化，包括：
[0018]
将所述课堂数据进行排序，基于排序结果生成所述归一化后的课堂教学数据，所述归一化后的课堂教学数据的计算公式如下：
[0019][0020]
上式中，x表示归一化后的课堂教学数据，i表示课堂教学数据，i
min
表示课堂教学数据中的最小值，i
max
表示课堂教学数据中的最大值。
[0021]
可选地，所述基于所述课堂教学数据和所述课堂交互有效值对初始交互评价模型进行训练，生成交互有效性评价模型，包括：
[0022]
基于所述课堂教学数据确定神经网络结构，并对神经网络的网络权值和网络阈值进行优化，生成最优权值和最优阈值；
[0023]
将所述最优权值与所述最优阈值赋值给所述神经网络，生成初始交互评价模型；
[0024]
将所述课堂教学数据输入所述初始交互评价模型中，生成课堂交互输出值；
[0025]
计算所述课堂交互输出值与所述课堂交互有效值之间的误差值，并将所述误差值与预设差值进行比较，当所述误差值符合所述预设差值时，将所述初始交互评价模型作为所述交互有效性评价模型。
[0026]
上述通过对神经网络的网络权值和网络阈值进行优化，减少了训练次数，提高了训练效率，并且通过对初始交互评价模型的训练，使得交互有效性评价模型对当前教学数据的数据处理更加精确。
[0027]
可选地，所述课堂教学数据，包括：
[0028]
历史课程数据和与所述历史课程数据对应的历史学生上课人数数据。
[0029]
在本技术的第二个方面，还提出了一种课堂自动上台控制装置，包括：
[0030]
构建模块，用于获取课堂教学数据，基于所述课堂教学数据构建交互有效性评价模型；其中，所述教学数据包括课程数据和与所述课程数据对应的上课人数数据；
[0031]
生成模块，用于采集当前教学数据，将所述当前教学数据输入所述交互有效性评价模型中，生成课堂交互数值；
[0032]
比较模块，用于将所述课堂交互数值与预设阈值进行比较，当所述课堂交互数值与所述预设阈值相符时，则基于预设上台数量控制学生自动上台。
[0033]
可选地，所述构建模块，包括：
[0034]
预处理子模块，用于对所述课堂教学数据进行预处理，生成课堂交互有效值；
[0035]
训练子模块，用于基于所述课堂教学数据和所述课堂交互有效值对初始交互评价模型进行训练，生成交互有效性评价模型。
[0036]
可选地，所述预处理子模块，包括：
[0037]
评价单元，用于将所述课堂教学数据进行归一化，基于多个预设评价指标分别对归一化后的课堂教学数据进行评价，基于评价结果构建评价矩阵；
[0038]
确定单元，用于获取所述课堂教学数据对应的多个权重系数，基于所述多个权重系数与所述评价矩阵确定所述课堂交互有效值。
[0039]
可选地，所述评价单元，包括：
[0040]
将所述课堂数据进行排序，基于排序结果生成所述归一化后的课堂教学数据，所述归一化后的课堂教学数据的计算公式如下：
[0041][0042]
上式中，x表示归一化后的课堂教学数据，i表示课堂教学数据，i
min
表示课堂教学数据中的最小值，i
max
表示课堂教学数据中的最大值。
[0043]
可选地，所述训练子模块，包括：
[0044]
优化单元，用于基于所述课堂教学数据确定神经网络结构，并对神经网络的网络权值和网络阈值进行优化，生成最优权值和最优阈值；
[0045]
赋值单元，用于将所述最优权值与所述最优阈值赋值给所述神经网络，生成初始交互评价模型；
[0046]
生成单元，用于将所述课堂教学数据输入所述初始交互评价模型中，生成课堂交互输出值；
[0047]
计算单元，用于计算所述课堂交互输出值与所述课堂交互有效值之间的误差值，并将所述误差值与预设差值进行比较，当所述误差值符合所述预设差值时，将所述初始交互评价模型作为所述交互有效性评价模型。
[0048]
在本技术的第三个方面，还提出了一种计算机设备，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序，所述处理器被配置用于调用所述计算机程序，执行上述第一方面的方法。
[0049]
在本技术的第四个方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行以实现上述第一方面的方法。
附图说明
[0050]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0051]
图1为本发明实施例1中一种课堂自动上台控制方法的流程图；
[0052]
图2为本发明实施例1中主讲老师结合实时上课数据选择是否自动上台的流程图；
[0053]
图3为本发明实施例1中主讲老师根据自己的需求设置是否自动上台的流程图；
[0054]
图4为本发明实施例1中步骤s101的流程图；
[0055]
图5为本发明实施例1中步骤s1011的流程图；
[0056]
图6为本发明实施例1中步骤s1012的流程图；
[0057]
图7为本发明实施例2中一种课堂自动上台控制装置的原理框图；
[0058]
图8为本发明实施例2中构建模块71的原理框图；
[0059]
图9为本发明实施例2中预处理子模块711的原理框图；
[0060]
图10为本发明实施例2中训练子模块712的原理框图。
具体实施方式
[0061]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0062]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0063]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0064]
实施例1
[0065]
本实施例提供一种课堂自动上台控制方法，如图1所示，包括如下步骤：
[0066]
s101、获取课堂教学数据，基于上述课堂教学数据构建交互有效性评价模型；其中，上述课堂教学数据，包括：历史课程数据和与上述历史课程数据对应的历史学生上课人数数据。
[0067]
s102、采集当前教学数据，将上述当前教学数据输入上述交互有效性评价模型中，生成课堂交互数值。
[0068]
具体的，当前教学数据包括当前课程数据和预设的学生上课人数数据，将当前课程数据(例如课堂名称、专题讲座等)和预设的学生上课人数数据(基于当前课堂数据，主讲教师可以根据经验进行提前设置)输入交互有效性评价模型中，生成课堂交互数值，其中，课堂交互数值表述当前课程数据对应的互动属性。
[0069]
s103、将上述课堂交互数值与预设阈值进行比较，当上述课堂交互数值与上述预设阈值相符时，则基于预设上台数量控制学生自动上台。
[0070]
具体的，当上述课堂交互数值与上述预设阈值相符(即互动属性强)时，则打开自动上台，进而基于预设的上台数量控制学生自动上台；当上述课堂交互数值与上述预设阈值不相符时(即互动属性弱)，则关闭自动上台。
[0071]
进一步地，课堂交互数值与预设阈值相符，包括：课堂交互数值落在预设阈值的范围内；反之，如果课堂交互数值未落在预设阈值的范围内，则说明课堂交互数值与预设阈值不相符。
[0072]
其中，预设阈值为互动属性强对应的数值范围，例如，预设阈值为(80-100)，语文课的课堂交互数值为96，哲学专家讲座的课堂交互数值为50，则语文课交互数值符合该预设阈值，则当前课堂为语文课时，则将学生加入课堂自动上台功能设置为打开状态，成员加入房间后会视频画面会自动显示出来，如会议、小班课等场景；哲学专家讲座的课堂交互数值不在预设阈值内，则当前课堂为哲学专家讲座时，与会人员较多，场景中以主讲人讲解为主，则将学生加入课堂自动上台功能设置为关闭状态，进而保障课堂秩序稳定和良好的听课体验。
[0073]
或者，如图2所示，将自动上台的按钮设置在教师端，在主讲老师创建课程的时候在教师端显示自动上台的判定结果，主讲老师基于该判定结果，并调用业务http(hyper text transfer protocol，超文本传输协议)接口来获取课程详情，结合实时的上课数据，选择是否开启自动上台功能，当开启自动上台功能后，主讲老师根据预设上台数量通知进入房间的学生上台。
[0074]
或者，如图3所示，主讲老师可以根据自己的需求来设置是否自动上台，如果是大班课，学生非常多，可以设置不自动上台，老师可以根据上课情况来邀请相应的学生进行上台，如果是小班课或者进行会议，可以设置自动上台，老师进入课程，会根据上台数量通知学生上台。
[0075]
上述一种课堂自动上台控制方法，通过交互有效性评价模型对当前教学数据的处理，实现了对自动上台的控制，并且通过预设上台数量控制学生自动上台降低了流量资源的浪费，提高了教学互动性，简化了监管教师的操作复杂性，当前课堂互动性较强时，实现上台学生与教师之间的互动，若与会人员在加入或离开课堂不会对教学造成影响，进而保证了课堂秩序稳定和良好的听课体验。
[0076]
优选地，如图4所示，步骤s101中基于上述课堂教学数据构建交互有效性评价模型，包括：
[0077]
s1011、对上述课堂教学数据进行预处理，生成课堂交互有效值。
[0078]
s1012、基于上述课堂教学数据和上述课堂交互有效值对初始交互评价模型进行训练，生成交互有效性评价模型。
[0079]
具体的，将上述课堂教学数据作为输入量，课堂交互有效值作为输出量对初始交互评价模型进行训练，生成交互有效性评价模型。
[0080]
优选地，如图5所示，步骤s1011中上述对上述课堂教学数据进行预处理，生成课堂交互有效值，包括：
[0081]
s10111、将上述课堂教学数据进行归一化，基于多个预设评价指标分别对归一化后的课堂教学数据进行评价，基于评价结果构建评价矩阵。
[0082]
具体的，将上述课堂数据进行排序，采用最大最小值将上述课堂教学数据进行归一化，计算公式如下所示：
[0083][0084]
上式中，x表示归一化后的课堂教学数据，i表示课堂教学数据，i
min
表示课堂教学数据中的最小值，i
max
表示课堂教学数据中的最大值。
[0085]
进一步地，分别对历史课程数据和与历史课程数据对应的历史学生上课人数数据设置不同的评价指标，进而基于该指标分别对历史课程数据和与历史课程数据对应的历史学生上课人数数据进行打分，例如，历史课程数据对应的评价指标为：上课互动次数为6-10，则上课互动评价数值为8，若上课互动次数为3-5，则上课互动评价数值为4，若上课互动次数为0-3，则上课互动评价数值为1；也可以设置多个评价指标，例如，历史课程数据对应评价指标可以为上课互动次数、学生举手次数、教师提问次数等等，与历史课程数据对应的历史学生上课人数数据对应的评价指标为：上课人数、逃课人数、举手人数等等；进而对评价体系的各个评价指标进行综合评价，设第i类一级综合评判的单指标评判矩阵为：
[0086][0087]
上式中，r
ij
表示第i类指标，第j个评价范围对应的评价数值。
[0088]
s10112、获取上述课堂教学数据对应的多个权重系数，基于上述多个权重系数与上述评价矩阵确定上述课堂交互有效值。
[0089]
其中，将历史课程数据和与历史课程数据对应的历史学生上课人数数据分别按照不同属性与关系分解为若干层次，例如，将历史课堂数据划分为三层，将历史课堂数据作为第一层指标，将课堂名称(例如语文、数学、英语、哲学讲座等)作为第二层的指标，将课堂内容(例如，语文对应的课堂内容为诗词、散文、写作等，数学对应的课堂内容为公式、随堂练习、错题讲解等)作为第三层的指标，对与历史课程数据对应的历史学生上课人数数据依据上述方法相应分解为三个层次；进而，比较同一层指标对上一层次指标的影响，并确定该层指标在上一层次指标中的权重，具体如下：设有n个子因素集合y＝{y1,y2,
…
,ym}对上层因素z的影响程度，通过子因素集合中的任意两个因素yi和yj进行两两比较，用a
ij
表示yi和yj对z的权重之比，进而对该子因素集合中的因素两两比较构造矩阵a＝(a
ij
)m×m；进而计算上述矩阵的特征向量w，w＝{w1,w2,
…
,wm}，计算公式为：
[0090][0091]
进一步地，将上述特征向量作为权重系数，分别将多个权重系数w与评价矩阵r相乘，生成课堂交互有效值b，课堂交互有效值b的计算公式如下所示：
[0092][0093]
进一步地，将历史课程数据和与历史课程数据对应的历史学生上课人数数据对应的课堂交互有效值相加，生成最终的课堂交互有效值。
[0094]
优选地，如图6所示，步骤s1012中基于上述课堂教学数据和上述课堂交互有效值对初始交互评价模型进行训练，生成交互有效性评价模型，包括：
[0095]
s10121、基于上述课堂教学数据确定神经网络结构，并对神经网络的网络权值和网络阈值进行优化，生成最优权值和最优阈值。
[0096]
具体的，将课堂教学数据作为神经网络的输入数据，基于历史课程数据和与历史课程数据对应的历史学生上课人数数据中对应的上述最底层的指标数量作为输入层神经元数，例如，历史课程数据和与历史课程数据对应的历史学生上课人数数据中对应的上述最底层的指标数量为20，则将输入层神经元数设置为20；将课堂交互有效值作为输出量，输出量为1个变量，则输出层神经元数为1；由于隐含层越多，神经网络的难度就越大，进而设置隐含层层数为一层，隐含层神经元数l利用下述公式计算：
[0097][0098]
上式中，α为根据人工经验设置的随机数，其范围为1《α《10，d表述输入层神经元数，p表示输出层神经元数。
[0099]
具体的，利用遗传算法对神经网络的网络权值和网络阈值进行优化，具体步骤为：随机生成一个群体，其个体代表网络权值和网络阈值，然后利用适应度函数来计算适应度值，最后通过选择、交叉和变异操作找到最优个体，即最优的网络权值和网络阈值。
[0100]
s10122、将上述最优权值与上述最优阈值赋值给上述神经网络，生成初始交互评价模型。
[0101]
进一步地，用最优个体初始化后，神经网络的权值和阈值可以在训练过程中再次进行局部优化，优化后的神经网络具有较好的预测精度和预测效率。
[0102]
s10123、将上述课堂教学数据输入上述初始交互评价模型中，生成课堂交互输出值。
[0103]
s10124、计算上述课堂交互输出值与上述课堂交互有效值之间的误差值，并将上述误差值与预设差值进行比较，当上述误差值符合上述预设差值时，将上述初始交互评价模型作为上述交互有效性评价模型。
[0104]
具体的，将遗传算法优化后的网络权值和网络阈值代入神经网络，用样本数据训练优化后的神经网络，直到满足误差要求，并对网络输出结果进行反向归一化，得到测试样本的评价结果，完成交互有效性评价模型的构建。
[0105]
实施例2
[0106]
本施例提供一种课堂自动上台控制装置，如图7所示，包括：
[0107]
构建模块71，用于获取课堂教学数据，基于上述课堂教学数据构建交互有效性评价模型；其中，上述课堂教学数据，包括：历史课程数据和与上述历史课程数据对应的历史学生上课人数数据。
[0108]
生成模块72，用于采集当前教学数据，将上述当前教学数据输入上述交互有效性评价模型中，生成课堂交互数值。
[0109]
具体的，当前教学数据包括当前课程数据和预设的学生上课人数数据，将当前课程数据(例如课堂名称、专题讲座等)和预设的学生上课人数数据(基于当前课堂数据，主讲教师可以根据经验进行提前设置)输入交互有效性评价模型中，生成课堂交互数值，其中，
课堂交互数值表述当前课程数据对应的互动属性。
[0110]
比较模块73，用于将上述课堂交互数值与预设阈值进行比较，当上述课堂交互数值与上述预设阈值相符时，则基于预设上台数量控制学生自动上台。
[0111]
具体的，当上述课堂交互数值与上述预设阈值相符(即互动属性强)时，则打开自动上台，进而基于预设的上台数量控制学生自动上台；当上述课堂交互数值与上述预设阈值不相符(即互动属性弱)时，则关闭自动上台。
[0112]
进一步地，课堂交互数值与预设阈值相符，包括：课堂交互数值落在预设阈值的范围内；反之，如果课堂交互数值未落在预设阈值的范围内，则说明课堂交互数值与预设阈值不相符。
[0113]
其中，预设阈值为互动属性强对应的数值范围，例如，预设阈值为(80-100)，语文课的课堂交互数值为96，哲学专家讲座的课堂交互数值为50，则语文课交互数值符合该预设阈值，则当前课堂为语文课时，则将学生加入课堂自动上台功能设置为打开状态，成员加入房间后会视频画面会自动显示出来，如会议、小班课等场景；哲学专家讲座的课堂交互数值不在预设阈值内，则当前课堂为哲学专家讲座时，与会人员较多，场景中以主讲人讲解为主，则将学生加入课堂自动上台功能设置为关闭状态，进而保障课堂秩序稳定和良好的听课体验。
[0114]
或者，将自动上台的按钮设置在教师端，在主讲老师创建课程的时候在教师端显示自动上台的判定结果(即是否自动上台)，主讲老师基于该判定结果，并调用业务http(hyper text transfer protocol，超文本传输协议)接口来获取课程详情，结合实时上课数据，选择是否开启自动上台功能，当开启自动上台功能后，主讲老师根据预设上台数量通知进入房间的学生上台。
[0115]
或者，主讲老师可以根据自己的需求来设置是否自动上台，如果是大班课，学生非常多，可以设置不自动上台，老师可以根据上课情况来邀请相应的学生进行上台，如果是小班课或者进行会议，可以设置自动上台，老师进入课程，会根据上台数量通知学生上台。
[0116]
上述一种课堂自动上台控制装置，通过交互有效性评价模型对当前教学数据的处理，实现了对自动上台的控制，并且通过预设上台数量控制学生自动上台降低了流量资源的浪费，提高了教学互动性，简化了监管教师的操作复杂性，当前课堂互动性较强时，实现上台学生与教师之间的互动，若与会人员在加入或离开课堂不会对教学造成影响，进而保证了课堂秩序稳定和良好的听课体验。
[0117]
优选地，参照图8所示，上述构建模块71，包括：
[0118]
预处理子模块711，用于对上述课堂教学数据进行预处理，生成课堂交互有效值。
[0119]
训练子模块712，用于基于上述课堂教学数据和上述课堂交互有效值对初始交互评价模型进行训练，生成交互有效性评价模型。
[0120]
具体的，将上述课堂教学数据作为输入量，课堂交互有效值作为输出量对初始交互评价模型进行训练，生成交互有效性评价模型。
[0121]
优选地，参照图9所示，上述预处理子模块711，包括：
[0122]
评价单元7111，用于将上述课堂教学数据进行归一化，基于多个预设评价指标分别对归一化后的课堂教学数据进行评价，基于评价结果构建评价矩阵。
[0123]
具体的，将上述课堂数据进行排序，采用最大最小值将上述课堂教学数据进行归
一化，计算公式如下所示：
[0124][0125]
上式中，x表示归一化后的课堂教学数据，i表示课堂教学数据，i
min
表示课堂教学数据中的最小值，i
max
表示课堂教学数据中的最大值。
[0126]
进一步地，分别对历史课程数据和与历史课程数据对应的历史学生上课人数数据设置不同的评价指标，进而基于该指标分别对历史课程数据和与历史课程数据对应的历史学生上课人数数据进行打分，例如，历史课程数据对应的评价指标为：上课互动次数为6-10，则上课互动评价数值为8，若上课互动次数为3-5，则上课互动评价数值为4，若上课互动次数为0-3，则上课互动评价数值为1；也可以设置多个评价指标，例如，历史课程数据对应评价指标可以为上课互动次数、学生举手次数、教师提问次数等等，与历史课程数据对应的历史学生上课人数数据对应的评价指标为：上课人数、逃课人数、举手人数等等；进而对评价体系的各个评价指标进行综合评价，设第i类一级综合评判的单指标评判矩阵为：
[0127][0128]
上式中，r
ij
表示第i类指标，第j个评价范围对应的评价数值。
[0129]
确定单元7112，用于获取上述课堂教学数据对应的多个权重系数，基于上述多个权重系数与上述评价矩阵确定上述课堂交互有效值。
[0130]
其中，将历史课程数据和与历史课程数据对应的历史学生上课人数数据分别按照不同属性与关系分解为若干层次，例如，将历史课堂数据划分为三层，将历史课堂数据作为第一层指标，将课堂名称(例如语文、数学、英语、哲学讲座等)作为第二层的指标，将课堂内容(例如，语文对应的课堂内容为诗词、散文、写作等，数学对应的课堂内容为公式、随堂练习、错题讲解等)作为第三层的指标，对与历史课程数据对应的历史学生上课人数数据依据上述方法相应分解为三个层次；进而，比较同一层指标对上一层次指标的影响，并确定该层指标在上一层次指标中的权重，具体如下：设有n个子因素集合y＝{y1,y2,
…
,ym}对上层因素z的影响程度，通过子因素集合中的任意两个因素yi和yj进行两两比较，用a
ij
表示yi和yj对z的权重之比，进而对该子因素集合中的因素两两比较构造矩阵a＝(a
ij
)m×m；进而计算上述矩阵的特征向量w，w＝{w1,w2,
…
,wm}，计算公式为：
[0131][0132]
进一步地，将上述特征向量作为权重系数，分别将多个权重系数w与评价矩阵r相乘，生成课堂交互有效值b，课堂交互有效值b的计算公式如下所示：
[0133][0134]
进一步地，将历史课程数据和与历史课程数据对应的历史学生上课人数数据对应的课堂交互有效值相加，生成最终的课堂交互有效值。
[0135]
优选地，参照图10所示，上述训练子模块712，包括：
[0136]
优化单元7121，用于基于上述课堂教学数据确定神经网络结构，并对神经网络的网络权值和网络阈值进行优化，生成最优权值和最优阈值。
[0137]
具体的，将课堂教学数据作为神经网络的输入数据，基于历史课程数据和与历史课程数据对应的历史学生上课人数数据中对应的上述最底层的指标数量作为输入层神经元数，例如，历史课程数据和与历史课程数据对应的历史学生上课人数数据中对应的上述最底层的指标数量为20，则将输入层神经元数设置为20；将课堂交互有效值作为输出量，输出量为1个变量，则输出层神经元数为1；由于隐含层越多，神经网络的难度就越大，进而设置隐含层层数为一层，隐含层神经元数l利用下述公式计算：
[0138][0139]
上式中，α为根据人工经验设置的随机数，其范围为1《α《10，d表述输入层神经元数，p表示输出层神经元数。
[0140]
具体的，利用遗传算法对神经网络的网络权值和网络阈值进行优化，具体步骤为：随机生成一个群体，其个体代表网络权值和网络阈值，然后利用适应度函数来计算适应度值，最后通过选择、交叉和变异操作找到最优个体，即最优的网络权值和网络阈值。
[0141]
赋值单元7122，用于将上述最优权值与上述最优阈值赋值给上述神经网络，生成初始交互评价模型。
[0142]
进一步地，用最优个体初始化后，神经网络的权值和阈值可以在训练过程中再次进行局部优化，优化后的神经网络具有较好的预测精度和预测效率。
[0143]
生成单元7123，用于将上述课堂教学数据输入上述初始交互评价模型中，生成课堂交互输出值。
[0144]
计算单元7124，用于计算上述课堂交互输出值与上述课堂交互有效值之间的误差值，并将上述误差值与预设差值进行比较，当上述误差值符合上述预设差值时，将上述初始交互评价模型作为上述交互有效性评价模型。
[0145]
具体的，将遗传算法优化后的网络权值和网络阈值代入神经网络，用样本数据训练优化后的神经网络，直到满足误差要求，并对网络输出结果进行反向归一化，得到测试样本的评价结果，完成交互有效性评价模型的构建。
[0146]
实施例3
[0147]
本施例提供一种计算机设备，包括存储器和处理器，处理器用于读取存储器中存储的指令，以执行上述任意方法实施例中的一种课堂自动上台控制方法。
[0148]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序
产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0149]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0150]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0151]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0152]
实施例4
[0153]
本实施例提供一种计算机可读存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种课堂自动上台控制方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0154]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
技术特征：1.一种课堂自动上台控制方法，其特征在于，包括：获取课堂教学数据，基于所述课堂教学数据构建交互有效性评价模型；其中，所述教学数据包括课程数据和与所述课程数据对应的上课人数数据；采集当前教学数据，将所述当前教学数据输入所述交互有效性评价模型中，生成课堂交互数值；将所述课堂交互数值与预设阈值进行比较，当所述课堂交互数值与所述预设阈值相符时，则基于预设上台数量控制学生自动上台。2.根据权利要求1所述的一种课堂自动上台控制方法，其特征在于，所述基于所述课堂教学数据构建交互有效性评价模型，包括：对所述课堂教学数据进行预处理，生成课堂交互有效值；基于所述课堂教学数据和所述课堂交互有效值对初始交互评价模型进行训练，生成交互有效性评价模型。3.根据权利要求2所述的一种课堂自动上台控制方法，其特征在于，所述对所述课堂教学数据进行预处理，生成课堂交互有效值，包括：将所述课堂教学数据进行归一化，基于多个预设评价指标分别对归一化后的课堂教学数据进行评价，基于评价结果构建评价矩阵；获取所述课堂教学数据对应的多个权重系数，基于所述多个权重系数与所述评价矩阵确定所述课堂交互有效值。4.根据权利要求3所述的一种课堂自动上台控制方法，其特征在于，所述将所述课堂教学数据进行归一化，包括：将所述课堂数据进行排序，基于排序结果生成所述归一化后的课堂教学数据，所述归一化后的课堂教学数据的计算公式如下：上式中，x表示归一化后的课堂教学数据，i表示课堂教学数据，i
min
表示课堂教学数据中的最小值，i
max
表示课堂教学数据中的最大值。5.根据权利要求2所述的一种课堂自动上台控制方法，其特征在于，所述基于所述课堂教学数据和所述课堂交互有效值对初始交互评价模型进行训练，生成交互有效性评价模型，包括：基于所述课堂教学数据确定神经网络结构，并对神经网络的网络权值和网络阈值进行优化，生成最优权值和最优阈值；将所述最优权值与所述最优阈值赋值给所述神经网络，生成初始交互评价模型；将所述课堂教学数据输入所述初始交互评价模型中，生成课堂交互输出值；计算所述课堂交互输出值与所述课堂交互有效值之间的误差值，并将所述误差值与预设差值进行比较，当所述误差值符合所述预设差值时，将所述初始交互评价模型作为所述交互有效性评价模型。6.一种课堂自动上台控制装置，其特征在于，包括：构建模块，用于获取课堂教学数据，基于所述课堂教学数据构建交互有效性评价模型；
其中，所述教学数据包括课程数据和与所述课程数据对应的上课人数数据；生成模块，用于采集当前教学数据，将所述当前教学数据输入所述交互有效性评价模型中，生成课堂交互数值；比较模块，用于将所述课堂交互数值与预设阈值进行比较，当所述课堂交互数值与所述预设阈值相符时，则基于预设上台数量控制学生自动上台。7.根据权利要求6所述的一种课堂自动上台控制装置，其特征在于，所述构建模块，包括：预处理子模块，用于对所述课堂教学数据进行预处理，生成课堂交互有效值；训练子模块，用于基于所述课堂教学数据和所述课堂交互有效值对初始交互评价模型进行训练，生成交互有效性评价模型。8.根据权利要求7所述的一种课堂自动上台控制装置，其特征在于，所述预处理子模块，包括：评价单元，用于将所述课堂教学数据进行归一化，基于多个预设评价指标分别对归一化后的课堂教学数据进行评价，基于评价结果构建评价矩阵；确定单元，用于获取所述课堂教学数据对应的多个权重系数，基于所述多个权重系数与所述评价矩阵确定所述课堂交互有效值。9.根据权利要求8所述的一种课堂自动上台控制装置，其特征在于，所述评价单元，包括：将所述课堂数据进行排序，基于排序结果生成所述归一化后的课堂教学数据，所述归一化后的课堂教学数据的计算公式如下：上式中，x表示归一化后的课堂教学数据，i表示课堂教学数据，i
min
表示课堂教学数据中的最小值，i
max
表示课堂教学数据中的最大值。10.根据权利要求7所述的一种课堂自动上台控制装置，其特征在于，所述训练子模块，包括：优化单元，用于基于所述课堂教学数据确定神经网络结构，并对神经网络的网络权值和网络阈值进行优化，生成最优权值和最优阈值；赋值单元，用于将所述最优权值与所述最优阈值赋值给所述神经网络，生成初始交互评价模型；生成单元，用于将所述课堂教学数据输入所述初始交互评价模型中，生成课堂交互输出值；计算单元，用于计算所述课堂交互输出值与所述课堂交互有效值之间的误差值，并将所述误差值与预设差值进行比较，当所述误差值符合所述预设差值时，将所述初始交互评价模型作为所述交互有效性评价模型。11.一种计算机设备，其特征在于，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述处理器被配置用于调用所述计算机程序，执行如权利要求1-5中任一项所述方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
技术总结本发明公开了一种课堂自动上台控制方法、装置、设备及存储介质，该方法包括：获取课堂教学数据，基于课堂教学数据构建交互有效性评价模型；其中，所述教学数据包括课程数据和与所述课程数据对应的上课人数数据；采集当前教学数据，将当前教学数据输入交互有效性评价模型中，生成课堂交互数值；将课堂交互数值与预设阈值进行比较，当课堂交互数值与预设阈值相符时，则基于预设上台数量控制学生自动上台。本方法通过交互有效性评价模型对当前教学数据的处理，实现了对自动上台的控制，并且通过预设上台数量控制学生自动上台降低了流量资源的浪费，提高了教学互动性，简化了监管教师的操作复杂性，保证了课堂秩序稳定和良好的听课体验。体验。体验。
技术研发人员：杨永利 刘洪献
受保护的技术使用者：安徽文香科技有限公司
技术研发日：2022.06.20
技术公布日：2022/11/1
