互联网教育的视频云笔记及其内容分析研究

发布时间：2020-09-08 21:46

　　当今社会,互联网在线教学和课堂面对面教学是教育行业两种主要的教学方式,互联网在线教学打破课堂面对面教学在时间、空间的限制,为学习者提供丰富的教学资源和多样的学习平台。然而,学习多样化改变的同时,学习辅助工具并没有突破性的进展,尤其是视频云笔记。视频云笔记作为学习者和视频资源交互的工具,可以提供便捷的笔记记录方式、完善的笔记分享机制及个性化的笔记服务。一个完善的视频云笔记可以发挥笔记内容的潜能,挖掘教学视频的重点和难点,也有利于帮助学习者构建完善的知识体系。现有的视频云笔记中,学习者采用传统键盘输入方式记录笔记,同时观看视频和操作键盘会降低学习者学习效率,如果能将便捷且人机交互性好的语音识别技术融入其中,则会很大程度改善这一现象。而且在视频学习过程中,学习者只重视笔记内容的回忆巩固,研究人员也对学习者笔记内容的分析研究知之甚微,这样不利于发挥笔记内容的潜在作用。基于以上问题,本文的主要贡献如下:1、对语音识别技术中的DNN-HMM声学模型进行研究。分析深度神经网络模型的组成和训练,结合隐马尔科夫模型建立基于视频云笔记的DNN-HMM声学模型,将它们进行解析、设计和训练,采用THCHS30中文语料库和人工录制的实验数据测试DNN-HMM声学模型在视频云笔记语音识别中的准确率。实验结果表明,该模型的词错误率和句错误率都低于传统的GMM-HMM模型,能够有效提高视频云笔记的学习质量。2、深入分析学习者笔记内容,利用TF-IDF算法提取笔记内容热点。首先针对传统TF-IDF算法对笔记内容热点提取中的不足,并结合笔记篇幅简短、言简意赅、标题正文分开的特点,提出一种基于笔记内容热点分析的改进算法TF-IDF-G,在算法中引入笔记词性和位置权重因子。然后对笔记内容进行中文分词、词性标记和位置获取处理。最后采用学习平台笔记数据集验证TF-IDF-G算法在笔记内容热点提取的正确性。最后,以西安电子科技大学网络与继续教育学院学习平台为对象,实现一款面向在线学习的视频云笔记。把训练好的DNN-HMM声学模型应用到视频云笔记的语音听写笔记记录中,并采用TF-IDF-G算法对笔记内容进行分析,提取笔记内容热点。实验表明,DNN-HMM声学模型和TF-IDF-G算法能够有效改善互联网教育的视频学习机制,从而提高学习者的学习热情和效率。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：G434;TP393.09
【部分图文】：

在线教育

1.1 研究背景和意义近年来，在传统教学的基础上，人们越来越重视互联网在线学习，它正在逐渐深入人们的日常学习和生活中。从 CNNIC 在 2019 年 2 月发布的第 43 次《中国互联网络发展状况统计报告》显示[2]，截止去年十二月，中国在线教育用户人数达到 2.01 亿，比 2017 年年底增加 4605 万，年增长率为 29.7%。同时，随着在线学习的便捷及终身学习思想的普及，在线教育的用户市场规模在持续发展，如图 1.1 所示。目前互联网教育已经实现全球范围的资源共享和平台开放，使得学习者可以随时随地在网络上学习自己所需的教学资源，给教育行业带来了很大的压力和新的发展动力。教育形式也由最初单一的文本、音频材料走向丰富的视频资源。但是，在学习资源显著增加和网络环境显著改善的背后，新的挑战也随之诞生。学习者的学习效果并没有发生质的变化，学习者虽然可以方便快捷的获得所需资源，但只是被动接受信息，不能有效利用，无法及时构建知识体系，这也对学习者理解学习资源内容造成了极大的困难，在一定程度上对学生的“学”过程有所忽略。

核心需求,产品发展,产品

云笔记的市场需求正在逐渐增加。目前，市场上的云笔记产品层出不穷，功能也是各式各样，其三大核心需求如图1.2 所示。现在市场上的笔记工具基本可以分为两种：独立式笔记和嵌入式笔记。独立式笔记比如印象笔记、有道笔记，其主要功能是私人记事、生活记录。这类笔记工具功能比较完善，但是没有紧密联系在线学习，学习者不能实时将笔记和学习资源对应起来。因此这类笔记在网络学习中不太受欢迎。嵌入式笔记是指将笔记工具集成到学习平台上中，这类笔记工具有一个共同的的缺点就是单一的文本记录形式，不支持语音记录功能。图 1.2 云笔记核心需求国内云笔记产品还处于薄弱阶段的同时，国外云笔记产品发展却很占优势。比如印象笔记，是由美国云笔记服务商开发的，之后，印象笔记中文版打入中国市场，使得“云笔记”这一概念众所周知。云笔记最大的特点是为用户提供随时随地搜索、总结信息并同步到多个平台的功能。但是通过研究统计，市场上云笔记的用户还比较少，总计仅有千万，同类产品种类也很少，还没有明显的竞争现象。1.2.2 语音识别研究现状20 世纪 50 年代是语音识别研究的萌芽期，第一个建立在特定人、6 英尺高自动数字识别的 Audrey 系统[5]，成功用于对 10 个英文数字的识别，准确度高达 90％

原理图,连续语音识别,原理图

图 2.1 连续语音识别原理图1、信号预处理：对输入的原始语音进行预处理，去除语音中的冗余信息。2、特征提取：提取若干可以代表一段语音信息，描述信号本质的信息特征值。3、声学模型：使用语音数据库训练声学模型，将特征提取后的语音与声学模型进行匹配，转换成有序的拼音输出。4、语言模型：语言模型结合词语所处上下文的语义环境和语法，描述出词与词之间的内在关联[15]，提高识别的准确率，将拼音转化为文字。5、解码器：在构建的网络中利用搜索算法找出一条最优的路径，以最大可能性输出识别出来的语句。综上，在语音识别的过程，首先对输入语音信号进行去除噪音等处理，提取能表示原始语音信号的特征，然后将上一步得到的语音特征与声学模型、语言模型训练和匹配，最后构建一个庞大的识别搜索网络，根据搜索算法在该网络中寻找出一条最优的路径，以最大可能性输出识别出来的语句，从而将语音识别为文字。语音识别的本质可以理解为，输入语音信号，找出对应语句中概率最大的句子。

【相似文献】