社交能力评估方法及其装置.pdf

《社交能力评估方法及其装置.pdf》由会员分享，可在线阅读，更多相关《社交能力评估方法及其装置.pdf（15页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202011029163.4 (22)申请日 2020.09.25 (71)申请人 北京易华录信息技术股份有限公司 地址 100043 北京市石景山区阜石路165号 院1号楼1001室 (72)发明人 谭文扬任延飞张士法胡婷婷 刘军张美玉雷瑞娜 (74)专利代理机构 北京三聚阳光知识产权代理 有限公司 11250 代理人 罗啸 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/62(2006.01) G06Q 50/20(2012.01) (54)发明名。

2、称 一种社交能力评估方法及其装置 (57)摘要 本发明公开了一种社交能力评估方法及其 装置， 涉及智慧教育领域， 所述方法包括： 获取任 一评价主体的实时视频数据； 对实时视频数据进 行目标指标特征识别， 并对识别到的每一个目标 指标特征进行定性归类， 得到多个定性特征集； 对每个定性特征集中的目标指标特征进行定量 计算， 得到每个定性特征集对应的社交度表达 值； 根据每个定性特征集对应的社交度表达值， 以及所述定性特征集在每个场景下对应的权重， 对所述评价主体的社交能力进行评估， 得到社交 能力评估结果。 本发明实施例能够解决现有教师 和家长不能全面、 准确地评估学生社交能力的问 题。 权利。

3、要求书2页 说明书9页 附图3页 CN 112115908 A 2020.12.22 CN 112115908 A 1.一种社交能力评估方法， 其特征在于， 所述方法包括： 获取任一评价主体的实时视频数据； 对实时视频数据进行目标指标特征识别， 并对识别到的每一个目标指标特征进行定性 归类， 得到多个定性特征集； 对每个定性特征集中的目标指标特征进行定量计算， 得到每个定性特征集对应的社交 度表达值； 根据每个定性特征集对应的社交度表达值， 以及所述定性特征集在每个场景下对应的 权重， 对所述评价主体的社交能力进行评估， 得到社交能力评估结果。 2.如权利要求1所述的社交能力评估方法， 其特征。

4、在于， 所述根据每个定性特征集对应 的社交度表达值以及对应的权重， 对所述评价主体的社交能力进行评估， 得到社交能力评 估结果之后， 所述方法还包括： 获取预设周期内所述评价主体对应的历史社交能力评估结果； 根据所述历史社交能力评估结果创建第一时序数据集， 根据所述第一时序数据集得到 综合社交能力评估数据。 3.如权利要求1所述的社交能力评估方法， 其特征在于， 所述方法还包括： 获取所述评价主体对应的目标历史时长的视频数据； 根据所述目标历史时长的视频数据对所述评价主体进行分类， 得到所述评价主体的社 交类型。 4.如权利要求1所述的社交能力评估方法， 其特征在于， 对实时视频数据进行目标指。

5、标 特征识别， 并对识别到的每一个目标指标特征进行定性归类， 包括： 通过预设指标层次结构模型对识别到的每一个目标指标特征进行定性归类， 所述指标 层次结构模型包括目标层、 准则层、 指标层和结果层， 所述目标层用于输出社交能力评估结 果， 所述准则层用于对识别到的每一个目标指标特征进行定性归类， 所述指标层用于将识 别到的评价主体的目标指标特征与预设指标特征进行匹配， 所述结果层用于输出目标指标 特征所表征的社交性质。 5.如权利要求1所述的社交能力评估方法， 其特征在于， 所述对每个定性特征集中的目 标指标特征进行定量计算， 得到每个定性特征集对应的社交度表达值， 包括： 计算每个定性特征。

6、集所包含的每一个目标指标特征的发生频次， 和/或， 目标指标特征 在定性特征集中的占比； 根据所述发生频次或占比在每一场景下所属的预设区间， 为每一个目标指标特征匹配 对应的分值， 每个所述预设区间对应一个分值； 根据每一目标指标特征相对于不同场景的权重和分值， 得到评价主体在每一场景下的 社交度表达值。 6.如权利要求2所述的社交能力评估方法， 其特征在于， 根据所述第一时序数据集得到 综合社交能力评估数据， 包括： 计算预设周期内每个评价主体的社交能力平均值； 根据所述社交能力平均值计算时间权重， 所述时间权重为每天的评价权重； 结合第一时序数据集、 时间权重和预设周期， 得到综合社交能力。

7、评估数据。 7.如权利要求3所述的社交能力评估方法， 其特征在于， 根据所述目标历史时长的视频 权利要求书 1/2 页 2 CN 112115908 A 2 数据对所述评价主体进行分类， 得到所述评价主体的社交类型， 包括： 构建社交能力分类模型； 采用极大似然估计法， 对所述社交能力分类模型进行求解计算； 利用后验概率公式计算每个学生归属于不同潜在类别时的后验概率值， 根据所述后验 概率值的最大值确定其所属社交类型。 8.一种社交能力评估装置， 其特征在于， 所述装置包括： 视频数据采集模块， 用于获取任一评价主体的实时视频数据； 定性归类模块， 用于对实时视频数据进行目标指标特征识别， 并。

8、对识别到的每一个目 标指标特征进行定性归类， 得到多个定性特征集； 定量计算模块， 对每个定性特征集中的目标指标特征进行定量计算， 得到每个定性特 征集对应的社交度表达值； 结果评估模块， 用于根据每个定性特征集对应的社交度表达值， 以及所述定性特征集 在每个场景下对应的权重， 对所述评价主体的社交能力进行评估， 得到社交能力评估结果。 9.一种电子设备， 其特征在于， 所述电子设备包括： 存储器和处理器， 所述存储器和所 述处理器之间互相通信连接， 所述存储器中存储有计算机指令， 所述处理器通过执行所述 计算机指令， 从而执行权利要求17任一项所述的社交能力评估方法。 10.一种计算机可读存。

9、储介质， 其特征在于， 所述计算机可读存储介质存储有计算机指 令， 所述计算机指令用于使所述计算机执行权利要求17任一项所述的社交能力评估方 法。 权利要求书 2/2 页 3 CN 112115908 A 3 一种社交能力评估方法及其装置 技术领域 0001 本发明涉及智慧教育领域， 具体涉及一种社交能力评估方法及其装置。 背景技术 0002 社交能力是指人们在社会生活中与他人沟通思想、 联络感情、 增进友谊， 从而建立 起广泛的社会联系的一种能力， 培养学生良好的人际沟通和社会交往能力是学校基础教育 的重要任务之一。 0003 但是， 目前教师和家长评估教育对象社交能力的方法薄弱， 一方面，。

10、 学校教育中教 师获得的教育反馈薄弱， 在学校教育中， 虽然教师可以根据学生在课堂和课间的表现做出 直观判断， 但该判断方式较为主观且也很难细致到班级内的全体学生， 无法全面准确地针 对每位学生的特点做出评价， 较难实现对全部学生社交能力进行掌控从而因材施教。 发明内容 0004 有鉴于此， 本发明实施例提供了一种基于认知计算的学生社交能力评估方法及其 装置， 以解决现有教师和家长不能全面、 准确地评估学生社交能力的问题。 0005 根据第一方面， 本发明实施例提供了一种社交能力评估方法， 所述方法包括： 获取 任一评价主体的实时视频数据； 对实时视频数据进行目标指标特征识别， 并对识别到的每。

11、 一个目标指标特征进行定性归类， 得到多个定性特征集； 对每个定性特征集中的目标指标 特征进行定量计算， 得到每个定性特征集对应的社交度表达值； 根据每个定性特征集对应 的社交度表达值， 以及所述定性特征集在每个场景下对应的权重， 对所述评价主体的社交 能力进行评估， 得到社交能力评估结果。 0006 可选地， 所述根据每个定性特征集对应的社交度表达值以及对应的权重， 对所述 评价主体的社交能力进行评估， 得到社交能力评估结果之后， 所述方法还包括： 获取预设周 期内所述评价主体对应的历史社交能力评估结果； 根据所述历史社交能力评估结果创建第 一时序数据集， 根据所述第一时序数据集得到综合社交。

12、能力评估数据。 0007 可选地， 所述方法还包括： 获取所述评价主体对应的目标历史时长的视频数据； 根 据所述目标历史时长的视频数据对所述评价主体进行分类， 得到所述评价主体的社交类 型。 0008 可选地， 对实时视频数据进行目标指标特征识别， 并对识别到的每一个目标指标 特征进行定性归类， 包括： 通过预设指标层次结构模型对识别到的每一个目标指标特征进 行定性归类， 所述指标层次结构模型包括目标层、 准则层、 指标层和结果层， 所述目标层用 于输出社交能力评估结果， 所述准则层用于对识别到的每一个目标指标特征进行定性归 类， 所述指标层用于将识别到的评价主体的目标指标特征与预设指标特征进。

13、行匹配， 所述 结果层用于输出目标指标特征所表征的社交性质。 0009 可选地， 所述对每个定性特征集中的目标指标特征进行定量计算， 得到每个定性 特征集对应的社交度表达值， 包括： 计算每个定性特征集所包含的每一个目标指标特征的 说明书 1/9 页 4 CN 112115908 A 4 发生频次， 和/或， 目标指标特征在定性特征集中的占比； 根据所述发生频次或占比在每一 场景下所属的预设区间， 为每一个目标指标特征匹配对应的分值， 每个所述预设区间对应 一个分值； 根据每一目标指标特征相对于不同场景的权重和分值， 得到评价主体在每一场 景下的社交度表达值。 0010 可选地， 根据所述第一。

14、时序数据集得到综合社交能力评估数据， 包括： 计算预设周 期内每个评价主体的社交能力平均值； 根据所述社交能力平均值计算时间权重， 所述时间 权重为每天的评价权重； 结合第一时序数据集、 时间权重和预设周期， 得到综合社交能力评 估数据。 0011 可选地， 根据所述目标历史时长的视频数据对所述评价主体进行分类， 得到所述 评价主体的社交类型， 包括： 构建社交能力分类模型； 采用极大似然估计法， 对所述社交能 力分类模型进行求解计算； 利用后验概率公式计算每个学生归属于不同潜在类别时的后验 概率值， 根据所述后验概率值的最大值确定其所属社交类型。 0012 根据第二方面， 本实施例提供一种社。

15、交能力评估装置， 所述装置包括： 视频数据采 集模块， 用于获取任一评价主体的实时视频数据； 定性归类模块， 用于对实时视频数据进行 目标指标特征识别， 并对识别到的每一个目标指标特征进行定性归类， 得到多个定性特征 集； 定量计算模块， 对每个定性特征集中的目标指标特征进行定量计算， 得到每个定性特征 集对应的社交度表达值； 结果评估模块， 用于根据每个定性特征集对应的社交度表达值， 以 及所述定性特征集在每个场景下对应的权重， 对所述评价主体的社交能力进行评估， 得到 社交能力评估结果。 0013 根据第三方面， 本发明实施例提供了一种电子设备， 所述电子设备包括： 存储器和 处理器， 所。

16、述存储器和所述处理器之间互相通信连接， 所述存储器中存储有计算机指令， 所 述处理器通过执行所述计算机指令， 从而执行如第一方面或第一方面任一可选实施方式所 述的社交能力评估方法的步骤。 0014 根据第四方面， 本发明实施例提供了一种计算机可读存储介质， 所述计算机可读 存储介质存储有计算机指令， 所述计算机指令用于使所述计算机执行如第一方面或第一方 面任一可选实施方式所述的社交能力评估方法的步骤。 0015 本发明实施例提供的技术方案至少具有如下优点： 0016 本发明实施例通过采集学生在不同场景下的实时视频数据， 并对实时视频数据进 行特征识别， 得到评价主体的指标特征， 并对指标特征进。

17、行定性分类， 得到多个定性特征 集， 能够从多方面表达社交度， 并对每个定性特征集中的目标指标特征进行定量计算， 得到 每个定性特征集对应的社交度表达值， 通过场景下的社交度表达值及其权重再得到不同社 交性质对应的社交度计算值， 能够准确全面的对评价主体的社交能力进行评估； 且通过计 算预设周期内每个评价主体的社交能力平均值和其在不同场景下的时间权重来得到综合 社交能力评估数据； 增加评分综合稳定性； 通过构造社交能力分类模型， 采用极大似然估计 法对模型求最优解， 并利用后验概率确定其所属社交类型， 根据学生个体的外显特征对学 生群体进行社交类别分类， 使评价结果更加客观全面。 附图说明 0。

18、017 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 说明书 2/9 页 5 CN 112115908 A 5 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。 0018 图1示出了本发明实施例的一种基于认知计算的学生社交能力评估方法流程图； 0019 图2是根据本发明实施例的指标层次结构模型结构图； 0020 图3是根据本发明实施例的社交能力分类方法流程图； 0021 图4是根据本发明实施例社交能力分类模。

19、型的架构图； 0022 图5是根据本发明优选实施例的基于认知计算的学生社交能力评估装置结构图； 0023 图6是本发明实施例提供的一种电子设备的硬件结构示意图。 具体实施方式 0024 为使本发明实施例的目的、 技术方案和优点更加清楚， 下面将结合本发明实施例 中的附图， 对本发明实施例中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， 本领域技术人员在没 有作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。 0025 本实施例提供一种基于认知计算的学生社交能力评估方法， 参考图1， 该方法主要。

20、 包括： 0026 步骤S1： 获取任一评价主体的实时视频数据； 0027 示例性地， 随着课堂设施的完善， 越来越多的课堂安装摄像头以记录教学过程， 为 获取评价主体的视频数据提供了条件， 实时视频数据即利用视频采集装置采集的学生所处 的教育环境实时视频数据， 教育环境如教室内上课场景、 学生课间沟通的场景、 集体合作的 场景等。 本实施例主要对学生的社交能力进行评估， 即本实施例的评价主体为学生。 0028 其中， 在获取实时视频数据之后， 本实施例根据实时视频数据创建评估数据库， 同 时， 为了方便对每个学生信息进行管理， 本实施例的评估数据库包括个体数据库， 该个体数 据库内基于每个学。

21、生的个人数据而建立， 个人数据库包括学生的相貌特征、 姓名、 性别等基 础信息， 从而便于将实时视频数据中的每个学生个体特征进行正确匹配， 并定期对各类信 息数据进行清洗和管理。 0029 步骤S2： 对实时视频数据进行目标指标特征识别， 并对识别到的每一个目标指标 特征进行定性归类， 得到多个定性特征集； 0030 具体地， 获取评估数据库中多种教育场景下的实时视频数据， 对每段视频进行场 景识别、 学生身份识别、 表情特征识别和动作特征识别， 对每个学生进行身份验证， 并将场 景识别结果身份识别信息等数据以时间为序列生成包含时间信息的结构化数据文件， 将对 应学生的结构化数据文件与每个人的。

22、个人数据库相匹配并保存。 0031 通过预设指标层次结构模型对识别到的每一个目标指标特征进行定性归类， 上述 目标指标特征可以是微笑、 中立、 愤怒、 发言、 倾听、 鼓掌、 点头、 发呆、 睡觉、 拥抱、 与同学交 流、 与教师交流、 吵架、 打架等指标； 参考图2， 上述指标层次结构模型具体包括目标层、 准则 层、 指标层和结果层， 目标层用于输出社交度能力评估结果， 准则层用于对识别到的每一个 目标指标特征进行定性归类， 指标层用于将识别到的评价主体的目标指标特征与预设指标 特征进行匹配， 结果层用于输出目标指标特征所表征的社交性质， 其中， 目标指标特征对应 说明书 3/9 页 6 C。

23、N 112115908 A 6 的定性特征集可以包括表情类特征、 动作类特征和交互类特征， 表情类特征、 动作类特征和 交互类特征分别可以表达评价主体在情绪、 团队和交往三方面的特点， 而目标指标特征所 表征的社交性质包括合作性、 主动性和控制力， 其中合作性、 主动性和控制力分别综合表情 类特征、 动作类特征和交互类特征在不同场景下对应的社交度表达值来评判。 0032 具体地， 表情类特征可以包括微笑、 中立、 愤怒， 反映学生在多种场景下的情绪表 现和礼貌程度， 其中， 微笑为正向指标， 传达了在社交过程中积极、 正向的态度， 而愤怒指标 在特定场景下代表缺乏控制， 为负向的情绪态度。 表。

24、情类特征表征的社交性质为合作性。 0033 动作类特征可以包括发言、 倾听、 鼓掌、 点头、 发呆、 睡觉， 反映的是学生在团队中 的参与度和活跃性， 其中， 发言、 倾听、 鼓掌、 点头为正向指标， 发呆、 睡觉为负向指标。 动作 类特征表征的社交性质为主动性。 0034 交互类特征可以包括拥抱、 与同学交流、 与教师交流、 吵架、 打架， 反映学生的师生 关系和同学关系情况。 其中， 拥抱、 与同学交流、 教师交流反映社交的对象和主动性， 为正向 指标； 吵架、 打架为负向指标。 交互类特征表征的社交性质为控制力， 本申请实施例对目标 指标特征的类型以及对应的社交性质的类型不作限定， 本领。

25、域技术人员可以根据实际需要 确定。 0035 本步骤通过对实时视频数据进行指标特征识别， 并通过构建指标层次结构模型对 识别到的指标特征进行分析得到每一指标特征所述的类别， 以及每类指标特征所表征的社 交性质， 有助于从不同的社交性质方面对学生的社交能力进行分析。 0036 步骤S3： 对每个定性特征集中的目标指标特征进行定量计算， 得到每个定性特征 集对应的社交度表达值； 0037 具体地， 计算每个定性特征集所包含的每一个目标指标特征的发生频次， 和/或， 目标指标特征在定性特征集中的占比； 根据发生频次或占比在每一场景下所属的预设区 间， 为每一个目标指标特征匹配对应的分值， 其中， 每。

26、个预设区间对应一个分值； 根据每一 目标指标特征相对于不同场景的权重和分值， 得到评价主体在每一场景下的社交度表达 值。 0038 以上述表情类特征、 动作类特征和交互类特征为例， 对于表情类特征， 计算微笑、 中立、 愤怒在某一场景下发生的时间占总时间的比重， 根据比重所属的对应预设区间为目 标指标特征微笑、 中立、 愤怒匹配对应的分值a1， a2， a3， 则第i名学生社交度情绪表达值可表 示为： Mie1a1+e2a2+e3a3， 其中e1、 e2、 e3分别表示微笑、 中立、 愤怒的指标权重。 0039 对于动作类特征指标， 计算发言、 倾听、 发呆、 睡觉采用发生的时间占总讨论时间 。

27、的比重计算， 鼓掌、 点头特征值采用发生次数， 并根据比重和次数所属的预设区间， 得到发 言、 倾听、 发呆、 睡觉、 鼓掌、 点头对应的不同分值 1， 2， 3， 4， 5， 6。 则第i名学生社交度团 队表达值可表示为： Nir11+r22+r33+r44+r55+r66， 其中， r1、 r2、 r3、 r4、 r5、 r6分别表示发 言、 倾听、 发呆、 睡觉、 鼓掌、 点头的指标权重。 0040 同理， 对于交互类特征， 计算拥抱、 与同学交流、 与教师交流、 吵架、 打架发生的次 数， 并根据对应次数所属的预设区间， 得到拥抱、 与同学交流、 与教师交流、 吵架、 打架的对 应分值。

28、c1， c2， c3， c4， c5， 则第i名学生社交度交往表达值可表示为： Qikw1c1+w2c2+w3c3+w4c4+ w5c5， 其中w1、 w2、 w3、 w4、 w5分别表示拥抱、 与同学交流、 与教师交流、 吵架、 打架的指标权重。 0041 进一步地， 对于各指标的权重计算， 可以采用建立判断矩阵， 针对课堂讨论、 课后 说明书 4/9 页 7 CN 112115908 A 7 交流、 负面场景三类场景， 对同一个准则层下的所有定性指标， 以及每个准则层的指标进行 两两对比， 确定各指标在不同场景下的相对重要性。 请专家填写打分表， 采用1-9标度方法 判断相对重要性， 由打。

29、分结果列出比较矩阵Cclk， (l， k1， 2， 3， .， n)， 其中clk表示l 指标对k指标的相对重要性， 且有： clk0，cll1， 通过计算矩阵的特征值和特征 向量， 得出各指标权重e， r， w， 以及准则层指标权重结果 1， 2， 3( 1+ 2+ 31)， 1， 2， 3分 别代表表情类特征、 动作类特征和交互类特征在同一教学场景下的权重， 也就是社交度情 绪表达值、 社交度团队表达值、 社交度交往表达值相对于每一类场景所表达的社交性质的 重要程度。 0042 同时， 可以通过定期发放调查问卷， 以及原始数据的迭代计算， 分析计算结果与真 实情况的偏差程度， 根据分析数据。

30、， 对权重系数和模型指标进行调整和修改， 从而提高评估 精度。 0043 本步骤通过各个指标特征的发生频率来对各指标特征进行量化， 并根据不同指标 特征在不同场景下的重要性进行权重设置， 并对权重进行修正， 从而提高评估的精确度。 0044 步骤S4： 根据每个定性特征集对应的社交度表达值， 以及所述定性特征集在每个 场景下对应的权重， 对所述评价主体的社交能力进行评估， 得到社交能力评估结果。 0045 本实施例对学生社交度的评估主要从合作性、 主动性和控制力三个方面进行计 算， 分别根据步骤S3计算出的社交度情绪表达值、 社交度团队表达值、 社交度交往表达值和 准则层指标权重结果 1， 2。

31、， 3分别计算合作性、 主动性和控制力的社交度计算值。 0046 具体地， 在课堂讨论场景下， 第m名学生的合作性社交度计算值可表示为： Sm_hz 1_hzMm_hz+ 2_hzNm_hz+ 3_hzQm_hz， 其中， 1_hz、2_hz、3_hz、分别代表表情类特征、 动作类特征和交 互类特征在课堂讨论场景下的权重， Mm_hz、 Nm_hz、 Qm_hz分别代表表情类特征、 动作类特征和交 互类特征在课堂讨论场景下对应的社交度情绪表达值、 社交度团队表达值、 社交度交往表 达值。 0047 在课后交流场景下， 第m名学生的主动性社交度计算值可以表示为： Sm_zd1_ zdMm_zd+。

32、 2_zdNm_zd+ 3_zdQm_zd， 其中， 1_zd、 2_zd、 3_zd分别代表表情类特征、 动作类特征和交互 类特征在课后交流场景下的权重， Mm_zd、 Nm_zd、 Qm_zd分别代表表情类特征、 动作类特征和交互 类特征在课后交流场景下对应的社交度情绪表达值、 社交度团队表达值、 社交度交往表达 值。 0048 在负面场景下， 控制力具体表现为学生在受到负面影响时， 会控制住自己的脾气， 遇到挑衅、 纠纷等情况不理会、 不打架， 能接受老师的批评等。 因此， 负面场景下， 第m名学生 的控制力社交度计算值可以表示为： Sm_kz 1_kzMm_kz+ 2_kzNm_kz+。

33、 3_kzQm_kz， 其中， 1_kz、 2_kz、 3_kz分别代表表情类特征、 动作类特征和交互类特征在负面场景下的权重， Mm_kz、 Nm_kz、 Qm_kz 分别代表表情类特征、 动作类特征和交互类特征在负面场景下对应的社交度情绪表达值、 社交度团队表达值、 社交度交往表达值。 0049 进一步地， 基于上述步骤输出社交能力评估结果， 社交能力评估结果包括各社交 性质和对应的社交度计算值， 社交性质包括合作性、 主动性和控制力， 社交度计算值包括社 交度情绪表达值、 社交度团队表达值、 社交度交往表达值。 0050 本实施例通过采集学生在不同场景下的实时视频数据， 并对实时视频数据。

34、进行特 说明书 5/9 页 8 CN 112115908 A 8 征识别， 得到评价主体的指标特征， 并对指标特征进行定性分类， 得到多个定性特征集， 能 够从多方面表达社交度， 并对每个定性特征集中的目标指标特征进行定量计算， 得到每个 定性特征集对应的社交度表达值， 通过场景下的社交度表达值及其权重再得到不同社交性 质对应的社交度计算值， 能够准确全面的对评价主体的社交能力进行评估。 0051 其中， 由于每个人在每天的情绪表达可能受到其他事件的影响， 为增加评分综合 稳定性， 减少个别极端数据对表达能力评分结果影响， 本实施例在得到社交能力评估结果 之后， 还包括： 0052 获取预设周。

35、期内评价主体对应的历史社交能力评估结果， 并根据历史社交能力评 估结果创建第一时序数据集， 根据第一时序数据集得到综合社交能力评估数据。 0053 具体地， 设预设周期为D， 将第m名学生在第d天的社交能力评分Sm_hz、 Sm_dz、 Sm_kz组 成时序数据集Lm(d)、 Pm(d)、 Om(d)， 其中， d(1， 2， .， D)。 0054 则课堂讨论场景下， 第m名学生在预设周期内合作性社交能力平均得分为 其中J(d)为学生在第d天的评价次数， 则第d天的评价权重为： 同理， 课后交流场景下， 第m名学生在预设周期内主动性社交能 力平均得分为第d天的评价权重为： 负面场景下， 第m。

36、名学生在预设周期内控制力平均得分为第d天 的评价权重为： 0055 从而在预设周期为D内， 第m名学生在课堂讨论场景下， 合作性评价结果可表示为： 0056 预设周期为D内， 第m名学生在课后交流场景下， 主动性评价结果可表示为： 0057 预设周期为D内， 第m名学生在负面场景下， 控制力评价结果可表示为： 0058综上， 预设周期为D内， 第m名学生社交能力总评分为： 0059 本实施例通过计算预设周期内每个评价主体的社交能力平均值和其在不同场景 下的时间权重来得到综合社交能力评估数据， 减少个别极端数据对表达能力评分结果影 响， 增加评分综合稳定性。 0060 进一步地， 考虑到不同类型。

37、人群的社交能力不能武断地单纯用定量的能力值去衡 量， 例如一位能说会道、 能够吸引不同人群的学生， 和一位富有亲和力、 在特定人群中具有 说明书 6/9 页 9 CN 112115908 A 9 个人魅力的同学相比， 社交能力难以根据同样的计算方式去评价和比较， 并区分孰优孰劣。 因此， 本发明实施例还提供如下方法： 0061 获取评价主体对应的目标历史时长的视频数据， 根据目标历史时长的视频数据创 建社交能力分类模型， 得到学生的社交能力分类， 从而得到评价主体的社交类型。 0062 上述社交能力分类模型的架构参考图4， 选择学生个体的外显特征作为外显变量， 假设存在潜在变量代表学生的社交类。

38、型， 则对具有相似外显特征的学生进行归类， 划分为 几种类别， 并分别适用不同的系数。 其中， 潜在变量通过建立最少数量的潜在类别追踪不同 外显变量的联系， 潜在类别至少存在两个或以上。 0063 其中， 根据历史视频数据， 获取学生的外显特征， 作为外显变量； 该外显特征为学 生在不同教育场合下的视频数据， 对视频数据中的学生进行特征识别， 获取其外显特征， 外 显特征可以是发言、 倾听、 发呆、 拥抱、 举手等动作。 0064 进一步地， 选取外显变量中的潜在变量， 潜在变量为表征社交类型的特征； 该潜在 变量可以是外显特征中的微笑、 中立、 愤怒、 倾听、 发呆、 拥抱、 举手等的任一个。

39、特征， 其中， 根据不同的指标特征的所属类型， 对潜在变量进行分类， 即得出潜在变量所述的潜在类别。 0065 参考图3， 具体的社交能力分类方法包括： 0066 步骤S5： 构建社交能力分类模型； 0067 具体地， 本实施例的社交能力分类模型的基本原理是将潜在变量的概率以参数的 模式输出， 即概率参数化：式中，为潜在变量X在潜在类别t的 概率， t1， 2， .， T；为已知潜在变量X在潜在类别t时， 外显变量A出现在第i个类别 的概率， i1， 2， .， I。的含义同理， j1， 2， .， I， k1， 2， .， I， 由此可知， 潜在类别概率与条件概率是模型的基本量。 0068详。

40、细地， 对于潜在类别概率即任一潜在变量属于潜在类别的概率。 设外显变量 包括A、 B、 C， 将第m名学生在第d天不同场景下外显变量A、 B、 C中各二分变量值组成时序数据 集Am(d)、 Bm(d)、 Cm(d)， d(1， 2， .， D)， 二分变量值为在设定场景中， 检测到特征动作发生 时值为1， 未发生时值为0。 即表情类特征、 动作类特征、 交互类特征中各变量的取值均为0或 1， 那么某一潜在变量X在潜在类别t的概率之和为1， 即某一潜在变量一定属于某一潜在 类别， 即 0069对于条件概率表示潜在变量X在第t个潜在类别中， 某个体 在外显变量特定水平上的概率， 条件概率值越大， 。

41、潜在变量对外显变量的影响越强。 条件概 率显示了外显变量和潜在变量之间存在的关系， 对于T个潜在类别， 条件概率之和等于1， 即 0070 步骤S6： 采用极大似然估计法， 对社交能力分类模型进行求解计算； 0071 具体包括： 若模型中潜在变量X存在T个潜在类别， 则构造极大似然函数为： 式中，表示外显变量A、 B、 C及潜在变量X出现在第i、 j、 说明书 7/9 页 10 CN 112115908 A 10 k个类别的概率。 称为概率的估计值，为极大似然条件概率估计值。 0072 为检验模型适用性的期望概率， 将各潜在类别T下概率的估计值累计求和， 可得极 大似然联合概率估计值：式中，表。

42、示外显变量A、 B、 C出现在第 i、 j、 k个类别的概率。 0073 根据极大似然函数和极大似然联合概率估计值， 可得各外显变量在每个潜在类 别， 不同水平值的最大似然估计概率：式中，表示对于潜在变 量X第t个分类， 外显变量A、 B、 C分别出现在第i、 j、 k上的概率， 为潜在类别概率之和。 0074 其中， 在模型估计中， 为判定模型参数估计值是否为最优解， 要对模型的自由度进 行计算， 若自由度的数值大于模型参数数目， 则可确定输出值为最优解： df(IJK-1)-(I+ J+K-2)T-1， 式中， I、 J、 K为外显变量各水平所构成的I*J*K单元格， IJK-1为初始自由。

43、度。 0075 步骤S7： 利用后验概率公式计算每个学生归属于不同潜在类别时的后验概率值， 根据后验概率值的最大值确定其所属社交类型。 0076 由于分类是构建模型的最终目的， 应用贝氏理论对全部学生进行潜在类别分类： 式中，表示学生属于第t类的后验概率，表示学生外 显特征的联合概率。 公式的原理为计算将学生个体归于不同潜在类别时得到后验概率值， 若后验概率值在第t类时最大， 则该名学生属于第t类潜在类别。 计算并比较所有学生的后 验概率值， 以达到对所有学生进行分类的目的。 0077 本实施例通过构造社交能力分类模型， 采用极大似然估计法对模型求最优解， 并 利用后验概率确定其所属社交类型，。

44、 根据学生个体的外显特征对学生群体进行社交类别分 类， 使评价结果更加客观全面。 0078 其中， 在得到上述社交度计算值、 综合社交能力评估数据以及社交类型后， 向学生 家长和学校教师周期性反馈学生的社交度计算值、 综合社交能力评估数据以及社交类型， 可以采用雷达图的形式表示主动性、 合作性、 控制力等分项结果。 此外， 可以通过不同评价 周期之间的评价结果相互比较， 纵向分析， 分析评价主体的社交情况的发展趋势。 0079 本发明实施例还提供一种基于认知计算的学生社交能力评估装置， 参考图5， 该装 置包括： 0080 视频数据采集模块01， 用于获取任一评价主体的实时视频数据； 此模块执。

45、行上述 实施例中的步骤S1所描述的方法， 在此不再赘述。 0081 定性归类模块02， 用于对实时视频数据进行目标指标特征识别， 并对识别到的每 一个目标指标特征进行定性归类， 得到多个定性特征集； 此模块执行上述实施例中的步骤 S2所描述的方法， 在此不再赘述。 0082 定量计算模块03， 用于对每个定性特征集中的目标指标特征进行定量计算， 得到 每个定性特征集对应的社交度表达值； 此模块执行上述实施例中的步骤S3所描述的方法， 在此不再赘述。 0083 结果评估模块04， 用于根据每个定性特征集对应的社交度表达值， 以及所述定性 说明书 8/9 页 11 CN 112115908 A 1。

46、1 特征集在每个场景下对应的权重， 对所述评价主体的社交能力进行评估， 得到社交能力评 估结果。 此模块执行上述实施例中的步骤S4所描述的方法， 在此不再赘述。 0084 本实施例还提供一种电子设备， 电子设备包括存储器05和处理器06， 存储器05和 所述处理器06之间互相通信连接， 存储器05中存储有计算机指令， 处理器06通过执行所述 计算机指令， 从而执行一种基于认知计算的学生社交能力评估方法。 其中， 存储器05和处理 器06可以通过总线或者其他方式连接， 图6中以通过总线连接为例。 0085 处理器可以为中央处理器(Central Processing Unit， CPU)。 处理。

47、器还可以为其 他通用处理器、 数字信号处理器(Digital Signal Processor， DSP)、 专用集成电路 (Application Specific lntegrated Circuit， ASIC)、 现场可编程门阵列(Field- Programmable Gate Array， FPGA)或者其他可编程逻辑器件、 分立门或者晶体管逻辑器件、 分立硬件组件等芯片， 或者上述各类芯片的组合。 0086 存储器作为一种非暂态计算机可读存储介质， 可用于存储非暂态软件程序、 非暂 态计算机可执行程序以及模块， 如本发明实施例中的基于认知计算的学生社交能力评估方 法对应的程序指令。

48、/模块。 处理器通过运行存储在存储器中的非暂态软件程序、 指令以及模 块， 从而执行处理器的各种功能应用以及数据处理， 即实现上述方法实施例中的基于认知 计算的学生社交能力评估方法。 0087 存储器可以包括存储程序区和存储数据区， 其中， 存储程序区可存储操作系统、 至 少一个功能所需要的应用程序； 存储数据区可存储处理器所创建的数据等。 此外， 存储器可 以包括高速随机存取存储器， 还可以包括非暂态存储器， 例如至少一个磁盘存储器件、 闪存 器件、 或其他非暂态固态存储器件。 在一些实施例中， 存储器可选包括相对于处理器远程设 置的存储器， 这些远程存储器可以通过网络连接至处理器。 上述网。

49、络的实例包括但不限于 互联网、 企业内部网、 局域网、 移动通信网及其组合。 0088 本实施例还提供一种计算机可读存储介质， 所述计算机可读存储介质存储有计算 机指令， 计算机指令用于使所述计算机执行一种基于认知计算的学生社交能力评估方法。 其中， 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(RandomAccessMemory， 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。 0089 虽然结合附图描述了本发明的实施例， 但是本领域技术人员可以在不脱离本发明 的精神和范围的情况下作出各种修改和变型， 这样的修改和变型均落入由所附权利要求所 限定的范围之内。 说明书 9/9 页 12 CN 112115908 A 12 图1 图2 说明书附图 1/3 页 13 CN 112115908 A 13 图3 图4 图5 说明书附图 2/3 页 14 CN 112115908 A 14 图6 说明书附图 3/3 页 15 CN 112115908 A 15 。