发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的基于深度学习的互联网教育学生综合画像标签管理系统。

为了实现上述目的，本发明采用了如下技术方案：

基于深度学习的互联网教育学生综合画像标签管理系统，包括学生身份识别模块、学习数据采集模块、学习标签匹配模块、学生画像生成模块、教育方案规划模块、教师管理模块、云端管理数据库以及数据更新反馈模块；

其中，所述学习数据采集模块分别与学生身份识别模块、学习标签匹配模块通信连接，学生画像生成模块分别与学习标签匹配模块、教育方案规划模块通信连接，教育方案规划模块分别与数据更新反馈模块、云端管理数据库通信连接，教师管理模块分别与学生画像生成模块、教育方案规划模块、云端管理数据库通信连接；

所述学生身份识别模块包括身份审核单元、信息补充单元以及体貌特征抓取单元；

所述学习数据采集模块包括线上数据采集单元以及线下数据采集单元；

所述教师管理模块包括教师信息录入单元、信息匹配单元以及教育方案选择单元。

进一步地，所述身份审核单元用于接收用户上传的用户名以及用户密码，并进行审核判断，其审核判断具体步骤如下：

步骤一：身份审核单元开始对用户名进行智能审核，并判断身份是否为新学生；

步骤二：若不为新学生，则开始对用户密码进行识别判断，其识别判断具体步骤如下：

步骤(1)：若用户密码正确，允许用户进入学生平台，并发送检测指令至信息补充单元，同时发送对比指令至体貌特征单元；

步骤(2)：若密码错误，则要求用户重新输入；

步骤三：若用户为新学生，则发送补充指令至信息补充单元，同时发送抓取指令至体貌特征单元；

步骤四：若用户身份不为学生，则反馈“非学生用户，无法登录”。

所述信息补充单元用于对用户信息进行检测反馈，其检测反馈具体步骤如下：

S1：若信息补充单元接收到检测指令，则开始对用户个人信息进行检测，若用户存在重要信息缺失，则禁止用户后续操作，并提示用户补充信息；

S2：若信息补充单元接收到补充指令，则开始提示用户补充信息，并开始接收用户上传的用户信息；

所述体貌特征抓取单元用于对用户体貌特征进行对比抓取，其对比抓取具体步骤如下：

SS1：若体貌特征抓取单元接收到对比指令，则开始对用户体貌特征进行收集，并将其与存储的过往用户体貌特征数据进行对比；

SS2：若体貌特征抓取单元接收到抓取指令，则开始对用户体貌特征进行收集，并对其进行存储。

进一步地，所述线上数据采集单元用于对学生线上学习数据进行收集；

所述线下数据采集单元用于对学生线下学习数据进行采集。

进一步地，所述学习标签匹配模块用于接收线上学习数据以及线下学习数据，并开始进行个性标签生成，同时对其进行标签匹配，其标签匹配具体步骤如下：

P1：学习标签匹配模块分别从线上学习数据以及线下学习数据提取学生学习内容偏好、行为模式、学习风格以及学习态度，并将其处理生成个性标签；

P2：学习标签匹配模块开始提取学生信息，并开始将其与对应个性标签进行数据匹配，同时将匹配完成的数据处理生成标签数据。

进一步地，所述学生画像生成模块用于接收标签数据，并对其进行图像可视化处理，其图像可视化具体步骤如下：

PP1：学生画像生成模块开始调用各学生的人像信息，并开始将其与标签数据进行匹配处理生成人像数据；

PP2：将各学生的学号以及班级信息在对应的人像数据中进行标注；

PP3：标注完成，学生画像生成模块开始从线上学习数据以及线下学习数据中提取各学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力，并将各项数据处理生成折线图，同时将各项数据变化录入学生记录表中，记录完成，将人像数据与对应折线图以及学生记录表进行数据匹配。

进一步地，所述教育方案规划模块用于接收人像数据，同时依据人像数据开始进行方案规划，其方案规划具体步骤如下：

Q1：教育方案规划模块开始构建卷积神经网络，并将人像数据导入卷积神经网络进行分析；

Q2：卷积神经网络开始与互联网进行通信连接，并开始依据各组人像数据对对应教学数据进行抓取；

Q3：卷积神经网络将人像数据以及教学数据按照不同班级进行分类，并开始将分类完成的教学数据进行数据整合，同时智能生成教学方案；

Q4：卷积神经网络对教学方案进行仿真模拟，并对其中多余数据进行删除，同时对其中存在的缺陷进行优化修复。

进一步地，所述教师信息录入单元用于接收教师信息，并生成教师数据；

所述信息匹配单元用于接收人像数据与教师数据，并对其进行匹配查看，其匹配查看具体步骤如下：

QQ1：信息匹配单元将人像数据以及教师数据按照不同班级进行数据分类；

QQ2：教师可通过信息匹配单元输入需要查看的班级名M以及学生名N，同时信息匹配单元依据班级名M以及学生名N生成调用指令；

QQ3：信息匹配单元依据调用指令从学生画像生成模块中调用对应学生的人像数据，并将其反馈给教师，同时教师通过信息匹配单元对该学生的折线图以及学生记录表进行查看；

所述教育方案选择单元用于接收教学方案，并由教师进行对比选择，其对比选择具体步骤如下：

X1：教育方案选择单元用于将教学方案反馈给教师进行查看；

X2：教师通过教育方案选择单元输入需要查看的过往教育方案编号Y，教育方案选择单元开始从云端管理数据库中精确检索，并调用过往教育方案；

X3：教师对比两组教育方案并进行选择，同时生成替换数据，并将其发送至教育方案规划模块进行数据替换。

进一步地，所述云端管理数据库用于接收教学方案并对其进行编号保存；

所述数据更新反馈模块用于接收教学方案，并定期收集学生数据，同时进行数据更新处理，其数据更新具体步骤如下：

XX1：教学方案开始执行，数据更新反馈模块开始对学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力进行实时收集；

XX2：依据收集到的数据，开始对各学生的折线图以及学生记录表进行更新；

XX3：数据更新反馈模块依据更新后的折线图以及学生记录表开始对教学方案进行更新，并将各项数据反馈给对应管理人员。

相比于现有技术，本发明的有益效果在于：

1、本发明设置有教育方案规划模块，教育方案规划模块通过将人像数据导入卷积神经网络，卷积神经网络开始抓取互联网教学数据，卷积神经网络将人像数据以及教学数据按照不同班级进行分类，并开始将分类完成的教学数据进行数据整合，同时智能生成教学方案，仿真模拟，并对其中多余数据进行删除，同时对其中存在的缺陷进行优化修复，教师管理模块接收教育方案，并将其反馈给相关教师，同时对教师数据与人像数据进行数据匹配，教师通过教师管理模块对各学生相关数据进行查看，同时对教学方案进行选择执行，能够自行生成教学方案，无需教师人工制定，提高教师工作效率，同时方便教师对学生数据进行查看与分析；

2、本发明设置有数据更新反馈模块，教师通过教师管理模块对教学方案进行选择使用，数据更新反馈模块开始定期收集各学生的学习活跃度、学习投入度、自我效能感、交互参与度以及快速学习能力，并开始依据收集到的数据对各学生的折线图以及学生记录表进行更新，并将其反馈给相关管理人员，同时依据收集的数据以及更新的折线图以及学生记录表对教学方案进行更新，能够实时更新教学方案，防止教学方式单一导致学生学习积极性降低，提高学生学习效率。