基于语音和文本分类的学生认知识别方法、装置以及设备

1.本发明涉及计算机技术领域，特别涉及是一种基于语音和文本分类的学生认知识别方法、装置、设备以及存储介质。


背景技术：

2.讨论式教学是中学课堂中被广泛应用的一种教学模式。以学生为主体的讨论当中，学生能够发挥主观能动性，通过一系列思维活动主动建构自己认知。同时课堂讨论能够在学生与老师之间建立更加紧密的联系，提高课堂绩效，帮助学生发掘潜力，促进学生健康品格养成，实现教与学的共同创新。
3.然而，讨论课中也有诸多不足亟待解决。首先，教师与学生数量上的巨大差异世界各地普遍存在。在讨论课当中，教师无法及时掌握每组成员讨论状况，也便无法及时给予帮助。其次，由于往往讨论课的小组成员为随机分组，组内成员认知水平不一将影响学生讨论参与度以及思考程度，最终导致讨论课收效甚微。再者，存在着多方面因素，例如学生状态不佳，学生之间性格难以磨合，学生自身性格较难支持其主动发言等导致学生之间无法深入交流学习的情况。


技术实现要素：

4.基于此，本发明的目的在于，提供一种基于语音和文本分类的学生认知识别方法、装置、设备以及存储介质，通过将声纹识别技术和文本转换技术应用于讨论课堂，获取语音数据对应的学生的身份标识以及课堂文本数据，并采用深度学习方法，精准、有效率地对学生在讨论课堂上的认知情况进行评价，为教师提供更加全面的信息，有助于提高未来讨论课程的教学质量。
5.第一方面，本技术实施例提供了一种基于语音和文本分类的学生认知识别方法，包括以下步骤：
6.获得讨论课堂上各个学生的语音数据集，其中，所述语音数据集包括若干个不同时间时刻的语音数据；
7.将所述各个学生的语音数据集输入至预设的声纹识别模型，获得所述各个不同时间时刻的语音数据对应的声纹识别数据，根据所述声纹识别数据以及预设的声纹特征库，获得所述各个不同时间时刻的语音数据对应的学生身份标识；
8.将所述各个学生的语音数据集输入至预设的文本转换模型，获得所述各个不同时间时刻的语音数据对应的课堂文本数据；
9.将所述各个不同时间时刻的语音数据对应的课堂文本数据输入至预设的认知识别模型，获取所述各个不同时间时刻的语音数据对应的认知等级数据；
10.根据各个不同时间时刻的语音数据对应的学生身份标识以及所述各个不同时间时刻的语音数据对应的认知等级数据，获得各个学生在讨论课堂上的认知变化情况。
11.第二方面，本技术实施例提供了一种基于语音和文本分类的学生认知等级识别装
置，包括：
12.语音数据获得模块，用于获得讨论课堂上各个学生的语音数据集，其中，所述语音数据集包括若干个不同时间时刻的语音数据；
13.身份识别模块，用于将所述各个学生的语音数据集输入至预设的声纹识别模型，获得所述各个不同时间时刻的语音数据对应的声纹识别数据，根据所述声纹识别数据以及预设的声纹特征库，获得所述各个不同时间时刻的语音数据对应的学生身份标识；
14.课堂文本转换模块，用于将所述各个学生的语音数据集输入至预设的文本转换模型，获得所述各个不同时间时刻的语音数据对应的课堂文本数据；
15.认知等级识别模块，用于将所述各个不同时间时刻的语音数据对应的课堂文本数据输入至预设的认知识别模型，获取所述各个不同时间时刻的语音数据对应的认知等级数据；
16.显示模块，用于根据各个不同时间时刻的语音数据对应的学生身份标识以及所述各个不同时间时刻的语音数据对应的认知等级数据，获得各个学生在讨论课堂上的认知变化情况。
17.第三方面，本技术实施例提供了一种计算机设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的基于语音和文本分类的学生认知识别方法的步骤。
18.第四方面，本技术实施例提供了一种存储介质，所述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时实现如第一方面所述的基于语音和文本分类的学生认知识别方法的步骤。
19.在本技术实施例中，提供一种基于语音和文本分类的学生认知识别方法、装置、设备以及存储介质，通过将声纹识别技术和文本转换技术应用于讨论课堂，获取语音数据对应的学生的身份标识以及课堂文本数据，并采用深度学习方法，精准、有效率地对学生在讨论期间内的多个时间区间对应的认知情况进行评价，并构建相应的认知等级变化情况图表，能够反映学生在讨论期间的表现以及学习情况，为教师提供更加全面的信息，有助于提高未来讨论课程的教学质量。
20.为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
21.图1为本技术第一实施例提供的基于语音和文本分类的学生认知识别方法的流程示意图；
22.图2为本技术第二实施例提供的基于语音和文本分类的学生认知识别方法的流程的示意图；
23.图3为本技术第三实施例提供的基于语音和文本分类的学生认知识别方法的流程的示意图；
24.图4为本技术第三实施例提供的基于语音和文本分类的学生认知识别方法的流程中s8的示意图；
25.图5为本技术第三实施例提供的基于语音和文本分类的学生认知识别方法的流程中s82的示意图；
26.图6为本技术第三实施例提供的基于语音和文本分类的学生认知识别方法的流程中s83的示意图；
27.图7为本技术第四实施例提供的基于语音和文本分类的学生认知识别方法的流程的示意图；
28.图8为本技术第五实施例提供的基于语音和文本分类的学生认知等级识别装置的结构示意图；
29.图9为本技术第六实施例提供的计算机设备的结构示意图。
具体实施方式
30.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
31.在本技术使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术。在本技术和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
32.应当理解，尽管在本技术可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本技术范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”/“若”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
33.在讨论课堂中，通常老师给予学生一个用于讨论的问题，学生围绕该讨论的问题进行发言讨论，而认知即为学生在发言讨论时，对于该问题的理解程度。
34.请参阅图1，图1为本技术第一实施例提供的基于语音和文本分类的学生认知识别方法的流程示意图，所述方法包括如下步骤：
35.s1：获得讨论课堂上各个学生的语音数据集，其中，所述语音数据集包括若干个不同时间时刻的语音数据。
36.所述基于语音和文本分类的学生认知识别方法的执行主体为基于语音和文本分类的学生认知识别方法的识别设备(以下简称识别设备)，在一个可选的实施例中，识别设备可以是一台计算机设备，可以是服务器，或多台计算机设备联合而成的服务器机群。
37.在本实施例中，识别设备可以获得讨论课堂上各个学生进行讨论时的语音数据集，具体地，通过预设的语音采集装置，在学生每进行一次发言之前，启动该语音采集装置，对该次发言的语音数据的进行采集，并记录该次发言的时间时刻，学生结束发言时，停止该语音采集装置，从而获取若干个不同时间时刻的语音数据，作为所述语音数据集。
38.在一个可选的实施例中，识别设备也可以在预设的数据库中，获取预先存储的讨论课堂上各个学生的语音数据集。
39.s2：将所述各个学生的语音数据集输入至预设的声纹识别模型，获得所述各个不同时间时刻的语音数据对应的声纹识别数据，根据所述声纹识别数据以及预设的声纹特征
库，获得所述各个不同时间时刻的语音数据对应的学生身份标识。
40.所述声纹特征库中包含所有学生的声纹特征数据，在本实施例中，识别设备将所述语音数据输入至预设的声纹识别模型，获得所述各个不同时间时刻的语音数据对应的声纹识别数据，将所述声纹识别数据与所述声纹特征库中的各个学生声纹特征数据进行余弦相似度匹配，获得所述语音数据对应的学生的身份标识。
41.所述身份标识为每个学生的唯一标识。所述身份标识可以为学生的名称、也可以为学生的编号等等，在此不进行详细限定。
42.在一个可选的实施例中，识别设备采用resnet34卷积神经网络结构，来构建所述声纹识别模型，其中，所述resnet34卷积神经网络结构包括依次相连的卷积层、池化层、权重计算层以及全连接层，所述卷积层包括用于计算语音数据的特征向量的算法，所述池化层用于进行降维处理，防止梯度消失和网络退化，所述权重计算层包括权重计算算法以及权重赋予算法，用于对语音数据的特征向量进行权重赋予，其中，所述权重赋予算法为：
43.xc＝f
scale
(uc,sc)
44.式中，xc为所述权重赋予后的语音数据的特征向量，uc为所述特征向量对应的embedding，sc为所述特征向量对应的权重参数。
45.所述全连接层起到分类器的作用，用于对所述权重计算层输出的权重赋予后的语音数据的特征向量进行一个加权和。
46.识别设备将zhvoice中文语料中的zhaishell数据集作为声纹识别模型训练语音数据，对所述声纹识别模型训练语音数据进行分帧、加窗、短时傅里叶变换以及标准差标准化处理，得到经过处理的语音频谱特征，最后输入所述声纹识别模型进行训练。具体地，所述声纹识别模型的训练过程使用sgd优化器，学习率调整策略选择steplr，损失函数选择交叉熵。
47.请参阅图2，图2为本技术第二实施例提供的基于语音和文本分类的学生认知识别方法的流程的示意图，还包括步骤s6，所述步骤s6在步骤s2之前，具体如下：
48.s6：对所述各个学生的语音数据进行预处理，获取预处理后的各个学生的语音数据，其中，所述预处理包括分帧、加窗、短时傅里叶变换以及标准差标准化。
49.由于语音数据具有短时平稳性，对所述语音数据分析的处理必须建立在“短时”的基础上。本实施例中，识别设备对所述语音数据进行预处理，包括分帧、加窗、短时傅里叶变换、标准差标准化，具体地，分帧通过预先设置一个观测单位，所述观测单位是由512个采样点集合而成，用以避免两帧变化过大，两帧之间需要有一重叠区域。重叠区域为采样率的0.001，即为160。对所述语音数据的每一帧语音信号加汉明窗，以增加每帧左端和右端的连续性。对加窗后的每帧信号进行短时傅里叶变化，如下所示：
[0050][0051]
式中，stft(t,f)即为语音信号的频谱，h(τ-t)为汉明窗。
[0052]
随后对所述语音数据的语音信号的频谱进行标准差标准化，获取预处理后的语音数据。
[0053]
s3：将所述各个学生的语音数据集输入至预设的文本转换模型，获得所述各个不同时间时刻的语音数据对应的课堂文本数据。
[0054]
所述文本转换模型为asr(automated speech recognition)语音文本识别模型的一种，用于将用户语音数据转换成对应的文本数据。
[0055]
在本实施例中，识别设备将所述各个学生的语音数据集输入至预设的文本转换模型，获得所述各个不同时间时刻的语音数据对应的课堂文本数据，在一个可选的实施例中，识别设备可以根据预设的jieba中文分词库，对所述课堂文本数据进行去停用词及分词处理，以提高对学生的认知识别的精准性以及效率。
[0056]
s4：将所述各个不同时间时刻的语音数据对应的课堂文本数据输入至预设的认知识别模型，获取所述各个不同时间时刻的语音数据对应的认知等级数据。
[0057]
所述认知识别模型为svm(support vector machine)分类器的一种，svm分类器为是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier)。
[0058]
在本实施例中，识别设备将所述各个不同时间时刻的语音数据对应的课堂文本数据输入至预设的认知识别模型，获取所述各个不同时间时刻的语音数据对应的认知等级数据，其中，所述认知等级数据可以包括认知等级a、认知等级b、认知等级c以及认知等级d等等，用以体现学生在不同时间时刻的语音数据的认知情况。采用深度学习方法，精准、有效率地对学生在讨论课堂上的认知情况进行评价。
[0059]
请参阅图3，图3为本技术第三实施例提供的基于语音和文本分类的学生认知识别方法的流程的示意图，还包括训练所述认知识别模型，所述训练所述认知识别模型包括步骤s7～s8，具体如下：
[0060]
s7：获取若干个样本课堂文本数据，以及所述若干个样本课堂文本数据相应的认知标签数据。
[0061]
所述认知标签数据与所述认知等级数据对应，由人工进行标签标注的评价标签，所述评价标签用于体现样本课堂文本数据的认知情况，在一个可选的实施例中，所述认知标签数据可以包括认知等级高、认知等级中以及认知等级低等。
[0062]
在本实施例中，识别设备获取用户输入的所述若干个样本课堂文本数据，以及所述若干个样本课堂文本数据相应的认知标签数据，其中，所述样本课堂文本数据包括若干个样本词语。
[0063]
s8：将所述若干个样本课堂文本数据输入至预设的句向量表示计算模型，获取所述若干个样本课堂文本数据的句向量表示，并将所述若干个样本课堂文本数据的句向量表示以及相应的认知标签数据输入至待训练的神经网络模型，获取所述认知识别模型。
[0064]
所述句向量表示计算模型包括用于计算样本课堂文本数据的句向量表示相关联的算法；
[0065]
所述待训练的神经网络模型为svm分类器，包括惩罚系数以及核函数系数；在本实施例中，识别设备将所述若干个样本课堂文本数据输入至预设的句向量表示计算模型，获取所述若干个样本课堂文本数据的句向量表示，并将所述若干个样本课堂文本数据的句向量表示以及相应的认知标签数据输入至待训练的神经网络模型，对待训练的神经网络模型进行迭代训练，直至该神经网络模型获取最优的惩罚系数以及核函数系数，将所述神经网络模型作为所述认知识别模型。
[0066]
所述句向量表示计算模型包括词嵌入向量计算模块、融合词向量计算模块以及句
向量计算模块，请参阅图4，图4为本技术第三实施例提供的基于语音和文本分类的学生认知识别方法的流程中s8的示意图，包括步骤s81～s83：
[0067]
s81：根据所述若干个样本课堂文本数据以及词嵌入向量计算模块，获取所述词嵌入向量计算模块输出的所述若干个样本课堂文本数据中若干个样本词语的多维词嵌入向量表示。
[0068]
所述词嵌入向量计算模块采用word2vec词向量模型，在一个可选的实施例中，识别设备获取预训练的word2vec词向量模型，所述预训练的word2vec词向量模型是由北师大与人民大学的研究者在微博、搜狐新闻等媒体上训练得到的预训练词向量模型，识别设备将所述根据所述若干个样本课堂文本数据输入至该预训练词向量模型中进行迁移学习，作为词嵌入向量计算模块。
[0069]
在本实施例中，识别设备根据所述若干个样本课堂文本数据以及词嵌入向量计算模块，根据所述词嵌入向量计算模块中预设的维度，获取所述词嵌入向量计算模块输出的所述若干个样本课堂文本数据中若干个样本词语的多维词嵌入向量表示。
[0070]
s82：根据所述若干个样本课堂文本数据中若干个样本词语的多维词嵌入向量表示以及融合词向量计算模块中，获取所述若干个样本课堂文本数据的若干个样本词语的融合词向量表示。
[0071]
所述融合词向量计算模块包括与计算融合词向量表示相关联的算法，在本实施例中，识别设备根据所述若干个样本课堂文本数据中若干个样本词语的多维词嵌入向量表示以及融合词向量计算模块中，获取所述若干个样本课堂文本数据的若干个样本词语的融合词向量表示，用于训练认知识别模型，使得更加全面地对学生的各个时间区间对应的认知情况进行分析。
[0072]
请参阅图5，图5为本技术第三实施例提供的基于语音和文本分类的学生认知识别方法的流程中s82的示意图，包括步骤s821～s823，具体如下：
[0073]
s821：根据所述若干个样本课堂文本数据中若干个样本词语以及预设的词频-逆文档频度计算算法，获取所述若干个样本课堂文本数据的若干个样本词语相应的词频-逆文档频度值。
[0074]
所述词频-逆文档频度计算算法为：
[0075][0076]
式中，ci为第i个样本词语的词频-逆文档频度值，tf
i,j
为第i个样本词语在预设的语料库中第j个语料文本数据的词频；idfi为第i个样本词语的逆文档频度；n
i,j
为第i个样本词语在第j个语料文本数据中出现的次数，∑kn
k,j
为第j个语料文本数据的所有语料词语出现的总次数，k为所述样本课堂文本数据中不同的样本词语的数目；d为语料文本数据的总数目，|j:ti∈dj|为语料库中，包含样本词语ti的语料文本数据的数目；
[0077]
在本实施例中，识别设备根据预设的语料库，所述若干个样本课堂文本数据中若干个样本词语以及预设的词频-逆文档频度计算算法，获取所述若干个样本课堂文本数据的若干个样本词语相应的词频-逆文档频度值。
[0078]
s822：根据所述若干个样本课堂文本数据中若干个样本词语的多维词嵌入向量表示、相应的词频-逆文档频度值以及预设的融合词向量计算算法，获取所述若干个样本课堂文本数据的若干个样本词语的融合词向量表示。
[0079]
所述融合词向量计算算法为：
[0080]
w2v-tfidfi＝ci*w2vi[0081]
式中，w2v-tfidfi为所述第i个样本词语的融合词向量，ci为为所述第i个样本词语的词频-逆文档频度值，w2vi为所述第i个样本词语的多维词嵌入向量表示。
[0082]
在本实施例中，识别设备根据所述若干个样本课堂文本数据中若干个样本词语的多维词嵌入向量表示、相应的词频-逆文档频度值以及预设的融合词向量计算算法，获取所述若干个样本课堂文本数据的若干个样本词语的融合词向量表示，通过结合词频-逆文档频度值以及多维词嵌入向量表示，获取相应的融合词向量表示，以提高认知识别模型的精准性以及泛用性。
[0083]
s823：根据所述若干个样本课堂文本数据的若干个样本词语的融合词向量表示以及句向量计算模块，获取所述若干个样本课堂文本数据的句向量表示。
[0084]
所述句向量计算模块包括与计算句向量表示相关联的算法，在本实施例中，识别设备根据所述若干个样本课堂文本数据的若干个样本词语的融合词向量表示以及句向量计算模块，获取所述若干个样本课堂文本数据的句向量表示。
[0085]
请参阅图6，图6为本技术第三实施例提供的基于语音和文本分类的学生认知识别方法的流程中s83的示意图，包括步骤s831，具体如下：
[0086]
s831：根据所述若干个样本课堂文本数据的若干个样本词语的融合词向量表示以及预设的句向量计算算法，获取所述若干个样本课堂文本数据的句向量表示。
[0087]
所述句向量计算算法为：
[0088][0089]
式中，sv
p
为所述第p个样本课堂文本数据的句向量表示，∑
k w2v-tfidfk为所述第p个样本课堂文本数据的所有样本词语的融合词向量的累积向量，n为融合词向量的维度。
[0090]
在本实施例中，识别设备根据所述若干个样本课堂文本数据的若干个样本词语的融合词向量表示以及预设的句向量计算算法，对所述各个样本课堂文本数据中的所含的样本词语的融合词向量表示的每一维度进行平均，获取所述若干个样本课堂文本数据的句向量表示。
[0091]
s5：根据各个不同时间时刻的语音数据对应的学生身份标识以及所述各个不同时间时刻的语音数据对应的认知等级数据，获得各个学生在讨论课堂上的认知变化情况。
[0092]
在本实施例中，识别设备根据各个不同时间时刻的语音数据对应的学生身份标识以及所述各个不同时间时刻的语音数据对应的认知等级数据，获得各个学生在讨论课堂上的认知变化情况。
[0093]
具体地，识别设备可以基于学生身份标识，将所述学生身份标识对应的各个不同时间时刻的语音数据对应的认知等级数据进行组合，作为各个学生对应的认知等级数据集，并按照时间顺序，对所述各个学生对应的认知等级数据集中的若干个认知等级数据进行排序，获取排序后所述各个学生对应的认知等级数据集，根据所述排序后各个学生对应
的认知等级数据集，构建各个学生对应的认知等级变化情况图表或者认知等级变化情况表格，从而获取所述各个学生在讨论课堂上的认知变化情况，并保存至预设的存储空间中。
[0094]
请参阅图7，图7为本技术第四实施例提供的基于语音和文本分类的学生认知识别方法的流程的示意图，还包括步骤s9，具体如下：
[0095]
s9：响应于显示指令，所述显示指令包括待显示的学生的学生身份标识，根据所述待显示的学生的学生身份标识，获得所述待显示的学生在讨论课堂上的认知变化情况，返回至预设的显示界面，进行显示以及标注。
[0096]
所述显示指令是由用户发出，识别设备接收的。
[0097]
识别设备获取用户发送的显示指令，并进行响应，识别设备根据获取的所述待显示的学生的身份标识，从预设的存储空间中，获得所述待显示的学生在讨论课堂上的认知变化情况，返回至预设的显示界面，进行显示以及标注，体现学生的认知等级随着时间的变化，能够反映学生在讨论期间的表现以及学习情况，为教师提供更加全面的信息，有助于提高未来讨论课程的教学质量。
[0098]
请参考图8，图8为本技术第五实施例提供的基于语音和文本分类的学生认知等级识别装置的结构示意图，该装置可以通过软件、硬件或两者的结合实现基于语音和文本分类的学生认知等级识别装置的全部或一部分，该装置8包括：
[0099]
语音数据获得模块81，用于获得讨论课堂上各个学生的语音数据集，其中，所述语音数据集包括若干个不同时间时刻的语音数据；
[0100]
身份识别模块82，用于将所述各个学生的语音数据集输入至预设的声纹识别模型，获得所述各个不同时间时刻的语音数据对应的声纹识别数据，根据所述声纹识别数据以及预设的声纹特征库，获得所述各个不同时间时刻的语音数据对应的学生身份标识；
[0101]
课堂文本转换模块83，用于将所述各个学生的语音数据集输入至预设的文本转换模型，获得所述各个不同时间时刻的语音数据对应的课堂文本数据；
[0102]
认知等级识别模块84，用于将所述各个不同时间时刻的语音数据对应的课堂文本数据输入至预设的认知识别模型，获取所述各个不同时间时刻的语音数据对应的认知等级数据；
[0103]
显示模块85，用于根据各个不同时间时刻的语音数据对应的学生身份标识以及所述各个不同时间时刻的语音数据对应的认知等级数据，获得各个学生在讨论课堂上的认知变化情况。
[0104]
在本技术实施例中，通过语音数据获得模块，获得讨论课堂上各个学生的语音数据集，其中，所述语音数据集包括若干个不同时间时刻的语音数据；通过身份识别模块，将所述各个学生的语音数据集输入至预设的声纹识别模型，获得所述各个不同时间时刻的语音数据对应的声纹识别数据，根据所述声纹识别数据以及预设的声纹特征库，获得所述各个不同时间时刻的语音数据对应的学生身份标识；通过课堂文本转换模块，将所述各个学生的语音数据集输入至预设的文本转换模型，获得所述各个不同时间时刻的语音数据对应的课堂文本数据；通过认知等级识别模块，将所述各个不同时间时刻的语音数据对应的课堂文本数据输入至预设的认知识别模型，获取所述各个不同时间时刻的语音数据对应的认知等级数据；通过显示模块，根据各个不同时间时刻的语音数据对应的学生身份标识以及所述各个不同时间时刻的语音数据对应的认知等级数据，获得各个学生在讨论课堂上的认
知变化情况。通过将声纹识别技术和文本转换技术应用于讨论课堂，获取语音数据对应的学生的身份标识以及课堂文本数据，并采用深度学习方法，精准、有效率地对学生在讨论课堂上的认知情况进行评价，并构建相应的认知等级变化情况图表，能够反映学生在讨论期间的表现以及学习情况，为教师提供更加全面的信息，有助于提高未来讨论课程的教学质量。
[0105]
请参考图9，图9为本技术第六实施例提供的计算机设备的结构示意图，计算机设备9包括：处理器91、存储器92以及存储在存储器92上并可在处理器91上运行的计算机程序93；计算机设备可以存储有多条指令，指令适用于由处理器91加载并执行上述实施例一至实施例五的方法步骤，具体执行过程可以参见实施例一至实施例五的具体说明，在此不进行赘述。
[0106]
其中，处理器91可以包括一个或多个处理核心。处理器91利用各种接口和线路连接服务器内的各个部分，通过运行或执行存储在存储器92内的指令、程序、代码集或指令集，以及调用存储器92内的数据，执行基于语音和文本分类的学生认知等级识别装置8的各种功能和处理数据，可选的，处理器91可以采用数字信号处理(digital signal processing,dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programble logic array，pla)中的至少一个硬件形式来实现。处理器91可集成中央处理器91(central processing unit，cpu)、图像处理器91(graphics processing unit，gpu)和调制解调器等中的一个或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责触摸显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器91中，单独通过一块芯片进行实现。
[0107]
其中，存储器92可以包括随机存储器92(random access memory，ram)，也可以包括只读存储器92(read-only memory)。可选的，该存储器92包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器92可用于存储指令、程序、代码、代码集或指令集。存储器92可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器92可选的还可以是至少一个位于远离前述处理器91的存储装置。
[0108]
本技术实施例还提供了一种存储介质，所述存储介质可以存储有多条指令，所述指令适用于由处理器加载并执行上述实施例一至实施例五的方法步骤，具体执行过程可以参见实施例一至实施例五的具体说明，在此不进行赘述。
[0109]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0110]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0111]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束算法。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0112]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0113]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0114]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0115]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
[0116]
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。