flash作业_在线作业产品的基本构成与逻辑分解

a1a79b5a44e04a239dc58eb9b59973ad.png

在线教育产品有:在线作业、录播课、直播课、一对一教学、题库等。

本文选取英语在线作业系统,涉及教师、学生、家长三种角色,贴合日常教学。

主要从作业系统的基本构成和逻辑进行分解,不侧重需求分析、运营分析;内容主要以文字配合流程图、结构图来说明,偶尔采用产品原型图作为辅助展示。

概览

一前台、两后台、五大支撑体系。

a5e42725a2709d3cd0ffa6b835ce3f55.png
(是不是很简单?别急,下文慢慢展开)

一、前台

9f1023b99a3f146e86c4a2cbf747d1e4.png

这里的前台即最终用户所使用的平台,而作业系统的用户分为三种角色:教师、学生、家长。

这三种角色的主要分工跟线下类似:教师布置作业并检查作业(驱动),学生做作业(被动),家长了解作业进度和完成情况适时督促(监督)。

根据不同角色的分工、使用场景、操作难易度等,教师和学生同时有PC端和移动端(比如学生可以放学后在公交车、地铁上用手机完成作业),家长仅支持移动端。

下面分别以教师、学生、家长主线分解作业流程的各个环节。

1.1 教师主线

8bd5267cdc7108a6c0c90c659c345708.png

教师操作:

教师的操作有:发布作业(包括定时发布)、检查作业、归档作业、手动提前收作业、删除作业。

  • 发布作业是最基础也是第一步操作,发布作业前会选择布置对象、选择作业内容、设置作业标题/收作业时间等。有时会定时发布,通常在放长假时(比如国庆节)进行,教师一次性将假期作业内容设置好,分别在假期的每天定时发布给学生并设置为当天收取,以免学生把所有作业集中到最后一天才做。
  • 检查作业包括写评语、发奖励(可以是平台的虚拟货币或荣耀)、退回作业,作业到期前可对已提交的学生进行单个或批量检查,作业到期后可一键检查所有学生作业。
  • 检查作业完毕后可将作业归档。
  • 手动提前收作业通常在特定场景下才会进行,比如所有学生都提前完成作业并提交时,教师会在作业截止时间之前手动将作业全部收回(作业收回后系统会进行评分、排名、分析等)并检查作业。
  • 删除作业允许在作业收取前进行,通常有误操作时会删除作业。

操作看似比较多比较复杂,但通常教师使用的只有两步——发布作业、检查并归档作业(检查和归档可以一键完成),所以教师实际使用时是很简便的。

作业状态:

从教师角度,作业状态有五种:进行中、已收取、已归档、未开始、已删除。

  • 进行中、已收取、已归档是最基本的三种作业状态。
  • 未开始是在定时发布且未到达发布时间的作业。
  • 已删除是教师布置出去又删除的作业。

消息提醒:

整个过程,教师的操作会触发若干消息提醒:发布作业提醒学生和家长,检查作业提醒学生和家长,删除作业提醒学生和家长。另外,作业到期系统收取后会提醒教师检查作业。

基于作业系统本身,教师除了发布作业模块、管理作业模块、消息模块,还需要相关的辅助模块——班级管理、统计中心

3747d4460d492e89fa8dcc5897dbd577.png

班级管理:

教师通常以班级为单位批量给学生布置作业,所以需要支持创建/编辑/删除班级、导入/移动/删除学生等操作。

教师可能会根据学生的不同水平布置不同作业,所以支持在班级的基础上给学生分到不同的小组,以实现“因材施教”。

统计中心:

统计中心帮助教师了解历史布置作业的数量、检查作业数量、学生完成情况、学生成绩等。

检查/布置作业数量可以看出教师自身的付出;学生完成情况可以看出学生的学习态度;学生成绩统计可以看出学生对知识的掌握情况。

除了统计每次作业的成绩,还可以对不同作业题型、能力图谱(听说读写)进行统计,更加直观地看到学生对各类题型的掌握程度,以帮助教师做决策。

1.2 学生主线

e3687534dc4dcb79f927fbda7a389480.png

学生操作:

学生的操作有:做作业、提交作业。

相比教师,学生的操作类型较少,只有做作业和提交作业两种,接收作业是被动的无需操作。

若学生不主动提交作业,当作业截止时间到达后,系统会自动将作业提交。

作业状态:

对学生来说,作业状态有四种:新布置、已提交、被退回、已删除。

新布置和已提交为最基础的两种状态。

被退回的作业通常是由于作业完成情况不佳被教师打回重做。

已删除作业可能是在学生提交前或提交后被教师删除的(只要作业未截止教师均可删除)。

消息提醒:

教师触发、学生被动接收的消息已经在“教师主线”中讲到,由学生操作触发的消息有:作业提交提醒其家长。

基于作业系统本身,学生除了作业模块、消息模块,还需要相关的辅助模块——统计中心

f8ed7284549b067e3bc49076cca1a61c.png

与教师统计中心类似,接收作业数量、完成作业数量可以反映学生自身完成作业的积极性,作业成绩可反映对知识的掌握。

同样可以分不同作业类型、能力图谱(听说读写)进行统计,帮助学生发现自身对各类题型的掌握程度。

1.3 家长主线

家长注册账号后,需要绑定相应的学生后(绑定流程这里不做分解),才能参与到作业流程中来。

家长在整个流程中主要是被动接收信息的角色。

可接收作业生命周期各操作触发的提醒消息,可查看作业内容、学生完成情况、教师评价和奖励。

考虑到家长和学生通常可以线下交流,督促环节可以在线下或者通过其它更便捷的方式进行,未给家长开放过多线上操作。这里只给家长开放鼓励学生的操作,当家长接收到学生作业完成情况及教师评价后,可以给学生发奖品(可以是平台的虚拟货币或荣耀)作为鼓励。

所以基于作业系统本身,家长的功能模块有——作业中心、消息中心

2ff805fc2e29aad32ef188440f73d9c1.png

二、内容后台

171987faa67eeceb5063d2d8f0eb414b.png

对于在线教育来说,内容建设是非常重要的一个环节,是否有高质量的内容决定在线教育项目的成败,所以这里专门用一个内容后台来维护。

内容后台相关流程如下:

95d51a7f3af589194faeb5159161587d.png

录入、编辑、删除,几乎是所有内容维护系统的三项基本操作,为了保障作业题目的质量,这里引入审核流程,如果资源比较充足也可以引入初审、复审两重审核。

录入:

录入时涉及作业题型、适用范围(教材-年级-单元、话题、知识点)、作业内容(答题指导、主题干、选项、答案、解析、听力题音频、口语题音频等)等。

这里以篇章朗读(口语)作业为例,新增/编辑界面如下:

57162af74d11b27a89117dc2a765d6c1.png
  • 作业类型:篇章朗读。必填。
  • 教学进度:若配置多个教学进度,则该题目可以出现在不同教学进度下;也可以一个教学进度都不配,则按任何教学进度筛选时都不会出现该题目。非必填。
  • 话题:包括一级话题、二级话题。可配置多个话题,也可以一个都不配。非必填。
  • 知识点:可包括一级、二级…N级知识点。可配置多个知识点,也可以一个都不配。非必填。
  • 题目音频:原文录音。必填。
  • 答题指导:非必填。
  • 文章标题:必填。
  • 正文内容:第一句文本和中文翻译,用于显示;第一句真实读音,用户朗读评分参照(传递给语音引擎);第一句音频起始时间、持续时间,用于截取原文录音中词句对应的音频片段。正文内容至少录入一句。必填。
  • 提交/取消:确认无误后提交作业,或点取消放弃提交。

当录入人员录好题目内容并提交后会生成一条作业记录,包括作业ID、作业类型、录入时间、录入人、审核状态、操作记录等信息,作业状态为“活动状态”。

审核:

“活动状态”的作业提交审核后,状态变为“待审核”,由审核人员(通常跟录入人员不是同一人)进行审核。审核通过后作业状态变为“已发布”,此时前台用户可以看到作业了;若审核不通过,则作业重新变为“活动状态”。

编辑:

对作业各字段进行编辑,由于作业模版跟作业类型密切相关,所以不支持更换作业类型,其余项均可编辑,操作方式同录入。

只要是未删除的作业,均允许进行编辑,编辑后作业状态变为“活动状态”。

删除/恢复:

任何非删除状态的作业,均可以被删除;删除后这里允许恢复(是否支持视实际存储资源、录入难易度等而定)。

三、CRM后台

df21a5df31a14ed589ece8382431a0b6.png

CRM(用户关系管理)后台包括:学校管理、班级管理、用户管理、作业管理、运营数据、广告位管理、消息系统、渠道管理等模块。

用户管理、运营数据、渠道管理、消息系统、广告位管理是CRM后台通常涉及的模块。

学校管理、班级管理、作业管理是在线作业平台特有的模块。

后续可以在其它文章中专门讲CRM后台的产品逻辑,这里不展开了。

e3f629e6209d987aca3c7a66111b0f6d.png


上面分解完一前台、两后台,下面分解贯穿这三大平台的支撑体系。

四、答题交互体系

cf7636804b875d335eafc49128a0b652.png

这里可以分为五大类题型:选择题、填空题、判断题、口语题、作文题。不同题型涉及前台学生答题交互(PC端+移动端)、系统评分、后台题目内容录入、开发技术等方面。

选择题、判断题:

相对最容易从线下搬到线上。学生作答时通过点选正确答案即可作答。

题目答案唯一,系统评分简单明了。后台题目内容只需有答题指导、题干、选项、正确答案、解析、听力题音频。开发技术采用常规网页开发技术。

填空题:

需要学生作答时手动输入,为了方便学生线上作答,某些题型会考虑将输入改为点选作答形式。

系统评分时需要考虑是否兼容大小写、前后空格、换行、标点,输入法自动补全等细节。后台设计和开发技术,同选择题、判断题。

口语题:

语音评分技术发展日趋成熟,使得在线作答口语题成为现实,当然准确度永远有提升空间。

口语题还需要PC、手机最基础的硬件支持——播放、录音,PC为了降低噪音,通常采用佩戴耳机的方式,手机直接录音已经很方便的。

学生作答时对着麦克风用合适的音量朗读单词、句子、篇章,也可以是背诵或自己组织语言用英文说出来,语音评分系统就会根据学生的录音和评分参照文本进行评判。

后台设计时,除了选择题、判断题、填空题类似的模块外,还需要有原文录音及每句音频的打点(为了从一段语音中切出这句话的一段音频,便于前台单独播放这句话),评分参照文本(用于语音评分系统评分时参照,比如电话号码显示为010-8888-888,评分系统可能误以为888是一个数字而都成eight hundred and eighty eight)。

口语题为了实现趣味性、交互连贯性等用户体验,通常采取flash技术进行开发。

作文题:

作文题可以说是五类作业中最难搬到线上的,因为作文是比较主观的题型。不过目前也已经有不少公司专门致力于研究作文评分技术,有的还提供技术+人工双重评分服务。

学生作答时为手动输入,系统评分会匹配一些关键词、关键句、句式进行加分,并标注出错误语法、单词进行减分,最后给出综合分。

后台设计时需要有题目要求、材料、关键词句等模块。开发技术用常规网页开发技术。

设计整个作答交互体系时,除了上面讲到的具体题型涉及的方面,还要特别注意的有移动端网络环境(比如学生可能放学在地铁上作答,是否支持离线答题?)、防作弊、信息同步(比如学生做完一道题目教师就可见还是学生做完所有题目提交后教师才可见?后台删除作业时学生正在作答如何处理?)总之,在线作业不是把线下作业照搬到线上那么简单粗暴。

五、作业推荐体系

725a0bb7cf01ae70d46b50f3b64a75fb.png

该体系一方面可以帮助教师更便捷地布置合适的作业,一方面可以推荐学生加强薄弱环节的练习。

主要基于教学进度(教材-年级-单元)、作业内容(知识点、话题)、学生水平(答题情况)推荐相关联的作业。

六、账号体系

91c2dda457b996233567ecc379d072d5.png

所有平台的账号体系基本都包括注册、登录、找回密码流程,及权限的拆分。有的系统为了加强账户的安全性会有绑定手机、绑定邮箱、验证问题,甚至是实名验证(如支付平台)。

由于这里的每一个流程都可以展开写一万字甚至一本书,这里不详述,以后可以单独写文章分解。

七、激励体系

9381d55ea120bcaafffaa157a15985c1.png

为了提升学生的学习积极性、教师的参与度,在系统中适时增加各类激励。

教师布置作业可以系统奖励虚拟货币(可在平台兑换物品)、提升经验值,学生完成作业可以系统奖励虚拟货币、提升经验值,学生完成作业成绩好教师、家长可以给学生发奖励(如鲜花、彩旗),学生可以看到同班同学已经做完作业的消息(激发学生积极的攀比心)。

八、客服体系

e64f01fc6dc4ebe9b0c0b46da2de2b2e.png

编者认为任何一个产品,均应该配备客服体系,因为产品是给人用的,说到底都是服务。用户使用过程遇到疑问没有地方问、遇到不满没有地方发泄、发现问题没有地方反馈,是一件多美糟糕的事!

在线咨询、客服电话、邮件反馈、QQ群组、微信群、公众号留言、微博、在线留言等等,这么多的方式,选择适合自己当前产品、业务形态的即可。

帮助中心也是客服体系重要部分,产品完善过程中需要忘了帮助中心内容的完善和更新。

微信公众号:有点逻辑,分解互联网表象下的脑回路,留言告诉我们你好奇的逻辑。

本文由 @有点逻辑 原创发布于人人都是产品经理。未经许可,禁止转载

题图来自Unsplash,基于CC0协议

原文链接:在线作业产品的基本构成与逻辑分解 | 人人都是产品经理

学习产品、运营,或者处于职场规划期、迷茫期的应届生、转行人员、技能提升人员。你现在有一个免费提升的机会。我们

每周有四节免费公开课,知名老师亲述,从专业角度带你了解产品

提供从入门到精通的全方位运营课程,满足不同阶段的互联网运营人差异化的学习需求,实现能力提升,更有千人的产品经理群,你们可以共同讨论产品话题

点击下方网址,了解详情:

起点学院-产品经理培训 | 产品经理培训课程 | 致力于为IT从业者提供专业、系统的产品经理学习服务,目标成为产品经理黄埔军校​www.qidianla.com
75ea7e6fa1c422c071be6be16833ce15.png
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值