香港教育局 EMM 平台：课堂视频自动分析与教学反馈提速

香港教育局的 EMM（e-Learning Management & Monitoring）电子学习平台，承载着大量课堂实录视频资源的沉淀与管理。随着时间推移，平台上的教学视频不断累积，教师在日常备课中面临一个共同的难题：如何快速从海量视频中找到与当前课程主题相关的片段？传统的做法依赖关键词检索或人工逐段浏览，前者容易遗漏语义相关的教学内容，后者则耗时巨大。通过引入 AI 视频分析技术与数据中台架构，EMM 平台实现了课堂视频的自动打标、语义搜索与结构化分析，教师搜寻教学素材的时间从以小时计缩短到以分钟计，教学反馈的闭环也得以加速形成。

背景与痛点

EMM 平台的核心痛点可以归纳为三个方面：

搜寻困难，视频内容难以精准定位。平台上沉淀了覆盖多个学科、多个年级的课堂实录视频，但传统的目录式管理或关键词匹配无法捕捉视频内容的深层语义。一位数学教师想找一段关于"二次函数图像性质"的课堂讲解，如果用关键词搜索，可能会漏掉教师口头表述为"抛物线开口方向"的同类内容。

时间成本高，教师被迫看完整个视频筛选内容。在没有智能分析工具的情况下，教师为了确认某段视频是否适合自己班级的教学需求，往往需要完整观看甚至反复拖拽进度条，单节课视频的筛选时间可达 30 分钟以上。

课程衔接不畅，视频资源与教学大纲脱节。大量视频上传后缺乏与教育局课程标准数据库的自动关联，导致教师难以判断某段视频的内容与自己当前教学进度的匹配度，优质视频资源因此沉睡在库中。

我们怎么做的

项目分为两个阶段：第一阶段由我们的视频分析产品 Vidseek（https://ai-vidseek.com/）完成视频内容的深度解析；第二阶段由 OntiCards 将解析后的结构化数据接入数据中台，形成可查询、可联动的教学改进数据底盘。

第一阶段：Vidseek 视频内容解析

Vidseek 平台提供视频入库索引（Index）、语义搜索（Search）、结构化实体提取（Entities）与多维度分析视图（Analyze）四大核心能力。项目团队将 EMM 平台上的课堂实录批量接入 Vidseek 索引库，系统逐帧分析视频中的语音、画面与文本信息：

• AI 视频打标：系统自动识别视频中的教学内容主题、关键知识点、教学互动节点（如提问、小组讨论、板书环节），并生成自动化标签。例如，一段 40 分钟的数学课会被标注为"二次函数—图像性质—师生互动—例题讲解"等多层标签。

• 结构化实体提取：Vidseek 的 Entities 模块从视频中提取关键实体，包括出现的学科术语、教学道具、核心概念以及教师与学生的主要互动行为，将这些原本非结构化的视频信息转化为可检索、可关联的字段。

• 语义搜索：基于对视频内容的深度理解，系统支持教师用自然语言描述教学需求进行搜索。例如输入"初中三年级关于抛物线应用的课堂引入片段"，搜索引擎会跨越关键词字面匹配，直接返回语义相关的视频段落与时间戳。

第二阶段：OntiCards 数据中台对接与多维分析

Vidseek 解析完成后，产生的结构化字段——包括视频标签、知识点映射、互动行为记录、时间戳定位等——通过 OntiCards 的数据接入层导入教育数据中台。OntiCards 在此发挥了三个关键作用：

• 数据卡片化与标准化：将视频解析结果定义为标准化的数据卡片，统一字段语义（如"教学主题""互动类型""知识点覆盖度"），确保后续查询与分析口径一致。

• 与课程数据库联动：通过关系映射，将视频卡片与教育局的课程标准数据库进行关联，实现视频资源与教学大纲的自动衔接。教师选择学科、年级与教学主题后，系统不仅返回相关视频片段，还能对照课程标准输出完整的教案建议。

• 教学改进数据底盘： OntiCards 对接到数据中台后，课堂片段、关键行为、教学互动等数据成为可查询、可联动的资产。教研管理者可以按学科、年级、教师维度进行多维度数据分析，例如统计某一知识点在不同课堂中的讲解时长分布，或识别高频互动模式与学业表现之间的关联。

面向三大持份者的功能设计

在 EMM 平台上，AI 能力被组织为面向教师、学生与教育局三大持份者的功能模块：

• 教师端：AI 视频搜寻提供精准的视频资料与课程建议；AI 工具箱支持工作纸生成与课程规划；AI 学习助手辅助教师完成课堂总结与教案优化。

• 学生端：AI 学习助手提供视频摘要、思维导图、重点摘要、小测验、笔记整理与实例讲解，帮助学生利用课堂视频进行课后复习与自主学习。

• 教育局端：AI 视频打标提供全局的内容管理能力，教育管理者可通过标签体系掌握平台上知识点的覆盖情况与资源分布，为区域教学资源均衡配置提供数据依据。

落地效果

平台升级后，在视频搜寻效率、备课质量与教研数据化三个层面取得了可量化的改善：

• 教师搜寻教学视频的时间从平均 30–60 分钟缩短到 5 分钟以内。语义搜索与自动打标让教师无需逐段观看即可定位所需内容。

• 课程衔接准确率显著提升。通过与课程标准数据库的自动对照，系统返回的视频片段与教学主题的匹配度明显高于传统关键词检索，教师反馈"找得到、用得上"。

• 课堂视频资源利用率提高。教研部门统计显示，接入 AI 分析后，平台上历史视频的被检索与引用频次增长了数倍，沉睡资源被重新激活。

• 教学反馈闭环提速。Vidseek 抽取的课堂互动数据经 OntiCards 中台分析后，教研团队可以在课后数小时内获得关于课堂结构、师生互动比例的量化反馈，而过去这类分析需要人工观课与手工记录，周期以天计。

经验沉淀：从项目到 OntiCards

这个项目的独特价值在于证明了视频分析必须与结构化数据中台结合，才能从"看得懂视频"走向"用得上洞察"。Vidseek 解决了非结构化视频内容的解析问题，但如果解析结果停留在孤立的数据表中，教研管理者依然无法跨维度提问、无法将视频洞察与学业数据、课程数据联动分析。

OntiCards 的数据卡片层正好填补了这一环节：它把 Vidseek 输出的片段标签、行为实体、时间戳等信息，转化为带有业务语义和关系定义的数据卡片，接入中台后便可以与学籍数据、考试成绩、课程大纲等其他卡片进行关联查询。这种"视频解析 → 卡片结构化 → 中台联动"的链路，后来成为 OntiCards 在多媒体教育资产场景中的标准落地模式。

对于任何积累了大量教学视频、会议录像或培训素材的机构而言，这条链路都值得参考：先用视频分析工具提取内容语义，再用数据卡片层完成结构化治理，最终通过问数 Agent 实现跨模态、跨业务的统一查询。