香港教育局 EMM 平台：課堂視頻自動分析與教學反饋提速

香港教育局嘅 EMM（e-Learning Management & Monitoring）電子學習平台，承載住大量課堂實錄視頻資源嘅沉澱同管理。隨著時間推移，平台上嘅教學視頻不斷累積，教師喺日常備課中面臨一個共同嘅難題：點樣快速從海量視頻中搵到與當前課程主題相關嘅片段？傳統嘅做法依賴關鍵詞檢索或人工逐段瀏覽，前者容易遺漏語義相關嘅教學內容，後者就耗時巨大。透過引入 AI 視頻分析技術同數據中台架構，EMM 平台實現咗課堂視頻嘅自動打標、語義搜索同結構化分析，教師搜尋教學素材嘅時間由以小時計縮短到以分鐘計，教學反饋嘅閉環亦都得以加速形成。

背景與痛點

EMM 平台嘅核心痛點可以歸納為三個方面：

搜尋困難，視頻內容難以精準定位。平台上沉澱咗覆蓋多個學科、多個年級嘅課堂實錄視頻，但傳統嘅目錄式管理或關鍵詞匹配無法捕捉視頻內容嘅深層語義。一位數學教師想搵一段關於「二次函數圖像性質」嘅課堂講解，如果用關鍵詞搜索，可能會漏掉教師口頭表述為「拋物線開口方向」嘅同類內容。

時間成本高，教師被迫睇完整個視頻篩選內容。喺冇智能分析工具嘅情況下，教師為咗確認某段視頻係咪適合自己班級嘅教學需求，往往要完整觀看甚至反覆拖拉進度條，單節課視頻嘅篩選時間可達 30 分鐘以上。

課程銜接唔暢順，視頻資源與教學大綱脫節。大量視頻上傳後缺乏與教育局課程標準數據庫嘅自動關聯，導致教師難以判斷某段視頻嘅內容同自己當前教學進度嘅匹配度，優質視頻資源因此沉睡喺庫中。

我們點做嘅

項目分為兩個階段：第一階段由我哋嘅視頻分析產品 Vidseek（https://ai-vidseek.com/）完成視頻內容嘅深度解析；第二階段由 OntiCards 將解析後嘅結構化數據接入數據中台，形成可查詢、可聯動嘅教學改進數據底盤。

第一階段：Vidseek 視頻內容解析

Vidseek 平台提供視頻入庫索引（Index）、語義搜索（Search）、結構化實體提取（Entities）同多維度分析視圖（Analyze）四大核心能力。項目團隊將 EMM 平台上嘅課堂實錄批量接入 Vidseek 索引庫，系統逐幀分析視頻中嘅語音、畫面同文本資訊：

• AI 視頻打標：系統自動識別視頻中嘅教學內容主題、關鍵知識點、教學互動節點（例如提問、小組討論、板書環節），並生成自動化標籤。例如，一段 40 分鐘嘅數學課會被標註為「二次函數—圖像性質—師生互動—例題講解」等多層標籤。

• 結構化實體提取：Vidseek 嘅 Entities 模組從視頻中提取關鍵實體，包括出現嘅學科術語、教學道具、核心概念以及教師與學生嘅主要互動行為，將呢啲原本非結構化嘅視頻資訊轉化為可檢索、可關聯嘅欄位。

• 語義搜索：基於對視頻內容嘅深度理解，系統支援教師用自然語言描述教學需求進行搜索。例如輸入「初中三年級關於拋物線應用嘅課堂引入片段」，搜索引擎會跨越關鍵詞字面匹配，直接返回語義相關嘅視頻段落同時間戳。

第二階段：OntiCards 數據中台對接同多維分析

Vidseek 解析完成後，產生嘅結構化欄位——包括視頻標籤、知識點映射、互動行為記錄、時間戳定位等——透過 OntiCards 嘅數據接入層導入教育數據中台。OntiCards 喺此發揮咗三個關鍵作用：

• 數據卡片化同標準化：將視頻解析結果定義為標準化嘅數據卡片，統一欄位語義（例如「教學主題」「互動類型」「知識點覆蓋度」），確保後續查詢同分析口徑一致。

• 與課程數據庫聯動：透過關係映射，將視頻卡片與教育局嘅課程標準數據庫進行關聯，實現視頻資源與教學大綱嘅自動銜接。教師選擇學科、年級同教學主題後，系統唔單止返回相關視頻片段，仲能對照課程標準輸出完整嘅教案建議。

• 教學改進數據底盤：OntiCards 對接到數據中台後，課堂片段、關鍵行為、教學互動等數據成為可查詢、可聯動嘅資產。教研管理者可以按學科、年級、教師維度進行多維度數據分析，例如統計某一知識點喺唔同課堂中嘅講解時長分佈，或識別高頻互動模式與學業表現之間嘅關聯。

面向三大持份者嘅功能設計

喺 EMM 平台上，AI 能力被組織為面向教師、學生同教育局三大持份者嘅功能模組：

• 教師端：AI 視頻搜尋提供精準嘅視頻資料同課程建議；AI 工具箱支援工作紙生成同課程規劃；AI 學習助手輔助教師完成課堂總結同教案優化。

• 學生端：AI 學習助手提供視頻摘要、思維導圖、重點摘要、小測驗、筆記整理同實例講解，幫助學生利用課堂視頻進行課後複習同自主學習。

• 教育局端：AI 視頻打標提供全局嘅內容管理能力，教育管理者可透過標籤體系掌握平台上知識點嘅覆蓋情況同資源分佈，為區域教學資源均衡配置提供數據依據。

落地效果

平台升級後，喺視頻搜尋效率、備課質量同教研數據化三個層面取得咗可量化嘅改善：

• 教師搜尋教學視頻嘅時間由平均 30–60 分鐘縮短到 5 分鐘以內。語義搜索同自動打標讓教師無需逐段觀看即可定位所需內容。

• 課程銜接準確率顯著提升。透過與課程標準數據庫嘅自動對照，系統返回嘅視頻片段與教學主題嘅匹配度明顯高於傳統關鍵詞檢索，教師反饋「搵得到、用得上」。

• 課堂視頻資源利用率提高。教研部門統計顯示，接入 AI 分析後，平台上歷史視頻嘅被檢索同引用頻次增長咗數倍，沉睡資源被重新激活。

• 教學反饋閉環提速。Vidseek 抽取嘅課堂互動數據經 OntiCards 中台分析後，教研團隊可以喺課後數小時內獲得關於課堂結構、師生互動比例嘅量化反饋，而過去呢類分析需要人工觀課同手工記錄，周期以日計。

經驗沉澱：從項目到 OntiCards

呢個項目嘅獨特價值在於證明咗視頻分析必須與結構化數據中台結合，才能從「睇得明視頻」走向「用得上洞察」。Vidseek 解決咗非結構化視頻內容嘅解析問題，但如果解析結果停留在孤立嘅數據表中，教研管理者依然無法跨維度提問、無法將視頻洞察與學業數據、課程數據聯動分析。

OntiCards 嘅數據卡片層正好填補咗呢一環節：佢將 Vidseek 輸出嘅片段標籤、行為實體、時間戳等資訊，轉化為帶有業務語義同關係定義嘅數據卡片，接入中台後便可以與學籍數據、考試成績、課程大綱等其他卡片進行關聯查詢。呢種「視頻解析 → 卡片結構化 → 中台聯動」嘅鏈路，後來成為 OntiCards 喺多媒體教育資產場景中嘅標準落地模式。

對於任何累積咗大量教學視頻、會議錄像或培訓素材嘅機構嚟講，呢條鏈路都值得參考：先用視頻分析工具提取內容語義，再用數據卡片層完成結構化治理，最終透過問數 Agent 實現跨模態、跨業務嘅統一查詢。