隨著人工智能技術的快速發(fā)展及課堂教學環(huán)境的改變,使課堂教學行為的深度分析成為可能。該文在對人工智能技術的教育應用現狀及課堂教學行為分析方法的發(fā)展脈絡進行梳理的基礎上,構建了以"數據采集與存儲""行為建模與計算"和"智能服務"三個功能模塊為核心的課堂教學行為智能分析模型,并以課堂S-T行為分析為例驗證該分析模型的有效性。將實驗成果應用于教學實踐中,得到了教師們的認可,實驗成果能為教師的教學反思、教師的專業(yè)發(fā)展及教學管理提供支持。根據教師在應用過程中所反饋的意見,還提出了具有針對性的行為識別模型優(yōu)化策略。研究成果能為基于人工智能技術的課堂教學行為分析研究提供一些借鑒,也能為課堂教學行為的改善、教師的專業(yè)發(fā)展以及教學質量的提升提供一定的支持。 

【文章來源】：中國電化教育. 2019,(09)北大核心CSSCI

【文章頁數】：9 頁

【部分圖文】：

課堂教學行為智能分析模型

。人臉檢測需要提取人臉特征，OpenCV提供了HOG、Haar、LBP等多種特征提取技術。本研究采用OpenCV自帶的人臉檢測器，通過在訓練集中進行實驗對比，Haar人臉檢測器獲得了較高準確率，得以在本研究中使用。(2)通過輪廓檢測獲取圖像中輪廓數目及最大輪廓面積。輪廓檢測是從圖像中找出顯著性物體并提取物體輪廓。通過對樣本圖像進行分析后發(fā)現，教師行為狀態(tài)圖像背景較為簡單，輪廓數目較少，輪廓面積較大且清晰。因此，可將輪廓檢測結果(輪廓數目和面積)作為S-T行為類型判定的因素之一。本研究中圖像輪廓檢測的步驟如圖2所示，首先采用中值濾波對原始圖像進行降噪、去噪，得到較為平滑的圖像；然后對圖像進行二值化處理，以凸顯物體輪廓；最后對二值化圖像進行輪廓檢測，同時過濾掉面積較小輪廓，對輪廓的數目與面積進行統計并保存，提取最大輪廓面積。(3)采用幀差法進行主體動作檢測獲取幀間差分圖最大輪廓面積。幀差法即幀間差分法，它利用連續(xù)或相隔一定時間的幀間差分來確定圖像中的變化區(qū)域，從而判斷運動目標[43]。本研究中幀差法計算步驟如圖3所示，將相鄰兩個樣本圖像進行差分運算得到幀間差分圖像，然后對幀間差分圖像進行二值化處理及輪廓檢測，即可將運動目標檢測出來。課堂情境下，幀間差分圖像中最大輪廓面積的取值較大時，即可判斷為教師在課堂中巡視、授課。(4)特征相關性檢驗。本研究利用Weka軟件對從訓練集圖像中所提取的圖像特征進行評估，判斷其與教學行為類別之間的相關性，對各特征值進行歸一化處理后，計算結果如表2所示。表2特征與教學行為類別相關性評估結果特征的相關系數特征名稱0.539輪廓數目0.366人臉數目0.285圖像最大輪廓面積0.255幀間差分圖最大輪廓面積計算所有單個特征與教學行

廓數目和面積)作為S-T行為類型判定的因素之一。本研究中圖像輪廓檢測的步驟如圖2所示，首先采用中值濾波對原始圖像進行降噪、去噪，得到較為平滑的圖像；然后對圖像進行二值化處理，以凸顯物體輪廓；最后對二值化圖像進行輪廓檢測，同時過濾掉面積較小輪廓，對輪廓的數目與面積進行統計并保存，提取最大輪廓面積。(3)采用幀差法進行主體動作檢測獲取幀間差分圖最大輪廓面積。幀差法即幀間差分法，它利用連續(xù)或相隔一定時間的幀間差分來確定圖像中的變化區(qū)域，從而判斷運動目標[43]。本研究中幀差法計算步驟如圖3所示，將相鄰兩個樣本圖像進行差分運算得到幀間差分圖像，然后對幀間差分圖像進行二值化處理及輪廓檢測，即可將運動目標檢測出來。課堂情境下，幀間差分圖像中最大輪廓面積的取值較大時，即可判斷為教師在課堂中巡視、授課。(4)特征相關性檢驗。本研究利用Weka軟件對從訓練集圖像中所提取的圖像特征進行評估，判斷其與教學行為類別之間的相關性，對各特征值進行歸一化處理后，計算結果如表2所示。表2特征與教學行為類別相關性評估結果特征的相關系數特征名稱0.539輪廓數目0.366人臉數目0.285圖像最大輪廓面積0.255幀間差分圖最大輪廓面積計算所有單個特征與教學行為類別之間的皮爾遜相關系數，并根據系數的大小對特征進行排序，系數值越大表示該特征與教學行為類別之間的相關性越強。表2中的4項特征都取得較大數值，因此可原始圖像中值濾波平滑圖像二值化處理二值化圖像輪廓檢測含輪廓圖像圖2圖像輪廓檢測步驟當前幀fk差分幀間差分圖像二值化處理二值化圖像輪廓檢測含輪廓圖像前一幀fk-1圖3幀間差分法計算步驟

【參考文獻】：
期刊論文
[1]人工智能視域下的學習參與度識別方法研究——基于一項多模態(tài)數據融合的深度學習實驗分析[J]. 曹曉明,張永和,潘萌,朱姍,閆海亮.  遠程教育雜志. 2019(01)
[2]基于“智慧學伴”的數學學科能力診斷及提升研究[J]. 綦春霞,何聲清.  中國電化教育. 2019(01)
[3]人工智能融入學校教育的發(fā)展趨勢[J]. 劉德建,杜靜,姜男,黃榮懷.  開放教育研究. 2018(04)
[4]教師教育的智能變革何以可能:智能課堂及其意義[J]. 張俍,任友群.  現代遠程教育研究. 2018(04)
[5]基于LMS數據的遠程學習者學習投入評測模型[J]. 李爽,李榮芹,喻忱.  開放教育研究. 2018(01)
[6]人工智能賦能教育與學習[J]. 賈積有.  遠程教育雜志. 2018(01)
[7]構筑“人工智能+教育”的生態(tài)系統[J]. 吳永和,劉博文,馬曉玲.  遠程教育雜志. 2017(05)
[8]課堂環(huán)境中基于面部表情的教學效果分析[J]. 韓麗,李洋,周子佳,宋沛軒.  現代遠程教育研究. 2017(04)
[9]課堂教學行為大數據透視下的教學現象探析[J]. 王陸,李瑤.  電化教育研究. 2017(04)
[10]技術支持下的課堂教學行為觀察方法探究[J]. 王艷麗,程云,王鋒,童三紅,黃克斌.  現代教育技術. 2016(09)

博士論文
[1]課堂教學環(huán)境下學生學習興趣智能化分析[D]. 羅珍珍.華中師范大學 2018
[2]智能視頻監(jiān)控下的多目標跟蹤技術研究[D]. 李彤.中國科學技術大學 2013
[3]特征提取與特征選擇技術研究[D]. 潘鋒.南京航空航天大學 2011
[4]實踐與反思：課堂教學行為研究[D]. 王姣姣.湖南師范大學 2009



本文編號：2999605