基于人工智能的課堂教學行為分析方法及其應用

劉清堂 何皓怡 吳林靜 鄧偉 陳越 王洋 張妮

摘要：隨著人工智能技術的快速發展及課堂教學環境的改變，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、教師的專業發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、教師的專業發展以及教學質量的提升提供一定的支持。

關鍵詞：人工智能;課堂教學行為;智能分析

中圖分類號：G434 文獻標識碼：A

一、引言

人工智能（Artificial Intelligence）是研究、開發用于模擬和延伸人類智能的理論、方法、技術及應用系統的科學[1]。當前，人工智能技術已滲入人類生活的各個領域，社會對人才的需求正在發生改變，教育的變革也相應引發。美國《國家人工智能研發戰略規劃》中提到要利用人工智能技術改進教育機會，實施個性化學習和終身學習等[2]。我國《新一代人工智能發展規劃》提出要發展“智能教育”，推動人才培養模式和教學方法改革[3]。《教育信息化2.0行動計劃》提出要推進智能教育，開展以學習者為中心的智能化教學支持環境建設，推動人工智能在教學、管理等方面的全流程應用等[4]。

隨著智能教學環境的建設和普及，與之相適應的教育教學模式及課堂教學行為分析等研究，成為了人們關注的焦點。進行課堂教學行為分析，探究課堂教學活動促進學生發展的內在機制，幫助教師反思獲得實踐性知識，有利于促進課堂教學質量的提升。然而傳統的課堂教學行為分析方法，多是通過自我報告法、人工觀察手動編碼等方法采集和分析數據，存在著編碼主觀性強，費時費力，所獲得樣本量小等缺點，不利于發現普遍的教學規律。智能教學環境的日益普及為這些問題的解決帶來了契機。利用智能技術自動采集和編碼教學過程數據，能更為全面且及時地識別課堂教學行為，自動化地對課堂教學行為進行分析和可視化呈現，洞悉課堂教學情境，為教師的專業發展和教學質量的提升提供了有力支持。

本文結合人工智能的特點及課堂教學行為分析的相關理論，提出了課堂教學行為智能分析模型。通過實例應用進行分析和研究，以期為當前課堂教學行為分析研究提供借鑒和參考。

二、相關研究

（一）人工智能的教育應用研究

當前，人工智能與教育的融合、發展研究產生了較多的成果，在應用研究方面大致可分為以下四種類型：

1.智能在線學習平臺

隨著在線學習，特別是MOOC及智能教學平臺的快速發展，在線學習平臺記錄下學習者所產生的大量的結構化、半結構化及非結構化數據，這些面向教學系統和學習過程的海量數據是進行學習分析的數據來源。基于教育大數據利用人T智能技術進行學習分析，實時洞悉學習者的學習狀態，進而實施精準教學，以適應學習者各異的學習特征，促進其個性化發展。大量的研究聚焦于學習者的在線學習心理、行為分析及學習績效預測等。如：學者Macfadyen基于在線學習平臺所記錄的學習者行為數據，對學習者的學習績效進行了預測[5]。李爽基于在線學習平臺的數據，構建了學習投入評測模型，并進一步分析了在線學習投入與學習績效之間的關系等[6]。

2.智能教育助理

該領域的研究主要包括智能教學系統、教育機器人、學習同伴等。智能教學系統（ITS），是指一個能夠模擬人類教師來幫助、輔導學習者進行學習的智能系統[7]。其核心組件包括領域知識模型、學習者模型、教學法模型和人機接口模型型[8]。學者Hilles等設計開發了智能教學系統MDB以支持數據庫系統課程的學習并取得了較好效果[9]。孫波等基于在線學習者的面部表情利用智能技術對其情感進行自動識別，再通過虛擬教師的情感表達與學習者進行互動，以實施學習干預[10]。智能機器人作為STEM教具能夠有效培養學生的高階思維能力和實踐操作能力[11]。綦春霞等利用智慧學伴，對學生的數學學科能力進行測評、診斷并實施精準干預，以推進學生數學學科能力的持續進階[12]。

3.智慧教室

智慧教室（Smart Classrooms）是在先進信息技術支持下構建的個性化、數字化、智能化的新型學習環境[13]，具有主動感知教學情境、自動采集分析數據、適配性推送學習資源、學習工具多樣化等特征。智慧教室為教師的教學決策和學生的學習機會提供了多元化的、多維度的數據支持，是學生素質培養和能力發展的智能化空間。學者Angeli等在課堂中利用數據挖掘方法對不同認知風格的學習者的問題解決過程進行了對比分析，該方法可為課堂教學的研究和教學設計的優化提供支持[14]。學者Holstein等給K12任課教師佩戴混合現實的智能眼鏡，以增強教師對學生的學習情況、元認知及行為的感知，便于教師對學生進行實時監控并提供針對性指導[15]。國內學者張俍等基于心理學、神經科學、信息科學等學科理論設計了融合多模態數據的“智能課堂”，以此為科學的教學評價提供實證基礎，從而能提升教師的課堂表現，推動教師教育的變革[16]。陳靚影等基于多模態自然感知技術，探究課堂上學生學習興趣的智能化分析方法，該方法能真實反映學生的學習興趣狀態，為教師改進教學方法、提高教學效果提供了可靠依據及手段[17]。

4.智能校園

智能校園是以網絡化信息流轉為基礎，以人工智能技術為手段，以集成化教學資源及應用為依托，實現了校園中師生教學、管理決策的智能化和科學化[18]。美國布拉德利大學的Uskov教授對智慧大學的概念模型進行了系統化的設計，他認為智慧大學是由具有一定智能水平的智慧教室、智慧學院、智慧課程、智慧教學、智慧技術和其他特殊組件構成的一個智慧系統，并以布拉德利大學為例介紹了智慧大學的建設情況[19]。同時，Uskov教授還設計了智能學習分析系統，以提升智慧大學的智能水平[20]。

綜合以上研究可以發現，隨著信息技術的發展，在線學習平臺、智慧教室、智能校園等學習環境的建設，為人工智能技術滲入日常教學創造了條件。在線學習平臺能較為詳實的記錄學習者的行為數據及輸入信息，因其數據的易獲取性及結構化程度較高，這為學習分析帶來了便利。在課堂教學方面，數字攝像、語音識別、電子書包、BYOD等技術的使用，使課堂教學數據的采集實現了伴隨式、自動化和多源化。但是，由于課堂教學情境的復雜性，課堂教學數據的非結構化、多源化等特征，增加了數據處理和分析的難度。因此，如何基于人工智能的技術優勢進行課堂教學行為分析仍需要進一步的探究。

（二）課堂教學行為分析方法研究

行為是指為實現某種意圖而具體進行的活動[21]。教學可理解為教師的教和學生的學兩方面的統一。課堂教學行為可包括教師行為、學生行為和互動行為[22]。課堂教學行為具有情景性和動態性，然而，在一定情境中，課堂教學行為同時又具有一定的規律性。課堂教學行為研究就是要在零散、具體的課堂教學行為特征和表現中，探究教學行為的發生、發展規律，以增強師生在教學中的行為自覺，提高教學行為的效率[23]。課堂教學行為研究對促進教學評價的客觀性[4]，優化教學設計[25]，發展教師實踐性知識[26]等有重要意義。信息技術的發展使課堂教學環境發生了改變，課堂教學行為分析方法亦隨之進化。以下以課堂教學環境的發展變化為線索來看課堂教學行為分析方法的發展。

1.傳統課堂教學環境階段

此階段的課堂教學行為分析方法研究多集中于分析量表的編制，觀察者基于相關量表對課堂中的教學行為進行手工編碼記錄，再進行計算分析。學者Anderson對幼兒教師與兒童的交互行為進行研究，研制出了觀測幼兒教師在教學過程中的支配行為和民主行為的量表，并對兩種行為進行計算比較[27]。弗蘭德斯（Flanders）互動分析系統（FIAS）將課堂中教師和學生的言語行為分為教師言語、學生言語、靜止或混亂三大類共10個維度，觀察人員選擇適當的代碼記錄下師生的言語互動行為，形成互動分析矩陣，該方法為教師進行教學反思提供了支持[28]。S-T分析方法將課堂教學行為分為學生（S）行為和教師（T）行為兩類，通過觀察課堂教學過程，以一定時間間隔進行采樣、編碼，形成S-T時序數據，繪制S-T曲線并計算確定課堂教學模式[29]。

2.信息化教學環境階段

隨著信息技術特別是多媒體技術的發展，給課堂教學帶來了更為豐富的媒體展示和信息交互，同時也帶動了課堂教學行為分析新方法和新工具的產生和應用。為適應信息化教學環境下的課堂教學行為分析，學者們設計了融人信息技術特征的編碼系統;同時，課堂教學行為分析軟件的開發和引入，有效提升了分析的效率。學者顧小清等基于弗蘭德斯（Flanders）互動分析系統，增加了師生與技術互動的維度，設計了基于信息技術的互動分析編碼系統（TTlAS）[30]。穆肅等結合信息技術課堂中師生教學行為的特點，提出了課堂教學行為分析系統（TBAS）及系列分析方法[31]。李靜等利用NVIVO軟件，以信息化教學環境下的授課視頻為研究對象，基于質性分析的視角對課堂教學行為進行研究[32]。王艷麗等開發了課堂教學行為采集與分析軟件，提高了數據采集和分析的效率[33]。

3.智慧教室階段

智慧教室環境下，為自動化和智能化的采集和分析數據創造了條件，研究者們基于多源數據及智能算法，從多種教學行為切人開展識別模型的構建及分析方法研究，進一步豐富了課堂教學行為分析的內容和方法，同時分析的效率也得到了極大提升。學者Liu等利用移動腦波傳感器采集學習者的腦電信號，采用支持向量機分類器分析計算腦電特征并判斷學習者的注意力情況取得了較高的準確率，這為教師的實時教學干預提供了支持[34]。學者Whitehill等開發了自動化的課堂學習參與度識別器，該工具采用機器學習的方法實現了對學習者面部表情的自動采集和計算，推斷出學習者的參與度情況，以增強教師對學習者參與度的瞬時感知[35]。韓麗等建立了認知行為與學生頭部姿態及面部表情行為的特征關系，并在此基礎上構建了基于人臉檢測與表情分析的課堂教學評價系統，分析與評價了學生對課堂教學的關注度、參與度以及活躍度[36]。曹曉明等采用深度學習的方法，融合多模態數據，構建了學生學習參與度識別模型[37]。

綜上所述，隨著信息技術的發展，課堂教學行為分析技術正走向自動化和智能化，這使得課堂教學評價的常態化和規模化成為可能，為課堂教學規律的研究和學習本質的探尋提供了強有力的支持。然而，智慧教室是一個既先進而又復雜的教學環境，目前多數研究還處在實驗測試階段。通過教學視頻來分析教學行為，因其低成本和易用性的特點，受到了研究者們的青睞，可這對圖像抓取、特征選擇、數據處理、計算和分析提出了更高的要求。如何在復雜的教學情境中提取有價值的信息，以提升課堂教學行為分析的客觀性和科學性還需進一步的研究。

三、課堂教學行為智能分析模型研究

智慧教學環境下的課堂教學行為分析是目前關注的熱點研究領域，期待利用學習分析和大數據的方法揭示課堂教學的一般規律。課堂教學行為分析涉及到教師行為、學生行為、師生互動行為等，同時需要綜合考慮課堂教學內容（知識點）、智慧教學情境以及師生情感變化等，迫切需要研究課堂教學行為的數據采集、行為表征與分析、應用效果揭示與闡釋等。綜合前人的研究和自身的實踐，本文提出了課堂教學行為智能分析模型，如圖1所示。

該模型以課堂教學為中心，在教育教學理論和人工智能技術、標準，以及信息安全和隱私保護相關規范指導下，進行課堂教學數據從采集、處理、存儲、建模分析到應用反饋的一體化流程，力求充分發揮課堂教學數據的實際應用價值，提升課堂教學行為分析的科學性，最終提升教學質量。以下對各模塊具體功能進行介紹。

（一）數據采集與存儲模塊

本模塊主要依據相關教育教學理論及建立的課堂教學行為分析指標體系，利用相關設備進行數據采集。為了不對課堂教學造成干擾以獲取真實數據，盡量采用非入侵、伴隨式的數據采集方式，獲取的數據存儲到相應的數據庫中。采集的數據主要分為4種類型：圖像數據、語音數據、生理信號數據和其他數據。圖像數據主要是利用安裝在教室各個方位的攝像頭等來進行采集，可采集教師、學生、電子白板和黑板等的圖像數據。語音數據主要通過教室安裝的拾音器、教師佩戴的麥克風等來進行采集。生理信號數據則是利用可穿戴設備來進行采集，采集的信號包括：腦電、皮膚電、心率、血壓、呼吸、皮膚溫度、肌電、眼電信號等。其他數據包括教學過程中的文本數據、基于移動終端的師生互動答題數據等，可利用相關工具進行采集。對數據進行相應的預處理，如：截取圖像、設置圖像大小和轉換格式等;對語音數據及生理信號數據去除噪聲、變換格式等。

行為識別與計算模型的構建，離不開高質量訓練集和測試集的支撐。建立行為和情感數據庫是進行行為識別的基礎。一個真實、自然、可靠的教學行為和情感數據庫有利于教學行為特征的分析和提取，有利于提高行為識別的準確性。因此在構建教學行為和情感數據庫來進行模型的訓練和驗證時，應該考慮使用數據的自然度、清晰度、準確度及平衡性等問題。自然度主要是指數據反映的教學行為和情感是自發表現的，符合日常表達習慣，行為類型多樣，人物多樣（不同性別、年齡），具有較好實用性。清晰度是指圖像清晰分辨率高，語音咬字清晰并較少摻雜噪聲，盡量減少生理信號采集過程中產生的噪聲等。準確度是指該數據能準確標注反映所要求情感或行為，如：可通過對標注人員進行培訓來提升準確度。數據平衡性是指樣本數目在各個類別之間的分布大致相等。可通過建立行為和情感數據庫評價指標體系來對數據庫進行量化評價，以保證其質量等。

（二）行為建模與計算模塊

該模塊主要是基于教育教學相關理論及課堂教學行為分析理論，并結合課堂教學的具體情境和人工智能技術的特點，構建教學行為識別與計算模型并進行行為計算，其流程可劃分為：教學行為機理研究、指標構建、獲取數據、特征提取和選擇、行為識別與計算。

教學行為機理研究主要是以課堂教學行為分析理論、認知科學、教育心理學、行為心理學等為理論基礎，研究認知與教學行為及教學行為與人類動作、生理特征等之間的關系。只有掌握了課堂教學行為的意義及其表現特征，才能明確采集什么樣的數據及如何提取相關信息來進行分析。

指標構建則是在教學行為機理研究的基礎上，結合人工智能技術特點，構建教學行為與人物動作、姿態、表情等特征之間的對應關系，形成相應的指標體系，使教學行為的測量更具有可操作性，以指導數據采集、特征提取和選擇、行為識別與計算等。如在分析學生學習興趣時，將學生學習興趣分為認知注意力、學習情感和思維活躍度3個維度，其中認知注意力的測量指標為學生注視黑板的時長，學習情感的測量指標為注意力集中時的笑臉時長，思維活躍度則是通過答題正確率和答題頻率來進行測量[38]。

數據獲取主要是從圖像、語音、文本、生理信號等數據庫中獲取數據，以進行處理和分析。

特征提取和選擇主要是從視頻、圖像、語音、文本及生理信號等數據中獲取能夠表征行為類別的相關特征信息，該步驟可包括特征標準化、特征層融合等操作，以為行為識別提供具有良好區分性的特征。特征提取在人臉識別、數據可視化、模式識別等領域有廣泛的應用，但該技術難以解釋新特征與樣本類別之間的相關關系[39]。特征選擇是指從原始屬性中選取最小數量的特征子集，特征子集內的屬性與樣本類別具有較大相關性，屬性與屬性之間有較大獨立性[40]。在進行特征的選擇時，可利用皮爾遜統計量、信息增益等方法來度量和評估特征與類別之間的相關度，以及特征之間的相關度。另外，深度學習方法可實現白下而上的無監督的特征自動提取，在樣本量較多的情況下采用此方法獲取特征，無需過多的人為干預，也得到較多研究者的青睞。

行為識別與計算是利用相關算法根據輸入的特征信息進行教學行為類別的判斷和計算，內容包括決策層融合、情感識別、教學行為分類、師生行為比例計算、教學模式判斷等。行為識別與計算模型的構建需反復調試與比較，以提升其計算性能和精度。當行為識別與計算模型構建成功后，便可實現自動化的以教學行為多模態數據作為輸入變量進行計算，輸出相應的教學行為狀態結果，計算結果應用于智能服務模塊，為教師、學生、管理者等提供教學支持服務。

（三）智能服務模塊

課堂教學行為智能分析的結果主要服務于課堂教學分析、教師教學分析和教學管理分析與決策三個方面。在課堂教學過程中，智能分析與計算結果的實時可視化呈現，增強了教師的課堂教學感知，輔助教師進行課堂教學的形成性評價，及時調整教學策略，提供有針對性的學習支持服務，實現“因材施教”。在教師教學分析方面，教師和教研室利用沉積下來的課堂教學行為分析數據，與學生的人口統計學信息及學習績效相關聯，發現影響學生學習績效的相關因素，便于教師精準施教。基于計算結果自動生成的課堂記錄表及教師成長曲線等，能跟蹤教師教學能力變化，為教師的教學反思提供支架，以進一步改善課堂教學，提升教學質量，促進教師專業發展。在教學管理分析與決策方面，可在相關平臺上匯聚整合轄區內課堂教學分析的數據，學校或區域管理者基于該數據進行宏觀層面的教育分析與決策，使教學管理的效率和科學化水平得以提升。在以上各方面的應用過程中，對出現的問題以及提出的建議形成反饋，繼續對計算模型進行改進和完善。

（四）教育教學理論與人工智能技術、標準

由于教育系統的復雜性，給人工智能技術與教育的融合提出了挑戰，需在教育教學理論的指導下，智能化地應對教學系統的多樣性和復雜性。在對教學行為進行數據刻畫時，既要針對不同的學習場景和學習過程，還需考慮教學行為數據來源的多樣性和異構性，研制相應的標準規范對師生不同的教學行為進行量化與分析。在教育實踐中總結研究，促進相關理論創新和技術變革，提升課堂教學行為分析的科學性和客觀性，以提升教學效能。

（五）信息安全和隱私保護

技術是把雙刃劍，隨著人工智能技術與學校教育的不斷融合深化，大量的教育數據被采集、挖掘、整合和共享，教學場域被逐步量化，教師和學生因被數據化構建而變得更為“透明”，這為教學研究和教學服務帶來巨大便利，同時也存在著信息泄露的風險和危害。因此，在數據的采集、分析和應用的過程中，要加強信息安全和隱私保護，遵守相應的法律法規和倫理規范，提高教師的數據素養。

四、課堂教學行為智能分析模型的應用探討

對課堂教學師生的交互行為進行分析和研究，可為教師開展協同教研、教學反思提供支持，現有的分析方法已有很多。S-T（Student-Teacher）分析方法[41]，是常用的課堂交互行為分析方法，其將教學行為分為T行為（教師行為）和S行為（學生行為）兩類，這使得教學過程中的行為編碼變得清晰而簡單，提高了分類的可靠性和客觀性。傳統的S-T分析方法多采用的是人工觀察手動編碼的方式進行。隨著智能技術的發展，教學環境的改變，使課堂教學行為分析實現自動化、常態化、規模化成為可能。下面以S-T分析為例，闡述課堂教學行為智能分析模型的應用過程。

（一）數據采集與存儲

1.數據的采集

本研究中，課堂教學數據的采集采用了非入侵、伴隨式的數據采集方式。利用教室中安裝的多路高清攝像機采集課堂上教師和學生的圖像，利用麥克風采集語音數據，并通過錄播系統自動合成為教學視頻，存人視頻數據庫中。本研究采集了10個中小學課堂教學現場視頻作為訓練集和測試集。

2.構建課堂教學行為圖像數據庫

通過視頻圖像捕獲軟件，設置每5秒鐘采樣一幀圖像，采集上述10個課堂教學視頻中的圖像，共獲得5360幅圖像，并標注圖像的行為類別（11行為或S行為）。為保證圖像標注的準確度，本研究選擇了10名研究生作為圖像標注人員，并制定相關標注規則，對標注人員進行培訓后，完成標注。將標注好的圖像數據70%作為訓練集和30%作為測試集，分別存人訓練圖像庫和測試圖像庫。

（二）行為建模與計算

1.教學行為機理研究

教學過程中的S-T行為分析，T行為主要包括教師的解說、示范、板書、媒體演示、提問、點名和巡視等。S行為可定義為除T行為以外的所有行為，包括學生發言、思考、筆記、作業等。基于S-T分析方法對課堂教學場景進行采樣并記錄，形成反映教學行為分布的量化數據，計算并繪制S-T曲線和Rt-Ch圖，據此可以分析該節課師生交互的情況及所采用的教學模式，輔助教師進行教學研討和反思。

2.指標構建

基于S-T行為分析理論及其人工智能技術的特點，主要對課堂教學圖像中的T行為進行識別。根據人臉檢測、輪廓檢測等技術的特點及其對教學場景圖像特征的識別，建立教學行為與圖像特征之間的對應關系，設計了S-T行為分析特征指標，如下頁表1所示。

在表1中，可將教師行為T用圖像中的人臉數目、輪廓數目、圖像最大輪廓面積和幀間差分圖最大輪廓面積四個特征來表示。行為T1為教師解說、課件播放或板書，教師背對或側對學生，教學視頻中沒有人臉，可用人臉檢測數目為0和輪廓數目較少來進行推測。行為T2為教師解說示范、提問或點名，視頻中出現教師正面人臉且教師背景環境簡單，可用人臉檢測數目為1和圖像最大輪廓面積較大來進行推測。行為T3為教師解說，視頻中表現為學生聽課抬頭看黑板，人臉數目和輪廓數目較多。行為T4為教師在學生中巡視、講授，主體動作幅度較大時，利用幀差法將當前樣本圖像與前一樣本圖像的像素點的灰度值進行做差計算，得到幀間差分圖像并計算其最大輪廓面積，如其大于某閾值可判斷有物體移動，并且背景有學生時，輪廓數目較多。學生行為S為除T行為以外的所有行為。

3.獲取數據

從訓練圖像庫、測試圖像庫或視頻數據庫中獲取數據，以進行處理和分析。

4.特征提取和選擇

根據提出的S-T行為分析特征指標，需要從圖像中獲取人臉數目、輪廓數目、圖像最大輪廓面積和幀間差分圖最大輪廓面積共4種用于S-T行為分類的特征。OpenCV是一個開放源代碼的計算機視覺類庫[42]，本研究采用OpenCV提供的相關算法獲取圖像特征再進行特征選擇。

（1）通過人臉檢測獲取圖像中人臉數目。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現，教師行為狀態圖像背景較為簡單，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f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，它利用連續或相隔一定時間的幀間差分來確定圖像中的變化區域，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。

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，因此可將其作為建立行為識別模型的自變量。

5.行為識別與計算

（1）構建行為識別模型，對教學行為類別進行判斷。以提取到的圖像特征信息及分類結果作為輸入訓練并評估分類器，以獲得針對本數據集的最優分類器。所選擇算法訓練得出的分類器性能比較如表3所示。通過比較發現，決策樹分類器的精確率較高，可作為針對本數據集的最優分類器。

（2）師生行為統計及教學模式判定。利用訓練得到的分類器，輸入圖像特征信息，對教師行為和學生行為進行識別。利用識別的結果計算生成師生互動曲線并判定課堂教學模式。設定教師行為m的個數為Nt，學生行為（S）的個數為Ns，連續同一行為的連數為g，公式（1）計算的是課堂中教師行為占有率Rt，公式（2）則計算師生行為轉換率Ch：

然后，可利用Rt、Ch值判定課堂教學模式，如表4所示。

（三）智能服務

1.服務與反饋

該實驗程序應用于實際教學當中，實現了對課堂教學視頻進行自動化計算分析，為教師的教學反思提供了支架。如圖4所示，展示了某校小學語文《雪地里的小畫家》一課的師生互動情況，最右側顯示的是通過計算得出的教師行為占有率Rt、學生行為占有率、師生行為轉化率Ch及判斷得出的教學模式;最左側顯示了自動繪制的S-T曲線;中間呈現的Rt-Ch圖反映了本次課的教學模式類型為講授型。該實驗成果在應用過程中得到了教師的認可，新方法減輕了教師統計數據的工作量，讓教師能更專注于課堂教學的反思和評價;同時該方法使課堂教學行為分析實現常態化、規模化成為可能，累積下來的數據有利于教師通過橫向和縱向的對比分析，發現自身不足，加速個人成長，也能為教學管理者的決策提供數據支撐。另外，教師們也提供了反饋意見，希望軟件能自動識別出更多的課堂教學行為，并且如能提供課堂教學視頻的相關背景信息，如教師的相關信息、學情信息、教學設計等，則更有利于對課堂教學行為進行對比和分析。

2.反思與對策

根據應用過程中所獲得的反饋和意見，進行總結和反思，提出改進策略以求進一步滿足實際應用需求。首先，需繼續增加樣本量，補充多種類型的課堂教學樣本，提升樣本數據的自然度和平衡性，這將有利于特征選擇和模型訓練。其次，優化技術和方法，繼續挖掘和融人更多的行為識別特征（如：頭部姿態特征、語音特征、生理信號特征等），采用多模態信息融合的方法提升行為識別的精確度、多樣化及細粒度;同時，還要優化特征提取方法提高檢測準確率和魯棒性，以提升行為識別模型的泛化能力。最后，進行教學行為分析和統計時能關聯教學情境等相關信息，深入挖掘教學行為產生的內在含義，以求更好的服務于教學;同時，還需注意隱私保護，防止教師和學生的個人信息泄露。

五、結語

人工智能技術讓我們能以一種新的方式來看待課堂和教學，帶來了新的教育理念和教學評價方式。教學過程及情境的分析和優化，得以在新技術的支持下進行思考和論證，使得教育決策更具有科學性和合理性。本文對當前人工智能技術在課堂教學行為分析中的應用進行了研究和探索，構建了課堂教學行為智能分析模型并將其應用于實踐，取得了一定的效果，在應用過程中所獲得的反饋意見，又為進一步優化教學行為分析模型指出了方向。期望本文提出的方法和案例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參考和借鑒。

參考文獻：

[1]劉清堂，毛剛等.智能教學技術的發展與展望[J].中國電化教育，2016，（6）：8-15.

[2] National Science and Technology Council.The national artificialintelligence research and development strategic plan[EB/OL].https：//www.nitrd.gov/news/national_ai_rd_strategic_plan.aspx，2016-10-20.

[3]國務院關于印發新一代人工智能發展規劃的通知[EB/OL].http：//www.gov.cn/zhenge e/content/2017-07/20/content_5211 996.htm，2017-07-20.

[4]教育部關于印發《教育信息化2.0行動計劃》的通知[EB/OL].http：//www.moe.gov.e n/s rcsite/A1 6/s3342/201804/t20180425_334188.html，2018-04-18.

[5]Macfadyen L P，Dawson S.Mining LMS data to develop an"earlywarning system"for educators：A proof of concept[J].Computers&Education.2010，54（2）：588-599.

[6]李爽，李榮芹等.基于LMS數據的遠程學習者學習投入評測模型[J]開放教育研究，2018.（1）：91-102.

[7]賈積有.人工智能賦能教育與學習[J].遠程教育雜志，2018.（1）：39-47.

[8]劉德建，杜靜等.人工智能融入學校教育的發展趨勢[J]開放教育研究，2018，（4）： 33-42.

[9] Hilles M M，Naser S S A.Knowledge-hased Intelligent TutoringSystem for Teaching Mongo Database[J].European AcademicRasearch.2017，4（10）：8783-8794.

[10]孫波，劉永娜等.智慧學習環境中基于面部表情的情感分析[J].現代遠程教育研究，2015.（2）：96-103.

[11]Altin H.Pedaste MIP.aming Approaches to Applying Robotics in ScienceEducation[J].Joumal of Baltic Science Education.2013，12（3）：365-377.

[12]綦春霞，何聲清.基于“智慧學伴”的數學學科能力診斷及提升研究[J]中國電化教育，2019.（1）：41-47.

[13]唐燁偉，龐敬文等.信息技術環境下智慧課堂構建方法及案例研究[J]中國電化教育，2014，（11）：23-29.

[14]Angeli C，Howard S.et al.Data mining in educational technologyclassroom research：Can it make a contribution？[J].Computers&Educ ation，2017，1 13（5）：226-242.

[15]Holstein K，Hong G.et al.The classroom as a dashhoard：co-designingwearable cognitive augmentation for K-12 teachers[A].AbelardoPardo.Proceedings of the 8th International Conference on LearningAnalytics and Knowledge[C].New York：ACM Press，2018.79-88.

[16]張俍，任友群.教師教育的智能變革何以可能：智能課堂及其意義[J]現代遠程教育研究，2018，（4）：15-21.

[17][38]陳靚影，羅珍珍等.課堂教學環境下學生學習興趣智能化分析[.電化教育研究，2018，（8）：91-96.

[18]吳永和，劉博文等.構筑“人工智能+教育”的生態系統[J].遠程教育雜志，2017，（5）：27-39.

[19] Uskov V.L.et al.Sman Universities：Concepts，Systems，and Technologies[M].New York：Springer Press.2018.

[20] Uskov V.L.et aI.Building Smart Leaming Analytics System for SmartUniversity[A].Vladimir L.Uskov.Proceedings of the 4th InternationalKES Conference on Smart Education and Smart E-Learning[C].NewYork：Springer Press，20 17. 191-204.

[21]中國社會科學院語言研究所詞典編輯室編.現代漢語詞典[M].北京：商務印書館，1983.

[22]王姣姣.實踐與反思：課堂教學行為研究——以六所中小學校為個案[D].長沙：湖南師范大學，2009.

[23][24]張建瓊.教學行為研究的教學論意義[J]教育理論與實踐，2004，（9）：50-53.

[25]李松林.課堂教學行為分析引論[J].教育理論與實踐，2005，（4）：48-51.

[26]王陸，李瑤.課堂教學行為大數據透視下的教學現象探析[J].電化教育研究，2017，（4）：77-85.

[27] Anderson H H.The measurement of domination and of sociallyintegrative behavior in teachers' contacts with children[J].ChildDevelopment，1939.10（2）：73-89.

[28] Flanders N.lntent，Action and Feedback：A Preparation forTeaching[J].Journal of Teacher Education，1963， 14（3）： 25 1-260.

[29][41]傅德榮，章慧敏等.教育信息處理[M].北京：北京師范大學出版社，2011.

[30]顧小清，王煒.支持教師專業發展的課堂分析技術新探索[J].中國電化教育，2004，（7）：18-21.

[31]穆肅，左萍萍.信息化教學環境下課堂教學行為分析方法的研究[.電化教育研究，2015，（9）：62-69.

[32]李靜，張祺等.中學信息化課堂教學交互行為研究——基于質性分析的視角[J]中國電化教育，2014，（2）：101-107.

[33]王艷麗，程云等.技術支持下的課堂教學行為觀察方法探究[J]現代教育技術，2016，26（9）：39-45.

[34] Liu N H，Chiang C Y，et aI.Recognizing the DegTee of Human Attention UsingEEC Signals from Mohile Sensors[J].Sensors，2013，13（8）：10273-10286.

[35] Whitehill J，Serpell Z，et aI.The Faces of Engagement：AutomaticRecognition of Student Engagement from Facial Expressions[J].IEEETransactions on Affective Computing.2014，5（1）：86-98.

[36]韓麗，李洋等.課堂環境中基于面部表情的教學效果分析[J].現代遠程教育研究，2017，（4）：97-103.

[37]曹曉明，張永和等.人工智能視域下的學習參與度識別方法研究——基于一項多模態數據融合的深度學習實驗分析[J].遠程教育雜志，2019，（1）：32-44.

[39][40]潘鋒.特征提取與特征選擇技術研究[D].南京：南京航空航天大學，2011.

[42] Cary Bradski，Adrian Kaehler.學習OpenCV（中文版）[M].北京：清華大學出版社，2009.

[43]李彤.智能視頻監控下的多目標跟蹤技術研究[D].長沙：中國科學技術大學，2013.