智慧教育背景下高校學生課堂行為數據挖掘與利用

柯斌 蘆俊佳

摘要：在智慧教育的大背景下，教育大數據得到普遍重視，高校學生課堂行為數據作為教學過程數據成為現代教育的一個研究熱點。以云南省X高校課堂原始視頻為基礎，對學生課堂行為進行了初步分類，并指出四個學生課堂行為數據挖掘利用方向：教學過程監測、學生學習風格分析、學生成績預測預警、教師課堂教學評價。最后，提出兩個后續研究方向：建立深度學習算法模型實現學生課堂行為自動識別、開發學生課堂行為應用軟件。

關鍵詞：智慧教育;高校;學生課堂行為;數據挖掘

中圖分類號：G642? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2020）26-0148-03

Abstract： Under the context of smart education， education big data has been widely valued. As the data of teaching process， classroom behavior data of college students has become a research hotspot of modern education. Based on the original classroom video of X university in Yunnan Province， this paper preliminarily classifies the student classroom behaviors， and points out four directions of data mining and utilization of student classroom behavior： teaching process monitoring， students' learning style analysis， students' performance prediction and early warning， teachers' classroom teaching evaluation. Finally， two research directions are put forward： establishing deep learning algorithm model to realize automatic action recognition of student classroom behavior， and developing the application software of student classroom behavior.

Key words： smart education; universities; student classroom behavior; data mining

在傳統教學中，學生的課程成績等教學結果數據普遍得到重視，而教學過程數據如學生課堂行為數據并沒有引起重視，隨著機器學習在教育領域的交叉融合，代表著現代教育新方向的智慧教育慢慢得到普及和認可，教育大數據在教學過程中起到的作用得到越來越多的重視[1]，而以學生課堂行為數據為代表的教學過程數據成為智慧教育的一個新的突破口。

學生課堂行為是指學生在課堂教學過程中表現出來的行為總和，包括學習行為和非學習行為。學習行為主要有聽講、閱讀、筆記、與老師語言交流等;非學習行為有玩手機、打盹睡覺、其他非學習活動等，任何課堂行為都是教學過程中反映學生學習的重要數據，因此課堂是收集和挖掘教學過程數據最好的地方。這些數據經過機器學習樣本訓練和特征提取后，可以自動識別課堂行為，最后進行數據挖掘利用，因此在教學過程監測、教學決策輔助、智慧教育[2]等方面具有重要的現實意義。

1 學生課堂行為分類

原始數據來源于云南省X高校階梯教室拍攝的學生上課視頻，經過后期剪輯、抽幀、學生樣本摳圖等預處理后得到機器學習的訓練和測試數據，如圖1所示，是學生課堂行為視頻截圖，紅色矩形框標示出來的5個學生是比較理想的樣本數據。經過統計分析，學習行為主要包括以下五大類：（1）聽講，指學生看黑板的動作行為，是最主要的學習行為;（2）閱讀，指學生看書閱讀的動作行為，也是常見的學習行為;（3）筆記，指學生書寫記筆記的動作行為，是重要的學習行為，它是學習積極性的重要體現同時對學習成績影響也比較大;（4）拍照，指學生舉起手機拍攝課件的動作行為，雖然所占比例不多但也是記筆記的一種，屬于學習行為，可以看出現今課堂上手機操作不一定都是非學習行為，它具有兩面性，不能進行簡單地否定;（5）師生交流，指學生與教師進行語言互動的動作行為，雖然所占比例很小但也是重要的學習行為。非學習行為主要包括三大類：（1）玩手機，指學生在課桌上面操作手機和課桌下低頭操作手機兩個動作行為，在大學課堂中屬于比較典型的非學習行為;（2）睡覺，指學生趴在課桌上打盹睡覺的動作行為，也是常見的非學習行為;（3）其他，指左顧右盼、私底下講話、注意力不集中、玩指甲、玩東西、整理衣物、打哈欠、喝水、按摩眼睛等與學習無關但經常出現的動作行為，種類較多且動作姿態特征較復雜。如表1所示，是學生課堂行為分類特征表，對各種行為的動作姿態特征進行了總結，為后繼的深度學習行為識別提供基礎。

2 學生課堂行為數據挖掘和利用

經過大量樣本訓練后，機器學習算法在一定程度上掌握了學生課堂行為的特征，可以自動識別學生課堂行為，從而進行數據挖掘利用。如圖2所示，是學生課堂行為數據挖掘和利用的流程圖：在教學過程中，采集到的學生課堂行為數據經過預處理和識別分析后，得到的這些教學過程數據可以反饋給后面的教學，對后面的教學進行干涉、輔助，以更好地進行教學，直至教學結束完成教學評估，通過幾次教學循環形成良好的教學環境，最終提高教學質量。學生課堂行為數據的具體應用大體可以分為以下四個方向。

2.1 教學過程監測

教學過程監測是最基本的應用，通過不斷反饋教學過程數據，教師可以主動的調整教學策略。學生整體學習行為的變化顯示出學生整體對某個章節教學內容的接受程度和關注程度：接受程度高，說明教學內容簡單學生容易理解，教師就可以把重難點放在其他部分;接受程度低，說明教學內容較難、學生難以長時間集中注意力學習，教師應該降低這部分教學內容的難度或者調整一下教學方式讓學生更容易理解;關注程度高，說明學生整體感興趣，教師應該以此為切入點抓住學生注意力加強學習效果;關注程度低，說明學生整體不感興趣，教師應該調整教學方式以獲得學生的關注。

2.2 學生學習風格分析

通過學生課堂行為識別，可以得到真實可靠的數據，分析出單個學生的學習風格、習慣和特點，甚至發現學生的興趣點和特長。對于學生而言，可以了解自己的學習狀態，更快地找到自己的興趣點和學習方向，提高學習效率和效果;對于教師而言，可以更加了解自己的每個學生，從而實現因人施教和個性化教育，最終提高教學效果。另外，對優秀學生的課堂行為進行分析，可以總結出相應的學習習慣和經驗，對其他學習能力較弱的同學可以起到借鑒引導作用。

2.3 學生成績預測和預警

學生課堂行為可以表明一個學生在課堂學習中的投入程度，這些數據可以對學生的課程成績進行簡單的預測，如圖3所示，是模擬的學生成績預測預警流程圖：首先輸入視頻經過抽幀預處理后的圖像序列，經過人臉識別算法確認每個學生的身份信息，下一步再通過機器學習訓練生成的算法模型自動識別學生課堂行為，并進行是否是學習行為的判斷，如果成立，學習行為從0開始自動加1分，如果不是，學習行為記分不變，然后一直到視頻抽幀圖像序列全部循環完成識別和記分，在課程學時完成四分之一或二分之一的時候就可以對學生進行學習成績預測[3]，如果學習行為所占比例大于等于85%，則判定為“優”，如果學習行為所占比例在85%和50%之間，則判定為“良”，如果學習行為所占比例在50%和20%之間，則判定為“中”，如果學習行為所占比例小于等于20%，則判定為“差”。對于判定結果為“差”的學生，可以在課程教學周期內進行系統預警，提醒這些學生長期下去期末考試成績可能會不合格，以便學生做出調整預防重修。同時，學生成績預測預警系統也可以預防學生考試作弊行為，如果一個判定結果為“中”或“差”的學生期末考試成績為高分的話，有很大可能性為作弊。另外，學生課堂行為數據本身代表平時學習狀態，可以直接給予一定的權重計算到平時成績內，最后綜合期末考試成績得到最終的課程成績，這種平時成績計算方式比教師完全根據平時印象打分更加客觀。

2.4 教師課堂教學評價

課堂教學評價體系有多個維度和指標，傳統的課堂教學評價如學生評教和督導評教等往往效率低下，且帶有較強的主觀性，而學生課堂行為數據因其客觀性可以作為課堂教學評價的重要參考指標[4]，這種基于教育過程數據的現代化課堂評價系統自動化程度高，大大提高了效率和精準性。一般來講，單節次的學生課堂行為數據表明了學生的課堂投入程度，可以對單次課堂的教師教學進行評價;某門課程多節次的學生課堂行為數據表明了課程整體的情況，可以對這門課程的課堂教學進行整體評價;某門課程多個學期的學生課堂行為數據的變化對比從側面表明教師教學行為的變化和改進程度，可以對教師進行長期綜合教學評價。

3 小結和展望

學生課堂行為數據具有很大的開發利用價值，但在真正應用之前，還需要做很多基礎研究和系統平臺開發工作，下面提出兩個后續研究方向：

3.1深度學習算法模型實現學生課堂行為自動識別

學生課堂行為自動識別是后期各種應用的前提和基礎，深度學習算法模型實驗流程如下：（1）建立學生課堂行為數據集，主要包括視頻采集、預處理和樣本標注三個環節;（2）模型訓練與測試，對標注好的樣本進行訓練集和測試集劃分工作，搭建深度學習環境，運用深度學習卷積神經網絡[5]算法模型比如GoogLeNet Inception V3對學生課堂行為訓練集分別進行訓練，接著對測試集進行測試，得出初步實驗結果;（3）實驗評估與改進，對初步實驗結果進行分析評估，提出改進措施，對兩種方法進行了分析對比，證明改進措施的合理性，通過多次改進完善，最終使算法模型達到較高的識別率。

3.2 建立學生課堂行為數據應用軟件開發

在實現深度學習算法模型學生課堂行為識別和目標檢測[6]、人體動作識別[7]等其他關鍵技術后，就是各種教學應用軟件的系統開發工作。前面提出的四大具體應用方向僅僅是初步的探索，軟件系統的前期需求分析還應根據各高校相關教學部門的功能需求進行充分的討論和驗證，然后進入研發和測試階段，最后才能投入使用。

總之，教育數據挖掘[8]只是技術手段，最終目的也是為了服務于教學，學生課堂行為作為教學過程數據在現代教育行業具有巨大的應用前景，真正體現了智慧教育的優勢，是現代教育的趨勢方向。

參考文獻：

[1] 吳砥，饒景陽，吳晨.教育大數據標準體系研究[J].開放教育研究，2020，26（2）：75-82.

[2] 楊現民，余勝泉.智慧教育體系架構與關鍵支撐技術[J].中國電化教育，2015（1）：77-84.

[3] 呂品，于文兵，等.基于機器學習的學生成績預測及教學啟示[J].計算機技術與發展，2019，29（4）：200-203.

[4] 羅祖兵，郭超華.新中國成立70年課堂教學評價標準的回顧與展望[J].中國教育學刊，2020（1）：55-61

[5] 周飛燕，金林鵬，董軍.卷積神經網絡研究綜述[J].計算機學報，2017，40（6）：1229-1251.

[6] 趙永強，饒元，董世鵬，等.深度學習目標檢測方法綜述[J].中國圖象圖形學報，2020，25（4）：629-654.

[7] 黃珊珊，郭忠文，孔勇強.基于骨架模型的人體動作識別方法[J].中國海洋大學學報，2019，49（S2）：164-169.

[8] 周慶，牟超，楊丹.教育數據挖掘研究進展綜述[J].軟件學報，2015，26（11）：3026-3042.

【通聯編輯：王力】