人工智能視域下的教學行為分析方式研究

張志高，李 晶（通訊作者）

（佳木斯大學 黑龍江 佳木斯 154007）

1 引言

人工智能作為新興技術被各個領域所應用，教育領域也不例外。2018年4月13日，教育部印發《教育信息化2.0行動計劃》。計劃中指出以人工智能、大數據、物聯網等新興技術為基礎，在新技術支持下對教學模式和教學生態進行變革和重構[1]。教學行為分析作為教育研究中量化分析的重要組成部分，適合在其中引入人工智能技術，使教學行為分析更加智能和全面。本文通過對傳統教學行為分析方式與人工智能支持下的教學行為分析方式進行對比和研究，分析其優勢與不足。

2 人工智能支持下的課堂教學行為分析方式

隨著人工智能技術的不斷成熟，應用領域越來越廣泛，教育領域也是應用的重點之一。將人工智能技術與課堂教學行為分析結合起來，是人工智能教育應用的一個重要的突破口。傳統教學行為分析要人工觀察、記錄、編碼，這樣對人力和時間的消耗很大。將人工智能技術應用于教學行為分析能實現自動記錄，編碼分析，使教學行為分析變得智能且高效。由于人工智能與教學行為分析結合的技術領域較為豐富。本文將從計算機視覺、自然語言處理兩個領域與教學行為分析的結合進行說明。

2.1 基于計算機視覺的教學行為分析

計算機視覺技術主要指對圖片以及視頻進行檢測與分類。而教學行為分析旨在對教師以及學生的行為進行分類。故可將計算機視覺技術應用于教學行為分析中。計算機視覺在教學行為分析中的應用主要分為兩個階段。第一階段是機器學習階段，該階段主要利用人臉識別、輪廓識別間接地識別教學行為，然后利用S-T分析法進行分析[2]。第二階段是深度學習階段，該階段利用更大的數據集進行訓練，以達到更精確的識別效果[3]。

2.1.1 實現原理

利用計算機視覺技術進行教學行為分析，簡而言之，就是對教學視頻分解出的圖片進行分類。每張圖片會展現師生的不同行為，行為的編碼就是圖片分類標準。實現自動分類的機制是計算機通過大量已分類好的圖片進行訓練，利用人工智能的模型和算法識別和記錄所有類別的特征參數，然后對未分類的圖片進行分類。

計算機視覺技術在機器學習階段，對數據集要求比較高，既要對數據集中的圖片進行分類標記，還要根據不同類別標記不同類別的特征。到了深度學習階段，特征提取和標注變成了自動的，卷積神經網絡可以對每一類圖片進行自動的特征提取。

2.1.2 分析流程及說明

首先進行教學視頻的采集，采集方式主要是進行課堂實錄。然后將視頻分解為圖片，將圖片利用人工智能模型和算法根據不同行為進行分類，最后對分類的結果進行統計和分析。

由于人工智能技術進行分類需要大量的數據進行訓練。但是現在沒有教學行為分析的專用數據集，故在進行某節課的教學行為分析時，先需要對多節課的數據進行收集與整理，數據越多，分類效果越準確。不過隨著人工智能技術的不斷更新與發展，將其他領域類似的數據集引入到教學行為分析數據集之中，也就是所謂的遷移學習，可以極大地豐富現有數據集，提高準確性。

2.1.3 優勢與不足

利用計算機視覺技術進行教學行為分析，可以省去人工編碼煩瑣的工作，并對課堂全局進行實時把控。但是對教學視頻采集方式要求較高，往往需要多個攝像頭進行采集，這樣就會造成一定的入侵性，不能使課堂教學在自然的情況下發生。并且計算機視覺分析主要分析師生視覺行為，對言語行為不能進行有效識別。師生對話是教學中的重點，只識別視覺行為對課堂關鍵行為的把握有所欠缺。

2.2 基于自然語言處理的教學行為分析

自然語言處理技術主要是對語音和文本進行識別與分類。言語行為是課堂教學中的重中之重，弗蘭德斯互動分析法全部都在分析師生言語行為。

2.2.1 實現原理

基于自然語言處理的教學行為分析主要對言語行為轉換成的文本進行分類。根據不同文本展現出的教學行為進行編碼，比如教師的提問、學生的回答等。實現對文本自動分類的機制與基于計算機視覺的教學行為方式類似，即計算機利用大量已經分類完成的文本進行訓練，通過自然語言處理的技術的模型和算法識別和記錄分類參數。然后對未分類的文本進行分類。另外自然語言處理多采用機器學習手段，利用詞向量模型對文本進行特征提取。不過近幾年基于深度學習的文本分類模型也趨于成熟，可以適時選取和使用。

2.2.2 分析流程及說明

首先是對教學音頻的采集。主要有兩種方式，一是課堂錄音，二是教學視頻提取。然后將語音轉寫為文本，利用人工智能技術對文本進行分類。最后對分類結果進行分析。

在語音轉寫階段多采用準確率高，轉寫速度快的工具，比如科大訊飛和百度提供的API和轉寫工具。另外在轉寫過程中應注意進行多發言人分離，將教師和學生的言語行為進行分析，以便進一步分析。由于現在的轉寫工具轉寫時仍會出現一些錯誤，在轉寫完成后需要進行人工校對。

2.2.3 優勢與不足

該方法收集數據手段比較容易，只需獲取教學音頻。對課堂的關鍵行為可以達到總體把握。并且可以對得到的數據進行深入挖掘，比如對教學事件的分類和分析[4]。不過由于錄音不能反映視覺行為的情況，故對視覺行為上的把握會有一些缺失。

3 傳統教學行為分析方式與人工智能支持的教學行為方式的對比

3.1 傳統課堂教學行為分析方式

課堂是教學行為主要發生的場所，本質來說，教學行為分析是課堂觀察的技術手段之一。教學行為旨在量化課堂中發生的教師行為以及學生行為，來有效地分析教學過程，以促進課堂教學效果。傳統的教學行為分析方法主要有記號體系分析法以及編碼體系分析法。本文主要探討編碼體系分析法，主要包括弗蘭德斯互動分析法和S-T分析法。

3.1.1 弗蘭德斯互動分析法

弗蘭德斯互動分析法誕生于20世紀50年代，旨在通過課堂中師生言語行為來分析課堂的教學效果[5]，具有普適性和高效性。該分析法主要包括課堂教學中的10種行為，其中教師行為有7項，前3種是直接影響學生的，為講授、指導和批評；后4種為間接影響學生的，為接受學生的情感、鼓勵、思想、提問。學生行為有兩項，分別為回答提問和向老師建議。最后一種行為為課堂的沉默或混亂。通過統計和分析不同行為的出現頻率來得到結果。弗蘭德斯互動分析法編碼的行為均為言語行為以及言語行為反映出的情緒。可以洞察課堂中的細微之處，反饋課堂教學的效果。

3.1.2 S-T分析法

S-T分析方法是一種典型的編碼體系分析方法[6]。S-T分析法也就是學生-教師分析法。在一般教學過程中，T行為主要分為教師的言語行為和視覺行為。言語行為主要包括講授、點名、解說等行為。視覺行為主要包括板書、演示PPT、進行示范等行為。S行為指除去T以外行為的所有行為，也就是學生行為，主要有學生的發言、學生記筆記、學生討論等，不過S行為也包括課堂中的沉默與混亂等。S-T分析法可以很大程度地降低對教學行為分類記錄的模糊性，只是把教學行為分為了S和T兩類，提高了對教學行為分類的客觀性和可靠性。

3.2 傳統教學行為分析方式與人工智能支持的教學行為方式的比較分析

3.2.1 人工編碼與自動編碼的區別

由人工編碼變為自動編碼是傳統教學行為分析方式和基于人工智能的教學行為方式最大的區別之一。人工編碼煩瑣且工作量大，并且對研究者有較高的水平要求，需要對教學行為進行精準識別。同時由于受研究者自身失誤或者疲憊，導致編碼分類出錯，或者遺漏關鍵教學行為。自動編碼省去了人工觀察和記錄的煩瑣，并且如果識別準確率提高到一定水平，對課堂中的所有教學行為和細節都可以精確把握。對研究者的識別水平也沒有過高要求，只要準備好由專家精準分類好的數據集進行訓練，就可以對需要研究的課堂實錄進行快速準確的教學行為分類。

3.2.2 編碼方式的繼承與改進

人工智能支持下的教學行為分析采用的編碼方式是以傳統分析方式的編碼方式為基礎，同時根據相關技術特點進行改進。比如前文提到的基于計算機視覺的教學行為分析，在該技術應用初期由于識別精度不夠，多采用S-T模糊編碼方式。隨著深度學習技術的發展，對教學行為識別精度越來越高，分類編碼也越來越精細，以達到更全面反映課堂行為的目的。在基于自然語言處理的教學行為方式中，它和弗蘭德斯互動分析法有高度的契合性，都是分析教師和學生的言語行為。故其編碼方式和弗蘭德斯互動分析法較為相似。不過對課堂沉默和混亂行為不能正常識別，需要采用其他間接手段進行識別，比如用師生言語的時間間隔或者前后文語義進行識別。另外隨著情緒識別技術趨于成熟。可以利用計算機視覺技術和自然語言處理技術進行師生情緒行為識別。如計算機視覺技術的表情識別以及自然語言處理技術的文本情緒識別。因此情緒行為編碼也是人工智能支持下的教學行為分析的新的編碼方式之一。

3.2.3 數據分析方式的改變

傳統教學行為分析方式收集完之后，弗蘭德斯互動分析法主要是進行行為次數統計，生成分析矩陣等。S-T教學行為分析法對師生行為進行統計計算，生成Rt-ch圖進行分析。基于人工智能的教學行為分析方式在數據分析方面可以自動統計數據，生成分析矩陣和圖表，并根據數據進行反饋和評價，為教師和學生提供智能服務。人工智能支持下的教學行為分析方式極大地節省了時間，可以對課堂實錄進行實時分析。

4 結語

人工智能支持下的教學行為分析，在繼承了傳統教學行為分析方式的基礎上，將后者中煩瑣的人工觀察、編碼轉化為機器自動完成，并根據人工智能技術的特點進行了編碼改進。最終形成了適用于人工智能的教學行為分析方式。不過仍存在一些不足，需要進一步研究和改進。