課堂行為的智能分析在小學課堂教學中的有效應用
——以人工智能（AI）分析系統為例

蔡琴心

（珠海市金灣區林偉民紀念小學 廣東·珠海 519000）

0 引言

分析課堂教學行為是整個教學研究關注的重點，也是教師專業化水平提升和教學改革的關鍵途徑。在我國的基礎教育中課堂教學是其主體，學生綜合素質提升的堅實基礎就是課堂教學。人工智能技術是對人類思維智慧的研究結合模仿的科學，目前，我們的生活和各個領域內已經在普遍應用人工智能技術，也深刻地影響到學校的教學模式，并引發相應的教育改革。人工智能技術顯著促進了評價和優化教學方案的能力，可以利用人工智能技術對課堂教學行為進行準確的量化，并以此為基礎制定最佳的教學方案，以提升整體的教學質量。

1 智能分析系統的數據整合分析

1.1 數據來源

在本文的研究中，小學課堂學習信息的收集可利用伴隨式、非入侵模式實施數據的收集。課堂教學過程中教師和學生學習活動的圖像可以通過課堂上裝置的高清攝像進行獲取，然后自動合成是利用錄播系統完成，在數據庫中永久保存。本研究選取了十個中小學課堂教學視頻的案例實施訓練集和測試集的試驗。

1.2 圖像數據庫的構建

可以利用視頻獲取系統進行圖樣采集，一幀圖像采集的時間設定為5秒，對以上10個中小學課堂教學視頻進行收集，一共采集到5450張圖像，同時將圖像的行為類別實施標注，例如 S行為或者是 T行為。為了確保這些圖像標注的精準性，圖像標注人員選擇了十名研究生，進行培訓，并制定了標準的標注規則?？衫脴俗⒑玫膱D像數據的70%進行訓練集，在訓練圖庫中儲存，利用30%圖像數據進行測試集用，存入測試圖像庫。

2 課堂行為模型構建

2.1 行為機理分析

在通常使用的S-T行為分析中，T行為是教師的相關行為，涵蓋解釋、媒體演示、板書、示范、點名、提問和巡視等。本文將行為T以外的所有行為視為行為S，其中包括學生的言語、任務、考慮和記錄等。以S-T分析法采集并記錄課堂教學場景為基礎，其教學行為可以利用分布的量化數據獲得，對Rt-Ch圖和S-T曲線圖的有效繪制，在此基礎上研究該課程中的教師和學生交互的狀況和相應的教學模式，幫助教師實施教學研究。

2.2 構建相關指標

綜合S-T行為分析法和人工智能技術的要求，分析課堂學習中的T行為，借助檢測人臉、輪廓檢測的獨有方式辨別課堂教學場景的特征，形成教學行為與圖像特征兩者間的對應關系。首先要對S-T行為特征指標進行設計和分析，可以通過圖像中的人臉數目、輪廓數目、圖像最大輪廓面積、框架差分圖的最大輪廓面積等四個特征代表了教師的行為特征T。而教師課堂教學的解答、板書和課件的播放行為設定為T1，如果教師測對或者背對學生的時候視頻就沒有人臉顯示，可以利用檢測到的人臉數量等于或少于等高線數量。教師的示范演說可以用行為T2表示、提問以及點名等，視頻中教師為正面人臉，呈現簡單的背景環境，可以采用人臉檢測數為1的圖像的最大輪廓面積。行為T3表現為教師的解說行為，視頻中是學生仰頭面對黑板，完全可以呈現相對多的人臉數和輪廓數。教師講課和巡視行為設定為T4，動作幅度增大時，考慮采用幀差法計算當前采樣圖像像素點的灰度值與前一采樣圖像像素點的灰度值之間的差值，求得幀差圖像同時計算出最大的輪廓面積,倘若超過某閾值認定存在物體移動時，呈現較多的輪廓數目。除了T行為以外的行為都是行為S。

2.3 數據獲取

所有的數據獲取皆可從訓練圖像庫、測試圖像庫、視頻數據庫中獲得，并進行嚴格的分析和處理。

2.4 特征提取和選擇

2.4.1 人臉檢測

人臉的數目能夠利用人臉的檢測得到。人臉檢測實際就是對人臉特征的提取，而諸多特征提取技術都是由 OpenCV提供，技術包括HOG、LBPHaar等。本研究應用的人臉檢測器是OpenCV本身具備的，通過集中訓練進行對比試驗，準確率較高的是Haar人臉檢測器，被廣泛推廣使用。

2.4.2 輪廓檢測

最大輪廓面積和輪廓數目可以利用輪廓檢測程序獲取。該檢測過程是在圖像中查找明顯物體并對物體輪廓實施提取，經過分析樣品圖像后得知，教師行為狀況是很簡單的背景圖像，呈現極少的輪廓數目，但與其相反的是又大又清晰的輪廓面積。所以，S-T行為類型可以根據輪廓檢測結果進行判定，即輪廓面積和數目。本文具體的檢測圖像輪廓詳細步驟如圖1所示，必須進行原始圖像的降噪、去噪工作，可通過中值濾波完成，獲取相對平滑的圖像；然后以二值化方式處理圖像，有必要彰顯物體的輪廓；最終檢測二值化圖像輪廓，并把小面積輪廓過濾掉，同時要有效統計及保存輪廓面積和數量，進行最大輪廓面積的提取。

圖1：圖像輪廓檢測步驟

2.4.3 主體運動檢測

利用幀間差分法檢測主體運動，得到幀間差分圖的最大輪廓面積。幀間差分法就是所謂的幀差法，幀間差分可以通過連續或者一定時間的間隔的幀間差分來實現，從而對判斷目標的確定。幀間差分圖像的得到可以通過運算兩個臨近的樣本圖像獲得，之后利用二值化手段處理幀間差分圖像并對輪廓進行檢測，就可以檢測出運動目標。在課堂狀況下，如果幀間差分圖像表現為非常大的大輪廓面積，就能夠斷定教師正在講課或者巡查。

2.4.4 檢驗相關特征

本文對訓練集圖像特征的處理采用了weka軟件，可以對教學行為類別間的關聯性進行斷定，進行歸一化處理各特征值后，計算所有個體特點以及教學行為類別之間的相關系數（皮爾遜積矩），實際的排序要根據系數大小，教學行為類型與特征的相關性與系數值成正比，系數越大，相關性就越強。

3 課堂行為智能分析的實現

3.1 服務與反饋

該實驗程序已經在實際的教學中應用，讓課堂教學視頻分析自動化得以實現，更有助于教師的教學反思。如下面圖2所示，顯示了學校小學語文《雪地里的小畫家》一課時教師與學生互動的情況，最后側面表現的是利用計算獲得的教師行為占有率Rt、學生行為占有率、師生行為轉化率Ch以及以此確定的教學方式；最左側面是S-T曲線的自動生成的；中間表現的是Rt-Ch圖，表現了該課節的教學模式種類為講授型。本次獲得的試驗成果被教師所認可，該模式大大降低了教師的工作量，讓教師有時間和精力去反思和評價課堂教學；該措施促進了分析課堂教學行為的規模化、常態化的進程，教師利用這些數據可以更高效地進行縱向和橫向分析，以對自身的不足及時發現、及時彌補，促進個人成長，更可以成為學校管理者的規劃和策劃的數據支撐，同時，考慮到教師也在進行意見反饋，期待系統可以對更多的課堂教學行為進行識別，而且倘若可以附帶課堂教學視頻的有關背景信息，促進對比和分析課堂教學行為的精準性和便捷性。

圖2：S-T曲線和Rt-Ch圖

3.2 反思與對策

按照系統運行中得到的反饋和建議，進行歸納和反思，通過策略的改進更好地滿足具體的應用需求。首先，需要樣品量的增加，讓教學樣本類型更豐富，讓樣本數據平衡度和自然度更高，更方便模型訓練和特征選型。其次，對技術和方法進行優化，深度挖掘和結合多種行為識別特征，例如頭部、生理信號、語音等特征，利用多模態信息交融的措施提高行為識別的精準性、多樣性和細粒度；與此同時，更要對特征提取方式進行優化增加準確性，讓模型識別的泛化水平顯著增強。最后，在進行行為分析和統計時，該系統可以對教學情境的相關信息進行關聯,對教學行為構成的隱藏意義進行深度拓展，提升教學的質量和效率。

4 結束語

綜上所述，人工智能技術不僅是一種技術手段的應用，更引發我們以新的視角來審視課堂教學，促進教學理念和教學評價模式的革新。同時，在優化教學過程和情境的過程中，可以依托智能技術實施思考和辯論，讓課堂教學方案的制定更加科學合理。本文研究和探討的是課堂教學行為分析中對人工智能技術的應用，并通過模型構建進行應用實踐的模擬，效果比較明顯。并通過在實踐中得到的意見反饋，對小學課堂教學行為的改善提出了思路。希望本文介紹的措施和經驗能夠為課堂教學行為分析提供一定的參考和借鑒。