課堂教學效果的深度評估及分析

趙佰亭 賈曉芬

(安徽理工大學 電氣與信息工程學院, 淮南 232001)

網絡教學伴隨著網絡的日益發達被逐步推廣[1-2],任何新事物的產生都是社會發展、時代進步的必然產物。但無論何時,課堂教學都是在教師的有效引導下,完成教師傳授和學生學習的主戰場。MOOC、微課、翻轉課堂等現代教學手段伴隨著網絡時代應運而生,都是為了輔助課堂教學,以期達到最好的教學效果。

在“教”與“學”的過程中,任意一種教學手段都是為了更好地呈現知識點,手段再高明、再先進,也只能體現出“教”。當然,高明、先進的手段和方法能讓“學”達到事半功倍的效果,但此效果的衡量必須以具有相同學習能力和學習主動性的學生的“學”為前提。學生的成績、學習的能力及學生對兩者的兼得是教學效果體現的三個方面[3]。教學的基本要求是提高學生成績,最高要求則是提升學生學習的能力及自主分析、解決問題的能力[4]。學習能力提高了,必然能設計更好的學習方法,借助媒體、現代教學資源、自主學習等實現的創新型學習方法,能最大程度體現學習主體的能動性[5]。

教學效果是教師,尤其是教學管理者和教育系統管理者非常關注的問題。但是,教學效果的衡量并沒有一個統一的標準,各位學者對評價方法、評價指標眾說紛紜,并提出了不同的方法,包括基于模糊數學的方法[6]、基于學生面部表情的方法[7-8]、基于網絡學習空間的方法[9]等。教學效果的評價包含眾多因素[10],且不乏與情緒、身體狀態、心理狀態等相關的主觀因素。現有的教學效果評價方法多采用客觀評價指標設計評價體系,難以全面、準確地衡量某一堂課的教學效果。深究“教”與“學”關系,學生“學”的多少才是衡量教學效果的最根本因素。學生“學”的多少,與學生自身的學習基礎、學習能力、學習方法、學習自主性關系密切,對每一個學生個體而言,前兩種因素都是固定的,而學習方法在很大程度上取決于學習自主性,只有在自主學習的過程中,才能結合已有經驗,更好地靈活應用各種學習方法。可見,學習自主性是影響教學效果的重要因素。

學生的學習自主性很大程度反映在聽課狀態上,肢體動作和面部表情能最直接地反映聽課狀態。Hinton[11]在2006年提出了深度學習,被用于模式識別、機器視覺等領域。卷積神經網絡(Convolutional Neural Networks, CNN)[12-13]屬于典型的深度學習模型,主要用于處理圖像,比如圖像分類、圖像去噪等。CNN通過模擬人類視覺系統的感知方法,自適應地學習特征,實現對圖像特征的抽象化處理。CNN通過逐層提取輸入圖像中的特征,建立輸入到輸出之間的非線性映射,建立圖像特征與分類器的聯系,實現圖像分類。學生在課堂上的聽課時間、聽課過程中伴隨的記錄和思考,是反映學生學習自主性的最直接的評價指標。肢體動作和面部表情都能體現在上課的視頻圖像中,利用CNN能夠提取學生在不同時刻的動作、表情等特征。本文利用深度學習設計人員狀態的評估、識別模型,利用統計法建立評價模型完成教學效果評估分析。

1 研究設計

1.1 研究對象

網絡的便利性促使很多學校在教室安裝了攝像頭,這樣能夠遠程實時監測學生的上課情況。本文設計的評價方法具有很大的普適性,適用于能拍攝到學生上課全程的任何學校和班級。以安徽理工大學為例,教學樓的所有教室中都多角度安裝了攝像頭,將面向學生拍攝的視頻,等時間間隔地提取圖像,建立圖像序列,通過研究圖像序列中每一位學生的聽課狀態,評估課堂教學學習主體的狀態,作為衡量教學效果的優劣的重要指標。

1.2 教學效果的衡量因素

1)影響教學效果的關鍵因素

唐代韓愈的《師說》云“古之學者必有師,師者,所以傳道受業解惑也。”恰到好處的指出教師的職責是傳播道理,傳授學業,解疑答難。由此可見,在“教”與“學”的關系中,學生是學習的主體,教師是學習的客體。教學效果的優劣,在很大程度上依賴于主體與客體的關系及各自的影響因素,具體關系如圖1所示。教師的教學方法、個人素質(能力)及教學基本功都會影響課堂效果的呈現,學生的學習方法、學習能力,尤其是學習自主性則決定了學習的效果。客體對主體起到輔助、引導的作用,主體的課堂表現又能激勵客體的情緒,促使客體以飽滿的情緒傳達知識,兩者相輔相成,相互促進。

圖1 教學效果影響因素

日常教學中,一門課程一般由同一位教師承擔授課任務,也就意味著教師的個人能力、教學基本功及課堂上采用的教學方法不變,雖然學生在課堂上的積極反應能促使教師擴散思維,更好呈現所授知識,但課堂呈現的效果相差不會太大。但是,同一位教師講授的同一節課上,不同學生的接受程度相差甚大。同一班級學生的學習基礎相差無幾,比如大一新生,入學成績基本在分數線以上50分內波動,他們具有基本相同的學習能力和學習方法。可見,學生的學習自主性才是決定教學效果的關鍵因素。

2)學生狀態的衡量因素

課堂上能表征學生認真聽課、思考等的任何特征均可說明學生在主動學習,均能體現學生的學習自主性。學生低頭時,可能在主動學習,比如看書、記筆記,也有可能被動學習,僅僅坐在教室應付教師的考勤,一直處于低頭看手機或者俯身在桌上看手機的狀態。學生抬頭時,可能在關注教師并認真聽教師講課,也有可能閉眼思考問題或者睡覺,還有可能處于神游的走神狀態。學生轉頭時的學習狀態,需要配合肢體動作才能給出準確判斷,轉頭可能在和鄰桌的同學討論問題,也有可能在交頭接耳或者打鬧,如果在轉頭的同時轉身或者是有肢體互動,則說明是后一種情況。可見,從學生的面部表情和肢體動作兩個方面衡量學生的狀態有助于準確判斷學生是否在主動學習。

根據以上分析,從面部和肢體兩個方面給出了如圖2所示的人員狀態衡量因素及量化關系。面部從低頭、抬頭和轉頭三個狀態衡量,肢體從俯身、正身和轉身三個狀態衡量,面部和肢體共同決定看書、看手機、記筆記等8個衡量因素。

圖2 人員狀態的衡量因素及量化

1.3 教學效果分析方法

利用深度學習模型識別人臉,分割出學生的面部和肢體,并進行8個衡量因素的提取和識別,最后建立教學效果評價模型,以8個衡量因素作為輸入量,基于統計的思想完成教學效果評估,具體分析流程如圖3所示,主要包含四步,具體為:

圖3 教學效果分析流程

1)人臉識別;

對課堂上的每一位同學做出標記,記為Si,i=1,…,m,統計出課堂上出勤的人數m,得到出勤率Ad,Ad∈[0,1]。

2)人員狀態識別;

識別圖2的8個衡量因素,并進行二進制量化,其結果如表1所示,其中,看書、記筆記、關注教師和討論四項是自主學習、認真聽課的表征因素;看手機、走神和交頭接耳是被動學習的表征因素;閉眼可能對應睡覺和思考,需根據連續閉眼的時間進一步判斷,才能決定是在自主學習還是被動學習。

表1 人員狀態的衡量因素量化

3)等間隔記錄人員狀態;

等間隔提取上課視頻中的n幅圖像,統計每一時刻Ti,j=1,…,n,對應圖像中的每一位學生的聽課狀態,學生Si在Tj時刻的狀態記為Xij,i=1,…,m,j=1,…,n,其可能取值為表1中的任意一個量化結果。統計出上課班級中出勤的m位學生在每一時刻的聽課狀態,如表2所示。

表2 人員狀態信息表

4)建立評價模型。

表2的一行代表課堂上的一位學生在n個時刻Tj的聽課狀態,基于統計思想設計單個學生Si的聽課效果評價模型,

(1)

由式(1)可得全班學生聽課效果E的評價模型,

(2)

由班級出勤率和式(2)設計教學效果Te的評價模型,

Te=αE+βAd

(3)

其中,α,β分別是聽課效果和出勤率的權重,滿足α+β=1。

2 課堂教學效果評估分析

如圖4所示,是實現教學效果評估的流程,按照10 s對課堂視頻進行等間隔提取,通過Mask R-CNN模型對圖像序列進行人員檢測、分割后,送入VGG19模型實現人員臉部和肢體狀態識別,提取教學效果的8個衡量因素,量化后送入評價模型,完成課堂效果評估。

圖4 衡量因素提取及教學效果評估流程

2.1 衡量因素提取

1)人員檢測、提取

針對課堂教學評價的特點,需要對監控視頻中的學生進行檢測,并對檢測到的學生進行分割,即進行實例分割。實例分割的難點在于:需要同時檢測出目標的位置并對目標進行分割,這就需要融合目標檢測(框出目標的位置)和語義分割(對像素進行分類,分割出目標)。He[14]等于2017年提出的Mask R-CNN模型,在基于Faster R-CNN的基礎上增加了一個分支,完成了分類和坐標回歸任務,同時還能夠利用Mask R-CNN模型對課堂教學中的圖像序列進行目標檢測和分割。這種方法不僅實現了了目標檢測,還能夠進行實例分割,取得了非常出色的效果。如圖5所示,無論是學生較為稀疏還是稠密的情況下,均能準確檢測出人員。

圖5 人員檢測及分割結果

對圖像序列中的學生進行檢測并分割后,采用VGG19[15]網絡模型分別對人員的臉部或肢體進行狀態識別,即對狀態進行8分類,識別出每一位學生在每一時刻對應的狀態,也就是確定當前的狀態屬于8個衡量因素的哪一種。

2)人員狀態識別

需要先自制訓練集,訓練VGG19后才能進行人員狀態識別。先對Mask R-CNN模型分割的人員狀態進行手動標注,得到包含課堂中各種人員狀態的2400幅圖像。再對標注的圖像進行平移、縮放、旋轉隨機角度等操作,實現數據增強,增強后得到數據樣本集包含二百余萬幅帶標簽的圖像樣本庫。將圖像樣本分成兩個部分,分別用作訓練集和測試集。使用訓練集對VGG19網絡進行訓練,由于數據集較大,訓練時間超過200個小時。最后使用測試數據集對訓練得到的分類模型進行狀態分類,識別精度和損失函數變化曲線如圖6所示,由圖6(a)可見,VGG19對人員狀態的實際識別精度約為87%,能滿足課堂教學效果評價。

(a)訓練和驗證精度

(b)訓練和驗證損失圖6 Acc/Los曲線

2.2 教學效果評估及結果分析

1)教學效果評估分析

利用人員狀態識別獲得的8個衡量因素,作為教學效果評價模型的輸入,即可得到評價結果。以某42人班級,45 min的一節課為例進行測試實驗,10 s的間隔能提取270幅圖像序列。圖像序列經Mask R-CNN模型識別出41人出勤,完成人員識別、分割后,送入VGG19分類模型進行狀態的分類識別,對識別結果進行二進制量化后得到表3的識別結果,篇幅所限,僅僅給出了一位學生的部分識別結果。

表3 識別結果

在此實驗中,相鄰圖像的時間間隔Δt=10 s,一節課中的采樣次數n=270、時間總長T=2700 s。按照表3的量化結果分別統計出8種衡量因素的發生次數,利用公式(1)可以得到單個學生的聽課效果。分別計算出勤的41位學生的聽課效果后,利用公式(2)得到全班的聽課效果E=0.952,再利用公式(3)得到教學效果Te=αE+βAd≈0.956,其中,聽課效果和出勤率的權重α,β分別取值0.85和0.15,在實際應用時可以根據學生的出勤情況做適當調整。

2)結果分析

統計表3中每個衡量因素的發生次數,結果見表4,全班總人數M=42,出勤人數m=41。將統計結果輸入評價模型即可得到課堂教學效果的衡量結果Te,它的取值范圍介于0到1之間,值越大說明教學效果越好,反之越差。Te體現了學生的出勤率和學生課堂上的聽課狀態,兩者的權重可以根據實際情況調整。

表4 識別結果

3 啟示及建議

3.1 自主學習是衡量課堂教學效果的重要因素

確保課程目標實現的依據之一是對課堂教學效果的測量和評價。教學效果的影響因素很多,總體可分屬于兩方面:教師(客體)和學生(主體)。在“教”與“學”的關系中,學生是學習的主體,教師是學習的客體。教師在教學過程中體現的教學熱情、清晰性、啟發性、引導性、結構性、興趣激發性、師生互動和知識廣度等教學技巧,會根據教學能力的強弱有所不同。教學技巧會對教學效果產生一定的影響,能更好地激發學生的學習興趣和學習自主性。學習興趣能很好地激發求知欲和學生對知識的關注度,讓學生體驗到學習帶來的愉悅和滿足,更好地建立自信。俗話說“師傅領進門,修行在個人”,很好地體現了教師和學生的關系,再好的教師,再好的方法,也只是學習的外因。同一個教師,相同的課程,教出的學生也會參差不齊,這就體現了學生自主學習的重要性。可見,教學效果的評估必須以學生為根本,以自主學習為依據,建立的評估模型才是更結合實際的。

3.2 提高課堂教學效果的對策

學生作為學習的主體,必須走進課堂,才有課堂教學效果可言,因此,提高課堂教學效果的第一要素是,讓學生走進教室,保證“出勤率”。第二要素是,依靠教師給走進教室的學生營造出良好的課堂氛圍,激發學生的學習興趣,引導學生進入自主學習狀態。第三要素是,在課堂教學的過程中,重視學生的學習狀態,及時調整教學方法,合理地安排教學內容,幫助學生調整學習狀體,提高學習效率。第四要素是,學校要狠抓教師的自我養成,提高課堂教學組織能力,靈活運用教學方法,提高教學能力,及時給教師充電,以期教師以最好的狀態引導學生,學生以最佳的學習自主性反饋給教師,形成“教”與“學”的良好互動,獲得最佳的課堂教學效果。第五要素是,加強管理,提高課堂的“兩性一度”水平,激發優秀學生的好奇心、求知欲和挑戰自我的激情,加強對學生的自律性教育,激勵學生群體中多出現正激勵的同伴效應。

3.3 提高課堂教學效果可信度的對策

8個衡量因素中的看書和看手機,在無法識別到手機的情況下可能造成誤判。交頭接耳的過程中如果伴隨肢體動作則能準確識別,否則也有可能和討論相混淆。走神需要捕捉面部的細微動作才能做出精確的判斷。以上幾個方面在后續工作中還可以進一步提升,提高人員狀態的識別進度,增強教學效果評估結果的可信度。還可以進一步進行心理狀態分析,從傾聽、理解、疑惑、抗拒和不屑等面部表情細化分析聽課狀態。

4 結語

經深度學習和統計學方法設計,形成了一個課堂教學效果的的評價模型,優勢有二:①從學生的角度出發,借助聽課效果和出勤率進行綜合判斷,能最大程度地反映學生的自主聽課狀態;②應用靈活,不僅能夠衡量一節課的總體聽課狀態,也可以單獨評價每一位學生的聽課效果,還能通過設置視頻的開始和結束時刻,截取課堂上的部分時段,實現分時段的課堂效果評估。以便教師根據評估結果,安排教學內容,將重點、難點內容安排在教學效果最好的時段,實現教學與效果的閉環控制。

教師一定的情況下,影響課堂教學效果的主體是學生,學生的學習自主性更是關鍵因素。同時,課堂教學效果與教師在教學中的主導性和引導性也是密不可分的,如果要在不同教師、不同課程之間進行教學效果的評估比較,需要加入體現教師教學能力的衡量因素,此問題值得在后續工作中探討。