基于混合智能的學(xué)習(xí)狀態(tài)實(shí)時(shí)采集與動(dòng)態(tài)分析方法

摘要：實(shí)時(shí)采集并分析課堂學(xué)習(xí)狀態(tài)，有助于教師及時(shí)掌握課堂動(dòng)態(tài)、提升教學(xué)效果，但現(xiàn)有的方法存在實(shí)時(shí)性較弱、準(zhǔn)確率不高等問題。對此，文章提出了一種包含學(xué)習(xí)狀態(tài)判定標(biāo)準(zhǔn)、學(xué)習(xí)狀態(tài)識(shí)別方法和課堂表現(xiàn)實(shí)時(shí)評價(jià)方法的學(xué)習(xí)狀態(tài)實(shí)時(shí)采集與動(dòng)態(tài)分析（Learning Status Real-time Collection and Dynamic Analysis，LRD）方法。文章首先闡釋了LRD方法的工作原理，之后研發(fā)了課堂學(xué)習(xí)狀態(tài)實(shí)時(shí)采集與動(dòng)態(tài)分析系統(tǒng)，最后通過此系統(tǒng)的性能實(shí)驗(yàn)和有效性實(shí)驗(yàn)，驗(yàn)證了LRD方法具有實(shí)踐可行性和有效性。文章提出的LRD方法能夠?qū)崟r(shí)、準(zhǔn)確地識(shí)別和分析學(xué)生的學(xué)習(xí)狀態(tài)，提高教師掌握學(xué)生課堂表現(xiàn)的水平，為智慧教育的發(fā)展提供了一種新的研究思路和技術(shù)儲(chǔ)備。

關(guān)鍵詞：學(xué)習(xí)狀態(tài)；LRD方法；課堂表現(xiàn)；系統(tǒng)性能；有效性

【中圖分類號】G40-057 【文獻(xiàn)標(biāo)識(shí)碼】A 【論文編號】1009—8097（2023）07—0108—10 【DOI】10.3969/j.issn.1009-8097.2023.07.012

課堂學(xué)習(xí)狀態(tài)能夠直接反映學(xué)生的學(xué)習(xí)興趣和對知識(shí)的理解程度，始終是任課教師分析課堂動(dòng)態(tài)的重要依據(jù)。因此，研究學(xué)習(xí)狀態(tài)的采集與分析方法對于提高課堂教學(xué)效果具有重要意義，符合“數(shù)字化賦能教學(xué)質(zhì)量跟蹤”的發(fā)展趨勢^[1]。目前，學(xué)習(xí)狀態(tài)采集與分析方法的相關(guān)研究已逐步發(fā)展為基于數(shù)據(jù)或論據(jù)的智能分析方法，根據(jù)數(shù)據(jù)特點(diǎn)又可分為統(tǒng)計(jì)分析法和客觀事實(shí)法^[2]。其中，統(tǒng)計(jì)分析法是一種以問卷調(diào)查、隨堂測驗(yàn)、專家評估等方式直接獲取師生群體感官認(rèn)知的常用方法^[3][4][5]，具有目的明確、重點(diǎn)突出、操作簡單等優(yōu)勢，但數(shù)據(jù)可靠性弱、分析過程耗時(shí)長，使得分析結(jié)果的可信度低、實(shí)時(shí)性差^[6]；客觀事實(shí)法是基于隨堂視頻、學(xué)生筆記等客觀事實(shí)，利用數(shù)據(jù)挖掘、深度學(xué)習(xí)等智能技術(shù)采集和分析學(xué)生學(xué)習(xí)狀態(tài)的新型方法^[7][8]，具有數(shù)據(jù)可靠性好、自動(dòng)化水平高等特點(diǎn)，但缺乏準(zhǔn)確的學(xué)習(xí)狀態(tài)分類標(biāo)準(zhǔn)和判定依據(jù)^[9]，并前期訓(xùn)練周期較長、數(shù)據(jù)計(jì)算量較大，致使識(shí)別精度較低、實(shí)用性不高^[10]。綜上可知，采用單一的分析方法已很難解決實(shí)時(shí)性差、準(zhǔn)確率低的問題，因此本研究借鑒“分而治之，優(yōu)勢互補(bǔ)”的混合智能設(shè)計(jì)思想，提出融合面部識(shí)別、機(jī)器學(xué)習(xí)、數(shù)據(jù)分析等多種技術(shù)手段的LRD方法，并研發(fā)一款課堂學(xué)習(xí)狀態(tài)實(shí)時(shí)采集與動(dòng)態(tài)分析系統(tǒng)，以實(shí)時(shí)、準(zhǔn)確地識(shí)別和分析學(xué)生的學(xué)習(xí)狀態(tài)。

一 LRD方法的工作原理

LRD方法由學(xué)習(xí)狀態(tài)判定標(biāo)準(zhǔn)、學(xué)習(xí)狀態(tài)識(shí)別方法、課堂表現(xiàn)實(shí)時(shí)評價(jià)方法三個(gè)部分組成，對應(yīng)于數(shù)據(jù)采集、狀態(tài)識(shí)別、智能分析三個(gè)步驟，體現(xiàn)了“分解學(xué)習(xí)狀態(tài)實(shí)時(shí)采集與動(dòng)態(tài)分析過程，分別采用優(yōu)勢技術(shù)予以解決”的混合智能設(shè)計(jì)思想，即“分而治之，優(yōu)勢互補(bǔ)”。LRD方法的工作原理如下：以多路攝像頭為信號源進(jìn)行周期性數(shù)據(jù)采集與分析，在一個(gè)周期內(nèi)，使用學(xué)習(xí)狀態(tài)識(shí)別方法定位學(xué)生的面部表情，并依據(jù)學(xué)習(xí)狀態(tài)判定標(biāo)準(zhǔn)分析學(xué)生的學(xué)習(xí)狀態(tài)，然后利用課堂表現(xiàn)實(shí)時(shí)評價(jià)方法完成實(shí)時(shí)課堂動(dòng)態(tài)的評價(jià)，視頻信號和所有分析結(jié)果將同步反饋給任課教師，具體如圖1所示。

1 學(xué)習(xí)狀態(tài)判定標(biāo)準(zhǔn)

（1）學(xué)習(xí)狀態(tài)的分類

借鑒多維學(xué)習(xí)狀態(tài)表征體系^[11][12]，結(jié)合與多位一線教師反復(fù)研討的結(jié)果，本研究將學(xué)習(xí)狀態(tài)分為兩大類型：①專注態(tài)，是指學(xué)生正在認(rèn)真聽課，表現(xiàn)出積極的學(xué)習(xí)狀態(tài)。根據(jù)學(xué)生的課堂表現(xiàn)和對學(xué)習(xí)內(nèi)容的掌握程度，可將專注態(tài)劃分為掌握態(tài)、認(rèn)知態(tài)和疑惑態(tài)。其中，掌握態(tài)表示學(xué)生已基本掌握了知識(shí)點(diǎn)，學(xué)習(xí)效果較好；認(rèn)知態(tài)表示學(xué)生在集中精力認(rèn)真聽講并能夠進(jìn)行適當(dāng)互動(dòng)；疑惑態(tài)表示學(xué)生沒有完全理解知識(shí)點(diǎn)，存在一定的困惑或不解。②游離態(tài)，是指學(xué)生出現(xiàn)了思維離線，表現(xiàn)出消極的厭學(xué)情緒。根據(jù)學(xué)生的心理活動(dòng)變化情況，可將游離態(tài)劃分為被動(dòng)態(tài)和抵觸態(tài)。其中，被動(dòng)態(tài)表示學(xué)生試圖認(rèn)真聽課，但由于心理動(dòng)機(jī)或其他客觀因素而無法投入；抵觸態(tài)表示學(xué)生對學(xué)習(xí)內(nèi)容不感興趣并產(chǎn)生抵觸情緒。以此為基礎(chǔ)，本研究構(gòu)建了學(xué)習(xí)狀態(tài)的判定指標(biāo)體系，包含坐姿、頭部狀態(tài)和面部表情三大指標(biāo)，如表1所示。

（2）學(xué)習(xí)狀態(tài)的判定特征與計(jì)算方法

坐姿、頭部狀態(tài)和面部表情是面部圖像中蘊(yùn)含的三類敏感特征，可用于識(shí)別不同類型的學(xué)習(xí)狀態(tài)^[13]：①坐姿是反映學(xué)生消極或積極態(tài)度的直觀表征，其識(shí)別可依靠基本的坐姿匹配算法。②頭部狀態(tài)方面，成年人頭部轉(zhuǎn)動(dòng)的角度通常圈定在[-45°， 45°]的固定范圍，據(jù)此可以通過計(jì)算多維歐拉角度認(rèn)定其當(dāng)前所處的行為狀態(tài)。本研究從頭頸上部動(dòng)作指標(biāo)中選定俯仰角F、偏航角P和滾轉(zhuǎn)角G三項(xiàng)特征作為頭部狀態(tài)的判定標(biāo)準(zhǔn)，分別用于反映抬/低頭程度、頭部偏斜程度和臉部扭轉(zhuǎn)程度。這三項(xiàng)特征的計(jì)算方法如圖2（a）所示，具體過程如下：首先計(jì)算F、P、G的數(shù)值，再通過旋轉(zhuǎn)矩陣求解F、P、G的歐拉角度，進(jìn)而判定頭部狀態(tài)。③面部表情方面，選定眼、唇、眉、鼻四項(xiàng)特征作為學(xué)生面部表情識(shí)別的關(guān)鍵指標(biāo)，這也是普遍認(rèn)知能夠反映學(xué)習(xí)狀態(tài)的敏感特征。綜上所述，上述8項(xiàng)特征的組合可以準(zhǔn)確地刻畫目前學(xué)生的學(xué)習(xí)動(dòng)機(jī)、學(xué)習(xí)狀態(tài)和知識(shí)理解程度，具體的判定標(biāo)準(zhǔn)如表1所示，圖2（b）～圖2（f）給出了不同學(xué)習(xí)狀態(tài)的面部表情示例及特征值域。

2 學(xué)習(xí)狀態(tài)識(shí)別方法

①定位面部區(qū)域并進(jìn)行必要的數(shù)據(jù)預(yù)處理：首先，定義S表示t時(shí)刻多路攝像頭采集的視頻圖像集合，采用區(qū)域搜索算法從S中取出所有面部區(qū)域；然后，利用Cys視域優(yōu)選技術(shù)、幾何歸一法和灰度歸一法^[14]，消除遮擋、強(qiáng)光、側(cè)位、重疊等隨機(jī)噪聲干擾；最后，形成面部區(qū)域集合A={A_i}， A_i={p_i，x， p_i，y， l_i， w_i}。其中，P_i，x、P_i，y分別表示面部區(qū)域起點(diǎn)的橫、縱坐標(biāo)，l_i、w_i分別表示高度、寬度。由于學(xué)生在課堂上不會(huì)發(fā)生過多的位移行為，因此定位操作不會(huì)在每個(gè)周期內(nèi)反復(fù)進(jìn)行，而是僅在初始狀態(tài)A_status的基礎(chǔ)上更新實(shí)際位移——此改進(jìn)可以降低40%的計(jì)算量，為滿足學(xué)習(xí)狀態(tài)采集的實(shí)時(shí)性需求提供了保障。

②提取面部特征并依托前文學(xué)習(xí)狀態(tài)的判定指標(biāo)體系獲取學(xué)習(xí)狀態(tài)。考慮到AdaBoost是面部特征提取的較為有效的算法之一^[15]，Haar-Like小波特征能夠快速分解面部區(qū)域并提取關(guān)鍵特征^[16]，組積分圖則可以在保證速度的同時(shí)保持隨機(jī)因子的穩(wěn)定性^[17]，因此本研究在AdaBoost算法的基礎(chǔ)上融入Haar-Like小波特征和組積分圖，以加快學(xué)習(xí)狀態(tài)的識(shí)別速度，這也體現(xiàn)了混合智能的設(shè)計(jì)思想。三者的融合過程如下：首先，利用Haar-Like小波特征對面部區(qū)域進(jìn)行切割，得到單項(xiàng)特征區(qū)域；然后，使用AdaBoost算法訓(xùn)練強(qiáng)分類器在單項(xiàng)特征區(qū)域中準(zhǔn)確地確定特征邊界，并選用二維Gabor濾波器進(jìn)行面部特征提取^[18]；最后，利用組積分圖加速特征求值過程，并通過知識(shí)推理的方式輸出學(xué)習(xí)狀態(tài)的分析結(jié)果。為進(jìn)一步提高面部特征的提取速度，后續(xù)可以采用PCA算法^[19]，在提取特征后進(jìn)行數(shù)據(jù)降維。

3 課堂表現(xiàn)實(shí)時(shí)評價(jià)方法

本研究提出的課堂表現(xiàn)實(shí)時(shí)評價(jià)方法主要參考了課堂教學(xué)行為評價(jià)指標(biāo)體系^[20]，評價(jià)指標(biāo)可分為抬頭率和課堂氛圍兩項(xiàng)一級指標(biāo)。

（1）抬頭率

抬頭率包括綜合抬頭率和瞬時(shí)抬頭率兩項(xiàng)二級指標(biāo)，計(jì)算因子為俯仰角F。其中，綜合抬頭率刻畫了學(xué)生個(gè)人或群體上課以來的綜合表現(xiàn)，而瞬時(shí)抬頭率反映了某一時(shí)刻學(xué)生群體的課堂表現(xiàn)。

（2）課堂氛圍

利用賦分法間接評價(jià)課堂氛圍，包括課堂綜合氛圍和課堂瞬時(shí)氛圍兩項(xiàng)二級指標(biāo)。與抬頭率的計(jì)算方法類似，這兩項(xiàng)二級指標(biāo)分別反映了上課以來、某一時(shí)刻的課堂動(dòng)態(tài)。定義w₁～w₅表示五種學(xué)習(xí)狀態(tài)對應(yīng)的分值，為體現(xiàn)評價(jià)的合理性并凸顯游離態(tài)學(xué)生群體，賦分原則要求滿足以下約束條件：①五種學(xué)習(xí)狀態(tài)的分值依次遞減；②專注態(tài)的三種學(xué)習(xí)狀態(tài)為正分遞減，且相鄰差值小于平均值；③游離態(tài)的兩種學(xué)習(xí)狀態(tài)為負(fù)分遞減，且絕對值與專注態(tài)的賦分值接近。

每個(gè)學(xué)習(xí)周期結(jié)束時(shí)，教師可以基于已經(jīng)采集的學(xué)習(xí)狀態(tài)數(shù)據(jù)，應(yīng)用課堂表現(xiàn)實(shí)時(shí)評價(jià)方法，計(jì)算個(gè)人綜合抬頭率、群體綜合抬頭率、群體瞬時(shí)抬頭率、課堂綜合氛圍和課堂瞬時(shí)氛圍。在實(shí)踐中，個(gè)人綜合抬頭率可以用于關(guān)注游離態(tài)學(xué)生群體，其他四項(xiàng)可以較為全面地反映學(xué)生的課堂表現(xiàn)。

二 課堂學(xué)習(xí)狀態(tài)實(shí)時(shí)采集與動(dòng)態(tài)分析系統(tǒng)

本研究團(tuán)隊(duì)聯(lián)合東軟集團(tuán)、卓創(chuàng)科技等多家國內(nèi)知名企業(yè)的智慧教育軟件開發(fā)團(tuán)隊(duì)，在教育部“產(chǎn)學(xué)合作協(xié)同育人”項(xiàng)目的支持下，研發(fā)了課堂學(xué)習(xí)狀態(tài)實(shí)時(shí)采集與動(dòng)態(tài)分析系統(tǒng)（Classroom Learning Status Real-Time Collection and Dynamic Analysis System，CRAS）。CRAS是一款以LRD方法為理論基礎(chǔ)，采用前沿軟件架構(gòu)與開發(fā)技術(shù)研發(fā)的教學(xué)輔助應(yīng)用軟件系統(tǒng)，主要用于實(shí)踐并檢驗(yàn)LRD方法的有效性，同時(shí)用于促進(jìn)教學(xué)成果轉(zhuǎn)化。目前，CRAS已完成內(nèi)部測試并準(zhǔn)備推廣使用。

CRAS由基礎(chǔ)平臺(tái)、公共服務(wù)模塊和教學(xué)業(yè)務(wù)功能模塊組三部分組成（如圖3所示）：①基礎(chǔ)平臺(tái)提供用戶權(quán)限控制、操作日志管理等功能.。②公共服務(wù)模塊提供網(wǎng)絡(luò)信息安全管理、物聯(lián)網(wǎng)設(shè)備管理等功能。③教學(xué)業(yè)務(wù)功能模塊提供學(xué)習(xí)狀態(tài)實(shí)時(shí)采集、學(xué)習(xí)狀態(tài)綜合評價(jià)、教學(xué)過程調(diào)整輔助決策等功能，也是CRAS的核心功能。具體來說，學(xué)習(xí)狀態(tài)實(shí)時(shí)采集功能包括學(xué)習(xí)狀態(tài)數(shù)據(jù)實(shí)時(shí)采集、重點(diǎn)關(guān)注人員管理和異常行為動(dòng)態(tài)預(yù)警。其中，異常行為動(dòng)態(tài)預(yù)警能夠基于實(shí)時(shí)視頻信號研判當(dāng)前課堂出現(xiàn)的異常舉動(dòng)，并向任課教師及時(shí)反饋。學(xué)習(xí)狀態(tài)綜合評價(jià)功能是系統(tǒng)采用課堂表現(xiàn)實(shí)時(shí)評價(jià)方法，對個(gè)人學(xué)習(xí)狀態(tài)和課堂學(xué)習(xí)狀態(tài)進(jìn)行統(tǒng)計(jì)與分析，并根據(jù)任課教師的教學(xué)需要或使用習(xí)慣，將學(xué)習(xí)狀態(tài)統(tǒng)計(jì)和分析的結(jié)果以柱狀圖、曲線圖、雷達(dá)圖等形式呈現(xiàn)出來。教學(xué)過程調(diào)整輔助決策功能是基于當(dāng)前學(xué)生的課堂表現(xiàn)，結(jié)合專家先驗(yàn)知識(shí)，經(jīng)系統(tǒng)自動(dòng)分析、推理，有針對性地向教師提出教學(xué)策略調(diào)整建議，并精準(zhǔn)推送相關(guān)聯(lián)的教學(xué)資源。例如，當(dāng)多數(shù)學(xué)生處于疑惑態(tài)時(shí)，系統(tǒng)會(huì)建議任課教師采用實(shí)例教學(xué)、分組討論等方式來加深學(xué)生對知識(shí)點(diǎn)的理解程度。

三 實(shí)驗(yàn)設(shè)計(jì)

本實(shí)驗(yàn)由CRAS的系統(tǒng)性能實(shí)驗(yàn)和有效性實(shí)驗(yàn)組成：系統(tǒng)性能實(shí)驗(yàn)是通過分析CRAS在真實(shí)環(huán)境下的運(yùn)行數(shù)據(jù)，來檢驗(yàn)LRD方法的實(shí)踐可行性；有效性實(shí)驗(yàn)采用師生調(diào)查問卷和學(xué)生隨堂測驗(yàn)兩種方式，開展針對CRAS應(yīng)用效果的主客觀評價(jià)，以此論證LRD方法是否切實(shí)提升了學(xué)習(xí)效果，進(jìn)而檢驗(yàn)LRD方法的有效性。

1 實(shí)驗(yàn)準(zhǔn)備

①實(shí)驗(yàn)環(huán)境。本研究選取東北地區(qū)D大學(xué)超星校企共建智慧教室作為實(shí)驗(yàn)場地，實(shí)驗(yàn)場地由控制室、教師區(qū)和學(xué)生區(qū)組成。控制室裝有13個(gè)高清旋轉(zhuǎn)攝像頭和3塊液晶大屏幕，教師區(qū)的3個(gè)攝像頭用于記錄教師的教學(xué)行為，學(xué)生區(qū)的10個(gè)攝像頭用于實(shí)時(shí)獲取學(xué)生的面部區(qū)域。控制室的核心服務(wù)器部署了CRAS，運(yùn)行界面會(huì)被實(shí)時(shí)推送至教學(xué)區(qū)的液晶大屏幕。在系統(tǒng)初始化時(shí)，CRAS會(huì)從多路攝像頭采集的同一名學(xué)生多個(gè)面部區(qū)域中自動(dòng)選取最佳區(qū)域。

②課程選取。本研究選取黑龍江省級一流精品課“操作系統(tǒng)”作為實(shí)驗(yàn)課程，課時(shí)選取綜合考慮知識(shí)點(diǎn)類型、難度、預(yù)期授課時(shí)長等因素。實(shí)驗(yàn)課程的知識(shí)點(diǎn)涵蓋了概念理解、實(shí)踐操作、原理分析、算法設(shè)計(jì)四種類型，授課時(shí)長和知識(shí)點(diǎn)難度較為適中，其基本信息如表2所示。

③樣本設(shè)置。本研究選取D大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)的56名在讀本科生作為實(shí)驗(yàn)對象，并依據(jù)其當(dāng)前成績績點(diǎn)（Grade Point Average，GPA）和專業(yè)核心課程的平均成績（Professional Core Course Average，PCA）分為實(shí)驗(yàn)組（2.3≤GPA≤3.92）和對照組（2.4≤GPA≤3.95），每組均為28人（61≤PCA≤95）。兩組的獨(dú)立樣本t檢驗(yàn)結(jié)果如表3所示，其中GPA、PCA的p值分別為0.995、0.988，說明兩組樣本具有一致性，分組設(shè)置比較合理。

2 系統(tǒng)性能實(shí)驗(yàn)設(shè)計(jì)

①基本性能測試：關(guān)注的技術(shù)指標(biāo)為平均響應(yīng)時(shí)間、分析過程延時(shí)、面部定位的準(zhǔn)確率和狀態(tài)識(shí)別的準(zhǔn)確率。實(shí)驗(yàn)流程是先在隨機(jī)選定的10節(jié)課中啟動(dòng)CRAS（每節(jié)課時(shí)不大于45分鐘），監(jiān)測并記錄CRAS運(yùn)行日志；然后由系統(tǒng)計(jì)時(shí)器獲取平均響應(yīng)時(shí)間和分析過程延時(shí)，并采用人工對比的方法計(jì)算面部定位的準(zhǔn)確率和狀態(tài)識(shí)別的準(zhǔn)確率；實(shí)驗(yàn)結(jié)束后，對記錄結(jié)果進(jìn)行分析與討論。

②穩(wěn)定性測試：由專業(yè)測試工程師實(shí)施，關(guān)注的技術(shù)指標(biāo)為處理器占用率、內(nèi)存消耗、外存消耗和帶寬占用。實(shí)驗(yàn)流程是先啟動(dòng)CRAS并保持運(yùn)行3小時(shí)以上，然后記錄CRAS對各類系統(tǒng)資源需求的變化幅度，最后評價(jià)CRAS的穩(wěn)定性和資源消耗情況。

3 有效性實(shí)驗(yàn)設(shè)計(jì)

（1）有效性主觀評價(jià)

有效性主觀評價(jià)由教師調(diào)查問卷和學(xué)生調(diào)查問卷兩部分組成，均以紙質(zhì)問卷形式于2022年6月底發(fā)放，目的是通過收集并分析師生對CRAS的評價(jià)結(jié)果，來驗(yàn)證LRD方法的有效性。

①教師調(diào)查問卷由CRAS的普及程度、操作復(fù)雜性、運(yùn)行穩(wěn)定性、功能全面性、用戶友好度、是否利于教學(xué)工作改善、評價(jià)準(zhǔn)確性、獲取信息的質(zhì)量、輔助決策意見的可行性共9個(gè)題目組成，調(diào)查對象為D大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)的在職教師，共發(fā)放問卷40份、回收有效問卷40份。

②學(xué)生調(diào)查問卷從對CRAS的認(rèn)知程度、評價(jià)準(zhǔn)確性、是否影響學(xué)習(xí)過程三個(gè)方面設(shè)計(jì)了6個(gè)題目，調(diào)查對象為D大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)的全日制本科生，共發(fā)放問卷200份、回收有效問卷200份。為保證調(diào)查結(jié)果的可靠性，測試工程師臨時(shí)開放了學(xué)習(xí)狀態(tài)查詢服務(wù)，學(xué)生可以在線查詢自己的課堂表現(xiàn)。

（2）有效性客觀評價(jià)

有效性客觀評價(jià)是論證LRD有效性的重要環(huán)節(jié)。本研究根據(jù)選取的四節(jié)課程設(shè)計(jì)了隨堂測驗(yàn)，其題型和內(nèi)容如表2所示。其中，實(shí)驗(yàn)組在裝有CRAS的教室上課，對照組則在普通多媒體教室上課，每次課程結(jié)束后兩組都進(jìn)行隨堂測驗(yàn)。四節(jié)課程結(jié)束后，系統(tǒng)將匯總兩組的單次測驗(yàn)成績，并計(jì)算學(xué)生平均測驗(yàn)成績和分組平均測驗(yàn)成績，之后進(jìn)行有效性客觀評價(jià)：先采用獨(dú)立樣本t檢驗(yàn)，分析實(shí)驗(yàn)組和對照組后測成績的差異性；再通過配對樣本t檢驗(yàn)，對比實(shí)驗(yàn)組的前、后測成績；最后對比實(shí)驗(yàn)組與對照組的后測成績平均值，對實(shí)驗(yàn)結(jié)果展開分析與討論。

四 實(shí)驗(yàn)結(jié)果的分析與討論

1 系統(tǒng)性能實(shí)驗(yàn)數(shù)據(jù)的分析與討論

基本性能測試的運(yùn)行結(jié)果如表4所示，可以看出：平均響應(yīng)時(shí)間的值域?yàn)?6～81ms，分析過程延時(shí)的值域?yàn)?9～85μs，說明CRAS的響應(yīng)和延遲時(shí)間極短，運(yùn)行較為流暢；面部定位的準(zhǔn)確率＞95.8%，狀態(tài)識(shí)別的準(zhǔn)確率＞97.2%，說明CRAS面部定位和狀態(tài)識(shí)別的準(zhǔn)確率較高。

穩(wěn)定性測試的運(yùn)行結(jié)果如表5所示，可以看出：處理器占用率始終＜20%，內(nèi)存消耗始終≤95Mb，外存消耗控制在180Mb/h以內(nèi)，帶寬占用≤1.1Mb/s，說明CRAS資源消耗量相對較低，能夠長時(shí)間穩(wěn)定運(yùn)行。需注意的是，CRAS在初始運(yùn)行時(shí)由于需要加載面部定位和數(shù)據(jù)預(yù)處理模塊，因此會(huì)大量占用CPU并急劇消耗內(nèi)存資源，但很快就能進(jìn)入低耗、平穩(wěn)的運(yùn)行狀態(tài)。

2 有效性實(shí)驗(yàn)數(shù)據(jù)的分析與討論

（1）有效性主觀評價(jià)數(shù)據(jù)的分析與討論

教師問卷調(diào)查結(jié)果顯示，目前D大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)已有近90%的教師經(jīng)常使用CRAS，且認(rèn)為其操作簡單、運(yùn)行穩(wěn)定、用戶體驗(yàn)友好，其反饋的信息與授課教師的主觀評價(jià)結(jié)果基本一致，能夠客觀、準(zhǔn)確地跟蹤和評價(jià)學(xué)生的課堂表現(xiàn)，有助于教師實(shí)時(shí)掌握課堂動(dòng)態(tài)并隨實(shí)際情況做出教學(xué)調(diào)整。

學(xué)生問卷調(diào)查結(jié)果顯示，91%的學(xué)生知道目前學(xué)校教室配備有CRAS，但并沒有對教學(xué)環(huán)境產(chǎn)生干擾；96.5%的學(xué)生認(rèn)為CRAS反饋的結(jié)果與自己的課堂學(xué)習(xí)狀態(tài)相符，有利于課后反思自己的不足之處。此外，70%以上的學(xué)生認(rèn)為CRAS具有一定的警示作用，能于無形之中督促自己時(shí)刻保持較好的學(xué)習(xí)狀態(tài)。

（2）有效性客觀評價(jià)數(shù)據(jù)的分析與討論

實(shí)驗(yàn)組和對照組的前、后測成績?nèi)绫?所示。其中，平均測驗(yàn)成績（Average Test Score，ATS）被設(shè)定為后測成績，而PCA被設(shè)定為前測成績。本研究采用Jarque-Bera檢驗(yàn)方法對實(shí)驗(yàn)組的后測成績進(jìn)行正態(tài)性校驗(yàn)，樣本數(shù)n=28，x²=0.446，df=2，p=0.800，說明后測成績呈現(xiàn)出顯著的正態(tài)分布特點(diǎn)。

本研究采用獨(dú)立樣本t檢驗(yàn)對比實(shí)驗(yàn)組和對照組的后測成績，結(jié)果如表7所示。同時(shí)，本研究采用配對樣本t檢驗(yàn)對比實(shí)驗(yàn)組的前、后測成績，結(jié)果如表8所示。表7、表8顯示，獨(dú)立樣本t檢驗(yàn)結(jié)果t=2.168，p=0.035，配對樣本t檢驗(yàn)結(jié)果t=5.104，p＜0.001，說明實(shí)驗(yàn)組和對照組的后測成績、實(shí)驗(yàn)組的前測成績和后測成績均存在顯著差異。

進(jìn)一步深入分析實(shí)驗(yàn)結(jié)果，本研究發(fā)現(xiàn)：①實(shí)驗(yàn)組的后測成績平均值比對照組提高了3.89分，比前測成績平均值提高了4.54分，整體成績有了明顯提高；②實(shí)驗(yàn)組后測成績的標(biāo)準(zhǔn)差（6.15）不僅低于其前測成績的標(biāo)準(zhǔn)差（9.72），而且低于對照組后測成績的標(biāo)準(zhǔn)差（7.24），說明實(shí)驗(yàn)組的后測成績波動(dòng)較小、學(xué)生個(gè)體表現(xiàn)相對穩(wěn)定。

上述基本性能測試和穩(wěn)定性測試的運(yùn)行結(jié)果表明，CRAS的資源需求量較少、運(yùn)行穩(wěn)定，具有較高的實(shí)用價(jià)值。同時(shí)，本研究從主、客觀評價(jià)兩個(gè)角度驗(yàn)證了CRAS有助于教師掌握課堂整體表現(xiàn)、及時(shí)做出教學(xué)調(diào)整，并有利于提高學(xué)生的課堂學(xué)習(xí)效果，對于保障教學(xué)質(zhì)量也有促進(jìn)作用，由此驗(yàn)證了LRD方法的有效性。此外，CRAS作為一種教學(xué)輔助工具，在提升教師教學(xué)自信的同時(shí)，也會(huì)對學(xué)生學(xué)習(xí)起到敦促和提醒的作用。

五 結(jié)語

基于混合智能的設(shè)計(jì)思想、融合多種人工智能技術(shù)來輔助提高教學(xué)質(zhì)量和教學(xué)水平，是《“十四五”國家信息化規(guī)劃》中關(guān)于“構(gòu)建高質(zhì)量教育支撐體系”的重要手段^[21]，為解決教育改革領(lǐng)域的相關(guān)問題提供了一條新的解決路徑。LRD方法正是這一背景下的研究成果，不僅可以彌補(bǔ)教學(xué)過程性分析與評價(jià)能力的不足，而且有助于形成“基于客觀證據(jù)”的教育新形態(tài)。本研究通過CRAS的系統(tǒng)性能實(shí)驗(yàn)和有效性實(shí)驗(yàn)，驗(yàn)證了LRD方法的實(shí)踐可行性和有效性。然而，體現(xiàn)課堂表現(xiàn)的數(shù)據(jù)并不僅限于學(xué)習(xí)狀態(tài)數(shù)據(jù)，還涉及其他維度的課堂表現(xiàn)數(shù)據(jù)，這些數(shù)據(jù)的潛在價(jià)值有待充分挖掘。為此，后續(xù)研究將對LRD方法進(jìn)行拓展和延伸，開展對其他維度課堂表現(xiàn)數(shù)據(jù)的實(shí)時(shí)采集與分析，并嘗試與學(xué)習(xí)狀態(tài)數(shù)據(jù)相結(jié)合進(jìn)行多維度、多尺度的綜合研判，以充分利用各種前沿智能技術(shù)的優(yōu)勢進(jìn)行教學(xué)行為的深度挖掘與測評診斷，加速智慧教室、智慧學(xué)校的建設(shè)，助力終身數(shù)字教育的實(shí)現(xiàn)。

————————

參考文獻(xiàn)

[1]張文梅，祁彬斌，范文翔.數(shù)據(jù)驅(qū)動(dòng)的教學(xué)行為分析：現(xiàn)狀、邏輯與發(fā)展趨向[J].遠(yuǎn)程教育雜志，2021，（1）：84-93.

[2]蓋君芳，黃寶忠.教育人工智能：新的革命[J].浙江大學(xué)學(xué)報(bào)（人文社會(huì)科學(xué)版），2022，（6）：53-65.

[3]路遠(yuǎn)，李彥敏.基于雷達(dá)圖法的在線學(xué)習(xí)狀態(tài)綜合評價(jià)框架設(shè)計(jì)[J].中國教育信息化，2020，（11）：30-34.

[4]馮曉英，劉月，吳怡君.學(xué)習(xí)者在線學(xué)習(xí)水平的學(xué)習(xí)分析模型研究——臨場感學(xué)習(xí)分析模型構(gòu)建與方法探索[J].電化教育研究，2018，（7）：40-48.

[5]晉欣泉，王林麗，楊現(xiàn)民.基于大數(shù)據(jù)的在線學(xué)習(xí)情緒測量模型構(gòu)建[J].現(xiàn)代教育技術(shù)，2016，（12）：5-11.

[6]肖鳳翔，張雙志.算法教育治理：技術(shù)邏輯、風(fēng)險(xiǎn)挑戰(zhàn)與公共政策[J].中國電化教育，2020，（1）：76-84.

[7]周楠，周建設(shè).基于深度學(xué)習(xí)的學(xué)生行為分析與教學(xué)效果評價(jià)[J].現(xiàn)代教育技術(shù)，2021，（8）：102-111.

[8]Patel A， Vidyarthi A. PTXNet： An extended UNet model based segmentation of pneumothorax from chest radiography images[J]. Expert Systems， 2022，（3）：1-15.

[9]趙麗，賀瑋，王洋.人工智能支持的課堂教學(xué)行為分析：困境與路徑[J].電化教育研究，2022，（1）：86-92.

[10]劉浩，劉笑笑，辛濤.人工智能賦能基礎(chǔ)教育監(jiān)測的應(yīng)用與挑戰(zhàn)[J].北京師范大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2022，（2）：136-142.

[11]王天平，楊玥瑩，張嬌，等.教師視野中的學(xué)生深度學(xué)習(xí)三維狀態(tài)表征體系構(gòu)建[J].現(xiàn)代遠(yuǎn)程教育研究，2021，（5）：63-71、81.

[12]張逸謙，王志強(qiáng)，梁正平.基于托普利茲逆協(xié)方差的學(xué)習(xí)狀態(tài)挖掘算法[J].現(xiàn)代教育技術(shù)，2021，（8）：119-126.

[13]Ferrario V F， Sforza C， Pizzini G ， et al. Sexual dimorphism in the human face assessed by euclidean distance matrix analysis[J]. Journal Of Anatomy， 1993，183：593-600.

[14]Bagherzadeh J， Asil H. Proposing a new method of image classification based on the AdaBoost deep belief network hybrid method[J]. Telecommunication Computing Electronics and Control， 2019，（5）：2650-2668.

[15]李美娟，高婧穎，陳莞.基于歸一化雙向投影法的動(dòng)態(tài)評價(jià)方法[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2021，（10）：2730-2742.

[16]Cheng E， Prasad M， Yang J， et al. A fast fused part-based model with new deep feature for pedestrian detection and security monitoring[J]. Measurement， 2020，151：107081.

[17]Hou C， Xu W， Luo M. Integral function to optimize mass exchange network synthesis model[J]. Journal of Chemical Engineering of Japan， 2020，（6）：254-266.

[18]周德龍，張捷，朱思聰.多方向多尺度Gabor特征表示及其匹配算法[J].電子學(xué)報(bào)，2019，（9）：1998-2002.

[19]王春夢，王子熠，孟凡彬，等.基于Gabor和PCA的面部圖像識(shí)別方法[J].信息技術(shù)，2021，（2）：20-25、32.

[20]炕留一，葉海智，張瑾，等.基于多維數(shù)據(jù)的課堂教學(xué)行為評價(jià)研究[J].現(xiàn)代教育技術(shù)，2022，（4）：68-77.

[21]中國網(wǎng)信網(wǎng).“十四五”國家信息化規(guī)劃發(fā)布[OL]. lt;http：//www.cac.gov.cn/2021-12/27/c_1642205314518676.htmgt;

Learning Status Real-time Collection and Dynamic Analysis Method Based on Hybrid Intelligence

ZHANG Ke-jia¹""" TIAN Feng¹""" WANG Bo²""" SUN Fei³""" LIU Tao¹

（1. School of Computer amp; Information Technology， Northeast Petroleum University， Daqing， Heilongjiang， China 163318;

2. School of Software and Microelectronics， Peking University， Beijing， China 102600;

3. School of Economics and Management， Northeast Petroleum University， Daqing， Heilongjiang， China 163318）

Abstract： Real-time collection and analysis of classroom learning status can help teachers grasp classroom dynamics in time and improve teaching effect， but the existing methods have problems of weak real-time and low accuracy. In this regard， the paper proposed a learning status real-time collection and dynamic analysis （LRD） method containing the criterion of learning status， the recognition method of learning status and the real-time evaluation method of classroom performance. Firstly， this paper explained the working principle of the LRD method. Secondly， a classroom learning status real-time collection and dynamic analysis system was developed. Finally， by the property and effectiveness experiments of this system， the practical feasibility and effectiveness of the LRD method were validated. The LRD method proposed in this paper can identify and analyze students’ learning status in real time and accurately， improve the level of teachers to grasp the students’ classroom performance， and provide a new research idea and technical reserve for the development of wisdom education.

Keywords： learning status; LRD method; classroom performance; system property; effectiveness