智能技術支持的教師注意力分析與評價研究*

摘要：教師注意力在師生互動過程中發揮著至關重要的作用，但注意力分析的復雜性和低效性制約著教師注意力評價的探索，智能化分析工具的應用有望打破這一瓶頸。基于此，文章首先梳理了教師注意力的研究現狀。隨后，文章探討了教師注意力分析與評價過程中面臨的挑戰，并提出運用智能技術進行探究的對策。在此基礎上，依據注意力理論開發了教師注意力智能分析系統。接著，文章選取12節小學數學課程，利用該系統收集教師注意力數據進行分析與評價。研究發現：教師在課堂中的注意力主要集中在學生身上；教師注意力與師生互動存在顯著相關，即教師看學生與學生行為呈正相關，教師看黑板和教材與教師行為呈正相關。此外，注意力評價結果顯示，與新手型教師相比，專家型教師在注意學生方面的表現更為突出，且注意力評分更高。基于上述發現，文章為小學教師注意力的提升提出針對性建議，以期為教師注意力的評價與提升提供支持。

關鍵詞：教師注意力；師生互動；教師行為；智能分析；教師評價

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）04—0100—12"【DOI】10.3969/j.issn.1009-8097.2024.04.010

2020年10月，中共中央國務院印發《深化新時代教育評價改革總體方案》，指出要使用人工智能、大數據等現代信息技術創新評價工具，促進教師分析和評價的現代化^[1]。為貫徹這一方案，中共中央辦公廳、國務院辦公廳于2022年2月印發《關于深化新時代教育督導體制機制改革的意見》，進一步強調要充分利用互聯網、大數據等技術開展督導、評估和監測工作^[2]。基于這些政策的指導，利用人工智能技術采集課堂動態數據，輔助進行課堂行為分析，成為教師評價的新趨勢。在此背景下，人工智能技術的發展為教師注意力的分析與評價帶來了新的機遇。教師注意力作為教師認知能力的重要組成部分，在課堂調控和師生互動中均發揮著重要作用^[3]。然而，現有的教師注意力獲取方法存在延時性、主觀性和干擾性等問題^[4]，導致難以實時、準確地捕捉教師在課堂教學中的注意力狀態，課堂智能化分析工具的即時性、客觀性和非侵入性特征有望解決上述問題。基于此，本研究在梳理教師注意力相關文獻的基礎上，分析了教師注意力分析評價面臨的挑戰以及基于智能技術的解決對策，并開發了教師注意力智能分析系統，深入揭示教師注意力特征及其與師生互動的緊密關系，并為教師教學提出針對性建議，以期為教師注意力的評價和提升提供有力支持。

一 文獻綜述

1"教師注意力的概念界定

注意力是指個體心理活動在一定對象指向和集中的能力^[5]，教師注意力則是教師在教學環境下反映出的注意力特征，可以描述為教師在教學或教學觀察過程中參與的潛意識心理過程^[6]。相關學者對這一心理過程進行了詳細闡述，其中Van等^[7]開創性地確定了教師注意力形成的三個過程：①確定課堂中值得注意的內容；②將課堂互動的具體細節與有效的教學和學習原則聯系起來；③結合教師身處的課堂互動背景進行推理。其后，學者對這一過程進行豐富，將教師注意力概括為對值得注意方面的感知、對學生和課堂的解釋推理以及基于這種解釋對課堂的回應三個階段^[8]。需要注意的是，教師注意力很大程度上取決于教師對課堂注視目標的視覺感知^[9]。因此，研究者通常采取分析教師在特定目標上的注視特征（如注意時間、頻次）和模式的方法來評價教師的注意力。

2 教師注意力的影響因素

課堂信息的密集性意味著教師需要選擇性地注意課堂關鍵信息。這種選擇性注意不僅受教師經驗、性別、講授科目、心理狀態等自身因素的制約，還受學生年齡、課堂行為等外部因素的影響^[10]。對教師而言，經驗越豐富的教師越能有效分配其注意力^[11]，而較大的心理壓力會分散教師注意力^[12]。對學生而言，教師需要調整其注意方式以適應不同年齡段學生的學習需求^[13]，而學生在課堂上的不當行為往往會分散教師的注意力進而干擾教學節奏。

3 教師注意力的課堂作用

教師注意力作為一種外顯化的教師行為，不僅有助于教師調控課堂，還可以促進學生有效學習^[14]。對教師而言，可以利用注意力管控課堂，如通過注意學生促進其注意力的集中，減少違反課堂紀律事件的發生^[15]。此外，教師還能夠通過注意學生的反饋情況進而靈活調整教學內容和策略，實現因材施教^[16]。對學生而言，教師對學生的注意不僅激發了學生的學習參與度和積極性^[17]，還促進了學生對學習內容的深度認知和理解^[18]。

4 教師注意力與師生互動

教師注意力是教師參與課堂互動的重要方式。一方面，教師與學生的注意力交互，傳達出教師正在關注學生的信號，創造積極的氛圍，進而鼓勵學生參與互動^[19]，如Pi等^[20]發現教師的注意力能夠有效促進學生對教師的關注；另一方面，教師對學生的注意力有助于提升學生對教師人際行為的感知和理解^[21]，進而增強師生間的情感聯系和親密度^[22]。

言語交互是師生互動的核心方式，與教師注意力同步出現，對兩者同步分析，有助于全面揭示教師注意力分布的基本特征^[23]。已有研究發現，不同言語互動中的教師注意力分布有所差異。具體來說，在以教師為中心的教學中，教師提問和講授時注意學生的比例相似^[24]，相比之下，在學生高度參與的對話中，教師對學生分配的注意力更多^[25]。而在協作問題解決的過程中，教師在指導階段對學生的注意多于傾聽學生講話階段^[26]。

二 教師注意力分析與評價面臨的挑戰與解決對策

1"教師注意力分析與評價面臨的挑戰

（1）主觀性干擾

目前，教師注意力的傳統分析方式主要為人工課堂觀察，這種分析方式投入大，且會受到分析者的主觀影響。此外，基于視頻的訪談也是應用較為廣泛的注意力探究方式，如Yang等^[27]讓教師共同分析教學片段鏡頭，并通過觀看視頻后的訪談收集數據，測量不同發展階段數學教師的注意力差異。但這種方式缺乏分析的即時性，且教師回答帶有主觀性和片面性。

（2）完整性缺失

近些年，移動眼球追蹤技術被開發用于測量課堂中的注意力焦點，如Muhonen等^[28]通過使用眼動眼球追蹤設備記錄一年級54名教師的注意力來研究師生對話時教師的注意力情況。一方面，這種研究方式在技術使用上設備體積大、價格高、耗時久，因此研究中只能針對部分教學片段進行分析，而缺乏對多個完整課堂情境下注意力特征的探索；另一方面，侵入式的分析方式會干擾教師教學過程，破壞分析結果的完整性、情境性和真實性。

（3）差異性不明

教師的注意力行為在一定程度上取決于教師所處的特定文化背景，因此相同的注意行為在不同背景下可能會傳遞出不同的信號^[29]。而目前已有的研究結果大部分在西方背景下進行，在非西方環境中、非干預性條件下的教師注意力特征的研究依舊匱乏，評價結果的遷移性尚未被證實。因此，在具有深厚教育文化的國內環境下，開展本土化的教師注意力評價研究，對深入洞悉教師注意力特征具有關鍵作用。

2 解決對策

針對現有挑戰，人工智能技術在消除主觀性干擾、保證課堂完整性上的卓越表現，為實現真實課堂場景下教師注意力的獲取提供了新的可能。其中，基于頭部姿態的注意力估計方式可以通過獲取頭部偏轉角度準確估計教師注意力方向。這種方法適用于常見的低分辨率攝像頭，是依據視頻捕捉注意力的有效手段^[30]，如Araya等^[31]和劉婷婷^[32]均通過估計教師頭部姿態轉角來檢測教師視線范圍，進而實現了教師注意力的無干擾測量。

此外，利用智能技術輔助進行教學分析的方式也為教師注意力評價指明了新的發展方向。利用智能化分析技術可以對真實課堂中連續且復雜的教師行為進行提取，進而準確剖析教師注意力特征并進行評價。因此，本研究提出并應用了一種非侵入式教師注意力智能分析系統，無干預獲取教師課堂注意力，從而發現真實課堂場景下的教師注意力特征，為教師注意力的評價和提升提供新的思路。

三 智能技術支持的教師注意力獲取方式

1 分析模型

本研究將教師注意力分為看學生、看黑板、看教材和看其他4類。已有研究根據教師視覺目標確定教師感興趣的領域，可以將教師注意力區分為看學生、看教材和看其他等類別^[33]，如Yang等^[34]將教師關注的興趣區分為學生區域、教學內容區域和無課堂活動的其他區域三類。本研究結合實際課堂環境和這一分類方法對教師注意力進行劃分^[35]。該分類通過多輪專家函詢的方式獲得，并對各個分類進行賦權，結果如表1所示。

教師注意力是教師參與互動的重要形式，剖析師生互動情境中的注意力表現有利于全面理解教師注意力特征。因此，本研究對課堂中的師生互動行為進行編碼和分析，進一步揭示教師注意力特征。師生互動行為編碼使用了方海光等^[36]提出的改進型弗蘭德斯互動分析系統（improved Flanders Interaction Analysis System，iFIAS），如表2所示。弗蘭德斯互動分析系統（Flanders Interaction Analysis System，FIAS）是師生互動編碼中廣泛使用的規范，而iFIAS系統是在FIAS和基于信息技術的互動分析系統（Information Technology-based Interaction Analysis System，ITIAS）的基礎上改進而來，共包含14個項目，分別是教師行為（7個）、學生行為（3個）、沉寂或混亂（4個），本研究只對沉寂狀態下的技術使用進行了考慮。同時，相較于傳統FIAS中所采用的三秒間隔記錄法，本研究采用逐幀解析的方式對教師注意力和師生互動行為進行持續監控與記錄，這種方式能更加細粒度地捕捉行為的微觀動態變化，從而確保行為數據獲取的完整性和準確性。

2 研究設計

本研究旨在構建教師注意力智能分析系統，以開展教師注意力的智能分析與科學評價。該系統涵蓋教師注意力內在特征以及不同師生互動類型中教師注意力的差異探索，集成了基于頭部姿態的教師注意力估計與基于說話人識別的師生互動分析兩項核心技術。

（1）基于頭部姿態的教師注意力估計

教師注意力的獲取采用具有高魯棒性和準確性的頭部姿態估計模型Hopenet^[37]。Hopenet是一種基于Resnet的頭部姿態估計網絡，通過在大型綜合擴展數據集300W-LP上訓練一個多重損失卷積神經網絡來確定歐拉角（yaw，"roll，"pitch），進而定位頭部方向。本研究利用該模型開發了教師注意力分析系統：首先，基于Faster R-CNN模型識別課堂中的教師身份，并采用目標檢測方法確定教學場景中各個物體或師生的位置坐標^[38]；隨后，將捕捉到的教師頭部圖像信息輸入Hopenet網絡，從中提取教師的頭部姿態信息，進而以俯仰角的正切函數為基礎確定教師視線落點常數^[39]；最后，結合注意力分析模型，利用視線與落點范圍測算教師的注意力區域，如教師注意力區域與學生重合則確定為看學生，與黑板重合則為看黑板。

（2）基于說話人識別的師生互動分析

本研究中師生互動數據的獲取依據深度學習算法對師生說話人進行分割，該方法主要采用研究團隊另一項工作中所提出的多尺度殘差聚合網絡MSRANet^[40]：首先，通過預加重、分幀、加窗等操作對語音信號進行預處理，并使用VAD算法對收集到的課堂教學音頻進行活動音檢測和自動切割。然后，通過特征提取過程（包括傅里葉變換、Mel濾波器以及取對數操作）將切割好的語音信號轉換為64維Fbank能量譜特征，進而將其輸入多尺度殘差聚合神經網絡模型，得到課堂師生音頻對應的嵌入特征。最后，在后端采用余弦相似度作為相似度判別方法，基于課堂音頻片段與教師樣本音頻對應的嵌入特征進行說話人確認，從而確定教師語音、學生語音和寂靜，進而對師生互動進行分析。

3 研究對象

本研究選取武漢市A、B兩所小學3～5年級的12位數學教師作為研究對象，包含6名新手型教師和6名專家型教師，其中新手型教師為教齡5年以內的教師，專家型教師為教齡15年以上且具有正高級職稱的優秀教師。本研究根據授課內容難度和教學設計的相似性，選取每位教師的一節新授課進行錄制和分析。所有課程均在配有電子白板的傳統課堂進行，攝像機位于教室后方正中間位置，授課時間為38～50分鐘。選取的課程信息如表3所示。

4 數據處理

為保證數據的準確性，本研究對結果進行人工檢驗與校對。首先，遵循分析模型的編碼規范，由三名教育技術學博士對視頻的前10分鐘進行編碼。經過與智能化結果進行比較，得到編碼相似度達91%，顯示出較高的效度。然后，為進一步保證結果的可靠性，本研究在獲取教師注意力和師生互動數據后，對數據進行人工校對，并剔除與課堂無關的數據，保留了有效課堂中以時間為依據的教師注意力和師生互動特征數據集。最后，本研究按照iFIAS系統將師生互動數據進一步編碼。

在完成數據采集后，本研究首先計算教師在不同注意目標中的注意時間占比、注意頻次、平均注意時間等相關變量，其中注意時間占比反映了教師在不同興趣區的注意力投入度；注意頻次則反映教師注意力的轉換情況，體現了教師注意力的廣度；平均注意時間則是在融合前兩類特征的基礎上平均體現了教師注意力的特征。同時，本研究利用時間序列的對應關系將教師注意力與師生互動行為進行匹配，并獲得每10秒內的教師注意力與師生互動的類型和時間信息。在此基礎上，本研究使用IBM SPSS Statistics 27對結果進行統計分析：首先通過描述性統計分析教師注意力和師生互動的數據特征，然后通過獨立樣本t檢驗比較專家型教師和新手型教師的注意力特征差異，最后采用相關分析探究教師注意力和師生互動行為的相關性。

四 數據驅動的教師注意力分析與評價

1"教師注意力分析

（1）教師注意力描述性統計

本研究利用基于頭部姿態的教師注意力估計技術獲取12堂授課視頻中的注意力數據，共得到5118次注意力結果，總計26920秒，數據利用率為93.3%，對于不同經驗教師的注意力情況描述性統計如表4所示。從注意時間來看，教師在學生區域的注意（M=0.751，SD=0.072）時間占比最高，其次是黑板區域（M=0.200，SD=0.063）、教材區域（M=0.037，SD=0.029），最少的是其他區域（M=0.012，SD=0.005）。此外，教師在學生區域的注意頻次（M=0.468，SD=0.024）和平均時間（M=7.990，SD=0.714）也高于其他區域。

本研究對師生互動中的教師注意力進行分析，得到師生互動行為7018次，共計29017秒。其中，教師行為時間占45.8%，以講授型行為最為頻繁（占14.8%）；學生行為時間占27.8%，學生被動說話最為突出（占19.8%）。教師注意力與師生互動熱力圖如圖1所示，圖中數據反映了在不同師生互動類型中，教師在各個區域分配的注意時間。結果顯示，除教師操縱技術維度外，其他師生互動類型均顯示教師在學生區域的注意時間最多，其次是黑板區域。通過卡方檢驗發現，教師注意力與師生互動存在顯著差異（χ²=1772.905，df=39，p=0.001）。

（2）教師注意力與師生互動的相關分析

為探究教師注意力類型和師生互動類型的關系，本研究以教師注意力與師生互動的分析編碼作為變量進行皮爾遜相關分析，結果如表5所示。在師生互動一級維度上，教師行為與教師看黑板、看教材、看其他均顯著正相關；學生行為與教師看學生顯著正相關，與教師看教材、看其他顯著負相關；沉寂或混亂與教師看黑板負相關，與教師看材料正相關。在二階師生互動維度上，值得注意的是，教師講授行為與教師看黑板、看教材顯著正相關，與教師看學生負相關；學生與同伴討論和教師看黑板、看其他呈負相關，與教師看學生正相關。

2 教師注意力評價

本研究依據表1中的專家函詢賦權與注意力分析結果，通過計算得到注意力得分（如表4所示）。具體方法是將各區域注意力時間占比與對應賦權值相乘后再求和，最終得到注意力得分，其范圍在0.507～0.775之間。本研究以注意力得分為依據對教師注意力進行評價，為進一步探究評價結果的有效性和差異性，本研究對專家型教師和新手型教師的注意力分析與評價結果差異進行探究，在正態檢驗的基礎上，對符合正態分布的數據進行獨立樣本t檢驗，結果如表6所示。分析發現，專家型教師和新手型教師的注意力評分存在顯著差異，即專家型教師的注意力得分高于新手型教師。具體來說，專家型教師和新手型教師的注意時間不存在顯著差異，但注意頻次轉換存在顯著差異，即專家型教師在課堂中的轉換頻次要低于新手型教師。

對專家型教師和新手型教師在不同區域中的注意特征差異進行分析，發現針對看學生行為，專家型教師和新手型教師的時間占比、頻次、頻次占比和平均時間均存在顯著差異，即專家型教師的看學生時間占比、頻次占比、平均時間均高于新手型教師，而注意頻次顯著低于新手型教師；針對看黑板行為，專家型教師和新手型教師看黑板的時間占比和頻次存在顯著差異，即專家型教師看黑板的時間占比和頻次均較少，而頻次占比和平均時間不存在顯著差異；針對看教材行為，專家型教師與新手型教師的時間占比、頻次、頻次占比、平均時間均不存在顯著差異；針對看其他行為，專家型教師和新手型教師的時間占比、頻次、頻次占比存在顯著差異，即專家型教師看黑板的時間占比、頻次和頻次占比均較少，而平均時間不存在顯著差異。其中，專家型教師和新手型教師在不同區域的注意力分配時間占比如圖2所示。

五 結論與建議

1 結果與討論

本研究在智能化技術的驅動下，考察了教師注意力的構成及其分布特征，并分析了專家型教師與新手型教師的注意力差異，可以得出以下結論：

（1）教師在不同區域的注意力分布不均

從教師在學生、黑板、教材和其他四個區域的注意力特征分析可以發現，教師在四個區域的注意力存在顯著差異，教師看學生的時間占比（M=0.751，SD=0.072）、頻次（M=0.468，SD=0.024）和平均時間（M=7.990，SD=0.714）得分均高于其他區域，課堂中教師有一半以上的注意力集中在學生身上。學生是課堂的主體，教師注意的對象大部分情況下是學生，黑板和教材是教師輔助學生學習的工具，教師通過注意學生來促進師生交流和學生學習。

（2）教師注意力與師生互動具有相關關系

對教師注意力與師生互動進行分析后發現，教師注意力與師生互動具有一定的相關關系：①教師看黑板（p=0.079）和看教材（p=0.039）與教師行為顯著正相關，由于教師講授過程中對教學材料會有較大的依賴性，因此會有更多的看黑板和看教材行為。②教師看學生與學生行為正相關（p=0.065），教師看教材、看其他與學生行為負相關（p=-0.087），教師與學生交互尤其是學生發言時會將注意力更多地放在學生身上，因此教師會較多地關注學生而較少關注教材和其他。

（3）專家型教師的注意力評價得分更高

與新手型教師相比（M=0.583，SD=0.051），專家型教師在整堂課中的注意力得分更高（M=0.688，SD=0.056），關注學生的時間占比和平均時間更長。由于新手型教師對教材可能不夠熟悉，導致其在教學內容相關區域傾注的注意力更高，對學生的注意時間相對較少，而專家型教師隨著教學經驗的提升，實現了從關注教材到關注學生的轉變，且注意力的穩定性提高，因此會具有更長的看學生平均時間。

2 建議與展望

基于以上結論，本研究結合教師實際情況，從教師注意力的角度出發為促進教師合理利用注意力和教學能力提升提出以下建議：

①技術支持，輔助教師評價提升。數字化轉型背景下，教育主管部門應當加大智能化硬件和服務的投入，完成課堂智能化分析與評價系統的配備，推進教育評價改革；學校應當使用智能化分析工具輔助教師進行分析評價，鼓勵教師使用技術改進教學；教師應當提升技術接受度，根據智能化分析結果進行反思提升。

②學校督導，提高教師教學保障。教師注意力水平的提升離不開學校的支持與引領，學校應當通過名師幫扶、培訓學習等方式提高教師對包括注意力在內的教學能力的理解；依據教師需求和特點，制定教師注意力的評價與提升方案；在常規教學中，發揮對教師教研、備課過程的督導作用，增加教師對教學內容的掌握程度，進而增強教師對學生學習過程的關注。

③教師實踐，聚焦注意能力發展。教師應當在課前通過充分備課、多次練習的方式提升對教學內容的掌握，在課堂中將更多的注意力分配給學生；學習了解教師注意力的內涵和變化過程，在授課中增強對個人注意力的關注與調控；將注意力作為一種工具進行輔助教學，利用教師注意力進行師生互動、課堂管理。

本研究采用注意力估計技術和師生話語分析技術獲取教師的注意力特征，實現了課堂行為的無干預測量和分析，從而揭示專家型教師擁有更高的注意力評分與更長的注意學生時間，為深入理解課堂行為提供了新的思路。然而，本研究仍存在一些局限。已有研究表明教師針對不同學生的注意力存在差異^[41]，但本研究僅將教師的注意力區域分為學生、黑板、教材和其他四類，未能深入探討教師針對不同學生的注意差異。為了更全面地揭示教師注意力的特征，未來將按照學生位置維度進一步劃分學生區域，以更加精確地分析教師針對不同學生的注意差異。

參考文獻

[1]新華社.中共中央 國務院印發《深化新時代教育評價改革總體方案》[OL].

lt;http：//www.gov.cn/zhengce/2020-10/13/content_5551032.htmgt;

[2]新華社.中共中央 國務院印發《關于深化新時代教育督導體制機制改革的意見》[OL].

lt;https：//www.gov.cn/zhengce/2020-02/19/content_5480977.htmgt;

[3][9][23]Van den Bogert N， van Bruggen J， Kostons D， et al. First steps into understanding teachers’ visual perception of classroom events[J]. Teaching and Teacher Education， 2014，37：208-216.

[4]Muhonen H， Pakarinen E， Lerkkanen M K. Professional vision in the classroom： Teachers’ knowledge-based reasoning explaining their visual focus of attention to students[J]. Teaching and Teacher Education， 2023，121：103907.

[5]彭聃齡.普通心理學（第5版）[M].北京：北京師范大學出版社，2019：183-205.

[6][10]Sherin M， van Es E. Using video to support teachers’ ability to notice classroom interactions[J]. Journal of Technology and Teacher Education， 2005，（3）：475-491.

[7]Van Es E A， Sherin M G. Learning to notice： Scaffolding new teachers’ interpretations of classroom interactions[J]. Journal of Technology and Teacher Education， 2002，（4）：571-596.

[8]Bl?meke S， Gustafsson J E， Shavelson R J. Beyond dichotomies： Competence viewed as a continuum[J]. Zeitschrift für Psychologie， 2015，（1）：3-13.

[11]Shinoda H， Yamamoto T， Imai-Matsumura K. Teachers’ visual processing of children’s off-task behaviors in class： A comparison between teachers and student teachers[J]. PloS"One， 2021，（11）：e0259410.

[12]Randel J M， Pugh H L， Reed S K. Differences in expert and novice situation awareness in naturalistic decision making[J]. International Journal of Human-Computer Studies， 1996，（5）：579-597.

[13]Keller L， Cortina K S， Müller K， et al. Noticing and weighing alternatives in the reflection of regular classroom teaching： Evidence of expertise using mobile eye-tracking[J]. Instructional Science， 2022，（5）：251-272.

[14]Shi Y， Wang M， Chen Z， et al. The impacts of instructor’s visual attention and lecture type on students' learning performance and perceptions[J]. Education and Information Technologies， 2024：1-29.

[15]Dessus P， Cosnefroy O， Luengo V. “Keep your eyes on’em all！”： A Mobile eye-tracking analysis of teachers’ sensitivity to students[A]. Adaptive and Adaptable Learning： 11th European Conference on Technology Enhanced Learning， EC-TEL 2016[C]."Lyon， France： Springer International Publishing， 2016：72-84.

[16]Chaudhuri S， Muhonen H， Pakarinen E， et al. Teachers’ visual focus of attention in relation to students’ basic academic skills and teachers’ individual support for students： An eye-tracking study[J]. Learning and Individual Differences， 2022，98：102179.

[17]Conty L， George N， Hietanen J K. Watching eyes effects： When others meet the self[J]. Consciousness and Cognition， 2016，45：184-197.

[18]Bolkan S， Goodboy A K， Myers S A. Conditional processes of effective instructor communication and increases in students’ cognitive learning[J]. Communication Education， 2017，（2）：129-147.

[19]Roberts A， Friedman D. The impact of teacher immediacy on student participation： An objective cross-disciplinary examination[J]. International Journal of Teaching and Learning in Higher Education， 2013，（1）：38-46.

[20]Pi Z， Xu K， Liu C， et al. Instructor presence in video lectures： Eye gaze matters， but not body orientation[J]. Computers amp; Education， 2019，144：103713.

[21][29]McIntyre N A， Mulder K T， Mainhard M T. Looking to relate： Teacher gaze and culture in student-rated teacher interpersonal behaviour[J]. Social Psychology of Education， 2020，（2）：411-431.

[22]McIntyre N A， Mainhard M T， Klassen R M. Are you looking to teach？ Cultural， temporal and dynamic insights into expert teacher gaze[J]. Learning and Instruction， 2017，49：41-53.

[24]McIntyre N A， Foulsham T. Scanpath analysis of expertise and culture in teacher gaze in real-world classrooms[J]. Instructional Science， 2018，（3）：435-455.

[25][28]Muhonen H， Pakarinen E， Rasku-Puttonen H， et al. Dialogue through the eyes： Exploring teachers’ focus of attention during educational dialogue[J]. International Journal of Educational Research， 2020，102：101607.

[26]Haataja E， Salonen V， Laine A， et al. The relation between teacher-student eye contact and teachers’ interpersonal behavior during group work： A"multiple-person gaze-tracking case study in secondary mathematics education[J]. Educational Psychology Review， 2021，（1）：51-67.

[27]Yang X， K?nig J， Kaiser G. Growth of professional noticing of mathematics teachers： A"comparative study of Chinese teachers noticing with different teaching experiences[J]. ZDM-Mathematics Education， 2021，（5）：29-42.

[30]Fanelli G， Gall J， Van Gool L. Real time head pose estimation with random regression forests[A]. IEEE Conference on Computer Vision and Pattern Recognition （CVPR）[C]. Colorado Springs， CO， USA： IEEE， 2011：617-624.

[31]Araya R， Sossa-Rivera J. Automatic detection of gaze and body orientation in elementary school classrooms[J]. Frontiers in Robotics and AI， 2021，8：729832.

[32]劉婷婷.面向教師教學信譽度量化的智能感知與識別方法研究[D].武漢：華中師范大學，2019：89-99.

[33]Bastian A， Kaiser G， Meyer D， et al. Teacher noticing and its growth toward expertise： An expert-novice comparison with pre-service and in-service secondary mathematics teachers[J]. Educational Studies in Mathematics， 2022，（1）：205-232.

[34]Yang J， Liu C， Zhang Y， et al. The teacher’s eye gaze in university classrooms： Evidence from a field study[J]. Innovations in Education and Teaching International， 2023，（1）：4-14.

[35]魯圓圓，陳增照，陳榮，等.智能技術助推教師課堂教學行為評價的應用框架研究[J].現代教育技術，2022，（12）：76-84.

[36]方海光，高辰柱，陳佳.改進型弗蘭德斯互動分析系統及其應用[J].中國電化教育，2012，（10）：109-113.

[37]Ruiz N， Chong E， Rehg J M. Fine-grained head pose estimation without keypoints[A]. IEEE Conference on Computer Vision and Pattern Recognition （CVPR）[C]. Salt Lake City， UT， USA： IEEE， 2018：2074-2083.

[38]Miao B， Chen Z， Liu H， et al. A target re-identification method based on shot boundary object detection for single object tracking[J]. Applied Sciences， 2023，（11）：6422.

[39]Wan"S， Chen Z， Wang M， et al. Teacher attention measurement based on head pose estimation[A]."International Conference on Intelligent Education and Intelligent Research （IEIR）[C]. Wuhan， China： IEEE， 2022：1-7.

[40]Zheng Q， Chen Z， Liu H， et al. MSRANet： Learning discriminative embeddings for speaker verification via channel and spatial attention mechanism in alterable scenarios[J]. Expert Systems with Applications， 2023，217：119511.

[41]Cortina K S， Miller K F， McKenzie R， et al. Where low and high inference data converge： Validation of CLASS assessment of mathematics instruction using mobile eye tracking with expert and novice teachers[J]. International Journal of Science and Mathematics Education， 2015，13：389-403.

Research on the Analysis and Evaluation of Teachers’ Attention Supported by Intelligent Technology

CHEN Zeng-Zhao """SHI Ya-Wen""""Wang Meng-Ke """ZHENG Qiu-Yu

（Faculty of Artificial Intelligence in Education， Central China Normal"University， Wuhan， Hubei，"China 430079）

Abstract："Teachers’ attention plays a crucial role in student-teacher interaction， yet the complexity and inefficiency of attention analysis hinder restrict the exploration of teachers’"attention evaluation. The application of intelligent analysis"tools are expected"to overcome these obstacles. Firstly， this paper reviewed the research status of"teachers’ attention. Secondly， the paper discussed the challenges faced in the process of teachers’ attention analysis and"evaluation， and put forward the countermeasures of using intelligent technology to explore. On this basis， the intelligent analysis system of teacher’s attention was developed according to the attention theory. Sebuently， twelve primary school mathematics"courses were selected to collect"teachers’ attention"data through this system. It was found in this research that teachers’ attention was most distributed among students， and there was a"significant correlation between teachers’ attention and teacher-student interaction， namely， a"positive correlation"between"teachers’ looking at students with student behavior， a positive correlation"between teachers’ looking at the blackboard and textbooks with their own behavior. In addition， the attention evaluation result showed that compared with novice teachers， expert teachers were more prominent in paying attention to students， and their attention scores were higher. Based on the above findings， this paper put forward specific suggestions for the improvement of primary school teachers’"attention， in order to provide support for the evaluation and improvement of teachers’ attention.

Keywords："teachers’ attention; teacher-student interaction; teachers’ behaviors; intelligent"analysis; teachers’"evaluation