基于卷積神經網絡的標準課堂教學語音情感優化的方法研究

摘 要：在人工智能時代下，深度學習技術逐漸融入教育研究領域的各個方面。教師教學語言是課堂教學的主要方式，教學情感作為教學評價的主要評估方式，深刻影響著教師的教學效果。本文基于卷積神經網絡模型對教師語音情感進行識別，以語音情感描述模型和情感教學理論作為理論基礎，按照“數據庫建立—模型搭建—實踐應用”的研究路徑開展教師標準課堂教學語音情感的研究，建立教師課堂語音數據庫，構建教師語音情感評價量表，還原真實課堂的精準采集、助力教師評價的高效開展，以此優化教師教學語音情感，賦能教學改進。

關鍵詞：教師語音情感，卷積神經網絡，教學改進，深度學習

DOI編碼：10.3969/j.issn.1002-5944.2024.08.047

0 引 言

2022年，教育部印發《新時代基礎教育強師計劃》的通知中強調要探索人工智能助推教師管理優化辦法，實現教師培訓專業化、標準化，提升教師隊伍管理服務水平，促進教育教學方法創新，進一步挖掘和發揮教師在人工智能與教育融合中的作用[1]。當下，線上和線下交互式教學成為教師主要的教學方式，而線上教學使得教師和學生物理位置分離。教師教學語言是教師在教學中向學生傳遞知識的核心手段，教師情緒的變化對學生知識的習得有著深刻的影響，教師語音情緒的表達合理性與反饋理應受到研究者的關注。

當前，基于人工智能技術的姿態識別、表情識別以及文本識別都可以間接與教師情感進行聯系，但直接面向教師的人工智能課堂情緒識別的相關研究仍然較少。而課堂教學語言是教師在課堂教學中向學生傳遞信息的核心手段。教師駕馭語言能力的高低，對教學效果有著直接且明顯的影響。運用AI技術手段，聚焦情緒識別分析教師課堂語音，觀察教師課堂語音情緒變化對于教學改進有重要的價值與意義。

1 方法研究

本文以語音情感描述模型、情感教學理論為基礎，按照“數據庫建立—模型搭建—實踐應用”的研究路徑開展教師課堂教學語音情感的研究，以此優化教師教學語音情感，賦能教學改進，如圖1所示。

1.1 研究方法

1.1.1 教師課堂語音數據庫的建立

對教師語音情感的分析研究離不開教師課堂語音數據庫的建立。由于情感的復雜性、數據收集的困難性、錄制標準的不一致性以及情感分類目的和任務的差異性等，目前，大多數研究機構都是按照各自的科研需求建立相應的情感語音數據庫[2]。研究者劉清堂等采用非入侵、伴隨式的數據采集方式采集課堂教學數據，利用教室中安裝的多路高清攝像機采集課堂上教師和學生的圖像，利用麥克風采集語音數據，并通過錄播系統自動合成為教學視頻，存入視頻數據庫中[3]。基于此，對于教師語音情感的分析也可以對已有的課堂教師語音實錄進行統計分類，再以5 s的時間跨度對每一種類別的數據進行分幀處理，最終建立可供使用的教師課堂語音數據庫。

1.1.2 教師課堂語音數據庫的標注

語音情感數據庫涉及的另一個重要工作就是語音情感數據的整理和情感的標注。研究者錢婷通過對PAD三維情感模型（Pleasure-ArousalDominance space，愉悅度-激活度-優勢度空間理論）中 P 值的不同將課堂教學中的教師情感劃分為積極、消極、中性3大類[4]；研究者張雪英等利用改進的PAD情感量表對數據庫語音進行標注，并對標注結果的有效性進行了數據分析[5]，通過捕捉教師的語音情感變化以及積極、中性與消極情緒出現的次數與時間長短，為廣大教育研究者和一線教師分析、開展高質量的課堂教學活動提供理論依據與實踐指導，為人工智能技術進入課堂教學評價領域提供實踐經驗。

1.1.3 模型的使用、訓練

研究者李洋等提出了一種基于卷積神經網絡和 Bi-LSTM 網絡的特征融合模型用于文本分類研究[6 ]。搭建基于教師課堂的語音情感分類的卷積神經網絡（CN N）模型和雙向長短時記憶神經網絡（Bi-LSTM）模型，為精準評價教師課堂教學語音情感提供技術支持。采用梅爾倒譜系數（MelFrequency Cepstral Coefficents，MFCC）特征進行特征提取，從而降低實驗復雜度、工作難度，提升計算速度。同時，使用梅爾譜系數作為基線特征進行對比實驗，并在未來實驗過程中嘗試找到更好的聲學特征。通過對模型的反復訓練，將人工標注的情感與模型所識別的情感不斷進行比對，不斷提高情感預測的精度。

1.2 實踐應用

教師課堂語言是改善教師教學質量的必要手段。課堂情感作為教學評價的一個方面，利用卷積神經網絡模型，分析教師課堂教學情感具有很實際的應用價值。運用建立好的教師課堂語音數據庫和訓練好的卷積神經網絡模型，對更多的課堂視頻進行分析比較，可以構建教師語音情感分析評價指標表，以此為優化教師教學語音情感提供切實可行的理論基礎。

2 后續研究方向

后續的研究主要針對以下兩個方面，從而進一步優化教師教學的全過程。

2.1 深度學習方法的持續創新應用

（1）當前，卷積神經網絡在情感識別領域分析更多的仍是離散情感，引入連續的情感則可以使得卷積神經網絡模型更為精準與直觀地反饋教師情感變化，同時對卷積神經網絡模型的不斷優化與訓練也會使得情感變化更加準確。

（2）教師語音的節奏即語調和語速的變化也直接影響著教師情感表達能力、課堂教學實施效果與教師課堂認知能力。選擇一種能包含更多語調、語速等聲音信息的特征在當前仍然是一個具有挑戰性的工作，將語調、語速和情感的變化結合起來喚起學生對課程內容的不同的情感表達，可以更好地幫助教師自我提升，助力教學改進。

2.2 智能化助力教師評價指標構建

（1）教師在教學時所表現的外在姿態和所傳遞的情感表達都是衡量教師教學水平高低的重要指標。依據課堂教學特點以及當下學生的學習情況，構建基于人工智能的課堂教師姿態、表情、語言、情感分析框架，對教師課堂教學特點及研究結果進行有效分析、對比和挖掘，形成教師姿態、表情、語言、情感分析評價指標表是未來教師評價的一個新的方向與著力點。

（2）教師評價指標的構建需要采集評價信息。

評價信息包括確定信息的含義、信息的來源、信息采集工具與方法等[7]。其中，信息來源會因為信息采集工具、技術的不同而出現偏差。卷積神經網絡模型在教育領域的應用正處于起步階段，其在數據采集、分析與反饋等方面已展現出強大優勢，對于標準以及規范課堂教學評價的準確性、全面性是一次有益的改變與嘗試。

3 結 語

在教育信息化2.0 時代下，教育研究者應更加重視信息技術，尤其是深度學習方法對傳統課堂教學的革命性影響和沖擊。卷積神經網絡模型不斷賦能課堂教學改革，促成深度學習技術下的智慧課堂的形成，推動人工智能在教育教學領域的應用。本文提出了卷積神經網絡模型用于語音情感識別，運用已有研究成果，探究精準評價教師課堂教學效果的技術支持。構建中小學教師課堂語音數據庫，對課堂教學進行預分析，修訂和完善教師情感數據集。根據教育教學理論、課堂特點以及學生學情，形成基于人工智能的課堂教師語音情感分析框架以及中小學教師語音情感評價量表，為教師評價提供理論參考和數據基礎，最終達到改進課堂教學效果的目的。

參考文獻

[1]教育部，中央宣傳部，中央編辦，等.教育部等八部門關于印發《新時代基礎教育強師計劃》的通知[EB/OL].（2022-04-11）[2022-12-31].http：//www.moe.gov.cn/srcsite/A10/s7034/202204/t20220413_616644.html.

[2]景少玲，毛峽，陳立江，等.漢語雙模情感語音數據庫標注及一致性檢測[J].北京航空航天大學學報，2015，41（10）：1925-1934.

[3]劉清堂，何皓怡，吳林靜，等.基于人工智能的課堂教學行為分析方法及其應用[J].中國電化教育，2019（9）：13-21.

[4]錢婷.基于傳統課堂的教師話語情感識別研究[D].武漢：華中師范大學，2019.

[5]張雪英，張婷，孫穎，等.情感語音數據庫優化及PAD情感模型量化標注[J].太原理工大學學報，2017，48（3）：469-474.

[6]李洋，董紅斌.基于CNN和BiLSTM網絡特征融合的文本情感分析[J].計算機應用，2018，38（11）：3075-3080.

[7]沈玉順.校本中小學教師評價指標設計的概念框架[J].教育發展研究，2009，29（6）：7-12.

作者簡介

鄧帥，碩士研究生在讀，研究方向為數學教育、學科教學（數學）。

吳箏，碩士研究生在讀，研究方向為物理教育、學科教學（物理）。

（責任編輯：高鵬）