基于神經網絡的學生學習狀態評價實驗設計

摘" 要：針對課堂教學中對學生學習狀態的監督手段較為匱乏等問題，設計基于神經網絡的學生學習狀態評價實驗，通過深度學習算法對學生面部進行實時檢測與姿態評估，并結合學習成績、課堂出勤率等課堂表現數據，利用模糊神經網絡算法對其課堂學習狀態進行實時評級量化。該算法應用于課堂教學中的學生學習狀態評估，有助于教師針對學生學習狀態合理調整教學計劃。基于大量的測試與優化結果，發現該系統能有效反饋學生的狀態信息，為教師提升課堂教學效率和制訂后續教學計劃提供參考依據，進而使得課堂教學具有較好的簡便性、即時性、針對性和有效性。

關鍵詞：神經網絡；深度學習；學生學習狀態評價；課堂教學

文章編號：1671-489X（2025）04-00-05

DOI：10.3969/j.issn.1671-489X.2025.04.0

0" 引言

隨著教學研究內容的逐步細化，教學內容和模式方法不斷改進，以學生為教學主體的理念逐步深化。教師實時并有效地掌握學生學習狀態，對提升課堂教學質量具有重大意義，其中關注的重點在如何評價學生的課堂學習狀態上[1]。傳統課堂教學模式缺乏溝通交流，只重視教學內容的傳授，忽視了學生的反饋信息。教師能否第一時間獲得學生學習狀態的信息并有針對性地適時調整教學方式，將影響后續的教學質量。

近年來，隨著深度神經網絡、超大規模數據特征分析等技術的快速發展，計算機視覺識別、圖像特征點分析、語音識別和語義情感分析的智能化水平和準確率得到飛速提升，AI（人工智能）聊天、AI翻譯、AI課堂等技術和產品已逐步走向商用。各類虛擬仿真實驗教學模型、大規模開放在線課堂、小規模限制性在線課程均以人工智能為基礎建立，這些系統已應用到教學領域實踐教學中[1-2]，并且三維可視化影像、虛擬實景、模擬實驗等新型技術手段和教學模式都在一定程度上讓傳統的教學課堂更加活躍，教師和學生之間的教學反饋更具有靈活性[3-5]。

1" 學生課堂學習狀態智能評價現狀

近年來，隨著深度學習理論和技術的發展，卷積神經網絡得到廣泛應用，研究人員逐漸將深度學習技術應用到教育領域。例如：趙智鵬等[6]采用BP神經網絡（反向傳播神經網絡）算法評價學生學習指數狀態，其算法經過附加動量和自適應學習速率進行優化；王國琿等[7]提出，基于YOLOX深度學習網絡的課堂狀況分析數據能夠準確地反映學生的學習狀態，有助于教師及時優化改進教學方式，從而提升教學質量和水平；肖麗平等[8]使用隱馬爾可夫算法模型評價課程教學質量，結果具有一定的參考性，可以幫助教師在教學過程中進行針對性改進。

生理學和心理學綜合研究發現，學生的生理變化和外部行為表現是可以反映學生學習狀態的，人在不同的學習狀態中會有不同節律的腦電變化[9]。由此，學生課堂學習狀態可以根據其課上特定的生理活動反映。

學生課堂學習狀態智能評價系統通過采集學生的學習行為、個人特征、心理反應等多維度數據，同時結合機器學習和數據分析技術，將學生的學習狀態量化分析并評價定級。使用視頻傳感監控設備連接終端，檢測學生課堂行為表現數據，如學生課堂困倦率、學習成績、積極性等，并與每個時刻課堂教學內容進行關聯，經綜合分析后得到各方面數據及可視化圖表，用來評價學生在每個時間段對知識的理解程度，以及教師的講解剖析能力，方便教師根據不同時間段數據反饋結果進行教改和輔導。但目前能滿足上述功能的系統很少，且在設計上缺乏實時性和實踐性，尚不能及時向教師反饋學生狀態，以使其更好地調整教學計劃。

針對以上軟件與系統的不足，本實驗系統采用基于人臉實時監測的模糊神經網絡算法，在課堂環境下對學生的學習狀態進行試評級與量化，實現教師與學生間信息反饋無閉塞，進而增強學生狀態反饋的實時性，以改善教學品質，增強學生學習效果。學生學習狀態評價系統簡便性、即時性和有效性的實現如圖1所示。

2" 實驗方案設計

2.1" 系統整體設計流程

該系統使用人工智能技術將OpenCV與Deep Learning Library（簡稱Dlib）庫相結合，通過攝像傳感器檢測閉眼和打哈欠兩個重要指標，結合其他面部生理活動特征數據檢測學生課堂狀態信息，并與其他反映學習情況的客觀數據共同輸入模糊神經網絡模型，對學生課堂學習狀態進行評價定級，根據模型的綜合反饋結果進行針對性輔導和干預，以幫助學生更好地調整學習狀態。基于模糊神經網絡的學生學習狀態評價系統技術實現流程如圖2所示。

2.2" 學生學習狀態評價指標

學生課堂學習狀態評價是反映學生個體化學習情況的重要指標，也是對教師教學方法和教學水平的客觀評價。學生課堂學習狀態評價以學生為中心，從課堂表現、課下活動、課堂狀態等多個層面全面評價學生的課堂學習狀態，為改善教學效果提供有效依據。綜合上述內容，本實驗建立層次化課堂教學質量評價指標體系，如表1所示。

3" 實驗過程

3.1" 實驗環境

在Windows11 23H2系統中搭建人臉關鍵點圖像檢測模型的Dlib環境。CPU型號：11th Gen In-tel（R） Core（TM） i9-11900。GPU顯卡：NVIDIA Ge-Force RTX 3080。系統內存：32 GB。采用Python語言編寫，版本號為3.6.13。

3.2" 模糊神經網絡算法設計

3.2.1" 模糊神經網絡結構

模糊技術擅長邏輯推理，可以很好地處理高階信息。將模糊技術引入神經網絡后，可以處理更加復雜的信息并且更加高效，二者的結合很好地展現了各自的優勢，使用二者結合的模糊神經網絡結構處理信息，非常有助于生成隸屬函數。模糊神經網絡結構如圖3所示。

選用高斯函數作隸屬度函數，如式（1）所示：

式中，uij為節點的輸出，xi為輸入數據，cij為隸屬函數的中心點，bij為隸屬函數的寬度向量，m為對輸入進行模糊分級的個數。

模糊神經網絡系統一般由兩個或兩個以上的模糊神經元相互連接構成，該系統結構包含輸入層、歸一化層、模糊化層、規則生成層、反模糊化層和輸出層共六層。其中，在規則生成層，要對每條規則進行適用度計算，該層與模糊規則的前件匹配公式如式（2）所示：

αj =∏uij" " " " " " " " " " " "（2）

在歸一化層，對前一層規則生成層的節點輸出數據進行歸一化處理，用來統一不同輸入的量綱及其單位。為防止梯度爆炸和梯度消失，歸一化層的節點數與規則生成層相同，公式如式（3）所示：

最后數據在輸出層進行加權處理，獲得最終輸出，計算公式為式（4）：

式中，ωj表示輸出層的連接權值。在公式中，該權值是在神經網絡的輸出變量維度為1時設定的，當輸出變量的維度增加時，對權值也將進行相應調整。

3.2.2" 優化及建模過程

使用反向傳播算法如隨機梯度下降法（SGD）對隸屬函數的中心點、寬度向量以及輸出層的連接權值進行優化。以輸出層的權值為例，其更新公式如式（5）所示：

模糊神經網絡預測模型的建模步驟如圖4所示。將傳感器監測數據和其他學習狀態客觀數據從輸入層輸入，并依次經過歸一化層、模糊化層、規則生成層、反模糊化層構成的神經網絡，在其中進行反復迭代計算，達到最大迭代后輸出最佳結果，并將可視化學生學習狀態反饋給教師，使教師能更好地改進教學過程。

3.3" 人臉實時檢測算法設計

課堂學生學習狀態評價以學生為中心，從課堂表現、課下活動、課堂狀態等多個層面全面評價課堂學生的學習狀態，為改善教學效果提供有效依據。描述眼睛閉合時間和打哈欠次數的疲勞度數據可以比較客觀地反映課堂學生學習狀態。

本文使用PERCLOS疲勞度檢測算法[10]來檢測。這里引入疲勞度數值PERCLOS值，該值由單位時間內閉眼的時間與單位時間之比得到，越接近1，表示被檢測人當前疲勞可能性越高。本系統閉眼檢測算法中用0.24作為判斷閾值，哈欠檢測算法中用0.4作為判斷閾值，在一次評價循環中對PERCLOS值（包含平均閉眼時長、打哈欠頻率等數據）進行統計，并分別賦予1.0、0.5的權值來計算疲勞度結果[10]。

3.3.1" 閉眼檢測算法

閉眼檢測算法核心是判定雙眼閉合度。人臉識別庫Dlib可檢測人臉上的68個特征點，如圖5所示。其中特征點37～48為捕捉左右眼的12個特征點，每只眼睛的六個特征點各含兩個眼角、兩個上眼皮、兩個下眼皮的特征捕捉。

3.3.2" 哈欠檢測算法

哈欠檢測算法核心是判定嘴巴閉合度。在開源庫Dlib檢測的68個特征點中，特征點49～68為嘴巴的特征點[11]。建立直角坐標系，橫軸是x，縱軸是y，將嘴部內嘴皮和眼部的特征點轉化為直角坐標系下的坐標。以嘴部為例，利用歐式距離分別計算特征點（62，68）（63，67）和（64，66）的距離，并計算平均距離，作為打哈欠的判斷依據，見式（6）：

3.4" 系統檢測結果與分析

該系統通過人臉識別獲取學生面部狀態信息；接著利用OpenCV與Dlib庫中眼睛與嘴巴特征點反算出學生的眼睛閉合和嘴巴張合程度等面部姿態Dlib數據；隨后將學生面部姿態數據與學生出勤

率、學習成績等相關數據結合，采用模糊神經網絡算法對學生課堂學習狀態進行評價與定級；教師通過上位機顯示的結果，實時了解每個學生的課堂學習狀態，并及時對學習狀態較差的學生作出提醒，以便提高課堂教學質量。最后，根據班級數據制作數據集，得到最終的學習狀態評分與模型準確性評價，教師可以通過實時窗口或前端查看有關學生反饋的情況。

表2為四個示例學生的數據結果，指標a描述檢測左眼的實時狀態數據，指標b描述檢測右眼的實時狀態數據，指標c為綜合雙眼張開度數據，指標d為綜合嘴巴張開度數據。通過神經網絡算法模型計算及數據比對，得到當前學生聽課狀態情況。樣本中的1～3號學生當前狀態正常，4號學生當前狀態困倦。

課堂結束后，通過統計學生上課狀態異常頻率，同時結合學生平時表現、作業測驗成績和出勤率等，得到學生的過程化綜合考核成績。

如圖6所示，驗證Loss曲線和訓練Loss曲線收斂后接近重合，說明模型的泛化能力較好，沒有出現過擬合或欠擬合的問題。

4" 結束語

本文針對學生課堂學習狀態評價過程中存在的信息反饋不足、存在滯后等問題，設計與實現基于模糊神經網絡的學生學習狀態評價實驗，通過人臉實時檢測的模糊神經網絡算法對學生課堂學習狀態進行評價與定級，增強學生學習狀態評價的實效性和針對性。通過學生在課堂上實時反饋的數值量化學習狀態，并結合其他影響因素分析潛在問題，全面促進學生學習狀態的提升，同時為學校教學質量的提升和教師教學計劃的調整提供參考依據。

然而，當前學生課堂學習狀態智能評價系統仍存在一些問題與挑戰，例如：數據隱私安全如何保障；評價標準是否可靠；如何針對不同年齡群體的學生設計有針對性的評價方案；等等。未來的研究將針對這些問題提升評價定級的準確性與安全性，以促進學生全面發展，并為增強課堂教學效果提供有效保障。

5" 參考文獻

[1] 關振國.課堂教學評價：提升高校思政課課堂教學效率的助力器[J].中國成人教育，2019（12）：76-79.

[2] 陳永平.“互聯網+”環境下高職傳統教學、MOOC與SPOC融合教學質量評價指標體系構建[J].職教論壇，2019（7）：64-72.

[3] 袁久和.我國高校虛擬教學研究熱點與動態研究[J].當代教育論壇，2019（6）：80-88.

[4] 李喜群.基于虛擬現實技術的園林景觀規劃效果模擬系統設計[J].現代電子技術，2019，42（20）：149-151，155.

[5] 丁志兵，趙栓峰，魏明樂，等.基于虛擬現實技術的模擬駕駛實驗數據采集系統[J].現代電子技術，2019，42（13）：169-172.

[6] 趙智鵬，高艷梅，趙寅旭，等.基于優化的BP神經網絡學生學習狀態指數的評價研究[J].中國校外教育，2016（34）：66-67.

[7] 王國琿，張璇，鄭浩.基于深度學習的學生課堂學習狀態分析[J].高教學刊，2022，8（31）：1-5.

[8] 肖麗平，田紫君，田景文.基于隱馬爾科夫算法的課程教學質量評價的研究[J].黑龍江高教研究，2022，40（1）：151-155.

[9] 劉毅瑋.學生學習狀態及其調整策略研究[J].教育探索，2003（11）：43-45.

[10] WIERWILLE W W， ELLSWORTH L A. Evaluation of dri-ver drowsiness by trained raters[J].Accident ana-lysis and prevention，1994，26（5）：571-581.

[11] 鐘馬馳，張俊朗，藍揚波，等.基于人臉檢測和模糊綜合評判的在線教育專注度研究[J].計算機科學，2020，47（A2）：196-203.

*項目來源：國家級大學生創新創業訓練計劃項目“智控護航——基于人工智能的課堂檢測系統”（項目編號：202310094001）；河北省創新創業教育教學改革研究與實踐項目“新工科背景下大學生創新創業能力培養體系構建與實踐”（項目編號：2023061）；河北省高等學校科學技術研究基金項目“基于非穩態邊界層轉捩特性的音速噴嘴流量機理研究”（項目編號：QN2024125）；河北省實驗教學和教學實驗室建設研究項目“新工科背景下‘五位一體’實驗教學體系的探索與實踐”（項目編號：2024051）。

作者簡介：孫軍英，副教授；曹培娟，通信作者，講師。