基于專注度識別的作業分心干預策略研究

【中圖分類號】G442【文獻標志碼】A【論文編號】1671-7384（2025）07-031-03

引言

課后作業是學生學習中的重要部分，是內化知識進而發展思維和職業技能的過程[1]，是兒童自我探究的過程和理解事物的媒介、工具和手段[2]。無論對于學校、學生還是家庭，作業都具有重要的意義[3。作業習慣則對于學生的知識技能掌握、學業成績，品質和人格培養都影響重大[4]。小學階段是作業習慣的養成期，對于年齡較小的學生，在缺乏教師指導且周圍存在諸多干擾因素的情況下，較容易出現作業分心的現象[。因此，如何識別小學生作業分心行為，進而實施有效的干預措施已成為頗受關注的一個話題。

在本文中，專注度代表學習者在學習過程中的注意力集中程度[。目前常用的專注度測量方法包括任務測驗法、問卷量表法、觀察法、儀器測量、數據挖掘等，這些方法常常難以兼顧環境可遷移性與準確性；而干預方法則主要分為基于教學設計和基于腦電信號反饋兩大類，前者對教師、家長要求較高，后者難以適用于自然學習環境。因此，如何使用非侵入性輕量級設備，在自然環境下客觀精確地實時分析學習者專注度，并采用人機協同的方式進行干預，成為小學生作業專注習慣培養的一個重要著力點。

基于以上背景，本研究旨在通過攝像頭便捷地采集視頻數據，用于分析小學生作業專注度，并基于專注度識別開展作業分心干預策略研究，致力于提升小學生作業專注水平，幫助其養成良好的學習習慣，輔助家長和教師的教育。

研究設計

1.研究內容與方法

本研究將專注度界定為學生在學習過程中的注意力集中程度，通過視頻分析法、數據挖掘法、問卷調查法、訪談法等研究方法，開展基于專注度識別的作業分心干預策略研究。

2.數據采集

本研究以重慶市兩江新區某小學三年級87名學生為研究對象進行實驗，其中預實驗7人，正式實驗80人。正式實驗流程如下：主試布置實驗場景并調試設備；被試到達實驗地點后，由主試安排座位、發放實驗材料并講解實驗流程；實驗過程中，被試完成實驗材料上的題項，主試在實驗教室內維持紀律并檢查設備運行情況，同時通過攝像頭采集被試的視頻數據；實驗結束后，主試回收實驗材料，上傳視頻數據，而后將被試送回班級。

3.數據篩選與分割

隨機選取2名小學生，采集作業過程的視頻并觀察統計，發現除寫作業外，共出現15種低專注行為，包括趴著、咬手、擺弄物件、轉椅子、扭頭、翻動紙張、撓頭、摸臉、手撐頭、摳手、站起、歪頭、向后靠、咀嚼、打哈欠。為避免個體行為習慣差異的影響，使觀察表更加簡潔且具普適性，筆者進行了更大范圍的觀察，統計上述行為出現的頻次，刪除出現較少的動作，合并相似動作。筆者最終選取較為常見的9個動作作為觀察的具體指標：翻動紙張、移動椅子、擺弄物件/摳手、撓頭/摸臉、咬手、扭頭、趴著、手撐頭、寫作業。

4.數據增強

完成數據清洗和預處理后，筆者依據觀察指標進行視頻切片，其中每個切片只包含一個動作，單個視頻切片時長在10秒到2分鐘之間。為使視頻數據更符合實際場景，筆者使用光線擾動和背景替換兩種方法進行了數據增強。光線擾動法，考慮到作業環境的光線可能有所差異，如光線強度與光線照射方向、點光源與平行光源的區別等，使用AdobePremier2023軟件進行調整；背景替換法，考慮到小學生可能在臥室、餐廳等各種環境寫作業，使用SAM模型提取出視頻中的學生主體，而后在提前搜集好的背景樣本集（書房、臥室等背景圖片）中隨機選取圖片替換為新背景。

5.再次數據篩選與分割

在視頻切片數據庫中，筆者隨機選取 30% 左右的視頻切片使用光線擾動法進行數據增強，再隨機選取 30% 左右的視頻切片，使用背景替換法進行數據增強，并保留未增強的視頻，最終得到501條視頻。將這501條視頻，逐幀導出為圖片，得到了50139張小學生低專注行為圖像數據集。

研究過程與結果

1.ResNet50預訓練網絡模型介紹

ResNet（殘差神經網絡）是一種深度學習模型，該模型發現了退化問題，并將傳統的網絡結構進行了變換，在基本的網絡結構中增加了一個快捷連接，從而解決了網絡深度造成的訓練誤差大的問題，提高了網絡的準確率和效率[7]。ResNet50則是ResNet的一個更新迭代，其網絡中包含49個卷積層和一個全連接層，并引入了一個名為“bottleneck”的結構，在保持模型精度的同時，能夠顯著減少參數量和計算量，適用于較為復雜的任務[8]

2.模型構建流程

如圖1所示，基于ResNet50進行預訓練的流程如下。第一步，在公開專注度訓練集上訓練ResNet50網絡模型，獲得基礎模型權重；第二步，復制預訓練。

ResNet50的模型權重，禁止模型前兩層權重的更新（禁止模型前兩層反向傳播），目的是將預訓練模型中特征提取、邊界劃分、物體識別等知識應用到本研究的模型訓練中；第三步，通過反向傳播算法，在本研究的數據集上更新模型除前兩層外其他層次的權重，由于預訓練模型使用的數據集圖像中的人種、年齡、場景和拍攝角度均與本研究數據集不同，這一步目的是調整參數，使得模型更適用于本研究的數據集。

在本研究的小學生作業低專注識別模型中，將小學生作業專注情況進行二分處理，若識別出“寫作業”動作則標注為專注（標簽為“att”），若識別出除“寫作業”之外的其他任何動作則標注為非專注（標簽為“noatt”）。識別模型以秒為單位輸出小學生作業專注情況，并給出置信度。筆者使用小學生作業低專注圖像數據集的 80% 作為訓練集進行模型訓練后，將模型在剩余 20% 數據構成的測試集上進行測試。

3.模型識別結果

結果顯示，在進行數據增強前的數據集上訓練的模型準確率為 60.78% ，att和noatt標簽的F1值均為0.7；數據增強后，模型準確率達到 90.20% ，att標簽的F1值為0.913，noatt標簽的F1值為 0.877。

小學生作業分心干預策略

基于實際情境中常見的低專注度問題，筆者采用問卷調查法、訪談法等研究方法獲取作業分心的原因，進而整理出如下干預策略。

策略一：提醒。當系統檢測到學生出現分心行為，且持續較長時間仍未自行調整時，系統給出語音提醒，提示學生繼續進行學習任務；當預設的一個學習階段結束時，系統提示學生休息放松，并給出休息放松方式的相關建議，如遠眺、體育運動等，休息時間結束時系統也將提示學生結束休息，繼續學習。

策略二：時間規劃。學習活動開始前，家長與學生共同列出待辦事項，系統以可視化形式呈現已完成和未完成的任務，并給予提醒，避免遺漏；作業過程中，學生和家長參考“番茄工作法”共同制定“番茄鐘”（將任務分解成半小時左右，集中精力工作25分鐘后休息5分鐘，視作一個“番茄”，25分鐘內無論工作是否完成都應定時休息，然后進入下一個“番茄”時間）[9]，根據學生年齡段、作業難度與作業量等自行調整一個“番茄”的時間；“番茄鐘”進行中，系統以可視化方式呈現學生已專注時長、本次“番茄鐘”剩余時長、單項任務預計還需多長時間完成等，學生可自行查看，以調整自身學習狀態和時間規劃。

策略三：數據記錄。記錄學生每次專注時長、當日專注次數等數據，呈現“番茄鐘”數量、“番茄鐘”持續時間、“番茄鐘”專注程度等；分析學生學習效率相關數據，如專注時間段與學習總時長比值、各學科作業所用時長、完成作業總時長等數據；可視化呈現學生作業專注情況數據，隨時間的變化，通過折線圖、柱狀圖等圖表，反映學生一周、一個月、一個學期內專注情況的變化，便于觀察學業成績和學習習慣等方面的進步或波動。

策略四：激勵機制。代幣獎勵制（以代幣作為條件強化物，代幣積累到一定數目時可交換真正的強化物，可用于矯正學齡兒童的不良行為），教師、家長與學生共同商定獎勵規則，學生達成一定學習目標時予以一定數量的代幣作為獎勵，代幣可用于兌換獎勵；數字徽章激勵，教師、家長可調整規則，徽章發放的數量依據，包括但不限于累計專注時長、專注時長占比、累計專注天數、進步情況等。

策略五：輔導類功能。一線教師和學生家長希望系統根據學生自身學業水平調整作業內容和難易度，同時提供個性化學習資源推薦，幫助學生查漏補缺、揚長補短；學生遇到學習困難時提供輔導功能，學生頻繁或長時間分心時，系統提問學生是否遇到困難，并給出指導和幫助。

研究總結

本研究聚焦小學生作業場景的專注度識別。首先，對小學生作業分心行為進行分類，并制定了小學生作業低專注度行為觀察編碼表；然后，根據編碼表，在80位小學生的作業視頻數據集上，使用基于ImageNet的ResNet50神經網絡模型預訓練方法，構建了小學生作業低專注識別模型；最后，基于實際情境中的常見低專注度問題，整理小學生作業分心干預策略。

本研究對于提升小學生作業專注度、養成良好學習習慣及輔助家長教師的教育，具有一定的實踐意義，然而也存在一些不足之處，如實驗樣本均取自重慶市兩江新區某小學，可能會導致識別模型的泛化能力受限，影響可遷移性；本研究整理的小學生作業分心干預策略在實踐中的效果有待驗證。在未來研究中，應招募來自不同地區、不同學校的被試，以更加豐富和多樣的實驗對象提升模型的可遷移性，并在實際教學中試用小學生作業分心干預策略，收集使用者意見和建議，從而完善和改進干預策略。

注：本文系國家自然科學基金面上項目“同步直播課堂中基于多模態數據的學習者專注度評估及其演化機制研究”（項目編號：62177008）研究成果

參考文獻

[1]鄭惠卿.凱興斯泰納教育論著選[M].北京：人民教育出版社， 2003：41+24+38 元

[2]杜威.學校與社會·明日之學校[M].趙祥麟，等譯.北京：人民教育出版社， 2005：91+32+34

[3]夏小慶．中小學教師對家庭作業功能認識的調查研究[J].上海教育科研，2014（6）：78-80.

[4] 田瀾.城鎮小學生學習習慣的實證分析：對5省市17所學校5600名學生的調查[J].上海教育科研，2010（9）：46-47.

[5]田瀾．小學生學習習慣問卷的編制[J].心理學探新，2010，30（5）：89-94.

[6]賴松，武法提.基于多模態生理信號的學習專注度識別[J].現代教育技術，2023，33（6）：101-108.

[7]HeK，ZhangX，Ren S，et al.Deep ResidualLearning for Image Recognition[J].IEEE，2016.DOI：10.1109/CVPR.2016.90.

[8]秦道影.基于深度學習的學生課堂行為識別[D].武漢：華中師范大學，2020.

[9]弗朗西斯科·西里洛（FrancescoCirillo）．番茄工作法[M].北京：北京聯合出版公司，2019.

作者單位：北京師范大學教育技術學院

編輯：馮艷艷