深度網絡支撐下的中職課堂觀察行為分析

摘要：隨著深度網絡技術的不斷發展，應用于教育領域的研究逐漸增多。中職學校的課堂面臨變革，教室座位排布開始轉向小組合作式安排，學生以小組為單位開展教學。在教學管理中，出現了課堂狀態難以實時、準確評估的問題。傳統的人工觀察方式存在效率低下和主觀偏差等問題，無法適應新的教室座位排布。因此，亟須一種自動化的解決方案。該文基于YOLOv8深度網絡，提出了一種中職學生上課狀態自動識別的方法。通過采集中職小組合作式座位排布的課堂視頻數據，并構建行為標注數據集，使用YOLOv8進行訓練，模型能夠準確識別學生的七種上課狀態，如聽講、寫筆記、閑聊、睡覺等行為。該實時檢測系統為教師提供實時課堂狀態反饋，提高課堂管理效率，改善教學效果，并推動教育領域智能化管理的應用。

關鍵詞：深度網絡；課堂觀察；中職教育；小組合作式座位；行為分析

中圖分類號：G42" " " 文獻標識碼：A

文章編號：1009-3044（2025）24-0163-03

開放科學（資源服務） 標識碼（OSID）

0 引言

中職課堂是學生學習專業技能和提升動手實踐能力的基礎。同時，學生的課堂行為表現也是教學評價的重要環節。因此，通過觀察了解學生的課堂行為，可以評估學生的學習成效，并促進教師提高教學效率，推動教師的專業發展。傳統的課堂觀察大多依賴人工觀察，缺乏對數據進行大量分析的能力，且可能受到主觀性因素的影響。近年來，《新一代人工智能發展規劃》《關于推動現代職業教育高質量發展的意見》等一系列政策推動了智能教育的發展。深度網絡是人工智能領域的核心和熱門技術[1]。它可以提供更加客觀的分析，為滿足智慧教育和個性化學習需求提供了可能性。基于此，本文提出了一種基于深度網絡的中職學生課堂學習行為監測系統設計方案，以促進課堂教學質量和管理水平的提高。

1 中職學生小組合作式座位新變化

根據《國家中長期教育改革和發展規劃綱要（2010—2020年） 》的指導思想，教育質量的提升和課程改革的推進應側重啟發式、探究式、討論式和參與式的教學方法[2]。《國務院關于加快發展現代職業教育的決定》強調，要深化教育教學改革，創新人才培養模式，特別是注重學生創新精神和實踐能力的培養[3]。這些政策均強調學生的主體地位，鼓勵學生積極動手，主動探索學習。新課程標準提倡一種新型的師生關系，認為教學過程是師生共同發展的過程，是情感互動與交流的過程。小組合作學習強調以小組為單位開展活動，促使學生主動參與課堂。新座位排布體現了“以人為本”的理念，為學生之間的友好交流創造了良好的空間，促進了師生互動以及學生個體之間的互助與合作，從而提升課堂教學的效果。學生可以在合作學習中增強實踐能力和創新思維。

小組合作式座位排布增強了學生的主體性，但也帶來了一些新問題。中職學生普遍存在自制力低、自我約束力不強的問題，小組合作式座位的安排更容易出現交頭接耳、閑聊等現象。韓立福[4]和胡海萍[5]指出，這無疑對學生自我管理和教師的課堂管理帶來了新的挑戰。部分學生合作意識較差，可能只顧組內討論，過于喧嘩，影響小組合作學習的效果。同時，有些學生容易“依附”于成績優秀的同學，從而缺乏自我思考。對于教師而言，需要投入更多精力，關注每個小組的動態。在小組討論時，如果多個小組同時進行，課堂秩序可能會失控。教師不僅需要確保課堂紀律，還要保證每個小組的討論順利進行，這無形中增加了教學負擔。

2 深度網絡支撐下的中職課堂觀察研究現狀

在這一背景下，不少研究者探索利用人工智能來分析中職課堂的學生專注度和班級管理問題。劉琦運用深度網絡識別中職學生的面部表情，以提升課堂學生的專注度[6]。劉清堂依據課堂S-T行為分析法，構建了課堂教學行為智能分析模型[7]。梁家軍則利用人工智能為高職課堂存在的問題設計了預警系統，但該系統主要針對傳統座位排布[8]。這些研究為深度網絡在中職課堂觀察中的應用提供了理論基礎和實踐指導，有助于推動職業教育與人工智能的深度融合，提升課堂教學效果。然而，針對中職學生課堂行為的研究相對較少，大多集中于大學或中小學。關于小組合作式座位排布的行為檢測幾乎沒有，現有研究多基于傳統課堂的座位安排進行檢測與識別，而傳統座位排布與新式排布之間存在較大差距，難以直接應用。

因此，本研究提出了一種基于深度學習的課堂行為檢測系統，旨在監測學生的課堂行為，從而加強課堂管理，減輕教師的課堂管理工作壓力。

3 深度網絡支撐下的中職課堂觀察設計分析

3.1 學生行為分類

本研究基于教學課堂實錄，將學生課堂行為按照與學習目標的相關度劃分為兩大類別：學習行為與非學習行為。在學習行為方面，根據LICC課堂觀察范式的4個維度和20個視角，從學生學習的角度出發，選取了“傾聽”“互動”“自主”3個視角作為子維度。進一步將這3個視角細分為課堂聽講、師生互動和筆記記錄。陳虹波[9]、林向英[10]、柏代萍[11]、張志新[12]等人的調查研究發現，中職學生課堂上普遍存在上課睡覺、使用電子設備、與同學交頭接耳、吃東西、閑聊等問題。結合課堂的真實情況，本研究將非學習行為劃分為四個具體行為，包括打瞌睡、交頭接耳、閑聊以及吃東西。該分類體系為后續行為分析提供了結構化框架，旨在更準確地識別和評估學生的課堂行為表現。

3.2 數據集構建

目前已知的中職學生課堂行為數據集較少，且現有數據集的座位排布仍然是傳統課堂座位，小組合作式座位排布的相關數據較為稀缺。本研究選取江西省某高級技校24級數控專業學生的課堂實錄作為研究對象。教室座位排布采用小組合作式，每個班級根據人數大約分為6至7個小組，每個小組由6至8人組成。課堂實錄視頻總共10個，抽幀頻率為180，共抽取圖片1 542張。數據集標簽總共分為7類，具體如表1所示。在數據收集過程中，所有參與者均被告知數據使用的目的、研究內容及其保密措施。數據收集僅限于本研究的需求，且僅由研究者個人進行處理。

3.3 主要功能模塊的設計

1） 視頻預處理模塊

在深度網絡支撐下的中職課堂觀察行為分析中，視頻預處理模塊是實現學生狀態實時檢測功能的關鍵環節。視頻預處理主要包括視頻幀采樣、建立學生行為數據庫和圖像統一化。視頻幀采樣采用均勻采樣的方法，將視頻轉化為逐幀圖像數據。在每個視頻中選擇180幀，這些幀在整個視頻中間隔相等，以減少計算量并提高模型效率，從而方便后續的數據處理。通過此方法，從10個視頻中抽取了1 542張圖片。完成圖片采集后，使用labelme對圖片進行標注，形成中職學生行為數據集。利用labelme工具對每個學生框出對應上述的7種標簽狀態，進行標記，最終形成數據集。最后，將標記好的圖像進行歸一化處理，調整圖像的像素值到一個固定的范圍內，通常為[0，1]或[-1，1]，以確保輸入數據的一致性和穩定性。歸一化的公式為：

[Inormx，y=I（x，y）-min（I）max（I）-min（I）]

其中，min（I）和max（I）分別是圖像I的最小值和最大值。將標注好的圖片隨機選取70%作為訓練集，20%作為測試集，10%作為驗證集，并分別存入相應的圖像庫中。

2） 目標檢測模塊（YOLOv8）

本研究利用YOLOv8算法處理圖像數據。首先，YOLOv8通過深度網絡對圖像進行檢測，識別出學生的位置，并輸出相應的邊界框和行為類別標簽。這為教師提供了實時反饋，使其更好地了解課堂參與情況，從而提高了課堂管理的效率。YOLOv8能夠精準識別和分類上述7種學生在課堂中的行為狀態。將圖像數據輸入到YOLOv8的算法模型后，系統會自動檢測學生行為屬于哪一類別，檢測結果以檢測框的形式顯示在圖像上，并標明該行為所屬的類別。為了保證檢測的準確性和系統的魯棒性，YOLOv8算法在訓練過程中利用了數據增強技術，例如圖像旋轉和縮放等，以模擬真實課堂中可能遇到的復雜環境。圖1展示了基于自建數據集訓練后的結果。圖中的粗藍線代表所有類別的綜合表現，在置信度為0.892時，綜合精確度達到1.00。這表明在該置信度閾值下，模型對所有類別的識別精確度較高。

3） 結果分析與異常檢測模塊

該模型能夠對中職課堂中學生的行為進行實時監控。不同的行為類別會以不同的顏色標簽呈現，以此提醒教師，如圖2所示。這一設計能夠幫助教師實時監管每個學生的行為狀態。

教師在查看畫面后，可以對某學生是否存在上課不專心的情況進行人工核查。一旦識別出學生存在非學習行為，教師便可以及時采取措施，以提高課堂教學效果，從而更高效地管理課堂。

教師還可以通過單獨分析每個學生的行為數據，深入了解每位學生的學習習慣。準確的課堂信息能夠幫助教師為每位學生量身定制個性化的學習建議。特別是在中職課堂上，學生不僅需要學習理論，還需要掌握實踐技能，這種量體裁衣的教學方式能夠有效激發學生的學習興趣。

4 深度網絡在中職學生課堂行為檢測中的挑戰與展望

深度網絡為課堂觀察提供了新的技術手段。然而，將深度網絡應用于中職學生課堂行為的實時檢測仍面臨諸多挑戰。

4.1 挑戰

1） 標注難度大與模型泛化能力不足

現有模型難以泛化到不同場景。中職課堂場景復雜，小組式座位排布與傳統排布不同，課堂觀察存在一定的視覺障礙，容易出現誤檢和漏檢。此外，涉及隱私問題，導致數據獲取和標注的成本高、難度大。

2） 實時性要求高

當系統將實時檢測結果反饋給教師時，教師如何迅速給出學生有效的干預建議尤為關鍵。例如，當系統發現某個學生存在非學習行為時，可以提醒教師調整教學策略，或者在課后為該學生推薦一些個性化的學習資源，以幫助他重新找回學習的節奏。課堂觀察的最終目的是提升教學效果，促進學生的學習進步。

3） 數據隱私性問題

模型需要大量數據進行訓練以提高精確度，但課堂行為數據涉及學生的隱私。因此，如何在數據收集、存儲和使用等環節保護學生隱私，是一個需要解決的關鍵問題。

4.2 展望

盡管面臨挑戰，深度網絡技術在中職學生課堂行為實時檢測領域仍具有廣闊的提升空間。

1） 深度結合課堂觀察理論

本研究中的模型僅結合了LICC范式中的一個維度，未來可進一步結合弗蘭德斯互動分析系統（FIAS） 等課堂觀察理論，或LICC范式中的其他維度，構建更全面、精準的學生課堂行為識別模型。

2） 面向不同教學模式和學習目標的個性化檢測

不同教學模式和學習目標對學生課堂行為的定義存在差異。例如，在傳統的講授式課堂中，學生保持安靜并專心聽講被視為積極的學習表現；而在討論式課堂中，學生積極參與討論則被認為是積極的學習行為。因此，在設計模型時，需要根據不同教學模式和學習目標進行有針對性的調整，以便系統能夠提供個性化的反饋和干預建議，幫助學生發揮最大潛力。

3） 構建智能化課堂觀察與分析平臺

將深度網絡技術與教育理論相結合，構建智能化課堂觀察與分析平臺，可以為教師提供實時、全面、精準的課堂行為數據。基于數據分析結果，可以為教師提供切實可行的教學改進建議，從而促進教師的專業發展。需確保在嚴格保護數據隱私的前提下進行模型訓練和數據分析，以保障每位師生的個人信息安全。

5 結論

深度網絡為中職課堂觀察開辟了新的路徑，提升了課堂觀察的準確性和可能性。本文針對小組合作式座位排布背景下的課堂管理難題，利用YOLOv8實現了對7種學生行為的自動檢測。該方法在一定范圍內驗證了其可行性，提供了實時、客觀的課堂數據，輔助教師進行課堂管理。期待后續更大規模的試驗，并加強隱私保護，深入探索深度網絡在課堂管理和教學中的實際應用，以期為構建智能化、個性化的課堂教學環境提供堅實的技術保障。

參考文獻：

[1] 渠穎.中職學校人工智能教育實施路徑探索與實踐[D].濟南：山東師范大學，2023.

[2] 石蘇蒙.基于人工智能的課堂教學行為分析系統[D].天津：天津師范大學，2022.

[3] 羅映紅，何國強.中職會計專業課堂教學改革研究：基于調研數據的分析[J].廣東教育（職教版），2017（10）：32-34.

[4] 韓立福.小組合作學習概念重構及其有效策略[J].教學與管理，2009（10）：3-6.

[5] 胡海萍.中職生課堂問題行為現狀及管理策略研究[J].學周刊，2023（20）：12-14.

[6] 劉琦.基于深度學習的學生課堂專注度識別方法研究[D].濟南：齊魯工業大學，2024.

[7] 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.

[8] 梁家軍，劉剛，廖克順.基于人工智能的高職生課堂問題行為預警系統研究[J].廣西教育，2021（27）：171-172，176.

[9] 陳虹波.中職學生課堂問題行為的表現及矯正策略[D].長沙：湖南師范大學，2012.

[10] 林向英，韋小滿，鄭慧勇.中等職業學校學生問題行為現狀調查與分析[J].中國特殊教育，2005（7）：70-75.

[11] 柏代萍.中職學生英語課堂問題行為與管理策略研究——以湖南省D縣中等職業學校為例[D].大理：大理大學，2024.

[12] 張志新，孟歌，徐小琴.國家中職示范校專業課教師教學行為問題診斷與對策——基于課堂觀察法的實證研究[J].中國職業技術教育，2024（5）：30-41，50.

【通聯編輯：張薇】