基于人工智能的学生课堂行为分析方案研究

2020-08-19 06:47万晨
电脑知识与技术 2020年19期
关键词:课堂教学质量人工智能

摘要:文章从介绍我国教育信息化发展情况人手,分析了高校在学生课堂行为分析中面临的主要问题,探讨了学生课堂行为分析的目标。文章设计了一种学生课堂行为识别方法,并以该方法为基础设计了学生课堂行为分析方案,对该方案的典型应用场景进行分析,通过该方案能改进高校课堂教学评价方法,有利于高校课堂教学质量和管理水平的提升。

关键词:学生课堂行为;人工智能;课堂教学质量

中图分类号:TP393 文献标识码:A

文章编号:1009-3044(2020)19-0003-03

开放科学(资源服务)标识码(0SID):

随着信息技术的进步,将信息化技术应用于教育和教学过程,能有效促进我国教育事业发展,从而提升我国高校整体教学质量。在教育信息化1.0时代,高校实施支撑教育信息化的基础设施建设,投影仪、教学电脑、话筒、拾音器等各种各样的多媒体设备被应于多媒体教室,同时教学资源管理平台、录播系统、网络教学系统等也普遍应用于教学[1]。通过教育信息化1.0阶段的建设成果为教育信息化技术提升打下坚实基础。教育信息化2.0时代,教育信息化进入了新的发展阶段,逐步应用移动互联网、大数据、人工智能、物联网等新兴技术驱动传统教学理念、模式、内容和方法的改革,推动智慧校园的建设,全面提升教育信息化水平[2]。

但目前我国高校对学生课堂行为的分析多通过人工随堂听课和课堂视频观察等方式,对学生课堂行为进行人工标记和记录,该方法及时性差且需要投入大量人力物力,导致效率低下[3]。在智慧校园的背景下,高校对原有的多媒体教室基础设施不断完善,使其具备应用信息化技术推动信息技术与教育教学融合的基础条件[4],应用人工智能技术创新学生课堂行为分析手段,有利于提升高校课堂教学质量管理水平[5]。

1 学生课堂行为识别方法

本文通过应用人工智能技术设计了一种学生课堂行为识别方法,并通过该方法全方位地对学生的各类课堂行为进行采集和识别。通过观察课堂教室的视频,教室内学生各种行为的特征,主要集中于学生的上半身。在学生处于抬头、低头两种情况下的同时能产生各种行为,因此本方法首先对学生头部的两种行为进行识别,在对其身体其他特征识别,最终识别出学生在课堂中具体行为包括举手行为、听讲行为、书写行为、站立行为、面部行为、阅读行为、睡觉行为、手机行为等。学生课堂行为分类如图1所示。

1.1样本分类训练

在实现对学生课堂行为识别前,需要采集学生抬头低头状态样本、学生行为样本和学生面部表情样本,并对各类样本分别进行训练生成样本模型。

(1)学生抬头低头状态样本训练:

通过手动标记的方式在视频图像中抓取学生抬头、低头及头部四周图片的样本,将样本图片归一化为统一大小,利用HOG特征算法[6]对三类样本进行特征提取,采用SVM算法对三类样本进行训练,生成样本模型。学生抬头低头状态样本训练流程如图2所示:

(2)学生行为样本訓练:

通过手动标记的方式在视频图像中抓取学生行为图片序列样本,应用IDT算法对样本进行训练和分类,生成学生行为样本模型。学生行为样本训练流程如图3所示:

(3)学生面部表情样本训练:

通过手动标记的方式在视频图像中抓取学生各种面部表情图片的样本,将样本图片归一化为统一大小,利用LBP特征算法对样本进行特征提取,采用CNN算法对样本进行训练,生成样本模型。学生面部表情样本训练流程如图4所示:

1.2学生课堂行为识别

学生课堂行为识别包括以下几个步骤:视频压缩、头部检测、头部状态识别、行为提取、边缘提取、课堂行为识别。如下图5所示:

学生课堂行为识别具体实现是通过多媒体教室内摄像头采集到教室内视频数据,通过视频压缩算法将视频图片按照等比例缩小,利用HOG特征算检测出视频中的每个学生头部位置,并识别出视频中每个学生的抬头和低头状态,根据头部位置初步确定身体位置,采用idt算法识别学生的行为,对其手部附近的区域进行边缘处理,根据物品区域及形状确定物体,最后通过LBP特征算法和CNN算法对学生面部状态进行识别,汇总整体识别结果对学生课堂行为进行判断和识别。

2 学生课堂行为分析方案

基于本文设计的学生课堂行为识别方法,设计学生课堂行为分析的方案,学生课堂行为分析的目标是在多媒体教室建设成果的基础上,应用人工智能技术实现学生课堂行为自动分析,辅助学生、教师和学校管理者及时了解课堂教学相关情况,促进高校课堂教学质量提升。

学生课堂行为分析的总方案如下图6所示,该方案中的监控设备负责完成全校所有课堂视频的采集工作,并通过视频转发服务器将视频信息存人到磁盘阵列存储系统中,教务系统依托高校的数据交互平台将课表信息存到架构的MYsoL数据库中,同时完成监控设备与课表相关数据的关联。课堂行为识别平台,利用HOG特征提取算法、SVM算法、LBP特征提取算法、IDT行为提取和识别算法和人工神经网络算法对学生课堂行为进行识别。统一通信平台主要完成学生课堂行为分析结果消息推送,发送途径有微信、钉钉、信息门户和短信方式。视频检索平台能根据学校管理者的不同需求和各类查询条件,实现实时视频、回放视频段的学生课堂行为分析结果展示。

3 方案的应用场景分析

我国高校具有多媒体教室众多、分布广泛,每日上课量大和课堂督导人员不足等特点。如何及时有效了解所有课堂教学的情况,科学的对课堂教学情况进行评价,是高校课堂管理面临的一大难题。人工随堂听课的传统课堂教学评价方式,仅仅只能完成小部分课程课堂教学的评价,无法对高校所有课堂情况做出科学的评价。对于实际参与课堂互动的教师和学生也无法了解自身的上课情况,不利于高校课堂教学质量提升。将本文设计的学生课堂行为分析方案应用于高校课堂教学评价,能辅助高校管理者实现课堂教学自动、科学的评价。

该方案通过所有教室内监控设备自动采集所有课堂教学的视频数据,利用教务系统获取所有教室的课表数据,将视频数据存人视频存储数据库,课表数据存人MYsoL数据库。通过课堂行为识别平台自动识别学生在课堂中的举手行为、听讲行为、书写行为、站立行为、面部行为、阅读行为、睡觉行为和手机行为等。根据用户权限将识别结果通过图片、视频和文字的形式,通過统一通信平台发送给学生、教师和学校管理者,有利于学生及时了解自己的课堂学习情况,及时调整学习方法。帮助教师及时掌握课堂教学情况,不断改进教学方式和提升教学水平。辅助高校管理者全面了解课堂教学情况,促进高校课堂教学质量提升。

4 结束语

课堂教学质量是各大高校关注的重点问题,学生课堂行为是课堂教学质量优劣的重要体现。在人工智能技术发展的背景下,应用新兴技术自动实现学生课堂行为识别,能辅助高校对课堂教学质量客观、科学的评价,同时指导教师更加高效的开展课堂教学。促进高校教师综合素质提升,为课堂教学质量评价提供新的方法。

参考文献:

[1]雷朝滋.教育信息化:从1.0走向2.0——新时代我国教育信息化发展的走向与思路[J].华东师范大学学报(教育科学版),2018,(1):98-103.

[2]李志河等.教育信息化2.0视域下高等教育信息化发展水平评价研究[J].远程教育杂志,2019(6):81-90.

[3]李胜男.基于人工智能技术的课堂教学行为的分析框架构建研究[D].北京:北京邮电大学,2019.

[4]殷华平.利用“希沃易+”智慧校园整体解决方案打造智能教育服务平台[J].中国电化教育,2016(21):69-71.

[5]刘清堂,基于人工智能的课堂教学行为分析方法及其应用[J].中国电化教育,2019(9):13-21.

[6]胡丽乔,仇润鹤.一种自适应加权HOG特征的人脸识别算法[J].计算机工程与应用,2017,53(3):164-168.

【通联编辑:唐一东】

基金项目:中央高校基本科研业务费专项资金项目“基于平安校园的智能视频分析技术研究”(项目编号:CZQ17007);中南民族大学教研项目“基于信息化技术的课堂教学质量管理研究(JYX18070)”阶段性研究成果

作者简介:万晨(1986-),男,湖北武汉人,实验师,硕士,中南民族大学,研究方向为大数据、计算机网络、教育技术、人工智能、图形图像处理。

猜你喜欢
课堂教学质量人工智能
我校新增“人工智能”本科专业
人工智能与就业
提升古代文学课堂教学质量方法研究
初中数学课堂互动式教学模式探讨
以学生自我评价为基础的课堂教学质量评价研究
公安院校教学质量监控与保障的构建与应用研究
“高职学生”视角下教师课堂教学质量学生评价探析