基于课堂视频的学生课堂参与度分析

发布时间：2020-12-26 01:10

　　目的学生课堂行为分析对于评估学生的课堂参与度有重要意义。提出一种新型的学生课堂行为数据的分析和处理模式,用于综合评估学生课堂参与度状况。方法基于课堂视频信息,利用Kinect传感器获取肢体骨骼以及面部特征与可观察到的学生行为之间的相关性,提取相关特征进行深度神经网络(deep neural network,DNN)分类器的构建,对不同等级的注意力集中水平进行分类;利用Kinect传感器的骨骼点信息和音频阵列进行多模态融合,对学生举手和回答问题情况进行统计。结果验证了注意力水平与学生特定行为之间确实存在相关性(等级1、等级2与看黑板相关系数分别为0.63、0.55;等级3与东张西望相关系数为0.78)。使用DNN对注意力等级分类,准确率为91.2%,较支持向量机(support vector machine, SVM)提高12.3%。使用音频阵列对学生定位识别准确率为89.0%。最终得到每个学生每节课的注意力等级图、各个注意力等级的时间占比及学生在课堂上的举手和起立发言次数,形成学生课堂参与度分析表。结论通过评估学生的课堂行为,结合课堂参与度的相关指标,能够全面客观地反映不同学生的课堂表... 

【文章来源】：教育生物学杂志. 2019年04期

【文章页数】：7 页

【部分图文】：

某时段内注意力等级图

课堂学生回答问题曲线

学生实际回答时间分布

【参考文献】：
期刊论文
[1]基于KINECT的人眼视线方向估测方法研究[J]. 宋金淼,王楠楠,王心瀚,段晓东.  大连民族大学学报. 2017(03)
[2]基于Kinect的课堂教学状态监测系统[J]. 李彬,谢翟,段渭军,杨荣.  传感器与微系统. 2017(01)
[3]基于Kinect的声源定位时延获取及算法性能研究[J]. 崔斌,陈亮,胡红梅,裴凌,李伯全.  信息技术. 2015(10)
[4]信息技术支持的教学分析方法——S-T篇[J]. 魏宁.  信息技术教育. 2006(01)

硕士论文
[1]积极情绪对初中生注意力集中水平的影响[D]. 黄瑜琪.南京师范大学 2016



本文编号：2938740