基于人工智能的课堂教学行为分析方法及其应用
发布时间：2021-01-25 17:28
随着人工智能技术的快速发展及课堂教学环境的改变,使课堂教学行为的深度分析成为可能。该文在对人工智能技术的教育应用现状及课堂教学行为分析方法的发展脉络进行梳理的基础上,构建了以"数据采集与存储""行为建模与计算"和"智能服务"三个功能模块为核心的课堂教学行为智能分析模型,并以课堂S-T行为分析为例验证该分析模型的有效性。将实验成果应用于教学实践中,得到了教师们的认可,实验成果能为教师的教学反思、教师的专业发展及教学管理提供支持。根据教师在应用过程中所反馈的意见,还提出了具有针对性的行为识别模型优化策略。研究成果能为基于人工智能技术的课堂教学行为分析研究提供一些借鉴,也能为课堂教学行为的改善、教师的专业发展以及教学质量的提升提供一定的支持。
【文章来源】：中国电化教育. 2019,(09)北大核心CSSCI
【文章页数】：9 页
【部分图文】：
课堂教学行为智能分析模型
。人脸检测需要提取人脸特征，OpenCV提供了HOG、Haar、LBP等多种特征提取技术。本研究采用OpenCV自带的人脸检测器，通过在训练集中进行实验对比，Haar人脸检测器获得了较高准确率，得以在本研究中使用。(2)通过轮廓检测获取图像中轮廓数目及最大轮廓面积。轮廓检测是从图像中找出显著性物体并提取物体轮廓。通过对样本图像进行分析后发现，教师行为状态图像背景较为简单，轮廓数目较少，轮廓面积较大且清晰。因此，可将轮廓检测结果(轮廓数目和面积)作为S-T行为类型判定的因素之一。本研究中图像轮廓检测的步骤如图2所示，首先采用中值滤波对原始图像进行降噪、去噪，得到较为平滑的图像；然后对图像进行二值化处理，以凸显物体轮廓；最后对二值化图像进行轮廓检测，同时过滤掉面积较小轮廓，对轮廓的数目与面积进行统计并保存，提取最大轮廓面积。(3)采用帧差法进行主体动作检测获取帧间差分图最大轮廓面积。帧差法即帧间差分法，它利用连续或相隔一定时间的帧间差分来确定图像中的变化区域，从而判断运动目标[43]。本研究中帧差法计算步骤如图3所示，将相邻两个样本图像进行差分运算得到帧间差分图像，然后对帧间差分图像进行二值化处理及轮廓检测，即可将运动目标检测出来。课堂情境下，帧间差分图像中最大轮廓面积的取值较大时，即可判断为教师在课堂中巡视、授课。(4)特征相关性检验。本研究利用Weka软件对从训练集图像中所提取的图像特征进行评估，判断其与教学行为类别之间的相关性，对各特征值进行归一化处理后，计算结果如表2所示。表2特征与教学行为类别相关性评估结果特征的相关系数特征名称0.539轮廓数目0.366人脸数目0.285图像最大轮廓面积0.255帧间差分图最大轮廓面积计算所有单个特征与教学行
廓数目和面积)作为S-T行为类型判定的因素之一。本研究中图像轮廓检测的步骤如图2所示，首先采用中值滤波对原始图像进行降噪、去噪，得到较为平滑的图像；然后对图像进行二值化处理，以凸显物体轮廓；最后对二值化图像进行轮廓检测，同时过滤掉面积较小轮廓，对轮廓的数目与面积进行统计并保存，提取最大轮廓面积。(3)采用帧差法进行主体动作检测获取帧间差分图最大轮廓面积。帧差法即帧间差分法，它利用连续或相隔一定时间的帧间差分来确定图像中的变化区域，从而判断运动目标[43]。本研究中帧差法计算步骤如图3所示，将相邻两个样本图像进行差分运算得到帧间差分图像，然后对帧间差分图像进行二值化处理及轮廓检测，即可将运动目标检测出来。课堂情境下，帧间差分图像中最大轮廓面积的取值较大时，即可判断为教师在课堂中巡视、授课。(4)特征相关性检验。本研究利用Weka软件对从训练集图像中所提取的图像特征进行评估，判断其与教学行为类别之间的相关性，对各特征值进行归一化处理后，计算结果如表2所示。表2特征与教学行为类别相关性评估结果特征的相关系数特征名称0.539轮廓数目0.366人脸数目0.285图像最大轮廓面积0.255帧间差分图最大轮廓面积计算所有单个特征与教学行为类别之间的皮尔逊相关系数，并根据系数的大小对特征进行排序，系数值越大表示该特征与教学行为类别之间的相关性越强。表2中的4项特征都取得较大数值，因此可原始图像中值滤波平滑图像二值化处理二值化图像轮廓检测含轮廓图像图2图像轮廓检测步骤当前帧fk差分帧间差分图像二值化处理二值化图像轮廓检测含轮廓图像前一帧fk-1图3帧间差分法计算步骤
【参考文献】：
期刊论文
[1]人工智能视域下的学习参与度识别方法研究——基于一项多模态数据融合的深度学习实验分析[J]. 曹晓明,张永和,潘萌,朱姗,闫海亮. 远程教育杂志. 2019(01)
[2]基于“智慧学伴”的数学学科能力诊断及提升研究[J]. 綦春霞,何声清. 中国电化教育. 2019(01)
[3]人工智能融入学校教育的发展趋势[J]. 刘德建,杜静,姜男,黄荣怀. 开放教育研究. 2018(04)
[4]教师教育的智能变革何以可能:智能课堂及其意义[J]. 张俍,任友群. 现代远程教育研究. 2018(04)
[5]基于LMS数据的远程学习者学习投入评测模型[J]. 李爽,李荣芹,喻忱. 开放教育研究. 2018(01)
[6]人工智能赋能教育与学习[J]. 贾积有. 远程教育杂志. 2018(01)
[7]构筑“人工智能+教育”的生态系统[J]. 吴永和,刘博文,马晓玲. 远程教育杂志. 2017(05)
[8]课堂环境中基于面部表情的教学效果分析[J]. 韩丽,李洋,周子佳,宋沛轩. 现代远程教育研究. 2017(04)
[9]课堂教学行为大数据透视下的教学现象探析[J]. 王陆,李瑶. 电化教育研究. 2017(04)
[10]技术支持下的课堂教学行为观察方法探究[J]. 王艳丽,程云,王锋,童三红,黄克斌. 现代教育技术. 2016(09)
博士论文
[1]课堂教学环境下学生学习兴趣智能化分析[D]. 罗珍珍.华中师范大学 2018
[2]智能视频监控下的多目标跟踪技术研究[D]. 李彤.中国科学技术大学 2013
[3]特征提取与特征选择技术研究[D]. 潘锋.南京航空航天大学 2011
[4]实践与反思：课堂教学行为研究[D]. 王姣姣.湖南师范大学 2009
本文编号：2999605
【文章来源】：中国电化教育. 2019,(09)北大核心CSSCI
【文章页数】：9 页
【部分图文】：
课堂教学行为智能分析模型
。人脸检测需要提取人脸特征，OpenCV提供了HOG、Haar、LBP等多种特征提取技术。本研究采用OpenCV自带的人脸检测器，通过在训练集中进行实验对比，Haar人脸检测器获得了较高准确率，得以在本研究中使用。(2)通过轮廓检测获取图像中轮廓数目及最大轮廓面积。轮廓检测是从图像中找出显著性物体并提取物体轮廓。通过对样本图像进行分析后发现，教师行为状态图像背景较为简单，轮廓数目较少，轮廓面积较大且清晰。因此，可将轮廓检测结果(轮廓数目和面积)作为S-T行为类型判定的因素之一。本研究中图像轮廓检测的步骤如图2所示，首先采用中值滤波对原始图像进行降噪、去噪，得到较为平滑的图像；然后对图像进行二值化处理，以凸显物体轮廓；最后对二值化图像进行轮廓检测，同时过滤掉面积较小轮廓，对轮廓的数目与面积进行统计并保存，提取最大轮廓面积。(3)采用帧差法进行主体动作检测获取帧间差分图最大轮廓面积。帧差法即帧间差分法，它利用连续或相隔一定时间的帧间差分来确定图像中的变化区域，从而判断运动目标[43]。本研究中帧差法计算步骤如图3所示，将相邻两个样本图像进行差分运算得到帧间差分图像，然后对帧间差分图像进行二值化处理及轮廓检测，即可将运动目标检测出来。课堂情境下，帧间差分图像中最大轮廓面积的取值较大时，即可判断为教师在课堂中巡视、授课。(4)特征相关性检验。本研究利用Weka软件对从训练集图像中所提取的图像特征进行评估，判断其与教学行为类别之间的相关性，对各特征值进行归一化处理后，计算结果如表2所示。表2特征与教学行为类别相关性评估结果特征的相关系数特征名称0.539轮廓数目0.366人脸数目0.285图像最大轮廓面积0.255帧间差分图最大轮廓面积计算所有单个特征与教学行
廓数目和面积)作为S-T行为类型判定的因素之一。本研究中图像轮廓检测的步骤如图2所示，首先采用中值滤波对原始图像进行降噪、去噪，得到较为平滑的图像；然后对图像进行二值化处理，以凸显物体轮廓；最后对二值化图像进行轮廓检测，同时过滤掉面积较小轮廓，对轮廓的数目与面积进行统计并保存，提取最大轮廓面积。(3)采用帧差法进行主体动作检测获取帧间差分图最大轮廓面积。帧差法即帧间差分法，它利用连续或相隔一定时间的帧间差分来确定图像中的变化区域，从而判断运动目标[43]。本研究中帧差法计算步骤如图3所示，将相邻两个样本图像进行差分运算得到帧间差分图像，然后对帧间差分图像进行二值化处理及轮廓检测，即可将运动目标检测出来。课堂情境下，帧间差分图像中最大轮廓面积的取值较大时，即可判断为教师在课堂中巡视、授课。(4)特征相关性检验。本研究利用Weka软件对从训练集图像中所提取的图像特征进行评估，判断其与教学行为类别之间的相关性，对各特征值进行归一化处理后，计算结果如表2所示。表2特征与教学行为类别相关性评估结果特征的相关系数特征名称0.539轮廓数目0.366人脸数目0.285图像最大轮廓面积0.255帧间差分图最大轮廓面积计算所有单个特征与教学行为类别之间的皮尔逊相关系数，并根据系数的大小对特征进行排序，系数值越大表示该特征与教学行为类别之间的相关性越强。表2中的4项特征都取得较大数值，因此可原始图像中值滤波平滑图像二值化处理二值化图像轮廓检测含轮廓图像图2图像轮廓检测步骤当前帧fk差分帧间差分图像二值化处理二值化图像轮廓检测含轮廓图像前一帧fk-1图3帧间差分法计算步骤
【参考文献】：
期刊论文
[1]人工智能视域下的学习参与度识别方法研究——基于一项多模态数据融合的深度学习实验分析[J]. 曹晓明,张永和,潘萌,朱姗,闫海亮. 远程教育杂志. 2019(01)
[2]基于“智慧学伴”的数学学科能力诊断及提升研究[J]. 綦春霞,何声清. 中国电化教育. 2019(01)
[3]人工智能融入学校教育的发展趋势[J]. 刘德建,杜静,姜男,黄荣怀. 开放教育研究. 2018(04)
[4]教师教育的智能变革何以可能:智能课堂及其意义[J]. 张俍,任友群. 现代远程教育研究. 2018(04)
[5]基于LMS数据的远程学习者学习投入评测模型[J]. 李爽,李荣芹,喻忱. 开放教育研究. 2018(01)
[6]人工智能赋能教育与学习[J]. 贾积有. 远程教育杂志. 2018(01)
[7]构筑“人工智能+教育”的生态系统[J]. 吴永和,刘博文,马晓玲. 远程教育杂志. 2017(05)
[8]课堂环境中基于面部表情的教学效果分析[J]. 韩丽,李洋,周子佳,宋沛轩. 现代远程教育研究. 2017(04)
[9]课堂教学行为大数据透视下的教学现象探析[J]. 王陆,李瑶. 电化教育研究. 2017(04)
[10]技术支持下的课堂教学行为观察方法探究[J]. 王艳丽,程云,王锋,童三红,黄克斌. 现代教育技术. 2016(09)
博士论文
[1]课堂教学环境下学生学习兴趣智能化分析[D]. 罗珍珍.华中师范大学 2018
[2]智能视频监控下的多目标跟踪技术研究[D]. 李彤.中国科学技术大学 2013
[3]特征提取与特征选择技术研究[D]. 潘锋.南京航空航天大学 2011
[4]实践与反思：课堂教学行为研究[D]. 王姣姣.湖南师范大学 2009
本文编号：2999605
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/2999605.html
