基于面部情绪识别的物理实验教学过程评价

发布时间：2021-06-14 15:09

　　在教育信息化的大背景下,提出了基于学生面部情绪识别的物理实验教学评价方法.在实验课堂中若干个重要节点捕获学生面部表情样本作为学习情感状态的评价依据,结合传统实验教学的认知评价方法,实现对学生学习状态实时、客观的细粒度评价.分析了7种基本表情在PAD三维情感空间的分布状况,采用经典卷积神经网络AlexNet完成面部表情情感识别预训练调优,平均准确率达到92%以上.通过在物理实验课堂中对比该方法与传统评价方法的评估效能,证明该模型能实现更智能、更高效的物理实验教学评价. 

【文章来源】：物理实验. 2020,40(09)

【文章页数】：7 页

【部分图文】：

基本情感在PAD 3维情感空间的分布

实现面部情绪识别过程主要包括数据获取、情感识别以及结果分析，智能教学评价系统实现框架如图2所示．通过摄像头获取学生在实验课堂上的视频信息，在视频中以设定的时间间隔截取1帧照片，并从中识别提取出每位学生的人脸图像．在获得各学生的人脸样本后，情感识别则通过人脸检测框出人脸部分，并对其进行预处理，降低输入图像的数据维数．再通过特征学习提取出表情图像中的有效信息并去除冗余，完成情感分类模型的预训练，从而判断输入样本的情感类型．最后利用（1）式计算学生的投入度．综合各时间节点学生的投入度可计算出该学生在课堂中的平均情感状态（Average 1,I1），用于评估学生个体的学习状态，进而评价实验教学对个别学生的教学效果．运用多名学生的投入度可计算出全体学生的整体情感状态（Average 2,I2），用于评估实验课堂中学生整体状态效果．

模型的泛化能力通常由模型在验证集上的性能来评估，随着网络的优化，泛化误差也会出现，即使训练集上的泛化能力下降，其在验证集上的表现也不一定变差．反之，即使模型在训练集上表现良好，但在验证集上表现不佳，也可能发生过拟合．因此，为了避免过拟合，引入了提前停止的机制．如图3所示，当性能达到最佳预测时，模型将被保存．3.3.2 模型可行性验证

【参考文献】：
期刊论文
[1]智能时代基于深度学习的课堂教学设计[J]. 谢幼如,黎佳.  电化教育研究. 2020(05)
[2]AlexNet改进及优化方法的研究[J]. 郭敏钢,宫鹤.  计算机工程与应用. 2020(20)
[3]物理实验操作的教学与评价[J]. 王爱生.  中学物理. 2019(18)
[4]基于物理学科核心素养的实验教学实践[J]. 熊艺.  中学物理. 2019(16)
[5]基于教学评价的中文短文本情感分析[J]. 刘毓,赵云阁.  现代电子技术. 2019(06)
[6]基于核心素养的初中物理实验教学评价的研究[J]. 刘朝安.  中学物理. 2018(22)
[7]关于过程性评价的两个争议及应对[J]. 缪亚芹,张奕,李奇贺.  教育教学论坛. 2018(20)
[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]智慧学习环境中基于面部表情的情感分析[J]. 孙波,刘永娜,陈玖冰,罗继鸿,张迪.  现代远程教育研究. 2015(02)
[10]基于人脸表情识别的智能网络教学系统研究[J]. 冯满堂,马青玉,王瑞杰.  计算机技术与发展. 2011(06)



本文编号：3230089