未来课堂智能教学系统设计研究

持刘勉 张际平

关键词：未来课堂;人工智能;手势识别;教学模式

一、引言

当今时代是科技高速发展的时代，特别是信息技术研发成果的突现，使社会各领域都发生了翻天覆地的改变。2016年，谷歌公司研制开发的AlphaGo智能围棋系统战胜人类顶级棋手李世石，使人工智能在全世界范围引发了广泛关注，从事教育技术研究的专家学者也对人工智能促进教育教学的变革寄予厚望。人工智能中有一个重要的子集称为模式识别，指采用某种算法，将对象与已有模式进行对比、匹配、辨别，从而判断其归属的过程。而手势识别作为模式识别的分支，已逐渐融入教育领域。

手势，狭义指手指、手掌及手臂的姿态及运动，广义上身体各部分的姿态与运动方式都可称为手势，如表情、步态等。手势识别可定义为在自然的人机交互状态下，利用计算机系统来识别人类手势的一种技术。《地平线报告（高等教育版）》已于2010年至2012年将“基于手势的计算”列为长期关键技术，2017年又将与手势识别密切相关的“自然用户界面”列为长期关键技术。手势识别技术能够四次出现在有着教育技术风向标之称的地平线报告中，说明国际教育技术学界始终对该技术保持着较高的关注度。最后，从优化智能算法与扩展应用范围两个方面对后续研究进行了展望。

二、手势识别技术研究演进分析

通常来说，一个学术领域随着研究不断的深入，会逐渐涌现各类具有代表性的指标信息，本研究所参考的文献来源为Web of Science核心合集，以关键词“Gesture Reco～aition”“Gesture Based Computing”和“Education”“Educational”“Teach”“Teaching”“Learn”“Learning”等搭配组合，时间跨度从1950年至2017年，共检索出577篇文献，然后二次精炼出紧扣主题的文献113篇，利用WOS文献统计功能和CiteSpace 5.1.R8 SE文献计量工具对这113篇文献进行挖掘，从年发文量、热点演进等方面对手势识别技术在教育中的应用研究进行分析。

（一）年发文量分析

如下页图1所示，利用WOS的创建引文报告功能可得出依时间序列分布的年发文量柱状图。从图中可见，2006年至2009年为孕育阶段，2010年至2013年为萌芽阶段，2014年至2017年为发展阶段。时间意义上的第一篇文章是Stevens等人于2006年发表的“虚拟患者——传授医科学生获取病史情况与问询技能的应用”，其中谈到研发成功了诊断急性腹痛病人的虚拟诊断室，摄像头将捕捉到的学生头部和手部动作与虚拟病人进行互动，实时反馈诊断效果，达到培训有效技能的目標。不过，正如Page等人所说“手势识别技术在教育上的运用还处于幼儿期”，到目前为止发文数量并不很多，谈不上成熟，还有待进一步的研究。

年发文量

（二）热点演进分析

热点反映该研究领域的关注对象，随着时间的推移，热点也会发生更迭。利用CiteSpace的热点演进聚类功能，将结点类型选择为关键词，阈值插值将前、中、后三组时间段上的C，CC，CCV分别设置为2，2，10;2，2，20;3，3，20，得到可信度较高的关键词共现网络图谱，如图2所示。排在出现频次前十位的关键词分别为：Kinectf频次13）、Performance（频次12）、Virtual reality（频次11）、Education（频次9）、Video game（频次7）、System（频次6）、Perception（频次5）、Gesture Recognition（频次5）、Physical Activity（频次5）和Surgery（频次4）。研究热点年份分布如下表所示，从表中可知，2013年以前热点稀少，2014年突然增加，这与2014年发文量大幅上涨相吻合，表明从2014年开始获得较多的关注;2015、2016两年虽然热点涌现不多，但发文量仍保持高位，可认为是对已有的热点进行深度挖掘;2017年热点又呈现增多趋势，说明仍处于高速发展阶段。

研究热点年份分布统计表

关键词共现网络图谱

检索出的文献依据研究目的可以分为两类：第一类聚焦于如何有效提升学生手部（身体）熟练程度，多见于特殊课程。如Yasser Salem等指出使用手势体感设备训练的发育性协调障碍儿童对比以传统方式训练的同样缺陷的儿童在双手握力等方面获得了显著的提升;第二类则关注于怎样构建起提升学习体验感的自然用户界面，多见于普通科学课程。如AI-Khalifa构建了一个虚拟化学实验室，手势识别设备追踪学生手部操控虚拟实验仪器等动作，并实时反馈化学反应结果，学生对于化学学科的学习积极性有一定的提升。上述两类研究方法都为学生利用手势设备与虚拟情境互动，区别仅为各自独特的研究目的和评价方式。不过，真实环境中的教学研究一直都是教育领域的核心主题，而将手势识别技术融合进真实的教学过程，以求对现实境脉中的教学活动产生积极影响的相关研究却非常稀少。因此，针对此欠缺内容，下文将从如何将手势识别技术融入未来课堂真实环境下的教学活动的角度展开研究。

三、手势识别技术融入未来课堂

（一）未来课堂中人工智能研究现状

手势识别隶属于人工智能范畴内的模式识别，而利用人工智能提升教学效果的理念已被全球大多数国家所认可并进行了一定程度的实施，如美国在2016年发布了《国家人工智能研发战略规划》，提出应扩大人工智能和数据科学课程，培养为推动经济发展所需的能胜任人工智能应用与研究的人才”。我国也于2017年由国务院颁布了发展人工智能的纲领性文件《新一代人工智能发展规划》，提出要发展智能教育，利用智能技术加快推动人才培养模式以及教学方法的改革。由此可知，将人工智能引入教育领域是大势所趋，是教育技术发展的必经之路。作为国内教育技术研究主体力量之一的华东师范大学张际平教授领衔的未来课堂研究团队，在未来课堂的概念界定阶段就将智能化确定为未来课堂所必须具备的要素之一，提出未来课堂所包含的六大特性分别为人性化、混合性、开放性、交互性、智能型和生态型。然而，尽管未来课堂相关领域已有大量卓有成效的研究成果问世，在CSSCI数据库中以未来课堂为关键字就可检索出近40篇论文，但这些研究大多关注于空间建构、互动教学、可视化等方面，而对于智能教学的研究却非常欠缺，CSSCI数据库中与人工智能密切相关的未来课堂研究不足3篇，并且都是以宏观的概念阐述为主要内容，而深入探讨与未来课堂环境相匹配的人工智能算法及其教学模式的文章则没有。针对未来课堂智能教学研究的局限，我们将以手势识别为技术支撑，以解决未来课堂实际教学中产生的问题为研究目标，尝试从智能技术和教学模式两方面对未来课堂的智能化进行详细探索。

（二）待解决的问题

随着国家对于教育信息化的大力推进，越来越多的学校建设了未来课堂，并在其中开展了诸多的教学活动，如STEM课程、远程互动课堂等等。未来课堂中教学形态多为小组协作式学习，可灵活组合的桌椅和多屏空间的设计也支持此种学习方式。每个学生小组对应一块一体机大屏，学生利用手中的PAD将自己的作品投射到大屏上，以供集体讨论。教师作为管理者、指导者，在小组问穿插走动，帮助学生进行探究学习。在实际的教学活动中，多数学生的学习积极性较高，但仍有个别学生的学习积极性不够，表现出与其它小组成员差异明显的行为动作，如伏案睡觉等。该类行为的心理成因可用具身认知解释，具身认知的核心原则为心智是身体的心智，认知是身体的认知，认知、身体、环境是一体的。身体的动作与心理的认知两者相匹配，身体的动作隐喻出对应的心理状态。据此可得出在小组活动中，若某学生呈现出持续的相較其它同学的明显差异行为，说明其在该段学习活动中的心理认知与其它同学有较大区别，这种差异行为动作通常来说为厌倦、淡漠、焦虑等负面心理状态的身体表现。教师作为教学的组织者，理应对出现明显差异行为的学生予以干预，帮助其克服心理认知上的缺陷，但我们从回看未来课堂录播平台的教学视频中发现有相当数量的教师并未注意到课堂中所有的存在明显差异行为的学生，当然也就未对此类学生实施有效的干预。通过仔细分析教学视频和对部分教师进行访谈，得出教师未及时对有明显差异行为学生进行干预的原因主要有两个：一是教师的观察范围不足。当教师对一个小组进行指导时，他对该小组学生的状态把握准确，但对超出视野范围的其他小组的学习情况则忽视较多;二是源于教师的精力缺乏。教师在小组学习活动的指导过程中，需要在多个小组之间走动，不断帮助小组成员解决各种问题，导致教师的精力消耗较大，从而对有差异行为的学生关注度不够。怎么利用先进的ICT技术帮助教师最大限度的察觉到存在明显差异行为的学生，是本研究所要考虑的核心目标。我们考虑运用手势识别技术，设计人工智能算法，借助未来课堂中架设的多个高清摄像头、高速网络、高效后台处理器等先进设备来智能辨识出有明显差异行为的学生，对教师以及时有效提醒，帮助教师对此类学生实施精准的干预。

（三）智能技术

本研究所关注的对象是学生的身体动作姿态。身体动作姿态归属于手势动作，可利用手势识别技术智能辨识出小组活动中有明显差异行为的学生。具体操作为使用高清摄像头对小组活动进行多次拍摄，利用后台高性能处理器对拍摄的图像运用智能算法进行识别，若在图像中识别出持续的明显差异行为，则推送预警信息给教师的PAD，以提升教师对课堂活动的掌控能力。此实施方案中，我们结合未来课堂技术环境并参考卷积神经网络模型对手势识别技术进行智能算法构建。卷积神经网络是深度学习领域内对于图像识别最重要的算法之一，已成功地运用于人脸识别、车牌识别等多个领域。本研究中，针对未来课堂高清摄像头捕获的小组活动图像，使用预先处理好的差异行为图像作为卷积核（卷积核用于找出源图像中与自身纹理最相似的部分），执行卷积、池化、小规模全连接及误差后向传播等运算，直至网络收敛，得出识别结果。智能算法流程如下页图3所示，实线部分为信息向前传递和虚线部分为误差向后传播。

1.信息向前传递

信息向前传递的过程为将摄像头捕获到的小组活动图像上传至后台高性能处理器，经过若干卷积与池化运算，转换为信息量比原始图像小得多的特征图谱，再经由规模较小的全连接运算，得出输出值。将输出值与预期值做比对，根据比对的结果确定是否进入误差反向传播阶段。

智能算法流程

（1）卷积运算

卷积过程就是卷积核图像沿着某一方向依次“划过”前一层图像，执行与对应前一层图像像素的点积，再经过激活函数的非线性变换，得到远小于前一层信息量的后一层图像，简明算法如式1所示。其中，0代表后一层图像像素矩阵，x代表前一层图像像素矩阵（深度为D），w代表卷积核图像矩阵（深度为D），b代表偏置项，激活函数采用S函数。

（2）池化处理

池化表示对前一层图像上的一个给定区域求出一个能代表这个区域特点的值，以此作为后一层图像的一个像素。本研究采用最大值池化，滤波矩阵为2*2（大于2*2可能偏离特征较多），简明算法如式2所示。其中，a代表后一层图像一个像素，x代表前一层图像一个像素，采用max函数，并且前后层深度相同。

（3）全连接层

全连接层运算的目的是得出小组图像属于有/无差异动作的各自概率，再与期望的概率相比较，以判断后续过程。本研究中全连接设定为三层：第一层是输入层，为特征图谱转换成的一维列向量;第二层为隐层，节点数目可根据需要自定;第三层为输出层，由于设置了有/无两类，所以输出层为两个神经元，简明算法如式3所示。其中，0代表后一层神经元的输出矩阵，x代表前一层神经元的输出矩阵，W代表前后层之间的连接权值矩阵，b为偏置项，采用S函数为激活函数。

2.误差后向传播

信息向前传递至输出层，使用激活函数得出实际值，然后将实际值与期望值进行比对，得出每个输出神经元的误差值，再计算网络总误差。若总误差低于阈值，表明分类正确，则接受此分类，网络收敛，训练结束;若总误差高于阈值，表明分类错误，则拒绝此分类，此时应将反映期望值与真实值关系的损失函数生成的总误差值反向传播至网络中，以此更新权值，经数轮迭代达到误差最小值，网络收敛，训练结束。

（1）损失函数

本研究采用均方误差（MSE）作为损失函数，该函数图像平滑连续，越接近最小值，变化越小，有效避免过度调节的风险。函数如式4所示。其中，E代表总误差，t代表期望值，o代表实际值，共有n个输出神经元（本研究n为2）。

（2）权值修正

在深度学习算法中，梯度是指对于网络中的参数，误差值上升最快的方向。但最终是求误差的最小值问题，所以只需要将参数沿着梯度的反方向前进合适的距离就能达到目的。深度学习算法需修正的主要参数为各神经元之间的连接权值，所以可利用梯度下降算法，使权值沿负梯度方向改变。由于梯度与变化率有关，所以可用导数对其进行诠释。简明算法如式5所示。其中，w代表更新后的连接权值，w代表更新前的连接权值，E代表总误差，n代表学习率（0

因为已预先知道待识别的图像属于有或无差异行为的类别，所以本研究算法属于监督学习。可将捕获到的大量未来课堂小组活动图像分为训练集和测试集，先使用训练集的图像数据对系统进行反复训练，直至网络收敛，再将该系统用于识别测试集的图像数据，若正确率高于可接受的值，则可将该系统部署到整个未来课堂体系中，从人工智能的角度提升未来课堂的技术先进性;若正确率低于可接受的值，则应对系统进行改进，以期达成实际可用性。

（四）“FCIT”教学模式

未来课堂的教学理念是通过在课堂中合理运用ICT技术，使学生的能力与素质得到有效的提升，使教师的教学在智能技术的支持下更加的精准与便利。若要在未来课堂中引入基于手势识别技术的智能教学系统，势必要构建适应未来课堂环境的新型教学模式，使其能够对未来课堂教学活动产生切实可行的帮助。

未来课堂智能教学系统的层次结构如图4所示。智能教学系统为五层结构，分别为算法层、设备层、环境层、教学层和评价层。该层次结构表明若将手势识别技术融入未来课堂，应以智能算法为系统基础，以高清摄像头、高速局域网和后台高性能处理器等先进设备为运行载体，以多屏空间与平板呈现为泛在学习环境，以提供教师预警信号和引导学生小组评比为教学手段，最终促使有明显差异行为的学生的学习态度得以转变。根据具身认知理论，学习者内部的心理认知与外部的行为表现实际是一体的，观察学生外部的行为表现可部分推知其内部的学习心理状态。崔允都教授指出课堂观察应是一种团队合作，它由彼此分工又相互合作的团队实行。未来课堂研究方向始终聚焦于真实环境中的课堂，因此，崔教授所构建的“课堂观察”同样可以被借鉴于未来课堂环境。本研究中的教学合作者为智能系统和系统管理员，涉及到的要素主要有四个，分别是教师、学生、智能系统和系统管理员，要素之间以相互关联的形式构成教学生态圈。智能系统负责识别有明显差异行为的学生，将识别到的结果反馈给教师，教师根据获得的反馈信息以适当的方法对学生进行干预，使其发生积极的转变。系统管理员作为教师和智能系统之间的桥梁，与教师展開合作，目的是更好地管理与调整智能系统，以使系统更贴合课堂及教师的需要。根据未来课堂智能教学系统层次结构及参考课堂观察有效实施原则，我们构建出基于手势识别技术的“FCIT”模式，即未来课堂智能教学模式，如图5所示。在该模式中，未来课堂智能教学系统共包括课前、课中和课后三个阶段，每个阶段由教学参与者合作构建完成，在发挥各自优势的基础上，搭建起整体框架，精准改善学生的学习态度，提升学习积极性。

智能教学系统层次结构

“FCIT”教学模式

1.课前准备阶段

课前准备阶段是教学参与者对即将到来的正式教学阶段可能出现的情况和采取何种教学手段的预估，参与人员包括指导教师和系统管理员。在此阶段中，首先教师确定教学内容及设计活动方案，系统管理员则负责初始化系统。然后两者合作开展创建卷积核图像、确定小组人员数量、平均分配特殊学生等工作。（1）创建卷积核图像：系统管理员可在教师的辅助下利用图像软件从以往小组活动图像中抠出具有明显差异行为的学生轮廓，预处理后将其作为卷积核导入算法系统中，以备后续使用;（2）确定小组人员数量：应依据未来课堂环境中已部署的摄像头和大屏数量来确定小组人员数量。根据研究需要，每个摄像头负责只拍摄—个小组的图像，并且每个小组独立使用一块大屏进行小组讨论与展示。未来课堂中配置的摄像头和大屏数量通常为四至五个，并且未来课堂提倡中小班额的教学方式，全班人数最好不超过40人，所以每个小组的人数应为10人以下;（3）平均分配特殊学生：估计可能出现明显差异行为的特殊学生，将这些学生平均分配到各小组中去。可能出现明显差异行为的学生可通过两种方式估计得出，即经验法和测试法。经验法是教师对该班级每位同学以往在未来课堂中学习的情况进行评估，以概率的方法挑选出有可能出现明显差异行为的同学。或者进行课前小测试，以合作探究活动测试等方法挑选出有明显差异行为的同学，根据挑选结果，将他们平均分配到各小组中。如此，可使每个摄像头能够捕获到平均数量大致相等的异常行为图像，保证了小组同质性并均衡系统负载。

2.课中教学阶段

在做好课前的准备工作后，便进入正式的课中教学阶段。未来课堂的教学活动方式一般来说采用的是“教师讲解+小组协作”，先由教师对关键的知识点进行讲解，同时利用多屏环境，将有关联的知识点顺序呈现在多个大屏上，学生按自己的进度吸收知识，以使思维不断裂;然后教师根据教学情境提出问题，将大屏的控制权释放给学生，引导学生进行小组协作学习，教师则以观察者和指导者的身份对学生进行管理与帮助。教师讲解与小组协作可交替进行。小组协作可考虑采用PBL（基于问题的学习）方式开展学习活动。PBL学习活动既需要小组成员问进行互动协作，也需要学生个体能够进行一定程度的自主学习。未来课堂中灵活摆放的桌椅支持协作学习的发生，给学生配置的平板电脑创造了自主学习的条件，每组对应的大屏提供了便于小组讨论和作品展示的可视化平台。在未来课堂的PBL小组协作活动中，由教师创设活动情境，提出问题，学生根据该问题开展相应的学习活动。鉴于未来课堂的富技术环境，可构建关于此情境的教学平台，教师和学生通过手中的平板电脑登录进该教学平台，以便收发相关数据资料。教师利用教师端平板发送问题至学生端的平板，学生在接收到相关情境问题后则进行小组协作式探究学习（包括合作学习、自主学习及利用大屏的展示讨论学习）。

在本研究的课中教学阶段，参与教学合作的为指导教师和智能系统。在讲解阶段，由于教师所处的位置一般都在讲台上，其观察范围可覆盖整个课堂，能够较好地把控整个课堂的学习情况。所以，这段时间里智能系统只需发挥录制课堂视频的功能，不需开启智能识别功能。在小组协作学习阶段，由于教师所处的位置一般在某小组中，其观察范围变窄，限制了教师对整个课堂的掌握。此时，就是系统的智能化发挥作用的时候，让其辅助教师对其他小组进行观察，以技术手段扩展教师的感官视野。智能功能的开关，可集成到教师端PAD，方便教师自由操控。在小组协作学习中，若学生出现明显差异行为，根据具身理论，可知其心理状态可能发生了某种改变。但如果学生只是偶尔趴在桌上或伸伸懒腰等，心理状态的改变可能是暂时性的，并不表明产生了显著改变。只有当学生较长时间反复多次出现明显差异行为，才能判断其心理状态发生了显著变化。因此，当智能系统识别并统计出某学生在单位时间内出现的差异行为次数已超过预警值时，便立即推送—个预警信号给教师端PAD，该预警信号包括组号、单位时间内出现差异行为次数等信息，并可辅以振动等提示信号，以便教师做出及时判断。教师在接收到预警信号后，可根据提供的内容及当前课堂的学习活动状态采取相应的干预措施，在不对正常教学秩序产生重大干扰的前提下对产生持续明显差异行为的学生实施干预，以帮助其调整心理状态。学习活动结束后，可将每组在学习活动中产生明显差异行为的相关情况以可视化的形式呈现在各小组对应的大屏上，并根据统计数据在小组的活动评比项上增减相应的分值，以此激励小组成员相互关怀，促进学生集体荣誉感的增强。教师的课堂干预与小组活动评比，都是为了使有持续明显差异行为的学生的学习态度能够从消极转向积极，而学习态度转变成功与否可通过随后课程中的小组协作活动情况统计得出。

3.课后评价阶段

在正式的授课结束之后，应对本次教学过程中实际产生的成果与预期成果之间的差距进行评价，根据评价结果对智能教学系统进行改进。参与课后评价活动的成员主要为指导教师和系统管理人员。教师根据系统给出的课堂活动信息，以自我反思、对差异行为学生进行面谈等方式，找寻教学活动中学生产生持续差异行为的可能原因，如教学设计是否周全，学生自身心理认知是否缺失等，再根据得出的原因对教学设计、教学过程等进行改进，以期提高教学质量，提升学生的学习积极性。得益于智能算法可自行学习的优点，系统管理员针对智能系统的调整改进的内容并不多，主要集中在对硬件性能的升级及软件参数的调整两方面。硬件性能的升级是对现有未来课堂的摄像头、后台处理器、网络规格、一体机大屏、平板电脑等进行更新换代，力求在学校人力财力允许的条件下达到最佳的配置要求;软件参数的调整则主要包括两个内容：一是对作为卷积核的图像进行优化，如学生出现明显差异行为时，系统并没有及时识别到，就有可能是卷积核图像与差异行为图像的匹配度较低，因此可考虑重新选择更具代表性的卷积核，或对已有卷积核的图像进行调整，使其能更精准地反映实际的差异行为;二是对采集图像的单位时间和触发预警的差异行为频次进行调整，单位时间过短导致识别到的差异行为次数过少，过长则使系统资源消耗过大。触发预警的差异行为频次设置过大可能造成教师无法作出及时干预，而设置过小则可能使教师产生错误判断，即对偶尔出现的差异行为作出不必要的干预措施。因此，采集图像单位时间长度和触发预警的差异行为次数应依据实际的教学过程作出相应的调整，使参数值位于合理的区间。

本研究所构建的基于手势识别技术的“FCIT”教学模式，是以未来课堂学习空间为环境支持，人工智能算法为诊断策略，充分协调课堂教学中各要素之间的共生关系，从信息技术的角度帮助教师及时察觉并精准干预存在持续差异行为的学生，据此促进学生的学习积极性获得有效改善。

四、结论与展望

人工智能经过数十年的发展壮大，已经逐渐深入到社会的各个领域，在教育中的应用也被更多的研究者所重视。而作为人工智能分支的手势识别技术，已被地平线报告数次提到，相关的教育应用也取得了一定的成果。教育領域内针对手势识别技术的研究，属于多学科跨领域研究范畴，既包括人工智能领域内的模式识别，也包括教育科学中的教学研究，同时也会涉及到心理学中的人类行为研究。将手势识别技术融入未来课堂环境，既确保未来课堂的信息技术领先性，又为未来课堂的教学模式研究提供了新的视角。结合教育信息化与未来课堂的发展趋势，对手势识别技术更完善融入未来课堂提出以下建议。

（一）优化智能算法

本研究参考卷积神经网络模型构建了基于计算机视觉的具备学习功能的差异行为识别系统，其学习功能体现在经过信息前向传递与误差后向传播，利用梯度下降算法自动更新神经节点之间的连接权值，从理论匕来说最终将达成正确识别的效果。但仍需进行优化，主要考虑的优化内容是尽量避免算法模型的欠拟合与过拟合。欠拟合是因为算法模型过于简单，表达能力不足，无法学习到足够多的训练数据的特性，势必会遗漏大量的具有差异行为的图像。过拟合则是算法模型较复杂，对于训练数据拟合度非常强，却可能丧失了对新数据的泛化能力，也就无法将之推广到更多的未来课堂当中。相对来说，优化欠拟合比优化过拟合更容易实现。若要优化欠拟合，只需要增加模型复杂度，如增加隐层层数、每层神经节点数量等，便可得到很好的解决;而对于过拟合则不是能轻易解决的问题，当前主流解决方案是迭代次数截断、神经元去除、数据集扩增等方法，这些方法只是从一定程度上避免了过拟合，并未完全解决问题。因此，关于算法模型的优化，应该根据未来课堂实际教学环境、教学过程等进行有针对性的调整，这将是下一步继续研究的主要内容。

（二）扩展应用范围

以培养学生创新能力，提倡动手实作的创客教育正在全球广泛开展，未来课堂也已加入创客教育的行列，构建了基于富技术、以人为本特性的未来课堂创客教育空间。创客教育是培养学习者成为具有创新精神和创新实践能力的教育，创新离不开动脑，实践离不开动手，学生们通过合理的用脑，灵巧的动手，创造出既新颖有趣，又富含科学知识的创意产品，这便是创客教育的核心宗旨。将手势识别技术融入未来课堂创客教育，可从脑和手两方面促进学生的创新能力。学生们为了熟悉理解手势识别设备，势必会对其构件、原理等进行钻研，这就涉及到对计算机程序、人工智能算法等的学习。通过此类学习，学生脑内的信息技术认知得到建构，培养了计算思维习惯，对人工智能算法有了初步的印象，使其能够更快地适应当今飞速发展的信息社会。当前的未来课堂创客教育，在培养学生合理的动脑方面已有所实施，如机器人项目中的scratch系统工具等，就是以培养学生程序设计能力为目标。然而，对于学生动手搭建产品动作背后所隐喻的心理特征并未进行详细的研究。引入手势识别技术后，可以通过传感器对学生搭建过程中手部或身体动作的捕获，在心理学理论的指导下对捕获的数据进行分析处理，推测出学生在搭建活动中所反映的心理状态，为探究学生在未来课堂创客教育活动中的心理特点提供重要的参考意见，以此提高学生手部动作的熟练度和增强创造能力。

综上所述，将人工智能中的手势识别技术融入未来课堂教学是未来课堂发展的必然趋势，从技术层面和教学模式层面都起到积极的提升作用。而对于智能算法的优化、应用范围的扩展将成为后续研究的目标。