课堂行为的智能分析在小学课堂教学中的有效应用——以人工智能（AI）分析系统为例

蔡琴心

（珠海市金湾区林伟民纪念小学 广东·珠海 519000）

0 引言

分析课堂教学行为是整个教学研究关注的重点，也是教师专业化水平提升和教学改革的关键途径。在我国的基础教育中课堂教学是其主体，学生综合素质提升的坚实基础就是课堂教学。人工智能技术是对人类思维智慧的研究结合模仿的科学，目前，我们的生活和各个领域内已经在普遍应用人工智能技术，也深刻地影响到学校的教学模式，并引发相应的教育改革。人工智能技术显著促进了评价和优化教学方案的能力，可以利用人工智能技术对课堂教学行为进行准确的量化，并以此为基础制定最佳的教学方案，以提升整体的教学质量。

1 智能分析系统的数据整合分析

1.1 数据来源

在本文的研究中，小学课堂学习信息的收集可利用伴随式、非入侵模式实施数据的收集。课堂教学过程中教师和学生学习活动的图像可以通过课堂上装置的高清摄像进行获取，然后自动合成是利用录播系统完成，在数据库中永久保存。本研究选取了十个中小学课堂教学视频的案例实施训练集和测试集的试验。

1.2 图像数据库的构建

可以利用视频获取系统进行图样采集，一帧图像采集的时间设定为5秒，对以上10个中小学课堂教学视频进行收集，一共采集到5450张图像，同时将图像的行为类别实施标注，例如 S行为或者是 T行为。为了确保这些图像标注的精准性，图像标注人员选择了十名研究生，进行培训，并制定了标准的标注规则。可利用标注好的图像数据的70%进行训练集，在训练图库中储存，利用30%图像数据进行测试集用，存入测试图像库。

2 课堂行为模型构建

2.1 行为机理分析

在通常使用的S-T行为分析中，T行为是教师的相关行为，涵盖解释、媒体演示、板书、示范、点名、提问和巡视等。本文将行为T以外的所有行为视为行为S，其中包括学生的言语、任务、考虑和记录等。以S-T分析法采集并记录课堂教学场景为基础，其教学行为可以利用分布的量化数据获得，对Rt-Ch图和S-T曲线图的有效绘制，在此基础上研究该课程中的教师和学生交互的状况和相应的教学模式，帮助教师实施教学研究。

2.2 构建相关指标

综合S-T行为分析法和人工智能技术的要求，分析课堂学习中的T行为，借助检测人脸、轮廓检测的独有方式辨别课堂教学场景的特征，形成教学行为与图像特征两者间的对应关系。首先要对S-T行为特征指标进行设计和分析，可以通过图像中的人脸数目、轮廓数目、图像最大轮廓面积、框架差分图的最大轮廓面积等四个特征代表了教师的行为特征T。而教师课堂教学的解答、板书和课件的播放行为设定为T1，如果教师测对或者背对学生的时候视频就没有人脸显示，可以利用检测到的人脸数量等于或少于等高线数量。教师的示范演说可以用行为T2表示、提问以及点名等，视频中教师为正面人脸，呈现简单的背景环境，可以采用人脸检测数为1的图像的最大轮廓面积。行为T3表现为教师的解说行为，视频中是学生仰头面对黑板，完全可以呈现相对多的人脸数和轮廓数。教师讲课和巡视行为设定为T4，动作幅度增大时，考虑采用帧差法计算当前采样图像像素点的灰度值与前一采样图像像素点的灰度值之间的差值，求得帧差图像同时计算出最大的轮廓面积,倘若超过某阈值认定存在物体移动时，呈现较多的轮廓数目。除了T行为以外的行为都是行为S。

2.3 数据获取

所有的数据获取皆可从训练图像库、测试图像库、视频数据库中获得，并进行严格的分析和处理。

2.4 特征提取和选择

2.4.1 人脸检测

人脸的数目能够利用人脸的检测得到。人脸检测实际就是对人脸特征的提取，而诸多特征提取技术都是由 OpenCV提供，技术包括HOG、LBPHaar等。本研究应用的人脸检测器是OpenCV本身具备的，通过集中训练进行对比试验，准确率较高的是Haar人脸检测器，被广泛推广使用。

2.4.2 轮廓检测

最大轮廓面积和轮廓数目可以利用轮廓检测程序获取。该检测过程是在图像中查找明显物体并对物体轮廓实施提取，经过分析样品图像后得知，教师行为状况是很简单的背景图像，呈现极少的轮廓数目，但与其相反的是又大又清晰的轮廓面积。所以，S-T行为类型可以根据轮廓检测结果进行判定，即轮廓面积和数目。本文具体的检测图像轮廓详细步骤如图1所示，必须进行原始图像的降噪、去噪工作，可通过中值滤波完成，获取相对平滑的图像；然后以二值化方式处理图像，有必要彰显物体的轮廓；最终检测二值化图像轮廓，并把小面积轮廓过滤掉，同时要有效统计及保存轮廓面积和数量，进行最大轮廓面积的提取。

图1：图像轮廓检测步骤

2.4.3 主体运动检测

利用帧间差分法检测主体运动，得到帧间差分图的最大轮廓面积。帧间差分法就是所谓的帧差法，帧间差分可以通过连续或者一定时间的间隔的帧间差分来实现，从而对判断目标的确定。帧间差分图像的得到可以通过运算两个临近的样本图像获得，之后利用二值化手段处理帧间差分图像并对轮廓进行检测，就可以检测出运动目标。在课堂状况下，如果帧间差分图像表现为非常大的大轮廓面积，就能够断定教师正在讲课或者巡查。

2.4.4 检验相关特征

本文对训练集图像特征的处理采用了weka软件，可以对教学行为类别间的关联性进行断定，进行归一化处理各特征值后，计算所有个体特点以及教学行为类别之间的相关系数（皮尔逊积矩），实际的排序要根据系数大小，教学行为类型与特征的相关性与系数值成正比，系数越大，相关性就越强。

3 课堂行为智能分析的实现

3.1 服务与反馈

该实验程序已经在实际的教学中应用，让课堂教学视频分析自动化得以实现，更有助于教师的教学反思。如下面图2所示，显示了学校小学语文《雪地里的小画家》一课时教师与学生互动的情况，最后侧面表现的是利用计算获得的教师行为占有率Rt、学生行为占有率、师生行为转化率Ch以及以此确定的教学方式；最左侧面是S-T曲线的自动生成的；中间表现的是Rt-Ch图，表现了该课节的教学模式种类为讲授型。本次获得的试验成果被教师所认可，该模式大大降低了教师的工作量，让教师有时间和精力去反思和评价课堂教学；该措施促进了分析课堂教学行为的规模化、常态化的进程，教师利用这些数据可以更高效地进行纵向和横向分析，以对自身的不足及时发现、及时弥补，促进个人成长，更可以成为学校管理者的规划和策划的数据支撑，同时，考虑到教师也在进行意见反馈，期待系统可以对更多的课堂教学行为进行识别，而且倘若可以附带课堂教学视频的有关背景信息，促进对比和分析课堂教学行为的精准性和便捷性。

图2：S-T曲线和Rt-Ch图

3.2 反思与对策

按照系统运行中得到的反馈和建议，进行归纳和反思，通过策略的改进更好地满足具体的应用需求。首先，需要样品量的增加，让教学样本类型更丰富，让样本数据平衡度和自然度更高，更方便模型训练和特征选型。其次，对技术和方法进行优化，深度挖掘和结合多种行为识别特征，例如头部、生理信号、语音等特征，利用多模态信息交融的措施提高行为识别的精准性、多样性和细粒度；与此同时，更要对特征提取方式进行优化增加准确性，让模型识别的泛化水平显著增强。最后，在进行行为分析和统计时，该系统可以对教学情境的相关信息进行关联,对教学行为构成的隐藏意义进行深度拓展，提升教学的质量和效率。

4 结束语

综上所述，人工智能技术不仅是一种技术手段的应用，更引发我们以新的视角来审视课堂教学，促进教学理念和教学评价模式的革新。同时，在优化教学过程和情境的过程中，可以依托智能技术实施思考和辩论，让课堂教学方案的制定更加科学合理。本文研究和探讨的是课堂教学行为分析中对人工智能技术的应用，并通过模型构建进行应用实践的模拟，效果比较明显。并通过在实践中得到的意见反馈，对小学课堂教学行为的改善提出了思路。希望本文介绍的措施和经验能够为课堂教学行为分析提供一定的参考和借鉴。