一种在线学习监督辅助系统的设计与研究*

陈智文，黄智伟

（武汉铁路职业技术学院，湖北 武汉 430205）

随着互联网和信息技术的快速发展，人们获取知识的方式和途径发生了巨大的变化，带来的“互联网+教育”使得在线教育用户数量不断攀升，市场规模持续扩大。在线教育不受时间、空间和地点条件的限制，通过对线下学习模式中的授课内容进行电子化、视频化，大大提高了学习的便利性。受新冠肺炎疫情影响，2020年春季学期延期开学，我国近3亿师生根据教育部“停课不停学”的要求开展了史上最大规模的群体在线学习，全国本科高校108万教师开出课程合计1 719万门次，在线学习的大学生共计35亿人次[1]。

1 研究现状与问题

在线教学最核心的本质是学习者学会自主学习[2]。学习者的学习投入程度显著影响其学业成绩和认知发展[3]。在线学习是一种需要学习者具有高度自觉性的学习，没有实体课堂，教师的“气场”无法有效带动学习者，学习者难以及时告知学习困难，教师也无法随时感受到学习者的眼神和表情[4]。

在开展在线教育的过程中，网络中的功能元素太过多样化，信息量十分庞大，导致自控力不足的学习者无法专心学习，在打开在线教育平台的同时可能打开娱乐软件。学习者习惯于传统的面授课堂，当置身于虚拟的学习环境中时难免出现目标偏离、学习效率低下等情况。当学习者的行为指向背离学习任务时往往不能像在传统课堂学习时那样及时被教师矫正，有时还会出现所谓的信息迷航现象，学习者不愿或不能自觉回到计划的学习进程中。在线学习的这一特殊性决定了监督的重要性。

目前各大在线教育平台的监督学习功能有限，部分平台如钉钉、雨课堂、腾讯课堂等仅有打卡签到功能，只能确定学习者进入了在线学习系统平台，不能确定是不是本人打卡，且学习者打卡后是否一直在屏幕前也无从得知。当教师一对多进行学习指导时，学习过程更是难以监督，无法保证每个学习者都能认真学习在线教学内容，当学习者出现异常学习行为时，教师无法及时提醒及纠正。

2 系统的功能描述

针对在线学习中教师一对多授课时无法进行有效监督的情况，本文提出一种监督管理系统，可应用在移动端及PC端，全自动监督学习者的学习过程，当出现异常学习行为时进行警报提醒。

异常学习行为主要包括：其他人代上课，非活人上课（贴本人照片），上课中途离开、睡觉；在理论课程直播过程中，学习端设备显示内容包含非教师讲授视频窗口；在计算机实际操作课程中（教师未开启课件窗口），打开非教师允许使用的软件。

本系统能够协助教师对学习者的在线学习行为进行远程监督，对学习者的异常学习行为进行警示及记录，协助教师管理学习者，提高教师在线教学效率及学习者在线学习效率。

3 系统整体设计

本文提出一种基于数据挖掘的在线学习监督辅助系统，包括学习端、教学端、后台管理三大部分。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等高度自动化地分析数据，作出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整策略，减少风险，作出正确的决策。

本系统监督检测所采用的技术就是数据挖掘技术，数据挖掘就是通过分析每个数据，从大量数据中寻找规律，主要有数据准备、规律寻找和规律表示3个步骤。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集；规律寻找是用某种方法将数据集所含的规律找出来；规律表示是尽可能以用户可理解的方式（如可视化）将找出的规律表示出来。本系统采集的数据为教学端、学习端的页面信息，利用学习端学习页面信息具有一定统一性这一特征进行聚类等算法分析，从而挖掘学习端异常学习行为信息。

系统的整体结构见图1。学习端包括人脸活体检测模块、页面检测模块、应用程序识别模块、流量检测模块、信用度模块和警报模块。在给每位学习者设置信用度的基础上，系统通过人脸活体检测模块对学习端学习者的唯一性进行确认，通过页面检测模块对学习者学习页面的统一性进行检测，在学习者需要自行练习操作时，通过异常程序识别及异常流量检测来确保学习者学习行为的真实性，否则，发出警报。教学端包括应用程序控制模块和警报记录模块。对于需要实操的课程，教师可自行设置被允许的应用程序，对学习者在线学习异常行为进行统计、记录、分析。后台管理用于连接和控制学习端、教学端，储存并记录学习者的所有信息。

图1 系统整体结构图

当学习端出现异常学习行为时，系统能够自动检测，根据相应的异常学习行为在学习设备上弹出不同的对话框进行警示，具体见图2。

图2 学习端警报弹窗图

在教学端教学设备上也会有相应警示记录提示（见图3），并实时更新。当有学习者出现多次警示记录时，教师可以根据实际情况进行点名提醒。

图3 教学端警示记录显示图

4 系统功能模块设计

4.1 信用度模块设计

信用度模块由学习者使用系统学习的累计时长与学习者接收到的警报次数加权所得，它反映了学习者在线学习自觉性的高低。信用度模型见第131页图4，信用度=k1×信用度1+k2×信用度2。

图4 信用度模型图

本系统对学习者监督的频率、信息采集的频率会根据信用度的高低而变化。信用度越高系统采集信息的频率越低，信用度越低系统采集信息的频率越高。也就是说长时间使用本系统进行在线监督后，对于未检测到任何不良学习行为的信用度高的学习者，没有必要频繁进行检测，检测频率会从原始的5 s/次逐步降低为600 s/次，若后期检测到该学习者做出了不良的学习行为，造成信用度降低，那么检测频率又会从600 s/次逐步上升；对于频繁检测到不良学习行为的信用度低的学习者，检测频率可能一直会保持最高频率5 s/次。

4.2 人脸活体识别模块设计

目前人脸识别技术已日趋成熟，应用广泛，在在线教育行业主要被应用于在线考试，如职教云考试模块、阿里培训考试模块、驾照考试等。人脸活体识别模块除了“识人”外还“识真”，也就是说在系统面前不仅要确保这张脸是这个人的脸，还要确保这张脸是活体的人脸，而不是图片、视频或带着面具的人脸。“识真”可以通过眨眼、摇头、点头等组合动作验证用户是否为真实活体本人，最大程度监督和确保是学习者本人在进行学习。

本系统会不定时通过学习端摄像头采集学习者图像，与原始登记照片进行匹配，使用人脸关键点定位和人脸追踪等技术“识人”“识真”。当系统检测到面部识别不匹配、无头像、非活人等情况时，学习端会弹出提示框进行相应的警报提醒。人脸活体识别流程见图5。

图5 人脸活体识别流程图

4.3 页面检测模块设计

目前的页面检测技术主要应用于在线考试防作弊机制，使用固有频率截屏或录屏，人为监控查看异常防止作弊，或者进行页面跳出检测，当跳出当前页面时会自动记录及提醒。本系统的页面检测模块主要针对在线理论课程，当教学端与学习端页面内容显示一致时，根据学习者信用度以自适应的频率对学习端设备进行截屏，使用聚类分析的算法，与教学端的页面进行匹配，发现异常点，发出警报。学习者最小化、关闭教师直播分享页面或者是浏览其他页面等与教师页面显示不一致的情况均能通过页面检测模块发现。页面检测流程见图6。

图6 页面检测流程图

4.4 应用程序识别模块和流量检测模块设计

对于实际操作的课程，当教师讲授完理论部分后学习者需要使用PC端自己动手操作，教学端与学习端的页面显示不可能一直保持一致，此时已不能使用页面检测模块，故提出应用程序识别模块与流量检测模块。教师通过应用程序控制模块开放课程所需的一部分应用程序权限，如“C语言程序设计”课程开放VC++使用权限，“信息技术基础”课程开放Office使用权限等。当学习端开启了非教学端允许的应用程序时，系统则发出警报。考虑到有些课程需要用到浏览器查找资料，为避免学习者通过浏览器在线观看视频，故补充流量检测模块，对于流量使用异常情况系统也会发出警报并记录。应用程序识别和流量检测流程见第132页图7。

图7 应用程序识别和流量检测流程图

4.5 警报模块设计

通过各检测模块检测，当学习端出现面部识别不匹配及无头像、页面与教学端页面不匹配、使用非教师授权的应用程序、流量使用异常等情况时，系统会进行弹框提醒。当学习者收到警示弹框提醒时只能停止异常学习行为，否则系统会不断弹出警示窗口，警示次数不断累积。后台也会对日期、姓名、班级、时间、警报异常项、累计次数、截屏异常图像进行统计、存储、记录，方便教师对教学情况进行分析。

5 系统的应用优点

本系统根据在线统一教学过程中学习端页面某种程度的一致性，基于数据挖掘技术为学习过程的监督做好了软件条件的准备，手机端/PC端的普及为本系统的应用做好了硬件条件的准备。系统具有以下特点。

1）自适应控制检测频率，节约网络资源。本系统首次提出学习信用度概念，信用度由学习者使用系统学习的累计时长与学习者接收到的警报次数加权所得，将学习者的学习自觉性进行量化，划分信用等级。根据信用等级自适应地控制系统检测频率，例如对于自觉性强的学习者，可以降低监督频率；对于自觉性弱的学习者，更有针对性地进行监督，从而有效节省网络带宽，提升传输效率。

2）监督检测适用条件广泛。在线课程不管是统一上的理论课程还是实际操作课程，本系统均能进行有效监督。针对理论课程，教学端与学习端页面必然保持一致，通过页面检测模块实现监督；针对实际操作课程，通过应用程序识别模块及流量检测模块实现监督。

3）异常学习行为检测广泛。本系统的监督检测贯穿于教师统一在线授课的全过程，包括学习者身份的确认，是否出现其他人或假人代替上课，学习者是否睡觉、消失；在教师讲授课程时，学习端展示的页面是否跟教学端页面保持一致，学习者是否打开了其他窗口，是否关闭了教师课程展示的窗口；当教师允许学习者自行操作时，学习者是否打开了其他无关软件等。本系统对整个在线教学实行全过程监督，最大程度监控学习者的学习行为。

6 结束语

本文提出一种在线学习监督辅助系统，在计算学习信用度的基础上，通过人脸活体检测、页面检测、警报等模块分析在线学习者的异常学习行为。本系统能够推动“互联网+教育”的普及，对自觉性不强的低、中、高年级的在线学习者均能进行监督，从而提高学习者在线学习的自律性。