人工智能视觉分析技术在课堂教学评价中的应用探析

颜慧

关键词：课堂教学评价；人工智能；计算机视觉分析技术；形成性评价

1 引言

课堂是教育教学的第一阵地，课堂教学评价是评估教学质量的重要方法和手段。通过课堂教学评价，不但可以对课堂教学质量进行审视与评定，教师还可以通过课堂教学评价接受正向的教学反馈，从而促进教育教学理念的创新与改革、持续改进课堂教学质量。

高校课堂教学评价主要涵盖了评价的目的、评价的主体、评价内容、后续改进措施等方面。进行课堂教学评价是为了掌握教师上课的真实情况、课堂教学各环节的实际进展情况，对教师的课堂教学质量进行评价打分，评价的结果用于促进教师教学水平提高、促进教学改革、作为教师评优晋级的依据等。课堂教学评价的内容一般从教师的教学仪态、教学环节的设计及实施、教学的内容是否完整、课堂纪律、学生的学习参与度等方面进行评价。课堂教学评价的主体包括专门的督导、普通教师和上课的学生等。

在传统的课堂教学中，课堂教学评价主要是通过手工的方式进行评价，评价的主体是人。学校督导、专业教师、上课学生等都参与课堂教学评价中。评价的方法主要是评价人参与课堂教学，在课堂上通过观察、聆听、提问、座谈等多种方式获取对课堂教学质量的主观感受。例如，通过课堂点名来记录考勤，通过学生的到课率来评价这门课对学生的吸引力；听课人通过观察课堂上教师的表现来评价教师的教学水平；听课人通过观察课堂上学生的专注度、理解度等表现来评价本堂课的教学质量。

以人为主体对课堂教学进行评价时，主要是凭借人的观察、提问等活动来得到课堂教学评价的数据，数据获取来源较为单一；而且难以获取准确的数据，例如课堂上学生的抬头率，单凭观察很难去记录和统计这些数据；并且评价结果往往带有一定的主观性，主要根据评价人的感受去进行评价，评价结果不够客观和科学，评价结果的反馈也不够及时。综上所述，传统的课堂教学评价方法还存在一定的不足之处。

在传统的课堂教学评价方法中存在主观性、随意性较强、评价数据来源单一、评价反馈实时性不强等问题，如何对课堂教学评价体系进行改革，促进课堂教学评价向形成性评价、多元化评价发展，形成反馈及时、科学、客观的评价体系。2020年，国家出台了在新时代进行深化教育评价改革的相关文件，在文件中提出了要使用新的评价方式和评价工具，积极探索如何结合人工智能等新技术进行科学评价的方法和路径。

目前，人工智能包括计算机视觉技术在各行各业得到了快速的发展和广泛的应用，人脸检测、人脸识别等技术已相对成熟。而且在各学校的教室中，基本上都安装了摄像头等设备，如果能够利用摄像头中采集的视频数据，借助计算机视觉分析技术来辅助课堂教学评价，不但可以使得课堂评价数据的来源、评价方式更加多元化，而且能够更加准确、及时地记录课堂数据，迅速地提供课堂教学评价结果的反馈。使用计算机辅助人进行课堂教学评价，也能在一定程度上节省在课堂评价上所花费的人力、物力和时间等成本，也能更加及时、迅速地提供课堂教学反馈，从而更好地发挥课堂教学评价的引导、诊断、改进等作用。

因此，深入研究如何将人工智能视觉分析技术用于课堂教学评价，建立科学的评价指标，及时、迅速地提供课堂教学反馈，从而更好地发挥课堂教学评价的引导、诊断、改进等作用。

2 计算机视觉技术在课堂教学评价中的现状研究

国内外教育界对于课堂教学评价的研究较多，课堂教学评价一直是教育界关注的重点和热点。在知网上通过“课堂教学评价”“课堂评价”等关键字进行搜索，可搜索到许多相关的文献，并且文献数量逐年增多，如图1所示。

罗祖等人从总体上对70多年来课堂教学评价标准进行了回顾和展望[1]；王春杨等人对我国高校课堂教学评价的现状进行了调研，分析了目前高校课堂评价中存在的一些问题及其原因，并提出了如何重构课堂教学评价体系的建议[2]；刘洪分析了现有课堂教学评价的不足，并构建了面向金课打造课堂教学评价体系[3]；吴军等人对线上课堂教学质量评价标准的组成因素进行了分析，并基于AHP构建了线上课堂教学质量评价体系[4]。以上这些研究主要聚焦在分析传统的课堂教学中课堂教学评价存在的问题，并提出了重构课堂教学评价体系的思路。

人工智能技术研究计算机如何模拟人的智能的一门新兴的技术科学，计算机视觉属于人工智能中的一个研究方向。计算机视觉技术是研究如何使得计算机能够模拟人类视觉的技术，使得计算机能像人一样能“看到”现实世界中的物体并识别出物体的类别。随着新一代信息技术的高速发展，将人工智能、计算机视觉技术应用于课堂教学评价顺应了时代发展的趋势和要求。

目前已有部分学者对基于人工智能技术的课堂教学评价的理论及实现进行了研究。杨晓哲等人提出了教育人工智能应用于课堂教学评价的场景[5]；未华倩等人对于人工智能在发展性课堂教学评价中的定位和实现路径进行了研究[6]；许世红等人研究了基于人工智能技术的智慧课堂评价的理论、基本框架和实现技术[7]；吴立宝等人则具体设计了人工智能下课堂教学评价的系统架构，对课堂教学中的声音数据、姿态数据、面部数据、生理信号等数据使用人工智能技术进行处理，搭建了课堂教学评价体系[8]；骆祖莹等人基于师生对话文本和计算机视觉技术构建了课堂教学自动评价体系[9]；还有部分学者使用多种人工智能技术对课堂教学行为进行了分析[10-12]。以上文献都是研究如何把人工智能技术应用于课堂教学评价，提出了相应的框架及实现技术，涉及声音、视频、文本等多模态数据的分析和处理。

还有学者专门针对如何利用计算机视觉技术进行课堂上学生的行为检测进行了研究。徐家臻等通过计算机视觉技术提取人体骨架信息，实现了对学生行为的自动识别[13]；汪亭亭、韩丽等实现了基于面部表情对学习疲劳的自动识别[14-15]；倪童等實现了课堂抬头率的检测算法[16]；陈杰利用计算机视觉技术实现了对学生进行人脸检测、姿态识别、表情检测[17]；贾鹂宇等人使用计算机视觉技术实现了学生课堂状态的检测和分析[18]；刘新运等人使用YOLO算法实现了对课堂学生行为的检测[19]；孙发勤等人使用计算机视觉技术对课堂教学中学生的情感进行了检测和分析[20]。目前，对于将计算机视觉技术用于课堂教学评价的研究目前仍然处于起步阶段，如何合理利用计算机视觉技术对于视频数据分析的结果，如何建立基于计算机的科学的课堂教学评价模型，仍然需要进一步的研究和探讨。

3 计算机视觉相关技术分析

计算机视觉技术是研究如何让计算机像人类一样去“看”并试图去理解所看到的内容的一门技术。目前计算机视觉主流的任务可以分为对图像进行分类、识别图像中的物体、对图像中的物体进行分割等、预测物体在图像序列中的位置等。图像分类是对给定的输入图片，通过计算机视觉算法类识别该张图片中主体部分所属的类别。目标检测是对图片中的目标进行定位和分类，使用边界框将检测到的目标框起来，并给出对应类别的标注。目标识别是指在图片中识别出特定目标的技术。分割又分为语义分割和实例分割等。语义分割是在像素级别上将具有相同类别的对象划分出来，实例分割是在像素级别上将每个对象单独划分出来。目标跟踪是在一个图像序列中，给定目标的初始位置，预测后续图像中目标的位置。在以上任务中，与课堂教学活动相关的计算机视觉技术包括人脸检测、人脸识别、人体姿态估计、表情识别等。

人脸检测算法是根据输入的图片，在图片中检测人脸的位置，并使用边界框将检测到的人脸框起来。人脸检测算法属于目标检测的子类别，目前已有多种专门用于在图片或视频中识别人脸的算法。如基于特征的人脸检测、基于模板匹配的人脸检测、基于统计的人脸检测等。通过人脸检测相关的算法，可以识别图像中人脸的大小和位置。通过人脸检测技术，可以在课堂教学视频中识别到每一帧中的人脸，从而可以统计出课堂出勤的学生人数。

人脸识别是在图片或者视频中识别出对应的人的身份信息的一种技术。通过对人脸图像进行预先采集及预处理，提取出人脸图像中的特征，与摄像头采集到的人脸图像特征进行匹配，从而识别出该人脸属于哪一个用户。

人体姿态估计是从图片中抽取出人体关键点的特征，识别出人体关键点（如头部，脖子，肩膀，手，脚等部位）的位置，从而可以对人体的动作行为进行识别和分类，如识别人体行走、站立、坐、低头、举手等行为。

表情识别是从图片中抽取出表情特征，对人的表情进行分类，从而识别出人当前的情绪及心理状态，如高兴、生气、悲伤、恐惧、厌恶等情绪。微表情比表情持续时间更短，一般认为更能真实体现人的情绪。通过微表情识别，能更加真实地反映出人的真实心理活动。

4 基于计算机视觉的课堂评价指标构建

借助于计算机视觉技术中的各种算法，如人脸检测算法、人脸识别算法、头部姿态识别算法、表情识别算法等，构建各类课堂教学评价指标，如出勤率、专注度、抬头率、接受度等，用于自动评价课堂教学。这些技术中有很多算法都达到了较高的性能，可以应用于实际项目，因此，使用计算机视觉技术辅助课堂教学评价在技术上是可行的。只要通过摄像头获取到视频数据，就可以通过计算机视觉技术，对视频数据进行进一步的分析和处理，得到各类课堂教学评价指标的值，形成课堂教学的自动化评价，这些评价结果是通过计算机计算得到的，得到的评价结果也比较客观，而且反馈及时、迅速，可以作为整体课堂教学评价中有益的补充。

4.1 出勤率

传统课堂教学中，教师主要通过点名的方式去对学生进行人工考勤。通过目标检测算法去检测视频中的人脸，可以实现课堂学生出勤总人数的自动统计，从而可以计算出总体出勤率。通过人脸识别算法，对视频中出现的人脸进行识别，可以识别出特定的学生是否出勤，从而实现了自动进行课堂中学生个人上课考勤。

4.2 抬头率

通过头部姿态识别算法，可以专注于对视频中学生的头部姿态进行识别，例如识别学生的头部姿态是抬头、低头、扭头还是埋头等，一方面可以根据学生是否抬头，可以检测并统计出课堂的抬头率；另一方面，可以根据学生的头部姿态，判断学生是否专心听课，课堂抬头率是评价学生课堂专注度的一个指标。在课堂教学时，可以按照一定的时间间隔对视频进行采样，统计在某一时刻班级学生的抬头率，再将整堂课上的抬头率求平均，得到本堂课的平均抬头率。

4.3 接受度

人的表情能在较大程度上体现人的情感。学生在上课时自然流露的各种表情，可以在一定程度上反映出学生当前的一个情感状态，从而判断学生对课堂讲授知识是否感兴趣、是否理解、是否专心等。通过表情识别算法，对视频中学生的微表情進行识别，并进行情感分析，就可以判断学生对于课堂知识的接受程度。

4.4 专注度

学生在课堂中是否专心学习，通过学生的身体姿态也可以体现出来。通过人体姿态识别算法，对视频中学生的人体姿态进行识别，就可以判断出学生当前在从事什么样的活动，如记笔记、听课、玩手机、睡觉等。通过对某一时刻的全体学生的活动进行识别，统计出全班学生听课的比例，从而得到全班学生在整体上对于学习的专注程度。在整堂课程中，按照一定的时间频率计算整体专注度，再求平均，则可以得到整堂课程的平均专注度，可用于评价在该堂课中，学生整体上是否专注于学习，专注于学习的学生比例有多大。

5 结束语

通过研究计算机视觉分析技术在课堂教学评价中的应用，探讨了一种新的用于评价课堂教学质量的方法和手段，既能扩充课堂教学评价数据的来源，又使得课堂教学评价的方法更加多元化。通过计算机视觉的分析技术，能自动统计学生的抬头率、分析学生的专注度和对于课堂的接受度，通过客观的数据分析，为评价教师和学生的课堂表现提供了科学依据；通过计算机视觉分析技术，能快速分析课堂相关的数据，及时反馈课堂评价结果，充分发挥课堂教学评价对于促进教与学的积极作用。通过研究计算机视觉技术在课堂教学评价中的应用，积极探索了人工智能等新一代信息技术在高校教学中的应用、信息技术与教学的深度融合的方式和路径，为将来推广新的课堂教学评价方法和手段打下基础。