“互联网+”时代背景下智慧课堂交互行为数据精准搜索方法

摘要：在智慧课堂环境中，交互行为数据的复杂性难以保障准确的搜索结果。因此，在“互联网+”时代背景下，文章提出对智慧课堂交互行为数据进行精准搜索的方法并构建了一个智慧课堂交互行为数据分类模型，从“人-人交互”和“人-内容交互”2个维度深入分析智慧课堂交互行为数据的构成。为实现精准搜索，文章设置了带有唯一标签的智慧课堂交互行为数据染色体，基于目标对象的唯一标签，精准地确定搜索结果。测试结果显示，该方法能够显著提升交互行为数据的搜索精准性，与对照组相比具有明显优势，查全率偏差基本稳定在5.0%以内，最大偏差仅为6.0%，最小偏差达到了0。

关键词：智慧课堂；交互行为数据；精准搜索；分类模型；唯一标签；交互行为数据染色体

中图分类号：TP18 文献标志码：A

0 引言

在“互联网+”时代，智慧课堂正引领教育领域的新潮流［1］。其中，交互行为数据成为关键，实时反映了学生的学习状态和需求，极大地促进了个性化教学的实施［2］。这些数据不仅揭示了师生间的互动模式与效果，还有助于优化课堂设计，提升教学互动的趣味性并为教学评价提供了客观依据［3］，确保了评价的公正性与准确性。因此，有效识别交互行为数据成为当前的热门课题，许多学者也为此展开了实验。

雷静思等［4］提出了基于改进时空图卷积网络的交互行为获取方法。该方法能够准确捕捉行为特征，但存在训练数据量大和计算复杂的问题。而方海光等［5］则采用了改进型弗兰德斯互动分析系统，该系统能够客观记录课堂事件，具有较强的诊断性，但忽略了教学内容等要素，难以全面捕捉主观复杂因素。

为此，本文提出“互联网+”时代背景下智慧课堂交互行为数据精准搜索方法，通过分类交互行为数据构建数据染色体并标记唯一目标信息适应特征，以实现数据的精准搜索。

1 智慧课堂交互行为数据精准搜索方法设计

1.1 智慧课堂交互行为分类

智慧课堂交互行为数据是指在智慧课堂环境中，通过信息技术手段收集、存储和分析的关于师生交互行为的数据，主要分为“人-人交互”和“人-内容交互”2大类。其中，“人-人交互”主要指教师与学生、学生与学生间的交流行为，如讨论、合作等［6］；“人-内容交互”则涵盖学生与课程内容、教学资源等内容间的互动，如浏览资料、回答问题等。通过对这2类交互行为的精准分类，进一步提取和分析数据，实现交互行为数据染色体的构建。数据的模型化表达直观地展示了师生交互行为的规律和特征，为后续的搜索方法设计提供有力支撑，从而使教师更加全面地了解学生的学习情况，实现个性化教学和精准化指导。

1.2 智慧课堂交互行为数据染色体构建

交互行为分类作为染色体数据构建的基础，可以清晰地界定和识别师生间复杂的交互行为。结合智慧课堂交互行为数据的分类，本文构建了一个以学习者为中心，涵盖不同类别智慧课堂交互行为数据的染色体模型。在模型构建过程中，本文借鉴了生物学的染色体概念，将智慧课堂中的交互行为数据类比为染色体上的基因。每个染色体代表一个学习者的整体交互行为模式，而染色体上的每个基因则对应着具体的交互行为数据项。定义染色体为一系列基因的组合，具体表达如公式（1）所示。

Ch=［Gene1，Gene2，…，GeneN］（1）

其中，Ch表示智慧课堂交互行为数据的染色体；GeneN表示一种特定的交互行为数据，包括学生与教师交互的频率、学生间交互的频率、学生与知识内容交互的时长等。

为了量化交互行为数据，本文为每个基因分配了唯一标签，以标识不同交互行为在整体学习过程中的独特性和可识别性。具体表达如公式（2）所示。

S=（n，c）（2）

其中，S表示数据染色体基因的唯一标签，n表示学习者在智慧课堂中的后台编码，c表示学习者在智慧课堂中的身份认证。

依据公式（1）和公式（2），智慧课堂交互行为数据染色体表达如公式（3）所示。

Ch=［（Gene1，Si），（Gene2，Si），…，（GeneN，Si）］（3）

其中，i表示学习者个体数量。按照上述所示的方式，实现对智慧课堂交互行为数据染色体的构建，为后续的数据搜索提供基础。

1.3 智慧课堂交互行为数据搜索

根据获得的智慧课堂交互行为数据染色体，本文以目标对象对应的唯一标签信息为基础，构建适应度函数，将满足函数的数据作为搜索结果，评估交互行为数据染色体在特定环境下的优劣和适应度，从而提高模型在预测查全率的精确度，具体表达如公式（4）和公式（5）所示。

f1（i）=1SCD（i）→Si（4）

f2（i）=T（i）→Si（5）

其中，f1（i）和f2（i）分别表示智慧课堂交互行为数据搜索的一级和二级适应度函数，能够同时考虑多层指标，优化评估模型的性能；SCD（i）表示学习者在智慧课堂中的后台编码信息；T（i）表示学习者在智慧课堂中的身份认证信息。最后将满足适应度要求的染色体中携带的数据作为最终的搜索结果。

至此，本文通过标记智慧课堂交互行为数据的染色体分配唯一标签，构建满足目标要求的适应度函数，通过在搜索过程中不断地评估和比较不同个体的适应度，使染色体模型能够逐步逼近全局最优解，从而实现更高的搜索精确度。

2 测试分析

2.1 测试数据准备

本文测试的智慧课堂涵盖传统媒体、互动媒体、视听媒体、虚拟现实媒体、增强现实媒体和互联网媒体，教学资源形式丰富，主要包括课件、视频、音频、互动资源和网络资源。本次测试以学生为中心，定义1天时间内学生的不同交互行为数据。选用的班级人数为54人，随机选择20名智慧课堂学生为测试对象，对其交互行为数据进行搜索和分析，以验证搜索结果的可靠性。其中，交互行为数据的样本参数如表1所示。

通过明确学生不同交互行为的数据参数，实现定义目标下的精准分类，作为本文的实验数据，为后续测试提供了有效信息。测验通过对比本文方法、文献［4］方法和文献［5］方法，有助于进一步证明本文方法在验证查全率的精准度。

2.2 测试结果与分析

测试以不同交互行为的查全情况为评价指标，分析3种不同方法的搜索结果。其中，查全率的表达如公式（6）所示。

F（x）=TPTP+FN（6）

式中，F（x）表示查全率，TP表示模型正确识别为正类的样本数量，FN是指模型错误识别为负类的正类样本数量。依据公式（6），得出3种方法的查全率，具体结果如图1所示。

分析图1可知，本文设计方法的查全率稳定在90%以上，而文献［4］方法和文献［5］方法的查全率则在70%～80%范围内，可以明显看出本文方法交互行为数据搜索的精准性优于对照组，查全率偏差基本稳定在7.3%以内，最大偏差仅为9.2%，最小偏差达到了2.4%，可以实现对数据的精准搜索。这是由于本文方法采用的智慧课堂交互行为数据染色体模型能够对基因数据进行一一编码，准确分类不同数据特征；同时利用适应度函数，通过有效定位识别标记身份，不断完善不同个体的适应度，从而验证了本文方法在搜索交互行为的精准性。

3 结语

为了充分发挥智慧课堂的优势，深度挖掘其交互行为数据反馈的教学效果以及学生的学习效果，本文在“互联网+”时代背景下，提出了智慧课堂交互行为数据的精准搜索方法研究。通过构建一个智慧课堂交互行为数据分类模型，设置数据染色体分配基因唯一标签，同时依据适应度函数评估和比较不同个体的适应度，使染色体模型逐步逼近全局最优解，实现更高的搜索精确度。该方法实现了对目标对象交互行为数据的全面、精准搜索，为实际教学工作提供了可靠的辅助。

参考文献

［1］刘威童，乔伟峰.在线同步学习效果的影响机制：交互行为的中介效应：基于清华大学大规模在线调查数据的分析［J］.现代教育技术，2022（3）：110-118.

［2］方舟，洪采菲，秦姝言，等.自我调节学习情境下任务类型和学习认知策略对视频类搜索行为的影响［J］.图书情报工作，2021（21）：84-96.

［3］孙晓宁，景雨田，刘思琦，等.对话式搜索：人智交互情境下主导未来的信息检索新范式［J］.情报理论与实践，2024（17）：1-16.

［4］雷静思，刘双广，刘乔寿，等.基于改进时空图卷积网络的人员交互行为识别［J］.计算机应用与软件，2024（4）：151-158.

［5］方海光，孔新梅，郑志宏，等.一种智慧课堂交互行为数据的标准分数常模计算方法研究：基于改进型弗兰德斯互动分析系统iFIAS［J］.远程教育杂志，2023（5）：67-75.

［6］张丽华，王志梅.基于语音增强的改进型英语课堂交互系统的研究［J］.电声技术，2024（2）：39-41.

（编辑 王雪芬）

Accurate search method of interactive behavior data of intelligent classroom under the backgrou92234964008827b0239d6d9e1a57c9cend of “Internet + ”era

WU Jingli

（Electronic Informational Engineering College， HEBI Polytechnic， Hebi 458030， China）

Abstract： In the smart classroom environment， due to the complexity of interactive behavior data， the accuracy of search results is difficult to guarantee. Therefore， the research on the method of precise search for interactive behavior data of smart classroom in the context of the “Internet + ” era is proposed. A smart classroom interaction behavior data classification model has been constructed， which deeply analyzes the composition of smart classroom interaction behavior data from two dimensions： “human human interaction ” and “human content interaction ”. In order to achieve precise search， a smart classroom interaction behavior data chromosome with a unique label was set up， which can accurately determine the search results based on the unique label of the target object. The test results show that after adopting the design method， the search accuracy of interactive behavior data is significantly improved， with a significant advantage compared to the control group. The recall deviation is basically stable within 5.0%， the maximum deviation is only 6.0%， and the minimum deviation reaches 0.

Key words： intelligent classroom; interactive behavior data; accurate search; classification model; unique label; interactive behavior data chromosome