基于小學課堂音頻與S-T分析法的教學性格自動判別

羅光華

[摘 ? ? ? ? ? 要] ?基于判定教學性格的S-T分析法，使用小學課堂音頻特征進行ST行為的自動識別，通過實證對比得出自動判別與人工判別結果基本一致。

[關 ? ?鍵 ? 詞] ?課堂音頻;ST行為;自動識別

[中圖分類號] ?G434 ? ? ? ? ? ? ? ? [文獻標志碼] ?A ? ? ? ? ? ?[文章編號] ?2096-0603（2018）27-0110-01

S-T教學分析法是針對教學過程大致判定教學性格的一種常用的定量教學分析法，操作時需要安排專人進行實時S-T行為記錄或根據(jù)課堂教學音視頻時間軸進行采樣，費時費力。但S-T分析法只是一種簡單的教學行為定量處理[1]，人工采樣的模糊性造成的評判誤差一般不會對教學性格判定產(chǎn)生影響，可見S-T分析法對ST行為判定精度要求不高。

在小學課堂上，師生是課堂主要聲源并且語音特征差別較明顯，因此可以使用課堂教學音頻進行基于ST行為自動識別的小學課堂教學性格判別。同時只利用課堂音頻，需要處理的數(shù)據(jù)大幅減少，提高了分析效率。

一、音頻的S-T分析

S-T分析法指按照一定時間間隔對師生課堂行為進行采樣，分別以S和T符號記錄，形成ST序列。教師視覺的、聽覺的信息傳遞行為記T，包括教師講話、提問、評價、板演（常伴有教師解說）等，除了教師行為之外的所有行為記S，如學生思考、發(fā)言、練習、沉默等，所以音頻中靜音與低音量段都被歸為S行為。

利用ST行為序列計算教學中的T行為占有率Rt與ST行為轉化率Ch。Rt=NT/N，Ch=（g-1）/N，其中N為采樣總數(shù)，NT為T行為總數(shù)，g為行為序列中相同行為的連續(xù)段數(shù)，g-1即ST行為轉換的次數(shù)。依據(jù)Rt-Ch值將教學性格分為四種：練習型（Rt≤0.3）、講授型（Rt≥0.7）、對話型（Ch≥0.4）、混合型（0.3

二、課堂音頻特征提取

音頻特征分為時域特征和頻域特征。時域特征包括響度、短時平均能量、短時平均過零率等，頻域特征包括頻譜、子帶能量比、Mel頻率倒譜系數(shù)（MFCC）等。先對音頻按照固定頻率采樣量化與預加重，再分割出一定時長的音頻片段，對片段加窗函數(shù)形成幀，最后計算各幀的時域與頻域特征[3]。

通常在錄制課堂影音時教師借助擴音器發(fā)聲明顯，而學生發(fā)聲、靜音與環(huán)境噪音表現(xiàn)較弱，因此時域特征選擇響度、短時平均能量與短時平均過零率，頻域特征則使用頻譜質心均值、MFCC及其一階差分。研究使用“python+librosa”音頻工具包提取各項音頻特征并分別提取某段T行為與S行為音頻特征作為訓練數(shù)據(jù)用于訓練基于CART算法的決策樹，最后將生成的分類器用于約40分鐘課堂的ST行為識別。

三、實證研究

研究使用了福建漳州藍田經(jīng)濟開發(fā)區(qū)實驗小學高寶霞老師提供在國家教育資源公共服務平臺的《分數(shù)的初步認識》一課相應音頻，采樣率22.05kHz，精度16bit，每間隔30秒分割出1秒片段，對每個片段加窗長1024（約46毫秒）漢明窗形成幀，相鄰幀重疊512點，使用“l(fā)ibrosa”提取響度、短時平均能量、短時平均過零率、頻譜質心均值和13維MFCC及其13維一階差分并分別對MFCC及其一階差分作PCA降維，最后將81個采樣點輸入訓練好的決策樹進行ST行為自動識別，形成S-T分析報告，其結果與人工采樣S-T分析報告對比如圖。

可以看出二者ST時序列基本相同（圖1），Rt-Ch值相當接

近（圖2），二者一致判定該課教學性格為對話型。

參考文獻：

[1]李菁.S-T分析法在教學效果診斷中的有限性分析[J].科教導刊，2015（7）：57-58.

[2]傅德榮，章慧敏，劉清堂.教育信息處理[M].北京：北京師范大學出版社，2011.

[3]韓紀慶，張磊，鄭鐵然.語言信號處理[M].北京：清華大學出版社，2013.