課堂行為的智能分析在教學改革中的應用

邵一川 李常迪 曹勇 賈天蕊

摘? ?要

將人工智能引入課堂，專注于對師生課堂行為的捕捉，通過深度學習算法，量化教師教學行為與學生聽課行為，形成課堂行為曲線及最優(yōu)與最差教學方案列表，并將其結果反饋給教師，作為優(yōu)化教學方案的依據(jù)，最后通過教師團隊優(yōu)化教學方案的實例與師生的反饋得到驗證。結果表明，所有教師的教學方案有了不同程度的優(yōu)化，課堂專注度與教學效果得到整體提升。

關鍵詞

人工智能? 深度學習? 課堂行為? 優(yōu)化教學方案? 課堂專注度

教學內容與教學效果有最直接的關系，教學內容的設計決定著教學效果的優(yōu)劣，教學方案是教學內容的表現(xiàn)形式，有效的教學方案從某種意義上比教師的能力更加重要，優(yōu)秀的教師能夠針對不同的教學內容知識點選擇最適合的教學方案[1]，提高學生課堂專注程度，產生最佳的教學效果，這一過程被稱為優(yōu)化教學方案[2]。優(yōu)化教學方案對提升課堂專注度，改善學習效果和提升教學質量會產生至關重要的影響[3]。教學方案具有很強的自主性，如何優(yōu)化教學方案，使課堂氣氛更活躍、學生更專注，從而達到知識傳授更順暢的目的，是教學改革的重要研究方向之一[4]，但教學方案的優(yōu)劣很難通過傳統(tǒng)的評價方式進行量化。近年來，人工智能技術的發(fā)展為教學方案的評價和優(yōu)化帶來了新的契機，利用人工智能技術可以更快捷、及時、精準地量化課堂行為[5]，進而推薦最佳教學方案，提升整體教學質量。

人工智能技術是開發(fā)用于模擬人的智能的理論及方法的一門科學[6]。人工智能領域中一個重要分支是深度學習技術，深度學習技術可以通過模擬生物大腦神經網絡的結構，從而使程序具備圖像識別與視頻分析的能力[7-9]。

本文提出利用深度學習技術分析課堂行為。分析前先提出三個概念：課堂行為曲線（Cshapelet）、最優(yōu)教學方案序列（Blist）及最差教學方案序列（Wlist）。Cshapelet是對教學過程中課堂行為進行量化所形成的曲線;Blist是針對同一節(jié)課的所有授課教師Cshapelet最大值對應的教學方案匯總;Wlist則正好相反，是Cshapelet最小值對應的教學方案匯總。利用深度學習技術可以對課堂行為進行建模，將教學過程中學生聽課行為與教師教學行為進行量化，得到教師的表現(xiàn)度與學生的專注度，再由表現(xiàn)度與專注度線性組合得到課堂專注度，形成Cshapelet，并將Cshapelet與教師教學方案進行關聯(lián)，用Cshapelet作為評價教學方案優(yōu)劣的依據(jù)，然后對所有教師同一節(jié)課的Cshapelet進行對比分析，從中提取Blist及Wlist，最后所有教師根據(jù)Blist與Wlist的教學方案與自己的教學方案對比，優(yōu)化自己的教學方案，提高課堂專注度，從而提升整體教學效果。

一、課堂行為建模

課堂行為建模是利用深度學習技術將課堂行為量化，然后將量化后的結果反饋給教師作為教學方案調整的依據(jù)。課堂行為建模過程是根據(jù)課堂上教與學的相互關聯(lián)，結合深度學習技術分析課堂行為，構建教師與學生的行為模型，同時進行量化分析，形成Cshapelet，并綜合所有教師的Cshapelet從中提取Blist與Wlist。模型包括課堂行為建模量化分析模塊與Blist及Wlist提取模塊，見圖1。

1.課堂行為建模量化分析模塊

課堂行為建模量化分析模塊是對學生與教師的課堂行為進行抓取與建模，并將學生群體專注于課堂的程度與教師課堂的表現(xiàn)程度通過模型進行量化，量化值作為課堂行為的量化結果，用課堂專注度來表示。

2.Blist、Wlist提取模塊

（1）形成Cshapelet

課堂行為量化結果在教學過程中可以實時可視化的呈現(xiàn)，通過Cshapelet可以了解教學過程中課堂專注度的起伏變化。課堂行為量化后的可視化結果由3種數(shù)據(jù)類型呈現(xiàn)，分別是教師表現(xiàn)度Tt，學生專注度St以及整體專注度Ct，課堂行為分析模型建立后，可以分析出教師授課時每一時刻的課堂專注度Ct，由Ct進一步形成Cshapelet。教師的表現(xiàn)與學生課堂專注度有密切的關系，教師的表現(xiàn)度越高，學生的專注度越高。

（2）提取Blist及Wlist

由于每位教師會采用各自的教學方案授課，高Ct值意味著教師的教學方案與教學表現(xiàn)可以更好的吸引學生的注意，那么教師采用的教學方案的優(yōu)劣則可以通過教師群體Cshapelet之間的對比間接的體現(xiàn)出來，將反饋效果好的教學方案提取出來就形成了課程的Blist，Blist是課堂行為分析模型綜合所有教師的教學方案中篩選出最優(yōu)教學方案的集合，同時將反饋效果差的教學方案也提取出來形成課程的Wlist。借助Blist與Wlist，教師可以對自己的教學方案進行優(yōu)化，以提升教學效果。

二、優(yōu)化案例實際應用

根據(jù)本文提出的課堂行為分析模型，對某校2018屆、2019屆共16個班的自然科學課程中“信息技術”進行教改嘗試。教學分2輪進行，每輪8個班級，教師團隊共有4人，每名教師負責2個班的教學。

1.課堂行為量化形成Cshapelet

首輪教學針對2018屆展開，4位教師分別根據(jù)教學內容知識點制定相應的教學方案，見表1。

根據(jù)課堂行為分析模型對4位教師教學中課堂專注度進行量化，形成4位教師的Cshapelet，見圖2。

從圖2中可以看出：（1）教師C針對“信息技術種類”以及“信息獲取方法”采用“思維導圖+問題式學習”的教學方案，其課堂專注度較高，而教師A采用“板書講授”的方案授課，其課堂專注度相對較低。（2）當教師C采用“問題式學習+合作式學習”的教學方案講授“信息編碼”與“信息技術應用”知識點時，課堂專注度有明顯下降，但教師A采用“板書講授”的教學方案時，課堂專注度卻保持很高。（3）對于“信息加工”與“信息存儲”，教師C、D分別采用“動畫演示+頭腦風暴”與“視頻講解+幻燈片講授”的教學方案，其課堂專注度較高，效果比較理想，同樣的知識點，教師A、B分別采用“板書講授+幻燈片講授”與“幻燈片講授+思維導圖”的方案，其課堂專注度相對偏低。

通過不同教師Cshapelet的對比可以發(fā)現(xiàn)，對于相同的知識點選擇不同的教學方案，其課堂專注度差距很大，而課堂專注度直接影響著教學效果，所以針對相同的教學內容而言教學方案的選擇對教學效果有著重要的影響。Cshapelet以數(shù)據(jù)曲線的形式展現(xiàn)每一時刻每位教師的課堂專注度，通過Cshapelet可以清晰對比不同教師的課堂行為，也為后面的教學方案優(yōu)化提供數(shù)據(jù)支撐。

2.提取Blist和Wlist

（1）按知識點對專注度匯總

通過Cshapelet對4位教師按知識點做課堂專注度匯總統(tǒng)計得到表2。表2中可以對比所有教師教學情況的課堂專注度C，以及各知識點專注度Cj。

（2）按教學方案對知識點專注度匯總

對于教學內容的知識點j，每一位教師采用的教學方案可能相同也可能不同，需要通過表1與表2的綜合統(tǒng)計，對相同教學方案產生的Cj做平均，可以得到對于知識點j的教學方案的平均專注度Cj，見表3。比如，對于“信息獲取方法”，教師B與C都采用了“問題式學習”教學方案，得到C2專注度分別為220、360，如表2中加粗斜體數(shù)字，對其求平均C2=290，數(shù)值290就是針對“信息獲取方法”采用“問題式學習”教學方案的平均專注度，如表3加粗斜體數(shù)字。

表3顯示了對于各知識點所采取不同教學方案所對應的課堂專注度。表3中Cj為零表示的是針對知識點j，4位教師都沒有采用這種教學方案，而Cj值越大說明這種教學方案針對于知識點j的課堂專注度越高，那么這種教學方案可能會比較適合知識點j，相反Cj值越低說明針對知識點j采用這一教學方案無法吸引學生的關注，需要對教學方案進行優(yōu)化。

（3）綜合對比形成Blist和Wlist

綜合所有教師的課堂專注度對比，提取每個知識點的最高與最低Cj對應的教學方案形成Blist和Wlist，見表4。

結合教學內容，從表4中可以看出，除了對于“信息編碼”采用“板書講授”的效果較好外，其它知識點采用“板書講授”的效果不是很好。這說明特定的教學方案適合特定的教學內容，當教學內容以理論性及強邏輯性為主時，如對于“信息技術種類”和“信息技術總結”，采用思維導圖的的教學方法效果更佳;當教學內容以基本原理為主時，如“信息獲取方法”則更適合采用問題式學習引導學生以思促學;當教學內容需要在講解過程中激發(fā)學生產生創(chuàng)新思維和新觀念時，如“信息資源管理”與“信息存儲”，更適合采用“頭腦風暴”來激發(fā)學生的創(chuàng)新能力;當教學內容需要實際操作幫助理解知識點時，如“信息技術應用”采用合作式學習更能提高學生對知識的吸收;當教學內容比較抽象，如對于知識點“信息加工”，教師采用“視頻講解”的教學方案更能幫助學生快速理解理論知識;當教學內容以課本上基礎知識為主時，如對知識點“信息編碼”的講解，采用“板書講授”配合教學材料就能夠很好的達到提高課堂專注度的效果。

3.優(yōu)化教學方案

課堂行為建模可以得出教學方案與教學內容之間的一些關系以及Blist與Wlist，但不能作為優(yōu)化教學方案的唯一依據(jù)，優(yōu)化教學方案需要結合課堂行為建模量化與學生反饋以及教師風格特點共同決定。

（1）學生評教反饋

首輪教學過后，對2018屆8個班243名學生做電子問卷調查，調查針對4位教師教學內容的對應教學方案進行評分，教學方案評價指標分4個方面，分數(shù)從1至5分，具體內容見表5。

從表5可以看出：評教指標體系把對教學方案與教師的教學評價看作是一個整體，而且從學生的角度出發(fā)評價具體教學方案的優(yōu)劣。學生對每個知識點對應的教學方案進行評價，評價結果匯總求平均后見表6。

教學方案評價匯總結果（表6）與知識點專注度匯總結果（表2）比較接近，說明課堂專注度高其教學方案評教結果也比較好。學生對教學方案評價數(shù)據(jù)應該作為一個重要的優(yōu)化教學方案的依據(jù)得到有效的利用。

（2）結合反饋優(yōu)化教學方案

4位教師根據(jù)Blist、Wlist、Cshapelet的數(shù)據(jù)以及學生評教反饋結果，對教案做如下優(yōu)化：

教師A針對“信息技術種類”“信息獲取方法”“信息加工”知識點，通過Wlist的借鑒以及與其它教師Cshapelet的對比，發(fā)現(xiàn)采用“板書講授”的教學方案課堂專注度較低，明顯不適用于教學內容，再通過對Blist的借鑒，在第二輪教學中準備依次優(yōu)化為“思維導圖”“問題式學習”與“視頻講解”，其它知識點也借鑒Blist做出相應優(yōu)化。

教師B通過Cshapelet與Wlist發(fā)現(xiàn)對于“信息存儲”采用“思維導圖”的教學方案得到的課堂專注度會有明顯下降，故借鑒Blist優(yōu)化為“頭腦風暴”，同時其它教學方案也借鑒Blist做出優(yōu)化。

教師C針對“信息存儲”采用“頭腦風暴”的教學方案雖然被提取為Blist，但教師C對比教師A的教學方案以及Cshapelet，認為針對“信息存儲”改用“幻燈片講授”對信息存儲的方式做列舉要優(yōu)于“頭腦風暴”，因此在下輪教學中決定改用“幻燈片講授”的教學方案。

教師D針對“信息存儲”認為自己采用的“幻燈片講授”的方案得到課堂整體專注度較高，故并未作出教學調整，而對“信息編碼”覺得可以借鑒教師B的“問題式學習”講授“信息編碼”，采用問題式引導的方式教學效果會更佳。

（3）優(yōu)化結果對比

在第二輪教學中，4位教師借助Blist、Wlist與Cshapelet的輔助，針對“信息技術”分別優(yōu)化各自的教學方案，對應關系見表7。

采用表7教學方案授課，量化課堂行為得到教師優(yōu)化教案前后的Cshapelet見圖3。從圖3可以看出大部分教師授課時Ct都有不同程度的提高，Cshapelet都有明顯提升。所以充分利用Blist、Wlist優(yōu)化教學方案，可以讓教師的Cshapelet盡可能“不陷入”迅速下降階段，從而提高課堂整體專注度。

三、學生反饋對比

學生反饋通過對學生做電子問卷調查得到，學生包括2018屆8個班243人，2019屆8個班245人。調查內容主要包括對教師教學方案、教學效果以及教學內容的評價，具體內容見表8。

問卷調查結果顯示，2019屆的學生對教師教學方案的滿意度、課堂內容掌握程度、緊跟課堂學習進度以及課堂學習興趣的比例均高于2018屆學生，這說明優(yōu)化教學方案對于提升教學效果起到一定作用，但2019屆學生在對課堂內容充實度的反饋中較2018屆偏低。針對于這一反饋結果，教師認為在完成課堂內容講授后，可以提出與當堂課內容相關的思考題留給學生進行討論，這樣能夠加深學生對課堂內容的理解。通過分析學生的反饋數(shù)據(jù)對比信息，便于教師準確地把握學生實際學習情況，適當調整教學方案，對于課堂行為建模量化分析具有建設性意義。

四、討論與改進

對《自然科學》中的“信息技術”這節(jié)課進行了教學改革嘗試，形成了4位教師授課時各自的Cshapelet，得到這節(jié)課的Blist與Wlist。在教改實踐中，教師根據(jù)Blist、Wlist、Cshapelet以及學生對教學方案反饋，優(yōu)化了各自的教學方案，優(yōu)化后的Cshapelet都比之前的Cshapelet有不同程度的提高，優(yōu)化教學方案達到了提高課堂整體專注度的目的，4位教師也充分肯定了量化分析對于教改的價值。

課堂行為建模雖然可以為教師提供參考與借鑒，但并非所有的教師都會收到良好的效果，還需要根據(jù)學生的反饋以及自己的教學風格與特點調整教學方案。隨著對課堂行為分析模型的深入研究，筆者發(fā)現(xiàn)了模型的一些需要改進之處：第一，課堂行為抓取應該進一步增加維度。增加學生、教師的生理特征采集，如心跳、血壓、體溫等，結合面部表情變化，得到更加細化、個性化的個體行為特征。第二，應該深度挖掘教師教學行為與學生課堂行為的內在聯(lián)系。通過實踐發(fā)現(xiàn)，兩者會相互促進，當學生的專注度到達一定程度時，教師的表現(xiàn)度也會很快提高，這也是教師教學行為與學生行為的內在更精致的聯(lián)系。第三，應該吸收更多的教師參與課堂行為建模教改研究，豐富教學方案的種類。

通過深度學習技術對課堂行為建模及量化，將量化結果作為教師優(yōu)化教學方案的依據(jù)，有利于教師優(yōu)化自己的教學方案，實際教學改革中取得了較好的效果，而所有教師課堂行為量化的對比可以進一步優(yōu)化教學方案，提高整體課堂專注度。期望本研究為人工智能進入課堂，走向規(guī)范化、規(guī)模化提供借鑒與參考。

參考文獻

[1] 陳丹，戈林娟.影響中醫(yī)藥院校教師教學效果及質量的教學行為關鍵因素挖掘[J].時珍國醫(yī)國藥，2016，27（05）：1236-1239.

[2] 張強，于洪.高職課程任務驅動式教學方案的PDCA優(yōu)化[J].職業(yè)技術教育，2014，35（14）：24-26.

[3] 劉世平，駱漢賓，孫峻，等.關于智能建造本科專業(yè)實踐教學方案設計的思考[J].高等工程教育研究，2020（01）：20-24.

[4] 張熙，潘志松.智能化進程中課程改革的現(xiàn)狀、問題與展望[J].上海教育科研，2019（09）：87-90+52.

[5] 劉清堂，何皓怡，吳林靜，等.基于人工智能的課堂教學行為分析方法及其應用[J].中國電化教育，2019（09）：13-21.

[6] 張風帆.人工智能時代的前景研究[J].云南社會科學，2020（01）：53-58+186.

[7] 魏艷濤，秦道影，胡佳敏，等.基于深度學習的學生課堂行為識別[J].現(xiàn)代教育技術，2019，29（07）：87-91.

[8] 王鑫，張鑫，寧晨.基于多特征降維和遷移學習的紅外人體目標識別方法[J].計算機應用，2019，39（12）：3490-3495.

[9]? J.Redmon，A.Farhadi. YOLOv3：An Incremental Improvement[J].

[作者：邵一川（1978-），男，遼寧沈陽人，沈陽大學信息工程學院，教授，博士;李常迪（1994-），女，遼寧沈陽人，沈陽大學信息工程學院，碩士生;曹勇（1980-），女，遼寧沈陽人，中國醫(yī)科大學，講師，博士生;賈天蕊（1978-），女，遼寧沈陽人，沈陽市第三十五中學，中學一級教師。]

【責任編輯? 郭振玲】