人工智能視域下教師課堂教學行為分析
——以物理課堂為例

管彤彤 張立強 彭朝陽

（1.云南師范大學 物理與電子信息學院，云南 昆明 650500 2.北京師范大學 心理學部，北京 100875）

隨著人工智能技術的不斷升級和發展，人工智能賦能教育創新已經成為我國教育改革的重要抓手，基于證據意識的教育教學研究也逐漸引起了研究者廣泛的關注[1]。當前，教師教育實踐的科學性尚有不足，對教師課堂教學的評價往往是基于人力完成，耗時耗力，缺乏量化的證據支持，而人工智能技術憑借強大的數據挖掘以及計算分析功能，能夠高效采集真實數據、識別數據并分析數據間的邏輯關系，為教師改進教學提供客觀的證據支撐，強化課堂教學評價對教師教學與學生學習的反饋作用，助推課堂教學的智能化創新[2]。因此，人工智能與教育教學的深度融合將是提高教師教學能力及專業發展水平的關鍵途徑。

目前，人工智能技術賦能課堂教學的相關研究方興未艾，大多是利用智能手段監控課堂上學生的學習狀態，以幫助教師調整和改進教學，而鮮少聚焦于課堂教學中的教師行為[3]。課堂作為學校教育的主陣地，教師的課堂教學行為對教學質量有著巨大影響，基于人工智能技術合理且廣泛地采集課堂中教師自身的多模態數據，可以為其教學反思和能力提升提供事實依據。同時，當前的人工智能處于弱人工智能階段[4]，基于人工智能進行學科教學分析的研究更是相對匱乏。以物理學科為例，物理作為基礎教育的科學課程之一，以培養學生核心素養為導向，有其獨特的育人價值[5]。另外，物理課堂教學的目標不僅僅是提高學生的物理成績，更多的是培養學生的物理學科核心素養及科學素養，滿足學生終身發展的需求，而學生的科學素養很大程度上取決于教師的水平和能力。

因此，為提高物理課堂教學質量、提升物理教師教學水平，本研究選用物理教師課堂教學視頻，結合人工智能技術對視頻中教師的言語表達及情感狀態等進行量化分析，利用人工智能算法和深度學習算法輔助評價教師的課堂教學能力，為教師反思和改進課堂教學提供決策依據，助推高質量、高素質、專業化教師的培養。

本研究的思路如下：首先介紹基于人工智能的課堂教學分析系統框架，再詳細敘述基于人工智能的物理課堂教師行為研究路徑，包括Python 編程輔助S-T分析法、人工智能技術對教師言語的處理及深度學習YOLO v5 算法對教師面部表情的處理，最后對選取的物理課堂教學視頻進行對比分析，并結合新課程課堂評價表得出結論。

一、基于人工智能的課堂教學分析系統架構

結合目前人工智能技術對課堂教學分析的現實需求，基于人工智能的課堂教學分析系統架構分為對象層、數據層、技術層和應用層，如圖1 所示。

圖1 基于人工智能的課堂教學分析系統架構

課堂教學是一種師生雙邊互動活動，因此，人工智能視域下的分析是基于教師和學生兩大對象。通過采集的多模態數據，包括言語、行為、心理、生理、學業以及腦數據等，設計并利用算法進行語音識別、姿態識別、表情識別和腦數據識別等，進而量化分析課堂教學，實現其在教師教學反饋、教師教研、教育評估、教學診斷等方面的應用價值。

二、基于人工智能的物理課堂教師行為研究路徑

本研究選用A、B 兩位物理教師的課堂教學視頻，A教師的教學視頻曾獲全國青年教師講課比賽一等獎，B 教師的教學視頻是某中學的公開課，授課內容均為高中物理選擇性必修二第二章第四節“互感與自感”。借助人工智能技術采集兩位教師的言語數據和面部數據，對課堂師生互動、類型、詞頻、語態及情感進行分析，輔助教師及時反思和調整教學行為，推動教師專業化發展。為此，本研究基于人工智能技術開展研究，研究路徑如圖2 所示。

圖2 基于人工智能的物理課堂教師行為研究路徑

（一）python 編程輔助S-T 分析法

為直觀地展示課堂上的師生行為情況，采用S-T分析法進行分析[6]。這是一種較為成熟的師生行為量化分析方法，它將課堂行為分為學生行為與教師行為，“S”代表學生行為，“T”代表教師行為，具體定義如表1 所示。

表1 S-T 分析法的行為定義

本研究設定每隔30s 進行采樣，以手工的方式收集S、T數據后，采用python 代碼對已經收集到的數據進行計數、排列，以T行為為橫軸、S行為為縱軸，進而得到隨時間變化的S-T曲線圖。再根據公式Rt=Nt/N，Ch=（g-1）/ N進行計算。其中，Rt表示教師行為占有率，Rt值越高，則教師行為越多；Ch表示師生行為轉換率，Ch值越高，則課堂師生互動越多；N表示師生行為總數，Nt表示教師行為總數，g為師生連續行為總數，g-1 為教師行為和學生行為間的轉換次數。根據課堂類型判定標準（見表2），以Rt值為橫坐標，Ch值為縱坐標，繪制Rt-Ch圖框架并標記對應坐標點，依據點所在的位置判定課堂類型。

表2 S-T 分析法的課堂類型判定標準

（二）人工智能技術對言語數據的處理

為了對教師的行為有客觀精確的評價，本研究將視頻多模態化處理，利用iMovie 剪輯將單一的視頻數據分割成純音頻數據和純視頻數據。

言語行為占據課堂教學行為的80%左右[7]，而教師的言語又是教學內容傳播的載體，決定教學活動的開展，影響學生學習的效果，因此，本研究分別對詞頻和語態進行分析，進而多角度評價教師的課堂語言。

在學科教學中，教師對關鍵概念和關鍵詞的重復和強化可以引發學生的無意注意，使他們于不知不覺中對關鍵概念進行重復，加深對知識的理解。為此，在詞頻分析部分，本研究使用Python 編程語言，根據中國常用詞庫調用jieba 庫分詞，除去常用語氣詞及標點符號，篩選并統計詞頻，再調用wordclould 庫繪制詞云圖，將教師的重復詞一目了然地呈現出來。

為了多層次、多方面地研究教師的課堂語言，本研究同時分析了教師語態。教師語態的好壞是影響教學效果的關鍵之一，優秀教師的語言表達準確且生動，而語言能力差的教師在表達上往往詞不達意、枯燥乏味。同時，好的教師要避免使用“啊、嗯、那么、是不是”等口頭禪，保證教學語言的準確和規范。基于此，在語態分析部分，同樣使用Python 編程語言對言語數據轉化的文本進行分句，將分好的詞組和句子輸入搭建好的人工智能網絡中，統計句子中出現的語態，將含有語態詞最多的句子由大到小進行排列，并輸出含語氣詞最多的前5 個句子和出現最多的前5 個語態詞，幫助教師明晰自身課堂語態上存在的問題，進而修正語言行為，提高課堂教學質量。

（三）人工智能技術對面部數據的處理

面部表情識別是通過捕捉人臉面部表情，利用人工智能技術識別并分析出人的表情所透露出來的情感、情緒。已有的研究更多地關注于課堂中學生的情緒狀況，而少有對教師的課堂情緒進行研究。在教學過程中，教師情緒變化最明顯的體現是其面部表情，教師通過面部傳達其課堂教學的情緒，而教師情緒是影響學習者學習的中介變量，會影響學生的動機、認知和行為[8]，進而直接影響教學質量與育人質量[9]。因此，借助人工智能技術采集教師面部數據[10]，獲取教師的情感特征，并反饋給教師，可以幫助教師及時調整課堂教學狀態與教學方法。

本研究采用深度學習YOLO v5 網絡識別教師的面部表情。YOLO v5 網絡是YOLO 系列網絡中現階段較為前沿的一個網絡[11]，YOLO v5 主要由輸入端、Backone、Neck 以及Prediction 四部分組成。其中，Backbone 是一種卷積神經網絡，用于將不同圖像的圖像特征聚攏形成新的圖像特征；Neck 將圖像特征傳遞到預測層的網絡層，用于混合和組合圖像特征；Head 對圖像特征進行預測，生成邊界框并預測類別。此外，YOLO v5 還包含下列基礎組件。CBL：由Conv+BN+Leaky_relu 激活函數組成；Res unit：一種殘差結構，用來構建深層網絡；CSP1_X：借鑒CSPNet 網絡結構，該模塊由CBL 模塊、卷積層以及Res unint 模塊、Concate組成；CSP2_X 通過模仿CSPNet 網絡結構，由卷積層和X個Res unint 模塊Concate 組合而成；Focus：首先將多個slice 結果Concat 起來，然后將其送入CBL 模塊中；SPP：以金字塔池化方式對多尺度特征進行融合。

YOLO v5 算法在數據預處理上進行了改進，將數據集中的任意4 張照片以隨機縮放、裁剪、排布的方式得到一張新圖片，使得圖像的結構變得充實、背景內容更加豐富，這是YOLO v5 算法中用來提升模型的訓練速度和網絡精度的Mosaic 數據增強方式。除了此種方式，YOLO v5 網絡模型還通過自適應錨框計算和自適應圖像縮放方式來輔助網絡訓練。因為本研究收集到的純視頻文件不符合YOLO v5 模型訓練的要求，所以本實驗基于“.avi”視頻文件的特點調用opencv 庫，按照每2s 的間隔對兩份視頻文件進行圖像分割，并將分割完成的圖像文件分別放入兩個獨立的文件夾中用于區分。因為YOLO v5 網絡在訓練時需要對圖像進行標定，所以本研究用Labelimg 軟件對已經分割的圖像進行標定。當前已有研究者分別對教師及學生的面部表情進行分類研究[12]，本研究根據物理課程的性質和教學特點，為視頻中的教師打上這4 種標簽： Excited（激情）、Quiet（冷靜）、Thinking（思考）及Operate（操作演示）。具體如表3 所示。

表3 物理課堂教學教師表情的4 種標簽

接著將標定完的圖像格式轉換成符合YOLO 網絡框架的txt 格式，并放入YOLO v5 模型中訓練，生成權重文件，再將原視頻輸入YOLO v5 網絡中進行測試，進而比較這兩個視頻中4 個標簽出現的次數。

為避免在網絡訓練時出現過擬合的現象，本研究對YOLO v5 網絡訓練的精確度進行了驗證。選擇100 張A教師教學視頻的圖像和100張B教師教學視頻的圖像，利用數據增強的方式（包括旋轉、鏡像、像素降低等）將原圖像數據集擴充為2 000 張圖像。

圖3 展示的是YOLO v5 網絡在訓練時的損失值、精確度和回歸率的變化。前3 列展示的是網絡訓練時訓練集和驗證集在Box、目的性和分類上的損失值變化。因為損失值表示真實值與預測值間的差距，其數值是越小越好，所以，如圖3 所示，本實驗中YOLO v5 網絡的訓練是非常成功的。在深度學習中，精確度展示的是模型網絡預測正確的比值，回歸率展示的是模型能夠對真實數據預測的比值，二者在網絡中都是越大表示模型訓練得越好，因此，本實驗中YOLO v5 網絡不管是在訓練集上還是驗證集上，都有非常優異的表現。綜上所述，本模型對A、B 兩位教師在物理課堂上的面部表情變化能夠做到精確預測。

圖3 YOLO v5 網絡訓練圖

三、基于人工智能的物理課堂教師行為實例分析

（一）S-T 分析及Rt-Ch 課堂類型判定

結合課堂言語與行為分析，采取S-T師生行為分析模型，分別對兩段視頻每隔30s 進行采樣，收集并記錄S、T數據，利用Python 語言編程得到A、B 兩位教師的S-T曲線圖（見圖4）。A 教師課堂教師行為（占有率63%）明顯少于B 教師課堂教師行為（占有率82%），說明B 教師在課堂中占據絕對的主體地位，而A 教師在課堂中并未牢牢地把持話語權，而是給予學生更多思考和表現的機會；A 教師課堂學生行為（占有率37%）明顯多于B 教師課堂學生行為（占有率18%），說明B 教師課堂上學生的表現機會較少，主要都是在傾聽教師的講授，而A 教師課堂上的學生更加積極地參與課堂，主動思考、勇于表達，體現了學生的主體性。

圖4 A 教師（左）和B 教師（右）課堂的Rt-Ch 課堂類型判定圖

根據Rt-Ch課堂類型標準，運算得出A 教師課堂Rt=0.63，Ch=0.38，屬于混合型課堂；B 教師課堂Rt=0.82，Ch=0.25，屬于講授型課堂。其中，A 教師課堂的Ch值大于B 教師的課堂，可見，A 教師課堂中的師生互動行為更多，課堂學習氣氛活躍，更加民主、平等；相對來說，B 教師的課堂上，師生間交流少，課堂氣氛較沉悶。

（二）詞頻及語態分析

通過Python 編程語言，分別對A、B 兩位教師進行詞頻統計。A 教師和B 教師在課堂上輸出頻率最高的詞都是“電流”，然而，A 教師輸出頻次為106，B 教師輸出頻次僅為51；A 教師和B 教師課堂上輸出頻率次高的詞都是“線圈”，但是，A 教師輸出頻次為66，B 教師輸出頻次僅為43。顯然，“電流”和“線圈”都是這兩節課的關鍵詞，但在關鍵詞的重復和聚焦程度上，A 教師比B 教師做得更好，且A 教師無關的口語表達比B 教師要少。

基于人工智能網絡，進一步對教師語態進行分析。首先將已采集到的兩位教師的言語txt 文件基于常用詞標點符號進行語句分割，同時調用jieba 庫分割出兩者的常用詞。接下來，利用Python 語言逐個統計已經得到的語句中的語態詞，根據單個句子中語態詞的多少判定句子的語氣程度，最后輸出每個txt 文件中語氣程度最高的前5 句。與此同時，對照中國語態詞庫，輸出采集到的兩個txt 文件中出現頻率最高的5 個語態詞，得到的結果如下頁表4、表5、表6 所示。

表4 A 教師語態分析的句子結果

表5 B 教師語態分析的句子結果

表6 A、B 教師前五的語態詞

根據分析結果，A、B 教師的課堂作為公開課，在語態的處理上都有一定的規范性，都注重物理實驗教學的引導性。仔細比較發現，B 教師的口頭禪明顯多于A教師，A 教師在語態處理上優于B 教師。結合具體教學內容來看，在“互感與自感”這一節中，教材深入分析了自感現象，總結了自感電動勢的規律及影響因素，其目的是讓學生了解互感現象是常見的電磁感應現象，為之后變壓器的學習做鋪墊。本小節的重難點是自感電動勢方向的判斷和自感現象中實際電流的特點分析。對照表4、表6 可以發現，A 教師多是圍繞“電流的變化”“電流方向的變化”等，從實驗現象到物理概念，循序漸進地引發學生思考，緊扣教學重難點；而對照表5、表6，B 教師的語態引導與提問大多是圍繞教學實驗現象展開的，相較于A 教師，其對重難點的引導較為欠缺。

（三）面部表情分析

本研究對YOLO v5 網絡輸出的視頻文件每2s 提取出單個視頻中的每幀圖像，其中，A 教師共分割得到44 880張圖像，B教師共得到34 659張圖像。通過Labelimg 軟件的標定，將分別帶有Quiet（冷靜）、Excited（激情）、Thinking（思考）以及Operate（操作演示）標簽的圖像放入YOLO v5 網絡。在分析圖像的過程中，本研究發現在單個圖像中會存在兩種不同標簽的現象，所以通過代碼對圖像中的標簽識別結果比例化，以便于對視頻中的結果進行分析，得到的結果如圖5 所示。

圖5 A、B 教師情感百分比對比圖

整體來說，A、B 教師都處于正向情緒狀態。相對而言，A 教師在課堂中情緒更飽滿、更有激情，在課堂中的實驗操作、演示行為也更多，能夠吸引學生學習物理的興趣；而B 教師的課堂情緒相對平靜，操作演示行為也較少。就教學內容來說，“互感與自感”這部分內容作為必修課基礎之上的拓展，是達到促進學生個性發展目標的主要載體和手段。本小節有一定的難度，教師在教學過程中要充分利用實驗教學，循序漸進，引發學生的好奇心和興趣，不能使學生產生對物理學習的畏懼心理和認知障礙。另外，已有研究表明，教師的課堂情緒狀態直接影響教師的課堂教學效果[14]，積極情緒可以擴展人的瞬間思維活動，使思維更加靈活、開放，能夠產生更多的問題解決策略。因此，物理教師在課堂中滿懷激情，有助于課堂教學的邏輯推演和問題解決，有利于發揮教學機制的作用，也為物理教學提供了最佳情緒背景。由此可見，A 教師的教學情緒更能促進學生學習。

綜上，本研究結合人工智能技術對課堂教學視頻中兩位物理教師的行為進行觀測、統計與分析，基于新課程理念下中學課堂教學評價表中關于“教師基本素質”的評價內容（見下頁表7）[15]，得出以下結論。

表7 中學課堂教學中關于教師基本素質的評價內容

從主導作用上看，B教師課堂的話語權被教師掌握，學生行為較少，師生之間交流少，課堂情緒也較為平靜，課堂氣氛較沉悶；而A 教師的課堂更關注教師主導、學生主體，師生互動關系密切，教師的課堂教學情緒也更加飽滿，能夠引發學生學習物理的熱情，學生的行為和思維更加積極，課堂學習氣氛活躍。

從教學技能上看，B 教師在課堂中關注實驗引入教學，但實驗操作和演示較少，語言的無關表達較多；A 教師的課堂教學同樣關注引導學生觀察和解釋實驗現象，其言語更具規范性，緊扣教學重難點。本研究中人工智能技術對教師課堂教學的評價是過程性評價，通過對教師的言語、面部等行為的采集與分析，評價課堂中教師的主導作用、教學技能、課堂氛圍等。但是，目前人工智能多是采用模式識別、圖像識別等技術，還難以判斷具體學科知識和學科教學特色。因此，基于主導作用和教學技能這兩項來看，A 教師的基本素質更好，課堂教學效果更佳，更有利于促進學生的有效學習和認知發展。

四、總結與展望

目前，人工智能視域下基于證據對課堂教學進行可視化、量化分析是教育人工智能下一步推進的重點[15]。本研究通過利用人工智能技術對兩位物理教師的語言、面部表情等行為數據進行采集與識別，運用人工智能算法對所采集的數據加以運算與分析，并結合新課程理念下中學課堂教學中關于教師素質的評價內容，對比分析兩位教師的數據分析結果，輔助評價課堂教學中教師的主導作用、教學能力、教學技能等，幫助教師優化教學過程及改進教學方式。

關于基于人工智能技術對學科教學的研究，國內外已有不少教育工作者進行了理論探索和框架構建[16]，但鮮有具體的實踐分析。本研究立足于物理學科，在人工智能技術結合課堂教學分析的系統框架下，從教師教育的角度出發，以物理教師課堂教學行為為對象，進行了具體的嘗試，幫助教師進行教學反思，實現以促進學生發展為目標的高質量教學。當然，本研究還存在著一定的不足，由于不同學科有著不同的知識體系，基于學科知識圖譜的構建仍是一大挑戰，人工智能技術與具體學科教學的融合還有待進一步深入研究。