基于人工智能的課堂教學(xué)行為分析方法及其應(yīng)用

劉清堂 何皓怡 吳林靜 鄧偉 陳越 王洋 張妮

摘要：隨著人工智能技術(shù)的快速發(fā)展及課堂教學(xué)環(huán)境的改變，使課堂教學(xué)行為的深度分析成為可能。該文在對(duì)人工智能技術(shù)的教育應(yīng)用現(xiàn)狀及課堂教學(xué)行為分析方法的發(fā)展脈絡(luò)進(jìn)行梳理的基礎(chǔ)上，構(gòu)建了以“數(shù)據(jù)采集與存儲(chǔ)”“行為建模與計(jì)算”和“智能服務(wù)”三個(gè)功能模塊為核心的課堂教學(xué)行為智能分析模型，并以課堂S-T行為分析為例驗(yàn)證該分析模型的有效性。將實(shí)驗(yàn)成果應(yīng)用于教學(xué)實(shí)踐中，得到了教師們的認(rèn)可，實(shí)驗(yàn)成果能為教師的教學(xué)反思、教師的專(zhuān)業(yè)發(fā)展及教學(xué)管理提供支持。根據(jù)教師在應(yīng)用過(guò)程中所反饋的意見(jiàn)，還提出了具有針對(duì)性的行為識(shí)別模型優(yōu)化策略。研究成果能為基于人工智能技術(shù)的課堂教學(xué)行為分析研究提供一些借鑒，也能為課堂教學(xué)行為的改善、教師的專(zhuān)業(yè)發(fā)展以及教學(xué)質(zhì)量的提升提供一定的支持。

關(guān)鍵詞：人工智能;課堂教學(xué)行為;智能分析

中圖分類(lèi)號(hào)：G434 文獻(xiàn)標(biāo)識(shí)碼：A

一、引言

人工智能（Artificial Intelligence）是研究、開(kāi)發(fā)用于模擬和延伸人類(lèi)智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的科學(xué)[1]。當(dāng)前，人工智能技術(shù)已滲入人類(lèi)生活的各個(gè)領(lǐng)域，社會(huì)對(duì)人才的需求正在發(fā)生改變，教育的變革也相應(yīng)引發(fā)。美國(guó)《國(guó)家人工智能研發(fā)戰(zhàn)略規(guī)劃》中提到要利用人工智能技術(shù)改進(jìn)教育機(jī)會(huì)，實(shí)施個(gè)性化學(xué)習(xí)和終身學(xué)習(xí)等[2]。我國(guó)《新一代人工智能發(fā)展規(guī)劃》提出要發(fā)展“智能教育”，推動(dòng)人才培養(yǎng)模式和教學(xué)方法改革[3]?！督逃畔⒒?.0行動(dòng)計(jì)劃》提出要推進(jìn)智能教育，開(kāi)展以學(xué)習(xí)者為中心的智能化教學(xué)支持環(huán)境建設(shè)，推動(dòng)人工智能在教學(xué)、管理等方面的全流程應(yīng)用等[4]。

隨著智能教學(xué)環(huán)境的建設(shè)和普及，與之相適應(yīng)的教育教學(xué)模式及課堂教學(xué)行為分析等研究，成為了人們關(guān)注的焦點(diǎn)。進(jìn)行課堂教學(xué)行為分析，探究課堂教學(xué)活動(dòng)促進(jìn)學(xué)生發(fā)展的內(nèi)在機(jī)制，幫助教師反思獲得實(shí)踐性知識(shí)，有利于促進(jìn)課堂教學(xué)質(zhì)量的提升。然而傳統(tǒng)的課堂教學(xué)行為分析方法，多是通過(guò)自我報(bào)告法、人工觀察手動(dòng)編碼等方法采集和分析數(shù)據(jù)，存在著編碼主觀性強(qiáng)，費(fèi)時(shí)費(fèi)力，所獲得樣本量小等缺點(diǎn)，不利于發(fā)現(xiàn)普遍的教學(xué)規(guī)律。智能教學(xué)環(huán)境的日益普及為這些問(wèn)題的解決帶來(lái)了契機(jī)。利用智能技術(shù)自動(dòng)采集和編碼教學(xué)過(guò)程數(shù)據(jù)，能更為全面且及時(shí)地識(shí)別課堂教學(xué)行為，自動(dòng)化地對(duì)課堂教學(xué)行為進(jìn)行分析和可視化呈現(xiàn)，洞悉課堂教學(xué)情境，為教師的專(zhuān)業(yè)發(fā)展和教學(xué)質(zhì)量的提升提供了有力支持。

本文結(jié)合人工智能的特點(diǎn)及課堂教學(xué)行為分析的相關(guān)理論，提出了課堂教學(xué)行為智能分析模型。通過(guò)實(shí)例應(yīng)用進(jìn)行分析和研究，以期為當(dāng)前課堂教學(xué)行為分析研究提供借鑒和參考。

二、相關(guān)研究

（一）人工智能的教育應(yīng)用研究

當(dāng)前，人工智能與教育的融合、發(fā)展研究產(chǎn)生了較多的成果，在應(yīng)用研究方面大致可分為以下四種類(lèi)型：

1.智能在線學(xué)習(xí)平臺(tái)

隨著在線學(xué)習(xí)，特別是MOOC及智能教學(xué)平臺(tái)的快速發(fā)展，在線學(xué)習(xí)平臺(tái)記錄下學(xué)習(xí)者所產(chǎn)生的大量的結(jié)構(gòu)化、半結(jié)構(gòu)化及非結(jié)構(gòu)化數(shù)據(jù)，這些面向教學(xué)系統(tǒng)和學(xué)習(xí)過(guò)程的海量數(shù)據(jù)是進(jìn)行學(xué)習(xí)分析的數(shù)據(jù)來(lái)源?；诮逃髷?shù)據(jù)利用人T智能技術(shù)進(jìn)行學(xué)習(xí)分析，實(shí)時(shí)洞悉學(xué)習(xí)者的學(xué)習(xí)狀態(tài)，進(jìn)而實(shí)施精準(zhǔn)教學(xué)，以適應(yīng)學(xué)習(xí)者各異的學(xué)習(xí)特征，促進(jìn)其個(gè)性化發(fā)展。大量的研究聚焦于學(xué)習(xí)者的在線學(xué)習(xí)心理、行為分析及學(xué)習(xí)績(jī)效預(yù)測(cè)等。如：學(xué)者M(jìn)acfadyen基于在線學(xué)習(xí)平臺(tái)所記錄的學(xué)習(xí)者行為數(shù)據(jù)，對(duì)學(xué)習(xí)者的學(xué)習(xí)績(jī)效進(jìn)行了預(yù)測(cè)[5]。李爽基于在線學(xué)習(xí)平臺(tái)的數(shù)據(jù)，構(gòu)建了學(xué)習(xí)投入評(píng)測(cè)模型，并進(jìn)一步分析了在線學(xué)習(xí)投入與學(xué)習(xí)績(jī)效之間的關(guān)系等[6]。

2.智能教育助理

該領(lǐng)域的研究主要包括智能教學(xué)系統(tǒng)、教育機(jī)器人、學(xué)習(xí)同伴等。智能教學(xué)系統(tǒng)（ITS），是指一個(gè)能夠模擬人類(lèi)教師來(lái)幫助、輔導(dǎo)學(xué)習(xí)者進(jìn)行學(xué)習(xí)的智能系統(tǒng)[7]。其核心組件包括領(lǐng)域知識(shí)模型、學(xué)習(xí)者模型、教學(xué)法模型和人機(jī)接口模型型[8]。學(xué)者Hilles等設(shè)計(jì)開(kāi)發(fā)了智能教學(xué)系統(tǒng)MDB以支持?jǐn)?shù)據(jù)庫(kù)系統(tǒng)課程的學(xué)習(xí)并取得了較好效果[9]。孫波等基于在線學(xué)習(xí)者的面部表情利用智能技術(shù)對(duì)其情感進(jìn)行自動(dòng)識(shí)別，再通過(guò)虛擬教師的情感表達(dá)與學(xué)習(xí)者進(jìn)行互動(dòng)，以實(shí)施學(xué)習(xí)干預(yù)[10]。智能機(jī)器人作為STEM教具能夠有效培養(yǎng)學(xué)生的高階思維能力和實(shí)踐操作能力[11]。綦春霞等利用智慧學(xué)伴，對(duì)學(xué)生的數(shù)學(xué)學(xué)科能力進(jìn)行測(cè)評(píng)、診斷并實(shí)施精準(zhǔn)干預(yù)，以推進(jìn)學(xué)生數(shù)學(xué)學(xué)科能力的持續(xù)進(jìn)階[12]。

3.智慧教室

智慧教室（Smart Classrooms）是在先進(jìn)信息技術(shù)支持下構(gòu)建的個(gè)性化、數(shù)字化、智能化的新型學(xué)習(xí)環(huán)境[13]，具有主動(dòng)感知教學(xué)情境、自動(dòng)采集分析數(shù)據(jù)、適配性推送學(xué)習(xí)資源、學(xué)習(xí)工具多樣化等特征。智慧教室為教師的教學(xué)決策和學(xué)生的學(xué)習(xí)機(jī)會(huì)提供了多元化的、多維度的數(shù)據(jù)支持，是學(xué)生素質(zhì)培養(yǎng)和能力發(fā)展的智能化空間。學(xué)者Angeli等在課堂中利用數(shù)據(jù)挖掘方法對(duì)不同認(rèn)知風(fēng)格的學(xué)習(xí)者的問(wèn)題解決過(guò)程進(jìn)行了對(duì)比分析，該方法可為課堂教學(xué)的研究和教學(xué)設(shè)計(jì)的優(yōu)化提供支持[14]。學(xué)者Holstein等給K12任課教師佩戴混合現(xiàn)實(shí)的智能眼鏡，以增強(qiáng)教師對(duì)學(xué)生的學(xué)習(xí)情況、元認(rèn)知及行為的感知，便于教師對(duì)學(xué)生進(jìn)行實(shí)時(shí)監(jiān)控并提供針對(duì)性指導(dǎo)[15]。國(guó)內(nèi)學(xué)者張俍等基于心理學(xué)、神經(jīng)科學(xué)、信息科學(xué)等學(xué)科理論設(shè)計(jì)了融合多模態(tài)數(shù)據(jù)的“智能課堂”，以此為科學(xué)的教學(xué)評(píng)價(jià)提供實(shí)證基礎(chǔ)，從而能提升教師的課堂表現(xiàn)，推動(dòng)教師教育的變革[16]。陳靚影等基于多模態(tài)自然感知技術(shù)，探究課堂上學(xué)生學(xué)習(xí)興趣的智能化分析方法，該方法能真實(shí)反映學(xué)生的學(xué)習(xí)興趣狀態(tài)，為教師改進(jìn)教學(xué)方法、提高教學(xué)效果提供了可靠依據(jù)及手段[17]。

4.智能校園

智能校園是以網(wǎng)絡(luò)化信息流轉(zhuǎn)為基礎(chǔ)，以人工智能技術(shù)為手段，以集成化教學(xué)資源及應(yīng)用為依托，實(shí)現(xiàn)了校園中師生教學(xué)、管理決策的智能化和科學(xué)化[18]。美國(guó)布拉德利大學(xué)的Uskov教授對(duì)智慧大學(xué)的概念模型進(jìn)行了系統(tǒng)化的設(shè)計(jì)，他認(rèn)為智慧大學(xué)是由具有一定智能水平的智慧教室、智慧學(xué)院、智慧課程、智慧教學(xué)、智慧技術(shù)和其他特殊組件構(gòu)成的一個(gè)智慧系統(tǒng)，并以布拉德利大學(xué)為例介紹了智慧大學(xué)的建設(shè)情況[19]。同時(shí)，Uskov教授還設(shè)計(jì)了智能學(xué)習(xí)分析系統(tǒng)，以提升智慧大學(xué)的智能水平[20]。

綜合以上研究可以發(fā)現(xiàn)，隨著信息技術(shù)的發(fā)展，在線學(xué)習(xí)平臺(tái)、智慧教室、智能校園等學(xué)習(xí)環(huán)境的建設(shè)，為人工智能技術(shù)滲入日常教學(xué)創(chuàng)造了條件。在線學(xué)習(xí)平臺(tái)能較為詳實(shí)的記錄學(xué)習(xí)者的行為數(shù)據(jù)及輸入信息，因其數(shù)據(jù)的易獲取性及結(jié)構(gòu)化程度較高，這為學(xué)習(xí)分析帶來(lái)了便利。在課堂教學(xué)方面，數(shù)字?jǐn)z像、語(yǔ)音識(shí)別、電子書(shū)包、BYOD等技術(shù)的使用，使課堂教學(xué)數(shù)據(jù)的采集實(shí)現(xiàn)了伴隨式、自動(dòng)化和多源化。但是，由于課堂教學(xué)情境的復(fù)雜性，課堂教學(xué)數(shù)據(jù)的非結(jié)構(gòu)化、多源化等特征，增加了數(shù)據(jù)處理和分析的難度。因此，如何基于人工智能的技術(shù)優(yōu)勢(shì)進(jìn)行課堂教學(xué)行為分析仍需要進(jìn)一步的探究。

（二）課堂教學(xué)行為分析方法研究

行為是指為實(shí)現(xiàn)某種意圖而具體進(jìn)行的活動(dòng)[21]。教學(xué)可理解為教師的教和學(xué)生的學(xué)兩方面的統(tǒng)一。課堂教學(xué)行為可包括教師行為、學(xué)生行為和互動(dòng)行為[22]。課堂教學(xué)行為具有情景性和動(dòng)態(tài)性，然而，在一定情境中，課堂教學(xué)行為同時(shí)又具有一定的規(guī)律性。課堂教學(xué)行為研究就是要在零散、具體的課堂教學(xué)行為特征和表現(xiàn)中，探究教學(xué)行為的發(fā)生、發(fā)展規(guī)律，以增強(qiáng)師生在教學(xué)中的行為自覺(jué)，提高教學(xué)行為的效率[23]。課堂教學(xué)行為研究對(duì)促進(jìn)教學(xué)評(píng)價(jià)的客觀性[4]，優(yōu)化教學(xué)設(shè)計(jì)[25]，發(fā)展教師實(shí)踐性知識(shí)[26]等有重要意義。信息技術(shù)的發(fā)展使課堂教學(xué)環(huán)境發(fā)生了改變，課堂教學(xué)行為分析方法亦隨之進(jìn)化。以下以課堂教學(xué)環(huán)境的發(fā)展變化為線索來(lái)看課堂教學(xué)行為分析方法的發(fā)展。

1.傳統(tǒng)課堂教學(xué)環(huán)境階段

此階段的課堂教學(xué)行為分析方法研究多集中于分析量表的編制，觀察者基于相關(guān)量表對(duì)課堂中的教學(xué)行為進(jìn)行手工編碼記錄，再進(jìn)行計(jì)算分析。學(xué)者Anderson對(duì)幼兒教師與兒童的交互行為進(jìn)行研究，研制出了觀測(cè)幼兒教師在教學(xué)過(guò)程中的支配行為和民主行為的量表，并對(duì)兩種行為進(jìn)行計(jì)算比較[27]。弗蘭德斯（Flanders）互動(dòng)分析系統(tǒng)（FIAS）將課堂中教師和學(xué)生的言語(yǔ)行為分為教師言語(yǔ)、學(xué)生言語(yǔ)、靜止或混亂三大類(lèi)共10個(gè)維度，觀察人員選擇適當(dāng)?shù)拇a記錄下師生的言語(yǔ)互動(dòng)行為，形成互動(dòng)分析矩陣，該方法為教師進(jìn)行教學(xué)反思提供了支持[28]。S-T分析方法將課堂教學(xué)行為分為學(xué)生（S）行為和教師（T）行為兩類(lèi)，通過(guò)觀察課堂教學(xué)過(guò)程，以一定時(shí)間間隔進(jìn)行采樣、編碼，形成S-T時(shí)序數(shù)據(jù)，繪制S-T曲線并計(jì)算確定課堂教學(xué)模式[29]。

2.信息化教學(xué)環(huán)境階段

隨著信息技術(shù)特別是多媒體技術(shù)的發(fā)展，給課堂教學(xué)帶來(lái)了更為豐富的媒體展示和信息交互，同時(shí)也帶動(dòng)了課堂教學(xué)行為分析新方法和新工具的產(chǎn)生和應(yīng)用。為適應(yīng)信息化教學(xué)環(huán)境下的課堂教學(xué)行為分析，學(xué)者們?cè)O(shè)計(jì)了融人信息技術(shù)特征的編碼系統(tǒng);同時(shí)，課堂教學(xué)行為分析軟件的開(kāi)發(fā)和引入，有效提升了分析的效率。學(xué)者顧小清等基于弗蘭德斯（Flanders）互動(dòng)分析系統(tǒng)，增加了師生與技術(shù)互動(dòng)的維度，設(shè)計(jì)了基于信息技術(shù)的互動(dòng)分析編碼系統(tǒng)（TTlAS）[30]。穆肅等結(jié)合信息技術(shù)課堂中師生教學(xué)行為的特點(diǎn)，提出了課堂教學(xué)行為分析系統(tǒng)（TBAS）及系列分析方法[31]。李靜等利用NVIVO軟件，以信息化教學(xué)環(huán)境下的授課視頻為研究對(duì)象，基于質(zhì)性分析的視角對(duì)課堂教學(xué)行為進(jìn)行研究[32]。王艷麗等開(kāi)發(fā)了課堂教學(xué)行為采集與分析軟件，提高了數(shù)據(jù)采集和分析的效率[33]。

3.智慧教室階段

智慧教室環(huán)境下，為自動(dòng)化和智能化的采集和分析數(shù)據(jù)創(chuàng)造了條件，研究者們基于多源數(shù)據(jù)及智能算法，從多種教學(xué)行為切人開(kāi)展識(shí)別模型的構(gòu)建及分析方法研究，進(jìn)一步豐富了課堂教學(xué)行為分析的內(nèi)容和方法，同時(shí)分析的效率也得到了極大提升。學(xué)者Liu等利用移動(dòng)腦波傳感器采集學(xué)習(xí)者的腦電信號(hào)，采用支持向量機(jī)分類(lèi)器分析計(jì)算腦電特征并判斷學(xué)習(xí)者的注意力情況取得了較高的準(zhǔn)確率，這為教師的實(shí)時(shí)教學(xué)干預(yù)提供了支持[34]。學(xué)者Whitehill等開(kāi)發(fā)了自動(dòng)化的課堂學(xué)習(xí)參與度識(shí)別器，該工具采用機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)了對(duì)學(xué)習(xí)者面部表情的自動(dòng)采集和計(jì)算，推斷出學(xué)習(xí)者的參與度情況，以增強(qiáng)教師對(duì)學(xué)習(xí)者參與度的瞬時(shí)感知[35]。韓麗等建立了認(rèn)知行為與學(xué)生頭部姿態(tài)及面部表情行為的特征關(guān)系，并在此基礎(chǔ)上構(gòu)建了基于人臉檢測(cè)與表情分析的課堂教學(xué)評(píng)價(jià)系統(tǒng)，分析與評(píng)價(jià)了學(xué)生對(duì)課堂教學(xué)的關(guān)注度、參與度以及活躍度[36]。曹曉明等采用深度學(xué)習(xí)的方法，融合多模態(tài)數(shù)據(jù)，構(gòu)建了學(xué)生學(xué)習(xí)參與度識(shí)別模型[37]。

綜上所述，隨著信息技術(shù)的發(fā)展，課堂教學(xué)行為分析技術(shù)正走向自動(dòng)化和智能化，這使得課堂教學(xué)評(píng)價(jià)的常態(tài)化和規(guī)?；蔀榭赡?，為課堂教學(xué)規(guī)律的研究和學(xué)習(xí)本質(zhì)的探尋提供了強(qiáng)有力的支持。然而，智慧教室是一個(gè)既先進(jìn)而又復(fù)雜的教學(xué)環(huán)境，目前多數(shù)研究還處在實(shí)驗(yàn)測(cè)試階段。通過(guò)教學(xué)視頻來(lái)分析教學(xué)行為，因其低成本和易用性的特點(diǎn)，受到了研究者們的青睞，可這對(duì)圖像抓取、特征選擇、數(shù)據(jù)處理、計(jì)算和分析提出了更高的要求。如何在復(fù)雜的教學(xué)情境中提取有價(jià)值的信息，以提升課堂教學(xué)行為分析的客觀性和科學(xué)性還需進(jìn)一步的研究。

三、課堂教學(xué)行為智能分析模型研究

智慧教學(xué)環(huán)境下的課堂教學(xué)行為分析是目前關(guān)注的熱點(diǎn)研究領(lǐng)域，期待利用學(xué)習(xí)分析和大數(shù)據(jù)的方法揭示課堂教學(xué)的一般規(guī)律。課堂教學(xué)行為分析涉及到教師行為、學(xué)生行為、師生互動(dòng)行為等，同時(shí)需要綜合考慮課堂教學(xué)內(nèi)容（知識(shí)點(diǎn)）、智慧教學(xué)情境以及師生情感變化等，迫切需要研究課堂教學(xué)行為的數(shù)據(jù)采集、行為表征與分析、應(yīng)用效果揭示與闡釋等。綜合前人的研究和自身的實(shí)踐，本文提出了課堂教學(xué)行為智能分析模型，如圖1所示。

該模型以課堂教學(xué)為中心，在教育教學(xué)理論和人工智能技術(shù)、標(biāo)準(zhǔn)，以及信息安全和隱私保護(hù)相關(guān)規(guī)范指導(dǎo)下，進(jìn)行課堂教學(xué)數(shù)據(jù)從采集、處理、存儲(chǔ)、建模分析到應(yīng)用反饋的一體化流程，力求充分發(fā)揮課堂教學(xué)數(shù)據(jù)的實(shí)際應(yīng)用價(jià)值，提升課堂教學(xué)行為分析的科學(xué)性，最終提升教學(xué)質(zhì)量。以下對(duì)各模塊具體功能進(jìn)行介紹。

（一）數(shù)據(jù)采集與存儲(chǔ)模塊

本模塊主要依據(jù)相關(guān)教育教學(xué)理論及建立的課堂教學(xué)行為分析指標(biāo)體系，利用相關(guān)設(shè)備進(jìn)行數(shù)據(jù)采集。為了不對(duì)課堂教學(xué)造成干擾以獲取真實(shí)數(shù)據(jù)，盡量采用非入侵、伴隨式的數(shù)據(jù)采集方式，獲取的數(shù)據(jù)存儲(chǔ)到相應(yīng)的數(shù)據(jù)庫(kù)中。采集的數(shù)據(jù)主要分為4種類(lèi)型：圖像數(shù)據(jù)、語(yǔ)音數(shù)據(jù)、生理信號(hào)數(shù)據(jù)和其他數(shù)據(jù)。圖像數(shù)據(jù)主要是利用安裝在教室各個(gè)方位的攝像頭等來(lái)進(jìn)行采集，可采集教師、學(xué)生、電子白板和黑板等的圖像數(shù)據(jù)。語(yǔ)音數(shù)據(jù)主要通過(guò)教室安裝的拾音器、教師佩戴的麥克風(fēng)等來(lái)進(jìn)行采集。生理信號(hào)數(shù)據(jù)則是利用可穿戴設(shè)備來(lái)進(jìn)行采集，采集的信號(hào)包括：腦電、皮膚電、心率、血壓、呼吸、皮膚溫度、肌電、眼電信號(hào)等。其他數(shù)據(jù)包括教學(xué)過(guò)程中的文本數(shù)據(jù)、基于移動(dòng)終端的師生互動(dòng)答題數(shù)據(jù)等，可利用相關(guān)工具進(jìn)行采集。對(duì)數(shù)據(jù)進(jìn)行相應(yīng)的預(yù)處理，如：截取圖像、設(shè)置圖像大小和轉(zhuǎn)換格式等;對(duì)語(yǔ)音數(shù)據(jù)及生理信號(hào)數(shù)據(jù)去除噪聲、變換格式等。

行為識(shí)別與計(jì)算模型的構(gòu)建，離不開(kāi)高質(zhì)量訓(xùn)練集和測(cè)試集的支撐。建立行為和情感數(shù)據(jù)庫(kù)是進(jìn)行行為識(shí)別的基礎(chǔ)。一個(gè)真實(shí)、自然、可靠的教學(xué)行為和情感數(shù)據(jù)庫(kù)有利于教學(xué)行為特征的分析和提取，有利于提高行為識(shí)別的準(zhǔn)確性。因此在構(gòu)建教學(xué)行為和情感數(shù)據(jù)庫(kù)來(lái)進(jìn)行模型的訓(xùn)練和驗(yàn)證時(shí)，應(yīng)該考慮使用數(shù)據(jù)的自然度、清晰度、準(zhǔn)確度及平衡性等問(wèn)題。自然度主要是指數(shù)據(jù)反映的教學(xué)行為和情感是自發(fā)表現(xiàn)的，符合日常表達(dá)習(xí)慣，行為類(lèi)型多樣，人物多樣（不同性別、年齡），具有較好實(shí)用性。清晰度是指圖像清晰分辨率高，語(yǔ)音咬字清晰并較少摻雜噪聲，盡量減少生理信號(hào)采集過(guò)程中產(chǎn)生的噪聲等。準(zhǔn)確度是指該數(shù)據(jù)能準(zhǔn)確標(biāo)注反映所要求情感或行為，如：可通過(guò)對(duì)標(biāo)注人員進(jìn)行培訓(xùn)來(lái)提升準(zhǔn)確度。數(shù)據(jù)平衡性是指樣本數(shù)目在各個(gè)類(lèi)別之間的分布大致相等?？赏ㄟ^(guò)建立行為和情感數(shù)據(jù)庫(kù)評(píng)價(jià)指標(biāo)體系來(lái)對(duì)數(shù)據(jù)庫(kù)進(jìn)行量化評(píng)價(jià)，以保證其質(zhì)量等。

（二）行為建模與計(jì)算模塊

該模塊主要是基于教育教學(xué)相關(guān)理論及課堂教學(xué)行為分析理論，并結(jié)合課堂教學(xué)的具體情境和人工智能技術(shù)的特點(diǎn)，構(gòu)建教學(xué)行為識(shí)別與計(jì)算模型并進(jìn)行行為計(jì)算，其流程可劃分為：教學(xué)行為機(jī)理研究、指標(biāo)構(gòu)建、獲取數(shù)據(jù)、特征提取和選擇、行為識(shí)別與計(jì)算。

教學(xué)行為機(jī)理研究主要是以課堂教學(xué)行為分析理論、認(rèn)知科學(xué)、教育心理學(xué)、行為心理學(xué)等為理論基礎(chǔ)，研究認(rèn)知與教學(xué)行為及教學(xué)行為與人類(lèi)動(dòng)作、生理特征等之間的關(guān)系。只有掌握了課堂教學(xué)行為的意義及其表現(xiàn)特征，才能明確采集什么樣的數(shù)據(jù)及如何提取相關(guān)信息來(lái)進(jìn)行分析。

指標(biāo)構(gòu)建則是在教學(xué)行為機(jī)理研究的基礎(chǔ)上，結(jié)合人工智能技術(shù)特點(diǎn)，構(gòu)建教學(xué)行為與人物動(dòng)作、姿態(tài)、表情等特征之間的對(duì)應(yīng)關(guān)系，形成相應(yīng)的指標(biāo)體系，使教學(xué)行為的測(cè)量更具有可操作性，以指導(dǎo)數(shù)據(jù)采集、特征提取和選擇、行為識(shí)別與計(jì)算等。如在分析學(xué)生學(xué)習(xí)興趣時(shí)，將學(xué)生學(xué)習(xí)興趣分為認(rèn)知注意力、學(xué)習(xí)情感和思維活躍度3個(gè)維度，其中認(rèn)知注意力的測(cè)量指標(biāo)為學(xué)生注視黑板的時(shí)長(zhǎng)，學(xué)習(xí)情感的測(cè)量指標(biāo)為注意力集中時(shí)的笑臉時(shí)長(zhǎng)，思維活躍度則是通過(guò)答題正確率和答題頻率來(lái)進(jìn)行測(cè)量[38]。

數(shù)據(jù)獲取主要是從圖像、語(yǔ)音、文本、生理信號(hào)等數(shù)據(jù)庫(kù)中獲取數(shù)據(jù)，以進(jìn)行處理和分析。

特征提取和選擇主要是從視頻、圖像、語(yǔ)音、文本及生理信號(hào)等數(shù)據(jù)中獲取能夠表征行為類(lèi)別的相關(guān)特征信息，該步驟可包括特征標(biāo)準(zhǔn)化、特征層融合等操作，以為行為識(shí)別提供具有良好區(qū)分性的特征。特征提取在人臉識(shí)別、數(shù)據(jù)可視化、模式識(shí)別等領(lǐng)域有廣泛的應(yīng)用，但該技術(shù)難以解釋新特征與樣本類(lèi)別之間的相關(guān)關(guān)系[39]。特征選擇是指從原始屬性中選取最小數(shù)量的特征子集，特征子集內(nèi)的屬性與樣本類(lèi)別具有較大相關(guān)性，屬性與屬性之間有較大獨(dú)立性[40]。在進(jìn)行特征的選擇時(shí)，可利用皮爾遜統(tǒng)計(jì)量、信息增益等方法來(lái)度量和評(píng)估特征與類(lèi)別之間的相關(guān)度，以及特征之間的相關(guān)度。另外，深度學(xué)習(xí)方法可實(shí)現(xiàn)白下而上的無(wú)監(jiān)督的特征自動(dòng)提取，在樣本量較多的情況下采用此方法獲取特征，無(wú)需過(guò)多的人為干預(yù)，也得到較多研究者的青睞。

行為識(shí)別與計(jì)算是利用相關(guān)算法根據(jù)輸入的特征信息進(jìn)行教學(xué)行為類(lèi)別的判斷和計(jì)算，內(nèi)容包括決策層融合、情感識(shí)別、教學(xué)行為分類(lèi)、師生行為比例計(jì)算、教學(xué)模式判斷等。行為識(shí)別與計(jì)算模型的構(gòu)建需反復(fù)調(diào)試與比較，以提升其計(jì)算性能和精度。當(dāng)行為識(shí)別與計(jì)算模型構(gòu)建成功后，便可實(shí)現(xiàn)自動(dòng)化的以教學(xué)行為多模態(tài)數(shù)據(jù)作為輸入變量進(jìn)行計(jì)算，輸出相應(yīng)的教學(xué)行為狀態(tài)結(jié)果，計(jì)算結(jié)果應(yīng)用于智能服務(wù)模塊，為教師、學(xué)生、管理者等提供教學(xué)支持服務(wù)。

（三）智能服務(wù)模塊

課堂教學(xué)行為智能分析的結(jié)果主要服務(wù)于課堂教學(xué)分析、教師教學(xué)分析和教學(xué)管理分析與決策三個(gè)方面。在課堂教學(xué)過(guò)程中，智能分析與計(jì)算結(jié)果的實(shí)時(shí)可視化呈現(xiàn)，增強(qiáng)了教師的課堂教學(xué)感知，輔助教師進(jìn)行課堂教學(xué)的形成性評(píng)價(jià)，及時(shí)調(diào)整教學(xué)策略，提供有針對(duì)性的學(xué)習(xí)支持服務(wù)，實(shí)現(xiàn)“因材施教”。在教師教學(xué)分析方面，教師和教研室利用沉積下來(lái)的課堂教學(xué)行為分析數(shù)據(jù)，與學(xué)生的人口統(tǒng)計(jì)學(xué)信息及學(xué)習(xí)績(jī)效相關(guān)聯(lián)，發(fā)現(xiàn)影響學(xué)生學(xué)習(xí)績(jī)效的相關(guān)因素，便于教師精準(zhǔn)施教。基于計(jì)算結(jié)果自動(dòng)生成的課堂記錄表及教師成長(zhǎng)曲線等，能跟蹤教師教學(xué)能力變化，為教師的教學(xué)反思提供支架，以進(jìn)一步改善課堂教學(xué)，提升教學(xué)質(zhì)量，促進(jìn)教師專(zhuān)業(yè)發(fā)展。在教學(xué)管理分析與決策方面，可在相關(guān)平臺(tái)上匯聚整合轄區(qū)內(nèi)課堂教學(xué)分析的數(shù)據(jù)，學(xué)?；騾^(qū)域管理者基于該數(shù)據(jù)進(jìn)行宏觀層面的教育分析與決策，使教學(xué)管理的效率和科學(xué)化水平得以提升。在以上各方面的應(yīng)用過(guò)程中，對(duì)出現(xiàn)的問(wèn)題以及提出的建議形成反饋，繼續(xù)對(duì)計(jì)算模型進(jìn)行改進(jìn)和完善。

（四）教育教學(xué)理論與人工智能技術(shù)、標(biāo)準(zhǔn)

由于教育系統(tǒng)的復(fù)雜性，給人工智能技術(shù)與教育的融合提出了挑戰(zhàn)，需在教育教學(xué)理論的指導(dǎo)下，智能化地應(yīng)對(duì)教學(xué)系統(tǒng)的多樣性和復(fù)雜性。在對(duì)教學(xué)行為進(jìn)行數(shù)據(jù)刻畫(huà)時(shí)，既要針對(duì)不同的學(xué)習(xí)場(chǎng)景和學(xué)習(xí)過(guò)程，還需考慮教學(xué)行為數(shù)據(jù)來(lái)源的多樣性和異構(gòu)性，研制相應(yīng)的標(biāo)準(zhǔn)規(guī)范對(duì)師生不同的教學(xué)行為進(jìn)行量化與分析。在教育實(shí)踐中總結(jié)研究，促進(jìn)相關(guān)理論創(chuàng)新和技術(shù)變革，提升課堂教學(xué)行為分析的科學(xué)性和客觀性，以提升教學(xué)效能。

（五）信息安全和隱私保護(hù)

技術(shù)是把雙刃劍，隨著人工智能技術(shù)與學(xué)校教育的不斷融合深化，大量的教育數(shù)據(jù)被采集、挖掘、整合和共享，教學(xué)場(chǎng)域被逐步量化，教師和學(xué)生因被數(shù)據(jù)化構(gòu)建而變得更為“透明”，這為教學(xué)研究和教學(xué)服務(wù)帶來(lái)巨大便利，同時(shí)也存在著信息泄露的風(fēng)險(xiǎn)和危害。因此，在數(shù)據(jù)的采集、分析和應(yīng)用的過(guò)程中，要加強(qiáng)信息安全和隱私保護(hù)，遵守相應(yīng)的法律法規(guī)和倫理規(guī)范，提高教師的數(shù)據(jù)素養(yǎng)。

四、課堂教學(xué)行為智能分析模型的應(yīng)用探討

對(duì)課堂教學(xué)師生的交互行為進(jìn)行分析和研究，可為教師開(kāi)展協(xié)同教研、教學(xué)反思提供支持，現(xiàn)有的分析方法已有很多。S-T（Student-Teacher）分析方法[41]，是常用的課堂交互行為分析方法，其將教學(xué)行為分為T(mén)行為（教師行為）和S行為（學(xué)生行為）兩類(lèi)，這使得教學(xué)過(guò)程中的行為編碼變得清晰而簡(jiǎn)單，提高了分類(lèi)的可靠性和客觀性。傳統(tǒng)的S-T分析方法多采用的是人工觀察手動(dòng)編碼的方式進(jìn)行。隨著智能技術(shù)的發(fā)展，教學(xué)環(huán)境的改變，使課堂教學(xué)行為分析實(shí)現(xiàn)自動(dòng)化、常態(tài)化、規(guī)模化成為可能。下面以S-T分析為例，闡述課堂教學(xué)行為智能分析模型的應(yīng)用過(guò)程。

（一）數(shù)據(jù)采集與存儲(chǔ)

1.數(shù)據(jù)的采集

本研究中，課堂教學(xué)數(shù)據(jù)的采集采用了非入侵、伴隨式的數(shù)據(jù)采集方式。利用教室中安裝的多路高清攝像機(jī)采集課堂上教師和學(xué)生的圖像，利用麥克風(fēng)采集語(yǔ)音數(shù)據(jù)，并通過(guò)錄播系統(tǒng)自動(dòng)合成為教學(xué)視頻，存人視頻數(shù)據(jù)庫(kù)中。本研究采集了10個(gè)中小學(xué)課堂教學(xué)現(xiàn)場(chǎng)視頻作為訓(xùn)練集和測(cè)試集。

2.構(gòu)建課堂教學(xué)行為圖像數(shù)據(jù)庫(kù)

通過(guò)視頻圖像捕獲軟件，設(shè)置每5秒鐘采樣一幀圖像，采集上述10個(gè)課堂教學(xué)視頻中的圖像，共獲得5360幅圖像，并標(biāo)注圖像的行為類(lèi)別（11行為或S行為）。為保證圖像標(biāo)注的準(zhǔn)確度，本研究選擇了10名研究生作為圖像標(biāo)注人員，并制定相關(guān)標(biāo)注規(guī)則，對(duì)標(biāo)注人員進(jìn)行培訓(xùn)后，完成標(biāo)注。將標(biāo)注好的圖像數(shù)據(jù)70%作為訓(xùn)練集和30%作為測(cè)試集，分別存人訓(xùn)練圖像庫(kù)和測(cè)試圖像庫(kù)。

（二）行為建模與計(jì)算

1.教學(xué)行為機(jī)理研究

教學(xué)過(guò)程中的S-T行為分析，T行為主要包括教師的解說(shuō)、示范、板書(shū)、媒體演示、提問(wèn)、點(diǎn)名和巡視等。S行為可定義為除T行為以外的所有行為，包括學(xué)生發(fā)言、思考、筆記、作業(yè)等?；赟-T分析方法對(duì)課堂教學(xué)場(chǎng)景進(jìn)行采樣并記錄，形成反映教學(xué)行為分布的量化數(shù)據(jù)，計(jì)算并繪制S-T曲線和Rt-Ch圖，據(jù)此可以分析該節(jié)課師生交互的情況及所采用的教學(xué)模式，輔助教師進(jìn)行教學(xué)研討和反思。

2.指標(biāo)構(gòu)建

基于S-T行為分析理論及其人工智能技術(shù)的特點(diǎn)，主要對(duì)課堂教學(xué)圖像中的T行為進(jìn)行識(shí)別。根據(jù)人臉檢測(cè)、輪廓檢測(cè)等技術(shù)的特點(diǎn)及其對(duì)教學(xué)場(chǎng)景圖像特征的識(shí)別，建立教學(xué)行為與圖像特征之間的對(duì)應(yīng)關(guān)系，設(shè)計(jì)了S-T行為分析特征指標(biāo)，如下頁(yè)表1所示。

在表1中，可將教師行為T(mén)用圖像中的人臉數(shù)目、輪廓數(shù)目、圖像最大輪廓面積和幀間差分圖最大輪廓面積四個(gè)特征來(lái)表示。行為T(mén)1為教師解說(shuō)、課件播放或板書(shū)，教師背對(duì)或側(cè)對(duì)學(xué)生，教學(xué)視頻中沒(méi)有人臉，可用人臉檢測(cè)數(shù)目為0和輪廓數(shù)目較少來(lái)進(jìn)行推測(cè)。行為T(mén)2為教師解說(shuō)示范、提問(wèn)或點(diǎn)名，視頻中出現(xiàn)教師正面人臉且教師背景環(huán)境簡(jiǎn)單，可用人臉檢測(cè)數(shù)目為1和圖像最大輪廓面積較大來(lái)進(jìn)行推測(cè)。行為T(mén)3為教師解說(shuō)，視頻中表現(xiàn)為學(xué)生聽(tīng)課抬頭看黑板，人臉數(shù)目和輪廓數(shù)目較多。行為T(mén)4為教師在學(xué)生中巡視、講授，主體動(dòng)作幅度較大時(shí)，利用幀差法將當(dāng)前樣本圖像與前一樣本圖像的像素點(diǎn)的灰度值進(jìn)行做差計(jì)算，得到幀間差分圖像并計(jì)算其最大輪廓面積，如其大于某閾值可判斷有物體移動(dòng)，并且背景有學(xué)生時(shí)，輪廓數(shù)目較多。學(xué)生行為S為除T行為以外的所有行為。

3.獲取數(shù)據(jù)

從訓(xùn)練圖像庫(kù)、測(cè)試圖像庫(kù)或視頻數(shù)據(jù)庫(kù)中獲取數(shù)據(jù)，以進(jìn)行處理和分析。

4.特征提取和選擇

根據(jù)提出的S-T行為分析特征指標(biāo)，需要從圖像中獲取人臉數(shù)目、輪廓數(shù)目、圖像最大輪廓面積和幀間差分圖最大輪廓面積共4種用于S-T行為分類(lèi)的特征。OpenCV是一個(gè)開(kāi)放源代碼的計(jì)算機(jī)視覺(jué)類(lèi)庫(kù)[42]，本研究采用OpenCV提供的相關(guān)算法獲取圖像特征再進(jìn)行特征選擇。

（1）通過(guò)人臉檢測(cè)獲取圖像中人臉數(shù)目。人臉檢測(cè)需要提取人臉特征，OpenCV提供了HOG、Haar、LBP等多種特征提取技術(shù)。本研究采用OpenCV自帶的人臉檢測(cè)器，通過(guò)在訓(xùn)練集中進(jìn)行實(shí)驗(yàn)對(duì)比，Haar人臉檢測(cè)器獲得了較高準(zhǔn)確率，得以在本研究中使用。

（2）通過(guò)輪廓檢測(cè)獲取圖像中輪廓數(shù)目及最大輪廓面積。輪廓檢測(cè)是從圖像中找出顯著性物體并提取物體輪廓。通過(guò)對(duì)樣本圖像進(jìn)行分析后發(fā)現(xiàn)，教師行為狀態(tài)圖像背景較為簡(jiǎn)單，輪廓數(shù)目較少，輪廓面積較大且清晰。因此，可將輪廓檢測(cè)結(jié)果f輪廓數(shù)目和面積）作為S-T行為類(lèi)型判定的因素之一。本研究中圖像輪廓檢測(cè)的步驟如圖2所示，首先采用中值濾波對(duì)原始圖像進(jìn)行降噪、去噪，得到較為平滑的圖像;然后對(duì)圖像進(jìn)行二值化處理，以凸顯物體輪廓;最后對(duì)二值化圖像進(jìn)行輪廓檢測(cè)，同時(shí)過(guò)濾掉面積較小輪廓，對(duì)輪廓的數(shù)目與面積進(jìn)行統(tǒng)計(jì)并保存，提取最大輪廓面積。

（3）采用幀差法進(jìn)行主體動(dòng)作檢測(cè)獲取幀間差分圖最大輪廓面積。幀差法即幀間差分法，它利用連續(xù)或相隔一定時(shí)間的幀間差分來(lái)確定圖像中的變化區(qū)域，從而判斷運(yùn)動(dòng)目標(biāo)[43]。本研究中幀差法計(jì)算步驟如圖3所示，將相鄰兩個(gè)樣本圖像進(jìn)行差分運(yùn)算得到幀間差分圖像，然后對(duì)幀間差分圖像進(jìn)行二值化處理及輪廓檢測(cè)，即可將運(yùn)動(dòng)目標(biāo)檢測(cè)出來(lái)。課堂情境下，幀間差分圖像中最大輪廓面積的取值較大時(shí)，即可判斷為教師在課堂中巡視、授課。

（4）特征相關(guān)性檢驗(yàn)。本研究利用Weka軟件對(duì)從訓(xùn)練集圖像中所提取的圖像特征進(jìn)行評(píng)估，判斷其與教學(xué)行為類(lèi)別之間的相關(guān)性，對(duì)各特征值進(jìn)行歸一化處理后，計(jì)算結(jié)果如表2所示。

計(jì)算所有單個(gè)特征與教學(xué)行為類(lèi)別之間的皮爾遜相關(guān)系數(shù)，并根據(jù)系數(shù)的大小對(duì)特征進(jìn)行排序，系數(shù)值越大表示該特征與教學(xué)行為類(lèi)別之間的相關(guān)性越強(qiáng)。表2中的4項(xiàng)特征都取得較大數(shù)值，因此可將其作為建立行為識(shí)別模型的自變量。

5.行為識(shí)別與計(jì)算

（1）構(gòu)建行為識(shí)別模型，對(duì)教學(xué)行為類(lèi)別進(jìn)行判斷。以提取到的圖像特征信息及分類(lèi)結(jié)果作為輸入訓(xùn)練并評(píng)估分類(lèi)器，以獲得針對(duì)本數(shù)據(jù)集的最優(yōu)分類(lèi)器。所選擇算法訓(xùn)練得出的分類(lèi)器性能比較如表3所示。通過(guò)比較發(fā)現(xiàn)，決策樹(shù)分類(lèi)器的精確率較高，可作為針對(duì)本數(shù)據(jù)集的最優(yōu)分類(lèi)器。

（2）師生行為統(tǒng)計(jì)及教學(xué)模式判定。利用訓(xùn)練得到的分類(lèi)器，輸入圖像特征信息，對(duì)教師行為和學(xué)生行為進(jìn)行識(shí)別。利用識(shí)別的結(jié)果計(jì)算生成師生互動(dòng)曲線并判定課堂教學(xué)模式。設(shè)定教師行為m的個(gè)數(shù)為Nt，學(xué)生行為（S）的個(gè)數(shù)為Ns，連續(xù)同一行為的連數(shù)為g，公式（1）計(jì)算的是課堂中教師行為占有率Rt，公式（2）則計(jì)算師生行為轉(zhuǎn)換率Ch：

然后，可利用Rt、Ch值判定課堂教學(xué)模式，如表4所示。

（三）智能服務(wù)

1.服務(wù)與反饋

該實(shí)驗(yàn)程序應(yīng)用于實(shí)際教學(xué)當(dāng)中，實(shí)現(xiàn)了對(duì)課堂教學(xué)視頻進(jìn)行自動(dòng)化計(jì)算分析，為教師的教學(xué)反思提供了支架。如圖4所示，展示了某校小學(xué)語(yǔ)文《雪地里的小畫(huà)家》一課的師生互動(dòng)情況，最右側(cè)顯示的是通過(guò)計(jì)算得出的教師行為占有率Rt、學(xué)生行為占有率、師生行為轉(zhuǎn)化率Ch及判斷得出的教學(xué)模式;最左側(cè)顯示了自動(dòng)繪制的S-T曲線;中間呈現(xiàn)的Rt-Ch圖反映了本次課的教學(xué)模式類(lèi)型為講授型。該實(shí)驗(yàn)成果在應(yīng)用過(guò)程中得到了教師的認(rèn)可，新方法減輕了教師統(tǒng)計(jì)數(shù)據(jù)的工作量，讓教師能更專(zhuān)注于課堂教學(xué)的反思和評(píng)價(jià);同時(shí)該方法使課堂教學(xué)行為分析實(shí)現(xiàn)常態(tài)化、規(guī)?；蔀榭赡?，累積下來(lái)的數(shù)據(jù)有利于教師通過(guò)橫向和縱向的對(duì)比分析，發(fā)現(xiàn)自身不足，加速個(gè)人成長(zhǎng)，也能為教學(xué)管理者的決策提供數(shù)據(jù)支撐。另外，教師們也提供了反饋意見(jiàn)，希望軟件能自動(dòng)識(shí)別出更多的課堂教學(xué)行為，并且如能提供課堂教學(xué)視頻的相關(guān)背景信息，如教師的相關(guān)信息、學(xué)情信息、教學(xué)設(shè)計(jì)等，則更有利于對(duì)課堂教學(xué)行為進(jìn)行對(duì)比和分析。

2.反思與對(duì)策

根據(jù)應(yīng)用過(guò)程中所獲得的反饋和意見(jiàn)，進(jìn)行總結(jié)和反思，提出改進(jìn)策略以求進(jìn)一步滿(mǎn)足實(shí)際應(yīng)用需求。首先，需繼續(xù)增加樣本量，補(bǔ)充多種類(lèi)型的課堂教學(xué)樣本，提升樣本數(shù)據(jù)的自然度和平衡性，這將有利于特征選擇和模型訓(xùn)練。其次，優(yōu)化技術(shù)和方法，繼續(xù)挖掘和融人更多的行為識(shí)別特征（如：頭部姿態(tài)特征、語(yǔ)音特征、生理信號(hào)特征等），采用多模態(tài)信息融合的方法提升行為識(shí)別的精確度、多樣化及細(xì)粒度;同時(shí)，還要優(yōu)化特征提取方法提高檢測(cè)準(zhǔn)確率和魯棒性，以提升行為識(shí)別模型的泛化能力。最后，進(jìn)行教學(xué)行為分析和統(tǒng)計(jì)時(shí)能關(guān)聯(lián)教學(xué)情境等相關(guān)信息，深入挖掘教學(xué)行為產(chǎn)生的內(nèi)在含義，以求更好的服務(wù)于教學(xué);同時(shí)，還需注意隱私保護(hù)，防止教師和學(xué)生的個(gè)人信息泄露。

五、結(jié)語(yǔ)

人工智能技術(shù)讓我們能以一種新的方式來(lái)看待課堂和教學(xué)，帶來(lái)了新的教育理念和教學(xué)評(píng)價(jià)方式。教學(xué)過(guò)程及情境的分析和優(yōu)化，得以在新技術(shù)的支持下進(jìn)行思考和論證，使得教育決策更具有科學(xué)性和合理性。本文對(duì)當(dāng)前人工智能技術(shù)在課堂教學(xué)行為分析中的應(yīng)用進(jìn)行了研究和探索，構(gòu)建了課堂教學(xué)行為智能分析模型并將其應(yīng)用于實(shí)踐，取得了一定的效果，在應(yīng)用過(guò)程中所獲得的反饋意見(jiàn)，又為進(jìn)一步優(yōu)化教學(xué)行為分析模型指出了方向。期望本文提出的方法和案例能為基于人工智能技術(shù)的課堂教學(xué)行為分析研究提供一些參考和借鑒。

參考文獻(xiàn)：

[1]劉清堂，毛剛等.智能教學(xué)技術(shù)的發(fā)展與展望[J].中國(guó)電化教育，2016，（6）：8-15.

[2] National Science and Technology Council.The national artificialintelligence research and development strategic plan[EB/OL].https：//www.nitrd.gov/news/national_ai_rd_strategic_plan.aspx，2016-10-20.

[3]國(guó)務(wù)院關(guān)于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知[EB/OL].http：//www.gov.cn/zhenge e/content/2017-07/20/content_5211 996.htm，2017-07-20.

[4]教育部關(guān)于印發(fā)《教育信息化2.0行動(dòng)計(jì)劃》的通知[EB/OL].http：//www.moe.gov.e n/s rcsite/A1 6/s3342/201804/t20180425_334188.html，2018-04-18.

[5]Macfadyen L P，Dawson S.Mining LMS data to develop an"earlywarning system"for educators：A proof of concept[J].Computers&Education.2010，54（2）：588-599.

[6]李爽，李榮芹等.基于LMS數(shù)據(jù)的遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)投入評(píng)測(cè)模型[J]開(kāi)放教育研究，2018.（1）：91-102.

[7]賈積有.人工智能賦能教育與學(xué)習(xí)[J].遠(yuǎn)程教育雜志，2018.（1）：39-47.

[8]劉德建，杜靜等.人工智能融入學(xué)校教育的發(fā)展趨勢(shì)[J]開(kāi)放教育研究，2018，（4）： 33-42.

[9] Hilles M M，Naser S S A.Knowledge-hased Intelligent TutoringSystem for Teaching Mongo Database[J].European AcademicRasearch.2017，4（10）：8783-8794.

[10]孫波，劉永娜等.智慧學(xué)習(xí)環(huán)境中基于面部表情的情感分析[J].現(xiàn)代遠(yuǎn)程教育研究，2015.（2）：96-103.

[11]Altin H.Pedaste MIP.aming Approaches to Applying Robotics in ScienceEducation[J].Joumal of Baltic Science Education.2013，12（3）：365-377.

[12]綦春霞，何聲清.基于“智慧學(xué)伴”的數(shù)學(xué)學(xué)科能力診斷及提升研究[J]中國(guó)電化教育，2019.（1）：41-47.

[13]唐燁偉，龐敬文等.信息技術(shù)環(huán)境下智慧課堂構(gòu)建方法及案例研究[J]中國(guó)電化教育，2014，（11）：23-29.

[14]Angeli C，Howard S.et al.Data mining in educational technologyclassroom research：Can it make a contribution？[J].Computers&Educ ation，2017，1 13（5）：226-242.

[15]Holstein K，Hong G.et al.The classroom as a dashhoard：co-designingwearable cognitive augmentation for K-12 teachers[A].AbelardoPardo.Proceedings of the 8th International Conference on LearningAnalytics and Knowledge[C].New York：ACM Press，2018.79-88.

[16]張俍，任友群.教師教育的智能變革何以可能：智能課堂及其意義[J]現(xiàn)代遠(yuǎn)程教育研究，2018，（4）：15-21.

[17][38]陳靚影，羅珍珍等.課堂教學(xué)環(huán)境下學(xué)生學(xué)習(xí)興趣智能化分析[.電化教育研究，2018，（8）：91-96.

[18]吳永和，劉博文等.構(gòu)筑“人工智能+教育”的生態(tài)系統(tǒng)[J].遠(yuǎn)程教育雜志，2017，（5）：27-39.

[19] Uskov V.L.et al.Sman Universities：Concepts，Systems，and Technologies[M].New York：Springer Press.2018.

[20] Uskov V.L.et aI.Building Smart Leaming Analytics System for SmartUniversity[A].Vladimir L.Uskov.Proceedings of the 4th InternationalKES Conference on Smart Education and Smart E-Learning[C].NewYork：Springer Press，20 17. 191-204.

[21]中國(guó)社會(huì)科學(xué)院語(yǔ)言研究所詞典編輯室編.現(xiàn)代漢語(yǔ)詞典[M].北京：商務(wù)印書(shū)館，1983.

[22]王姣姣.實(shí)踐與反思：課堂教學(xué)行為研究——以六所中小學(xué)校為個(gè)案[D].長(zhǎng)沙：湖南師范大學(xué)，2009.

[23][24]張建瓊.教學(xué)行為研究的教學(xué)論意義[J]教育理論與實(shí)踐，2004，（9）：50-53.

[25]李松林.課堂教學(xué)行為分析引論[J].教育理論與實(shí)踐，2005，（4）：48-51.

[26]王陸，李瑤.課堂教學(xué)行為大數(shù)據(jù)透視下的教學(xué)現(xiàn)象探析[J].電化教育研究，2017，（4）：77-85.

[27] Anderson H H.The measurement of domination and of sociallyintegrative behavior in teachers' contacts with children[J].ChildDevelopment，1939.10（2）：73-89.

[28] Flanders N.lntent，Action and Feedback：A Preparation forTeaching[J].Journal of Teacher Education，1963， 14（3）： 25 1-260.

[29][41]傅德榮，章慧敏等.教育信息處理[M].北京：北京師范大學(xué)出版社，2011.

[30]顧小清，王煒.支持教師專(zhuān)業(yè)發(fā)展的課堂分析技術(shù)新探索[J].中國(guó)電化教育，2004，（7）：18-21.

[31]穆肅，左萍萍.信息化教學(xué)環(huán)境下課堂教學(xué)行為分析方法的研究[.電化教育研究，2015，（9）：62-69.

[32]李靜，張祺等.中學(xué)信息化課堂教學(xué)交互行為研究——基于質(zhì)性分析的視角[J]中國(guó)電化教育，2014，（2）：101-107.

[33]王艷麗，程云等.技術(shù)支持下的課堂教學(xué)行為觀察方法探究[J]現(xiàn)代教育技術(shù)，2016，26（9）：39-45.

[34] Liu N H，Chiang C Y，et aI.Recognizing the DegTee of Human Attention UsingEEC Signals from Mohile Sensors[J].Sensors，2013，13（8）：10273-10286.

[35] Whitehill J，Serpell Z，et aI.The Faces of Engagement：AutomaticRecognition of Student Engagement from Facial Expressions[J].IEEETransactions on Affective Computing.2014，5（1）：86-98.

[36]韓麗，李洋等.課堂環(huán)境中基于面部表情的教學(xué)效果分析[J].現(xiàn)代遠(yuǎn)程教育研究，2017，（4）：97-103.

[37]曹曉明，張永和等.人工智能視域下的學(xué)習(xí)參與度識(shí)別方法研究——基于一項(xiàng)多模態(tài)數(shù)據(jù)融合的深度學(xué)習(xí)實(shí)驗(yàn)分析[J].遠(yuǎn)程教育雜志，2019，（1）：32-44.

[39][40]潘鋒.特征提取與特征選擇技術(shù)研究[D].南京：南京航空航天大學(xué)，2011.

[42] Cary Bradski，Adrian Kaehler.學(xué)習(xí)OpenCV（中文版）[M].北京：清華大學(xué)出版社，2009.

[43]李彤.智能視頻監(jiān)控下的多目標(biāo)跟蹤技術(shù)研究[D].長(zhǎng)沙：中國(guó)科學(xué)技術(shù)大學(xué)，2013.