人工智能視域下的教學(xué)行為分析方式研究

張志高，李 晶（通訊作者）

（佳木斯大學(xué) 黑龍江 佳木斯 154007）

1 引言

人工智能作為新興技術(shù)被各個領(lǐng)域所應(yīng)用，教育領(lǐng)域也不例外。2018年4月13日，教育部印發(fā)《教育信息化2.0行動計劃》。計劃中指出以人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等新興技術(shù)為基礎(chǔ)，在新技術(shù)支持下對教學(xué)模式和教學(xué)生態(tài)進(jìn)行變革和重構(gòu)[1]。教學(xué)行為分析作為教育研究中量化分析的重要組成部分，適合在其中引入人工智能技術(shù)，使教學(xué)行為分析更加智能和全面。本文通過對傳統(tǒng)教學(xué)行為分析方式與人工智能支持下的教學(xué)行為分析方式進(jìn)行對比和研究，分析其優(yōu)勢與不足。

2 人工智能支持下的課堂教學(xué)行為分析方式

隨著人工智能技術(shù)的不斷成熟，應(yīng)用領(lǐng)域越來越廣泛，教育領(lǐng)域也是應(yīng)用的重點(diǎn)之一。將人工智能技術(shù)與課堂教學(xué)行為分析結(jié)合起來，是人工智能教育應(yīng)用的一個重要的突破口。傳統(tǒng)教學(xué)行為分析要人工觀察、記錄、編碼，這樣對人力和時間的消耗很大。將人工智能技術(shù)應(yīng)用于教學(xué)行為分析能實(shí)現(xiàn)自動記錄，編碼分析，使教學(xué)行為分析變得智能且高效。由于人工智能與教學(xué)行為分析結(jié)合的技術(shù)領(lǐng)域較為豐富。本文將從計算機(jī)視覺、自然語言處理兩個領(lǐng)域與教學(xué)行為分析的結(jié)合進(jìn)行說明。

2.1 基于計算機(jī)視覺的教學(xué)行為分析

計算機(jī)視覺技術(shù)主要指對圖片以及視頻進(jìn)行檢測與分類。而教學(xué)行為分析旨在對教師以及學(xué)生的行為進(jìn)行分類。故可將計算機(jī)視覺技術(shù)應(yīng)用于教學(xué)行為分析中。計算機(jī)視覺在教學(xué)行為分析中的應(yīng)用主要分為兩個階段。第一階段是機(jī)器學(xué)習(xí)階段，該階段主要利用人臉識別、輪廓識別間接地識別教學(xué)行為，然后利用S-T分析法進(jìn)行分析[2]。第二階段是深度學(xué)習(xí)階段，該階段利用更大的數(shù)據(jù)集進(jìn)行訓(xùn)練，以達(dá)到更精確的識別效果[3]。

2.1.1 實(shí)現(xiàn)原理

利用計算機(jī)視覺技術(shù)進(jìn)行教學(xué)行為分析，簡而言之，就是對教學(xué)視頻分解出的圖片進(jìn)行分類。每張圖片會展現(xiàn)師生的不同行為，行為的編碼就是圖片分類標(biāo)準(zhǔn)。實(shí)現(xiàn)自動分類的機(jī)制是計算機(jī)通過大量已分類好的圖片進(jìn)行訓(xùn)練，利用人工智能的模型和算法識別和記錄所有類別的特征參數(shù)，然后對未分類的圖片進(jìn)行分類。

計算機(jī)視覺技術(shù)在機(jī)器學(xué)習(xí)階段，對數(shù)據(jù)集要求比較高，既要對數(shù)據(jù)集中的圖片進(jìn)行分類標(biāo)記，還要根據(jù)不同類別標(biāo)記不同類別的特征。到了深度學(xué)習(xí)階段，特征提取和標(biāo)注變成了自動的，卷積神經(jīng)網(wǎng)絡(luò)可以對每一類圖片進(jìn)行自動的特征提取。

2.1.2 分析流程及說明

首先進(jìn)行教學(xué)視頻的采集，采集方式主要是進(jìn)行課堂實(shí)錄。然后將視頻分解為圖片，將圖片利用人工智能模型和算法根據(jù)不同行為進(jìn)行分類，最后對分類的結(jié)果進(jìn)行統(tǒng)計和分析。

由于人工智能技術(shù)進(jìn)行分類需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練。但是現(xiàn)在沒有教學(xué)行為分析的專用數(shù)據(jù)集，故在進(jìn)行某節(jié)課的教學(xué)行為分析時，先需要對多節(jié)課的數(shù)據(jù)進(jìn)行收集與整理，數(shù)據(jù)越多，分類效果越準(zhǔn)確。不過隨著人工智能技術(shù)的不斷更新與發(fā)展，將其他領(lǐng)域類似的數(shù)據(jù)集引入到教學(xué)行為分析數(shù)據(jù)集之中，也就是所謂的遷移學(xué)習(xí)，可以極大地豐富現(xiàn)有數(shù)據(jù)集，提高準(zhǔn)確性。

2.1.3 優(yōu)勢與不足

利用計算機(jī)視覺技術(shù)進(jìn)行教學(xué)行為分析，可以省去人工編碼煩瑣的工作，并對課堂全局進(jìn)行實(shí)時把控。但是對教學(xué)視頻采集方式要求較高，往往需要多個攝像頭進(jìn)行采集，這樣就會造成一定的入侵性，不能使課堂教學(xué)在自然的情況下發(fā)生。并且計算機(jī)視覺分析主要分析師生視覺行為，對言語行為不能進(jìn)行有效識別。師生對話是教學(xué)中的重點(diǎn)，只識別視覺行為對課堂關(guān)鍵行為的把握有所欠缺。

2.2 基于自然語言處理的教學(xué)行為分析

自然語言處理技術(shù)主要是對語音和文本進(jìn)行識別與分類。言語行為是課堂教學(xué)中的重中之重，弗蘭德斯互動分析法全部都在分析師生言語行為。

2.2.1 實(shí)現(xiàn)原理

基于自然語言處理的教學(xué)行為分析主要對言語行為轉(zhuǎn)換成的文本進(jìn)行分類。根據(jù)不同文本展現(xiàn)出的教學(xué)行為進(jìn)行編碼，比如教師的提問、學(xué)生的回答等。實(shí)現(xiàn)對文本自動分類的機(jī)制與基于計算機(jī)視覺的教學(xué)行為方式類似，即計算機(jī)利用大量已經(jīng)分類完成的文本進(jìn)行訓(xùn)練，通過自然語言處理的技術(shù)的模型和算法識別和記錄分類參數(shù)。然后對未分類的文本進(jìn)行分類。另外自然語言處理多采用機(jī)器學(xué)習(xí)手段，利用詞向量模型對文本進(jìn)行特征提取。不過近幾年基于深度學(xué)習(xí)的文本分類模型也趨于成熟，可以適時選取和使用。

2.2.2 分析流程及說明

首先是對教學(xué)音頻的采集。主要有兩種方式，一是課堂錄音，二是教學(xué)視頻提取。然后將語音轉(zhuǎn)寫為文本，利用人工智能技術(shù)對文本進(jìn)行分類。最后對分類結(jié)果進(jìn)行分析。

在語音轉(zhuǎn)寫階段多采用準(zhǔn)確率高，轉(zhuǎn)寫速度快的工具，比如科大訊飛和百度提供的API和轉(zhuǎn)寫工具。另外在轉(zhuǎn)寫過程中應(yīng)注意進(jìn)行多發(fā)言人分離，將教師和學(xué)生的言語行為進(jìn)行分析，以便進(jìn)一步分析。由于現(xiàn)在的轉(zhuǎn)寫工具轉(zhuǎn)寫時仍會出現(xiàn)一些錯誤，在轉(zhuǎn)寫完成后需要進(jìn)行人工校對。

2.2.3 優(yōu)勢與不足

該方法收集數(shù)據(jù)手段比較容易，只需獲取教學(xué)音頻。對課堂的關(guān)鍵行為可以達(dá)到總體把握。并且可以對得到的數(shù)據(jù)進(jìn)行深入挖掘，比如對教學(xué)事件的分類和分析[4]。不過由于錄音不能反映視覺行為的情況，故對視覺行為上的把握會有一些缺失。

3 傳統(tǒng)教學(xué)行為分析方式與人工智能支持的教學(xué)行為方式的對比

3.1 傳統(tǒng)課堂教學(xué)行為分析方式

課堂是教學(xué)行為主要發(fā)生的場所，本質(zhì)來說，教學(xué)行為分析是課堂觀察的技術(shù)手段之一。教學(xué)行為旨在量化課堂中發(fā)生的教師行為以及學(xué)生行為，來有效地分析教學(xué)過程，以促進(jìn)課堂教學(xué)效果。傳統(tǒng)的教學(xué)行為分析方法主要有記號體系分析法以及編碼體系分析法。本文主要探討編碼體系分析法，主要包括弗蘭德斯互動分析法和S-T分析法。

3.1.1 弗蘭德斯互動分析法

弗蘭德斯互動分析法誕生于20世紀(jì)50年代，旨在通過課堂中師生言語行為來分析課堂的教學(xué)效果[5]，具有普適性和高效性。該分析法主要包括課堂教學(xué)中的10種行為，其中教師行為有7項，前3種是直接影響學(xué)生的，為講授、指導(dǎo)和批評；后4種為間接影響學(xué)生的，為接受學(xué)生的情感、鼓勵、思想、提問。學(xué)生行為有兩項，分別為回答提問和向老師建議。最后一種行為為課堂的沉默或混亂。通過統(tǒng)計和分析不同行為的出現(xiàn)頻率來得到結(jié)果。弗蘭德斯互動分析法編碼的行為均為言語行為以及言語行為反映出的情緒?？梢远床煺n堂中的細(xì)微之處，反饋課堂教學(xué)的效果。

3.1.2 S-T分析法

S-T分析方法是一種典型的編碼體系分析方法[6]。S-T分析法也就是學(xué)生-教師分析法。在一般教學(xué)過程中，T行為主要分為教師的言語行為和視覺行為。言語行為主要包括講授、點(diǎn)名、解說等行為。視覺行為主要包括板書、演示PPT、進(jìn)行示范等行為。S行為指除去T以外行為的所有行為，也就是學(xué)生行為，主要有學(xué)生的發(fā)言、學(xué)生記筆記、學(xué)生討論等，不過S行為也包括課堂中的沉默與混亂等。S-T分析法可以很大程度地降低對教學(xué)行為分類記錄的模糊性，只是把教學(xué)行為分為了S和T兩類，提高了對教學(xué)行為分類的客觀性和可靠性。

3.2 傳統(tǒng)教學(xué)行為分析方式與人工智能支持的教學(xué)行為方式的比較分析

3.2.1 人工編碼與自動編碼的區(qū)別

由人工編碼變?yōu)樽詣泳幋a是傳統(tǒng)教學(xué)行為分析方式和基于人工智能的教學(xué)行為方式最大的區(qū)別之一。人工編碼煩瑣且工作量大，并且對研究者有較高的水平要求，需要對教學(xué)行為進(jìn)行精準(zhǔn)識別。同時由于受研究者自身失誤或者疲憊，導(dǎo)致編碼分類出錯，或者遺漏關(guān)鍵教學(xué)行為。自動編碼省去了人工觀察和記錄的煩瑣，并且如果識別準(zhǔn)確率提高到一定水平，對課堂中的所有教學(xué)行為和細(xì)節(jié)都可以精確把握。對研究者的識別水平也沒有過高要求，只要準(zhǔn)備好由專家精準(zhǔn)分類好的數(shù)據(jù)集進(jìn)行訓(xùn)練，就可以對需要研究的課堂實(shí)錄進(jìn)行快速準(zhǔn)確的教學(xué)行為分類。

3.2.2 編碼方式的繼承與改進(jìn)

人工智能支持下的教學(xué)行為分析采用的編碼方式是以傳統(tǒng)分析方式的編碼方式為基礎(chǔ)，同時根據(jù)相關(guān)技術(shù)特點(diǎn)進(jìn)行改進(jìn)。比如前文提到的基于計算機(jī)視覺的教學(xué)行為分析，在該技術(shù)應(yīng)用初期由于識別精度不夠，多采用S-T模糊編碼方式。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，對教學(xué)行為識別精度越來越高，分類編碼也越來越精細(xì)，以達(dá)到更全面反映課堂行為的目的。在基于自然語言處理的教學(xué)行為方式中，它和弗蘭德斯互動分析法有高度的契合性，都是分析教師和學(xué)生的言語行為。故其編碼方式和弗蘭德斯互動分析法較為相似。不過對課堂沉默和混亂行為不能正常識別，需要采用其他間接手段進(jìn)行識別，比如用師生言語的時間間隔或者前后文語義進(jìn)行識別。另外隨著情緒識別技術(shù)趨于成熟?？梢岳糜嬎銠C(jī)視覺技術(shù)和自然語言處理技術(shù)進(jìn)行師生情緒行為識別。如計算機(jī)視覺技術(shù)的表情識別以及自然語言處理技術(shù)的文本情緒識別。因此情緒行為編碼也是人工智能支持下的教學(xué)行為分析的新的編碼方式之一。

3.2.3 數(shù)據(jù)分析方式的改變

傳統(tǒng)教學(xué)行為分析方式收集完之后，弗蘭德斯互動分析法主要是進(jìn)行行為次數(shù)統(tǒng)計，生成分析矩陣等。S-T教學(xué)行為分析法對師生行為進(jìn)行統(tǒng)計計算，生成Rt-ch圖進(jìn)行分析?；谌斯ぶ悄艿慕虒W(xué)行為分析方式在數(shù)據(jù)分析方面可以自動統(tǒng)計數(shù)據(jù)，生成分析矩陣和圖表，并根據(jù)數(shù)據(jù)進(jìn)行反饋和評價，為教師和學(xué)生提供智能服務(wù)。人工智能支持下的教學(xué)行為分析方式極大地節(jié)省了時間，可以對課堂實(shí)錄進(jìn)行實(shí)時分析。

4 結(jié)語

人工智能支持下的教學(xué)行為分析，在繼承了傳統(tǒng)教學(xué)行為分析方式的基礎(chǔ)上，將后者中煩瑣的人工觀察、編碼轉(zhuǎn)化為機(jī)器自動完成，并根據(jù)人工智能技術(shù)的特點(diǎn)進(jìn)行了編碼改進(jìn)。最終形成了適用于人工智能的教學(xué)行為分析方式。不過仍存在一些不足，需要進(jìn)一步研究和改進(jìn)。