基于CNN-GRU模型的學(xué)生課堂行為與教學(xué)質(zhì)量分析研究

［摘 要］在當(dāng)前社會背景下，深度學(xué)習(xí)方法在教育領(lǐng)域的應(yīng)用研究顯得尤為關(guān)鍵。而課堂教學(xué)作為教學(xué)工作中最重要的一環(huán)，學(xué)生的課堂行為直接反映了教學(xué)效果和教育質(zhì)量。首先，本研究采集學(xué)生課堂行為的圖像數(shù)據(jù)。其次，通過CNN-GRU模型，識別和分析學(xué)生在課堂中的行為。最后，通過獲取的學(xué)生行為信息，了解學(xué)生學(xué)習(xí)狀態(tài)和需求。深入研究學(xué)生課堂行為希望為提高課堂教學(xué)質(zhì)量提供重要支持，從而為社會培養(yǎng)更具競爭力的人才，推動社會進步。

［關(guān)鍵詞］深度學(xué)習(xí)；神經(jīng)網(wǎng)絡(luò)模型；CNN-GRU；學(xué)生課堂行為識別

doi：10.3969/j.issn.1673-0194.2024.13.058

［中圖分類號］G642 ［文獻標識碼］A ［文章編號］1673-0194（2024）13-0195-03

0" " "引 言

近年來，隨著人工智能技術(shù)的蓬勃發(fā)展，深度學(xué)習(xí)方法在教育領(lǐng)域引起了廣泛關(guān)注。教育部印發(fā)的《高等學(xué)校人工智能創(chuàng)新行動計劃》文件中明確指出，需要加快人工智能在教育領(lǐng)域的創(chuàng)新應(yīng)用，利用智能技術(shù)支撐人才培養(yǎng)模式的創(chuàng)新，推進教育均衡發(fā)展、促進教育公平、提高教育質(zhì)量。因此，本研究通過采集學(xué)生上課時的行為圖像，應(yīng)用深度學(xué)習(xí)技術(shù)對其學(xué)習(xí)狀態(tài)進行準確分類，提供更深入的學(xué)生行為數(shù)據(jù)，從而提高課堂教學(xué)質(zhì)量。

1" " "相關(guān)理論與技術(shù)基礎(chǔ)

本研究首先使用Faster R-CNN（Region-based Convolutional Neural Network）方法，對學(xué)生的課堂行為數(shù)據(jù)進行采集，并對數(shù)據(jù)進行隨機抽樣后存儲為數(shù)據(jù)集。再分別通過CNN（Convolutional Neural Network）、GRU（Gate Recurrent Unit）、CNN-GRU三個模型，對采集到的學(xué)生課堂行為數(shù)據(jù)集進行識別。最終對三個模型的識別效果，基于準確率、召回率和F1值三個指標進行了對比。

1.1" "Faster R-CNN算法

1.1.1" "Faster R-CNN算法簡述

Faster R-CNN是一種用于目標檢測的深度學(xué)習(xí)算法[1]，由微軟研究員等于2015年提出[2]。Faster R-CNN包括兩個主要模塊：①卷積神經(jīng)網(wǎng)絡(luò)用于提取圖像特征，通常采用預(yù)訓(xùn)練的網(wǎng)絡(luò)；②Region Proposal Network（RPN）負責(zé)生成可能包含目標的候選區(qū)域，并將這些提議區(qū)域傳遞給后續(xù)的目標分類和邊界框回歸模塊。

1.1.2" "Faster R-CNN算法優(yōu)點

Faster R-CNN算法具有幾個顯著的優(yōu)點。①端到端訓(xùn)練：Faster R-CNN引入了RPN，簡化了流程，提高了訓(xùn)練效率。②準確性：通過利用CNN提取圖像特征，提高了檢測精度。③多尺度適應(yīng)性：RPN在生成區(qū)域時考慮了多個尺度，使Faster R-CNN對不同大小和比例的目標具有較好的適應(yīng)性。④可擴展性：由于Faster R-CNN采用了模塊化設(shè)計，可以方便地替換和更新網(wǎng)絡(luò)的組成部分。

1.2" "CNN模型

1.2.1" "CNN模型簡述

CNN是一種深度學(xué)習(xí)模型，專門設(shè)計用于處理和識別具有網(wǎng)格狀結(jié)構(gòu)的數(shù)據(jù)[3-4]，主要包括以下部分。①卷積層：通過卷積操作提取輸入數(shù)據(jù)的局部特征，從而形成特征映射。②激活函數(shù)：在卷積層后引入非線性激活函數(shù)，如ReLU。③池化層：池化操作通過降采樣的方式減小特征映射的尺寸，同時保留主要信息。例如最大池化和平均池化。④全連接層：全連接層的神經(jīng)元與前一層的所有神經(jīng)元相連接，形成全連接的結(jié)構(gòu)。

1.2.2" "CNN模型優(yōu)點

CNN模型具備以下優(yōu)點：①CNN的特征學(xué)習(xí)和提取機制基于卷積計算，可以有效捕獲圖像的復(fù)雜特征；②CNN的參數(shù)共享機制降低了模型的復(fù)雜性和訓(xùn)練參數(shù)的數(shù)量；③CNN可應(yīng)用于很多領(lǐng)域，適配范圍廣。

1.3" "GRU模型

1.3.1" "GRU模型簡述

GRU是一種神經(jīng)網(wǎng)絡(luò)模型，屬于循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體，用于處理序列數(shù)據(jù)[5]。GRU在每個神經(jīng)元中都具有門控結(jié)構(gòu)，包括重置門ri和更新門zi[6]。重置門的計算如公式（1）所示：

1.3.2" "GRU模型優(yōu)點

GRU的優(yōu)點包括以下幾種。①更好地捕獲序列信息：由于同時考慮了前后兩個方向的信息，GRU能夠更好地捕獲序列數(shù)據(jù)中的依賴關(guān)系，有助于提高模型的性能。②減少梯度消失問題：通過雙向結(jié)構(gòu)，GRU能夠減輕傳統(tǒng)的LSTM的梯度消失或梯度爆炸的問題。③適用于多種任務(wù)：GRU在自然語言處理、語音識別等領(lǐng)域得到了廣泛應(yīng)用。

2" " "CNN-GRU模型

CNN-GRU模型是結(jié)合了CNN和GRU的神經(jīng)網(wǎng)絡(luò)模型。CNN-GRU保留了CNN對局部特征的提取能力的同時，增加了GRU的序列信息建模能力。CNN-GRU模型的優(yōu)勢有：①更好的序列建模能力；②減少過擬合風(fēng)險；③較強的魯棒性。

本次實驗采取的模型參數(shù)如表1所示。

本次實驗采用的學(xué)習(xí)率是0.001，且將該實驗重復(fù)進行10輪。實驗中引入了早停機制（Early stopping），將早停機制的閾值設(shè)定在500（即當(dāng)驗證集損失值連續(xù)500次訓(xùn)練沒有繼續(xù)降低時，訓(xùn)練停止）。同時為避免過擬合現(xiàn)象，引入了隨機失活機制（Dropout），設(shè)定失活率為0.3（即每次訓(xùn)練時，將神經(jīng)網(wǎng)絡(luò)中30%的隨機神經(jīng)元失活）。

3" " "實證分析

3.1" "實驗數(shù)據(jù)獲取

本次實驗使用的圖像數(shù)據(jù)來自高校課堂教學(xué)，對學(xué)生的圖像采集均由任課教師事先通知各位學(xué)生，并在征得學(xué)生同意后進行錄制。所采集的所有數(shù)據(jù)均只作研究使用。

數(shù)據(jù)獲取步驟：

（1）錄制學(xué)生上課行為視頻。

（2）使用OpenCV庫，導(dǎo)入視頻數(shù)據(jù)。

（3）對視頻數(shù)據(jù)進行抽幀，并保存抽取的圖像數(shù)據(jù)。

（4）使用Faster R-CNN算法，對步驟（2）的圖像數(shù)據(jù)進行人像截取。

（5）保存所有學(xué)生的行為圖像數(shù)據(jù)。

本次實驗將學(xué)生課堂行為進行分類：聽課、交頭接耳、睡覺、其他行為。并設(shè)定各類別編碼：1—聽課，2—交頭接耳，3—睡覺，4—其他行為。除1—聽課外，均判定為非認真聽課狀態(tài)。

3.2" "實驗結(jié)果分析

本實驗實證過程均基于Python 3.9.12和Pytorch 1.12.0完成。共獲取學(xué)生行為圖像2 036張。使用8∶1∶1的方式對數(shù)據(jù)集進行分割，將其中1 628張圖像作為模型的訓(xùn)練集，204張作為驗證集，剩余204張作為測試集。為驗證CNN-GRU模型的有效性，本研究基于三個指標——準確率、召回率、F1值，分別對CNN模型，GRU模型，和CNN-GRU模型進行了對比實驗。在測試集上各模型對學(xué)生行為圖像的分類結(jié)果如表2所示。

結(jié)合實驗結(jié)果可以得出如下結(jié)論：

（1）CNN-GRU模型可以在學(xué)生行為圖像的數(shù)據(jù)集上達到收斂，驗證了CNN-GRU模型在學(xué)生課堂行為識別領(lǐng)域具備適用性。

（2）三個模型的對比中，CNN-GRU模型比CNN和GRU二者單獨工作的性能更好。驗證了在CNN模型的全連接層之前添加GRU層能夠產(chǎn)生積極作用。

（3）準確率、召回率以及F1值三個指標的評估結(jié)果，驗證了CNN-GRU模型在學(xué)生課堂行為識別領(lǐng)域具備良好的綜合性能。

4" " "結(jié)束語

本文根據(jù)采集到的學(xué)生課堂行為圖像數(shù)據(jù)，基于CNN-GRU模型對學(xué)生課堂行為進行了分類和識別。并且在同一數(shù)據(jù)集上對CNN模型、GRU模型以及CNN-GRU模型的分類性能進行了比對，驗證了CNN-GRU模型的優(yōu)勢，并且實驗結(jié)果也驗證了CNN-GRU模型在學(xué)生課堂行為識別領(lǐng)域的適用性，可為深度學(xué)習(xí)方法在課堂教學(xué)領(lǐng)域的應(yīng)用提供進一步的理論支撐。

主要參考文獻

［1］湯文虎，吳龍，黎堯，等. 基于改進Faster RCNN的鋼線圈頭部小目標檢測算法［J］. 現(xiàn)代制造工程，2023（8）：127-133，147.

［2］REN S，HE K，GIRSHICK R，et al. Faster R-CNN：Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，39（6）：1137-1149.

［3］胡紀年，李雨成，李俊橋，等. 基于CNN的礦井外因火災(zāi)火源定位方法研究［J］. 中國安全生產(chǎn)科學(xué)技術(shù)，2024，20（3）：134-140.

［4］張曉青，劉小舟，陳登. 面向移動端圖像分類的輕量級CNN優(yōu)化［J］. 計算機工程與設(shè)計，2024，45（2）：436-442.

［5］何儒漢，陳一帆，余永升，等. 基于GRU與自注意力網(wǎng)絡(luò)的聲源到達方向估計［J］. 計算機科學(xué)，2023，50（增刊2）： 998-1004.

［6］李世明，顧東健，余志文，等. 基于改進GRU模型的配電網(wǎng)故障線路區(qū)段檢測［J］. 微型電腦應(yīng)用，2023，39（10）：105-109.