基于專注度識別的作業(yè)分心干預(yù)策略研究

【中圖分類號】G442【文獻(xiàn)標(biāo)志碼】A【論文編號】1671-7384（2025）07-031-03

引言

課后作業(yè)是學(xué)生學(xué)習(xí)中的重要部分，是內(nèi)化知識進(jìn)而發(fā)展思維和職業(yè)技能的過程[1]，是兒童自我探究的過程和理解事物的媒介、工具和手段[2]。無論對于學(xué)校、學(xué)生還是家庭，作業(yè)都具有重要的意義[3。作業(yè)習(xí)慣則對于學(xué)生的知識技能掌握、學(xué)業(yè)成績，品質(zhì)和人格培養(yǎng)都影響重大[4]。小學(xué)階段是作業(yè)習(xí)慣的養(yǎng)成期，對于年齡較小的學(xué)生，在缺乏教師指導(dǎo)且周圍存在諸多干擾因素的情況下，較容易出現(xiàn)作業(yè)分心的現(xiàn)象[。因此，如何識別小學(xué)生作業(yè)分心行為，進(jìn)而實(shí)施有效的干預(yù)措施已成為頗受關(guān)注的一個(gè)話題。

在本文中，專注度代表學(xué)習(xí)者在學(xué)習(xí)過程中的注意力集中程度[。目前常用的專注度測量方法包括任務(wù)測驗(yàn)法、問卷量表法、觀察法、儀器測量、數(shù)據(jù)挖掘等，這些方法常常難以兼顧環(huán)境可遷移性與準(zhǔn)確性；而干預(yù)方法則主要分為基于教學(xué)設(shè)計(jì)和基于腦電信號反饋兩大類，前者對教師、家長要求較高，后者難以適用于自然學(xué)習(xí)環(huán)境。因此，如何使用非侵入性輕量級設(shè)備，在自然環(huán)境下客觀精確地實(shí)時(shí)分析學(xué)習(xí)者專注度，并采用人機(jī)協(xié)同的方式進(jìn)行干預(yù)，成為小學(xué)生作業(yè)專注習(xí)慣培養(yǎng)的一個(gè)重要著力點(diǎn)。

基于以上背景，本研究旨在通過攝像頭便捷地采集視頻數(shù)據(jù)，用于分析小學(xué)生作業(yè)專注度，并基于專注度識別開展作業(yè)分心干預(yù)策略研究，致力于提升小學(xué)生作業(yè)專注水平，幫助其養(yǎng)成良好的學(xué)習(xí)習(xí)慣，輔助家長和教師的教育。

研究設(shè)計(jì)

1.研究內(nèi)容與方法

本研究將專注度界定為學(xué)生在學(xué)習(xí)過程中的注意力集中程度，通過視頻分析法、數(shù)據(jù)挖掘法、問卷調(diào)查法、訪談法等研究方法，開展基于專注度識別的作業(yè)分心干預(yù)策略研究。

2.數(shù)據(jù)采集

本研究以重慶市兩江新區(qū)某小學(xué)三年級87名學(xué)生為研究對象進(jìn)行實(shí)驗(yàn)，其中預(yù)實(shí)驗(yàn)7人，正式實(shí)驗(yàn)80人。正式實(shí)驗(yàn)流程如下：主試布置實(shí)驗(yàn)場景并調(diào)試設(shè)備；被試到達(dá)實(shí)驗(yàn)地點(diǎn)后，由主試安排座位、發(fā)放實(shí)驗(yàn)材料并講解實(shí)驗(yàn)流程；實(shí)驗(yàn)過程中，被試完成實(shí)驗(yàn)材料上的題項(xiàng)，主試在實(shí)驗(yàn)教室內(nèi)維持紀(jì)律并檢查設(shè)備運(yùn)行情況，同時(shí)通過攝像頭采集被試的視頻數(shù)據(jù)；實(shí)驗(yàn)結(jié)束后，主試回收實(shí)驗(yàn)材料，上傳視頻數(shù)據(jù)，而后將被試送回班級。

3.數(shù)據(jù)篩選與分割

隨機(jī)選取2名小學(xué)生，采集作業(yè)過程的視頻并觀察統(tǒng)計(jì)，發(fā)現(xiàn)除寫作業(yè)外，共出現(xiàn)15種低專注行為，包括趴著、咬手、擺弄物件、轉(zhuǎn)椅子、扭頭、翻動紙張、撓頭、摸臉、手撐頭、摳手、站起、歪頭、向后靠、咀嚼、打哈欠。為避免個(gè)體行為習(xí)慣差異的影響，使觀察表更加簡潔且具普適性，筆者進(jìn)行了更大范圍的觀察，統(tǒng)計(jì)上述行為出現(xiàn)的頻次，刪除出現(xiàn)較少的動作，合并相似動作。筆者最終選取較為常見的9個(gè)動作作為觀察的具體指標(biāo)：翻動紙張、移動椅子、擺弄物件/摳手、撓頭/摸臉、咬手、扭頭、趴著、手撐頭、寫作業(yè)。

4.數(shù)據(jù)增強(qiáng)

完成數(shù)據(jù)清洗和預(yù)處理后，筆者依據(jù)觀察指標(biāo)進(jìn)行視頻切片，其中每個(gè)切片只包含一個(gè)動作，單個(gè)視頻切片時(shí)長在10秒到2分鐘之間。為使視頻數(shù)據(jù)更符合實(shí)際場景，筆者使用光線擾動和背景替換兩種方法進(jìn)行了數(shù)據(jù)增強(qiáng)。光線擾動法，考慮到作業(yè)環(huán)境的光線可能有所差異，如光線強(qiáng)度與光線照射方向、點(diǎn)光源與平行光源的區(qū)別等，使用AdobePremier2023軟件進(jìn)行調(diào)整；背景替換法，考慮到小學(xué)生可能在臥室、餐廳等各種環(huán)境寫作業(yè)，使用SAM模型提取出視頻中的學(xué)生主體，而后在提前搜集好的背景樣本集（書房、臥室等背景圖片）中隨機(jī)選取圖片替換為新背景。

5.再次數(shù)據(jù)篩選與分割

在視頻切片數(shù)據(jù)庫中，筆者隨機(jī)選取 30% 左右的視頻切片使用光線擾動法進(jìn)行數(shù)據(jù)增強(qiáng)，再隨機(jī)選取 30% 左右的視頻切片，使用背景替換法進(jìn)行數(shù)據(jù)增強(qiáng)，并保留未增強(qiáng)的視頻，最終得到501條視頻。將這501條視頻，逐幀導(dǎo)出為圖片，得到了50139張小學(xué)生低專注行為圖像數(shù)據(jù)集。

研究過程與結(jié)果

1.ResNet50預(yù)訓(xùn)練網(wǎng)絡(luò)模型介紹

ResNet（殘差神經(jīng)網(wǎng)絡(luò)）是一種深度學(xué)習(xí)模型，該模型發(fā)現(xiàn)了退化問題，并將傳統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了變換，在基本的網(wǎng)絡(luò)結(jié)構(gòu)中增加了一個(gè)快捷連接，從而解決了網(wǎng)絡(luò)深度造成的訓(xùn)練誤差大的問題，提高了網(wǎng)絡(luò)的準(zhǔn)確率和效率[7]。ResNet50則是ResNet的一個(gè)更新迭代，其網(wǎng)絡(luò)中包含49個(gè)卷積層和一個(gè)全連接層，并引入了一個(gè)名為“bottleneck”的結(jié)構(gòu)，在保持模型精度的同時(shí)，能夠顯著減少參數(shù)量和計(jì)算量，適用于較為復(fù)雜的任務(wù)[8]

2.模型構(gòu)建流程

如圖1所示，基于ResNet50進(jìn)行預(yù)訓(xùn)練的流程如下。第一步，在公開專注度訓(xùn)練集上訓(xùn)練ResNet50網(wǎng)絡(luò)模型，獲得基礎(chǔ)模型權(quán)重；第二步，復(fù)制預(yù)訓(xùn)練。

ResNet50的模型權(quán)重，禁止模型前兩層權(quán)重的更新（禁止模型前兩層反向傳播），目的是將預(yù)訓(xùn)練模型中特征提取、邊界劃分、物體識別等知識應(yīng)用到本研究的模型訓(xùn)練中；第三步，通過反向傳播算法，在本研究的數(shù)據(jù)集上更新模型除前兩層外其他層次的權(quán)重，由于預(yù)訓(xùn)練模型使用的數(shù)據(jù)集圖像中的人種、年齡、場景和拍攝角度均與本研究數(shù)據(jù)集不同，這一步目的是調(diào)整參數(shù)，使得模型更適用于本研究的數(shù)據(jù)集。

在本研究的小學(xué)生作業(yè)低專注識別模型中，將小學(xué)生作業(yè)專注情況進(jìn)行二分處理，若識別出“寫作業(yè)”動作則標(biāo)注為專注（標(biāo)簽為“att”），若識別出除“寫作業(yè)”之外的其他任何動作則標(biāo)注為非專注（標(biāo)簽為“noatt”）。識別模型以秒為單位輸出小學(xué)生作業(yè)專注情況，并給出置信度。筆者使用小學(xué)生作業(yè)低專注圖像數(shù)據(jù)集的 80% 作為訓(xùn)練集進(jìn)行模型訓(xùn)練后，將模型在剩余 20% 數(shù)據(jù)構(gòu)成的測試集上進(jìn)行測試。

3.模型識別結(jié)果

結(jié)果顯示，在進(jìn)行數(shù)據(jù)增強(qiáng)前的數(shù)據(jù)集上訓(xùn)練的模型準(zhǔn)確率為 60.78% ，att和noatt標(biāo)簽的F1值均為0.7；數(shù)據(jù)增強(qiáng)后，模型準(zhǔn)確率達(dá)到 90.20% ，att標(biāo)簽的F1值為0.913，noatt標(biāo)簽的F1值為 0.877。

小學(xué)生作業(yè)分心干預(yù)策略

基于實(shí)際情境中常見的低專注度問題，筆者采用問卷調(diào)查法、訪談法等研究方法獲取作業(yè)分心的原因，進(jìn)而整理出如下干預(yù)策略。

策略一：提醒。當(dāng)系統(tǒng)檢測到學(xué)生出現(xiàn)分心行為，且持續(xù)較長時(shí)間仍未自行調(diào)整時(shí)，系統(tǒng)給出語音提醒，提示學(xué)生繼續(xù)進(jìn)行學(xué)習(xí)任務(wù)；當(dāng)預(yù)設(shè)的一個(gè)學(xué)習(xí)階段結(jié)束時(shí)，系統(tǒng)提示學(xué)生休息放松，并給出休息放松方式的相關(guān)建議，如遠(yuǎn)眺、體育運(yùn)動等，休息時(shí)間結(jié)束時(shí)系統(tǒng)也將提示學(xué)生結(jié)束休息，繼續(xù)學(xué)習(xí)。

策略二：時(shí)間規(guī)劃。學(xué)習(xí)活動開始前，家長與學(xué)生共同列出待辦事項(xiàng)，系統(tǒng)以可視化形式呈現(xiàn)已完成和未完成的任務(wù)，并給予提醒，避免遺漏；作業(yè)過程中，學(xué)生和家長參考“番茄工作法”共同制定“番茄鐘”（將任務(wù)分解成半小時(shí)左右，集中精力工作25分鐘后休息5分鐘，視作一個(gè)“番茄”，25分鐘內(nèi)無論工作是否完成都應(yīng)定時(shí)休息，然后進(jìn)入下一個(gè)“番茄”時(shí)間）[9]，根據(jù)學(xué)生年齡段、作業(yè)難度與作業(yè)量等自行調(diào)整一個(gè)“番茄”的時(shí)間；“番茄鐘”進(jìn)行中，系統(tǒng)以可視化方式呈現(xiàn)學(xué)生已專注時(shí)長、本次“番茄鐘”剩余時(shí)長、單項(xiàng)任務(wù)預(yù)計(jì)還需多長時(shí)間完成等，學(xué)生可自行查看，以調(diào)整自身學(xué)習(xí)狀態(tài)和時(shí)間規(guī)劃。

策略三：數(shù)據(jù)記錄。記錄學(xué)生每次專注時(shí)長、當(dāng)日專注次數(shù)等數(shù)據(jù)，呈現(xiàn)“番茄鐘”數(shù)量、“番茄鐘”持續(xù)時(shí)間、“番茄鐘”專注程度等；分析學(xué)生學(xué)習(xí)效率相關(guān)數(shù)據(jù)，如專注時(shí)間段與學(xué)習(xí)總時(shí)長比值、各學(xué)科作業(yè)所用時(shí)長、完成作業(yè)總時(shí)長等數(shù)據(jù)；可視化呈現(xiàn)學(xué)生作業(yè)專注情況數(shù)據(jù)，隨時(shí)間的變化，通過折線圖、柱狀圖等圖表，反映學(xué)生一周、一個(gè)月、一個(gè)學(xué)期內(nèi)專注情況的變化，便于觀察學(xué)業(yè)成績和學(xué)習(xí)習(xí)慣等方面的進(jìn)步或波動。

策略四：激勵(lì)機(jī)制。代幣獎(jiǎng)勵(lì)制（以代幣作為條件強(qiáng)化物，代幣積累到一定數(shù)目時(shí)可交換真正的強(qiáng)化物，可用于矯正學(xué)齡兒童的不良行為），教師、家長與學(xué)生共同商定獎(jiǎng)勵(lì)規(guī)則，學(xué)生達(dá)成一定學(xué)習(xí)目標(biāo)時(shí)予以一定數(shù)量的代幣作為獎(jiǎng)勵(lì)，代幣可用于兌換獎(jiǎng)勵(lì)；數(shù)字徽章激勵(lì)，教師、家長可調(diào)整規(guī)則，徽章發(fā)放的數(shù)量依據(jù)，包括但不限于累計(jì)專注時(shí)長、專注時(shí)長占比、累計(jì)專注天數(shù)、進(jìn)步情況等。

策略五：輔導(dǎo)類功能。一線教師和學(xué)生家長希望系統(tǒng)根據(jù)學(xué)生自身學(xué)業(yè)水平調(diào)整作業(yè)內(nèi)容和難易度，同時(shí)提供個(gè)性化學(xué)習(xí)資源推薦，幫助學(xué)生查漏補(bǔ)缺、揚(yáng)長補(bǔ)短；學(xué)生遇到學(xué)習(xí)困難時(shí)提供輔導(dǎo)功能，學(xué)生頻繁或長時(shí)間分心時(shí)，系統(tǒng)提問學(xué)生是否遇到困難，并給出指導(dǎo)和幫助。

研究總結(jié)

本研究聚焦小學(xué)生作業(yè)場景的專注度識別。首先，對小學(xué)生作業(yè)分心行為進(jìn)行分類，并制定了小學(xué)生作業(yè)低專注度行為觀察編碼表；然后，根據(jù)編碼表，在80位小學(xué)生的作業(yè)視頻數(shù)據(jù)集上，使用基于ImageNet的ResNet50神經(jīng)網(wǎng)絡(luò)模型預(yù)訓(xùn)練方法，構(gòu)建了小學(xué)生作業(yè)低專注識別模型；最后，基于實(shí)際情境中的常見低專注度問題，整理小學(xué)生作業(yè)分心干預(yù)策略。

本研究對于提升小學(xué)生作業(yè)專注度、養(yǎng)成良好學(xué)習(xí)習(xí)慣及輔助家長教師的教育，具有一定的實(shí)踐意義，然而也存在一些不足之處，如實(shí)驗(yàn)樣本均取自重慶市兩江新區(qū)某小學(xué)，可能會導(dǎo)致識別模型的泛化能力受限，影響可遷移性；本研究整理的小學(xué)生作業(yè)分心干預(yù)策略在實(shí)踐中的效果有待驗(yàn)證。在未來研究中，應(yīng)招募來自不同地區(qū)、不同學(xué)校的被試，以更加豐富和多樣的實(shí)驗(yàn)對象提升模型的可遷移性，并在實(shí)際教學(xué)中試用小學(xué)生作業(yè)分心干預(yù)策略，收集使用者意見和建議，從而完善和改進(jìn)干預(yù)策略。

注：本文系國家自然科學(xué)基金面上項(xiàng)目“同步直播課堂中基于多模態(tài)數(shù)據(jù)的學(xué)習(xí)者專注度評估及其演化機(jī)制研究”（項(xiàng)目編號：62177008）研究成果

參考文獻(xiàn)

[1]鄭惠卿.凱興斯泰納教育論著選[M].北京：人民教育出版社， 2003：41+24+38 元

[2]杜威.學(xué)校與社會·明日之學(xué)校[M].趙祥麟，等譯.北京：人民教育出版社， 2005：91+32+34

[3]夏小慶．中小學(xué)教師對家庭作業(yè)功能認(rèn)識的調(diào)查研究[J].上海教育科研，2014（6）：78-80.

[4] 田瀾.城鎮(zhèn)小學(xué)生學(xué)習(xí)習(xí)慣的實(shí)證分析：對5省市17所學(xué)校5600名學(xué)生的調(diào)查[J].上海教育科研，2010（9）：46-47.

[5]田瀾．小學(xué)生學(xué)習(xí)習(xí)慣問卷的編制[J].心理學(xué)探新，2010，30（5）：89-94.

[6]賴松，武法提.基于多模態(tài)生理信號的學(xué)習(xí)專注度識別[J].現(xiàn)代教育技術(shù)，2023，33（6）：101-108.

[7]HeK，ZhangX，Ren S，et al.Deep ResidualLearning for Image Recognition[J].IEEE，2016.DOI：10.1109/CVPR.2016.90.

[8]秦道影.基于深度學(xué)習(xí)的學(xué)生課堂行為識別[D].武漢：華中師范大學(xué)，2020.

[9]弗朗西斯科·西里洛（FrancescoCirillo）．番茄工作法[M].北京：北京聯(lián)合出版公司，2019.

作者單位：北京師范大學(xué)教育技術(shù)學(xué)院

編輯：馮艷艷