|
作者：劉清堂 何皓怡 吳林靜 鄧偉 陳越 王洋 張妮 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”“行為建模與計算”和“智能服務(wù)”三個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一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)用過程中所反饋的意見，還提出了具有針對性的行為識別模型優(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 一、引言 人工智能(Artificial Intelligence)是研究、開發(fā)用于模擬和延伸人類智能的理論、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)已滲入人類生活的各個領(lǐng)域，社會對人才的需求正在發(fā)生改變，教育的變革也相應(yīng)引發(fā)。美國《國家人工智能研發(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，實(shí)施個性化學(xué)習(xí)和終身學(xué)習(xí)等[2]。我國《新一代人工智能發(fā)展規(guī)劃》提出要發(fā)展“智能教育”，推動人才培養(yǎng)模式和教學(xué)方法改革[3]?！督逃畔⒒?.0行動計劃》提出要推進(jìn)智能教育，開展以學(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，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，多是通過自我報告法、人工觀察手動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題的解決帶來了契機(jī)。利用智能技術(shù)自動采集和編碼教學(xué)過程數(shù)據(jù)，能更為全面且及時地識別課堂教學(xué)行為，自動化地對課堂教學(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型： 1.智能在線學(xué)習(xí)平臺 隨著在線學(xué)習(xí)，特別是MOOC及智能教學(xué)平臺的快速發(fā)展，在線學(xué)習(xí)平臺記錄下學(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)過程的海量數(shù)據(jù)是進(jìn)行學(xué)習(xí)分析的數(shù)據(jù)來源?；诮逃髷?shù)據(jù)利用人工智能技術(shù)進(jìn)行學(xué)習(xí)分析，實(shí)時洞悉學(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)績效預(yù)測等。如：學(xué)者M(jìn)acfadyen基于在線學(xué)習(xí)平臺所記錄的學(xué)習(xí)者行為數(shù)據(jù)，對學(xué)習(xí)者的學(xué)習(xí)績效進(jìn)行了預(yù)測[5]。李爽基于在線學(xué)習(xí)平臺的數(shù)據(jù)，構(gòu)建了學(xué)習(xí)投入評測模型，并進(jìn)一步分析了在線學(xué)習(xí)投入與學(xué)習(xí)績效之間的關(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)，是指一個能夠模擬人類教師來幫助、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)域知識模型、學(xué)習(xí)者模型、教學(xué)法模型和人機(jī)接口模型[8]。學(xué)者Hilles等設(shè)計開發(fā)了智能教學(xué)系統(tǒng)MDB以支持?jǐn)?shù)據(jù)庫系統(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)對其情感進(jìn)行自動識別，再通過虛擬教師的情感表達(dá)與學(xué)習(xí)者進(jìn)行互動，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，對學(xué)生的數(shù)學(xué)學(xué)科能力進(jìn)行測評、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)建的個性化、數(shù)字化、智能化的新型學(xué)習(xí)環(huán)境[13]，具有主動感知教學(xué)情境、自動采集分析數(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)挖掘方法對不同認(rèn)知風(fēng)格的學(xué)習(xí)者的問題解決過程進(jìn)行了對比分析，該方法可為課堂教學(xué)的研究和教學(xué)設(shè)計的優(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，便于教師對學(xué)生進(jìn)行實(shí)時監(jiān)控并提供針對性指導(dǎo)[15]。國內(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)評價提供實(shí)證基礎(chǔ)，從而能提升教師的課堂表現(xiàn)，推動教師教育的變革[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]。美國布拉德利大學(xué)的Uskov教授對智慧大學(xué)的概念模型進(jìn)行了系統(tǒng)化的設(shè)計，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，Uskov教授還設(shè)計了智能學(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、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)分析帶來了便利。在課堂教學(xué)方面，數(shù)字?jǐn)z像、語音識別、電子書包、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[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)生行為和互動行為[22]。課堂教學(xué)行為具有情景性和動態(tài)性，然而，在一定情境中，課堂教學(xué)行為同時又具有一定的規(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，提高教學(xué)行為的效率[23]。課堂教學(xué)行為研究對促進(jìn)教學(xué)評價的客觀性[24]，優(yōu)化教學(xué)設(shè)計[25]，發(fā)展教師實(shí)踐性知識[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)量表對課堂中的教學(xué)行為進(jìn)行手工編碼記錄，再進(jìn)行計算分析。學(xué)者Anderson對幼兒教師與兒童的交互行為進(jìn)行研究，研制出了觀測幼兒教師在教學(xué)過程中的支配行為和民主行為的量表，并對兩種行為進(jìn)行計算比較[27]。弗蘭德斯(Flanders)互動分析系統(tǒng)(FIAS)將課堂中教師和學(xué)生的言語行為分為教師言語、學(xué)生言語、靜止或混亂三大類共10個維度，觀察人員選擇適當(dāng)?shù)拇a記錄下師生的言語互動行為，形成互動分析矩陣，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，通過觀察課堂教學(xué)過程，以一定時間間隔進(jìn)行采樣、編碼，形成S-T時序數(shù)據(jù)，繪制S-T曲線并計算確定課堂教學(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)帶來了更為豐富的媒體展示和信息交互，同時也帶動了課堂教學(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)者們設(shè)計了融入信息技術(shù)特征的編碼系統(tǒng)；同時，課堂教學(xué)行為分析軟件的開發(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)互動分析系統(tǒng)，增加了師生與技術(shù)互動的維度，設(shè)計了基于信息技術(shù)的互動分析編碼系統(tǒng)(ITIAS)[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象，基于質(zhì)性分析的視角對課堂教學(xué)行為進(jìn)行研究[32]。王艷麗等開發(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)行為切入開展識別模型的構(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，同時分析的效率也得到了極大提升。學(xué)者Liu等利用移動腦波傳感器采集學(xué)習(xí)者的腦電信號，采用支持向量機(jī)分類器分析計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)時教學(xué)干預(yù)提供了支持[34]。學(xué)者Whitehill等開發(fā)了自動化的課堂學(xué)習(xí)參與度識別器，該工具采用機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)了對學(xué)習(xí)者面部表情的自動采集和計算，推斷出學(xué)習(xí)者的參與度情況，以增強(qiáng)教師對學(xué)習(xí)者參與度的瞬時感知[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)建了基于人臉檢測與表情分析的課堂教學(xué)評價系統(tǒng)，分析與評價了學(xué)生對課堂教學(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)正走向自動化和智能化，這使得課堂教學(xué)評價的常態(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)測試階段。通過教學(xué)視頻來分析教學(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，可這對圖像抓取、特征選擇、數(shù)據(jù)處理、計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、師生互動行為等，同時需要綜合考慮課堂教學(xué)內(nèi)容(知識點(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、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。以下對各模塊具體功能進(jìn)行介紹。 (一)數(shù)據(jù)采集與存儲模塊 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)存儲到相應(yīng)的數(shù)據(jù)庫中。采集的數(shù)據(jù)主要分為4種類型：圖像數(shù)據(jù)、語音數(shù)據(jù)、生理信號數(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方位的攝像頭等來進(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)。語音數(shù)據(jù)主要通過教室安裝的拾音器、教師佩戴的麥克風(fēng)等來進(jìn)行采集。生理信號數(shù)據(jù)則是利用可穿戴設(shè)備來進(jìn)行采集，采集的信號包括：腦電、皮膚電、心率、血壓、呼吸、皮膚溫度、肌電、眼電信號等。其他數(shù)據(jù)包括教學(xué)過程中的文本數(shù)據(jù)、基于移動終端的師生互動答題數(shù)據(jù)等，可利用相關(guān)工具進(jìn)行采集。對數(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；對語音數(shù)據(jù)及生理信號數(shù)據(jù)去除噪聲、變換格式等。 行為識別與計算模型的構(gòu)建，離不開高質(zhì)量訓(xùn)練集和測試集的支撐。建立行為和情感數(shù)據(jù)庫是進(jìn)行行為識別的基礎(chǔ)。一個真實(shí)、自然、可靠的教學(xué)行為和情感數(shù)據(jù)庫有利于教學(xué)行為特征的分析和提取，有利于提高行為識別的準(zhǔn)確性。因此在構(gòu)建教學(xué)行為和情感數(shù)據(jù)庫來進(jìn)行模型的訓(xùn)練和驗(yàn)證時，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，語音咬字清晰并較少摻雜噪聲，盡量減少生理信號采集過程中產(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：可通過對標(biāo)注人員進(jìn)行培訓(xùn)來提升準(zhǔn)確度。數(shù)據(jù)平衡性是指樣本數(shù)目在各個類別之間的分布大致相等?？赏ㄟ^建立行為和情感數(shù)據(jù)庫評價指標(biāo)體系來對數(shù)據(jù)庫進(jìn)行量化評價，以保證其質(zhì)量等。 (二)行為建模與計算模塊 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)行為識別與計算模型并進(jìn)行行為計算，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、行為識別與計算。 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)行為與人類動作、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)行為與人物動作、姿態(tài)、表情等特征之間的對應(yīng)關(guān)系，形成相應(yīng)的指標(biāo)體系，使教學(xué)行為的測量更具有可操作性，以指導(dǎo)數(shù)據(jù)采集、特征提取和選擇、行為識別與計算等。如在分析學(xué)生學(xué)習(xí)興趣時，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個維度，其中認(rèn)知注意力的測量指標(biāo)為學(xué)生注視黑板的時長，學(xué)習(xí)情感的測量指標(biāo)為注意力集中時的笑臉時長，思維活躍度則是通過答題正確率和答題頻率來進(jìn)行測量[38]。 數(shù)據(jù)獲取主要是從圖像、語音、文本、生理信號等數(shù)據(jù)庫中獲取數(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、語音、文本及生理信號等數(shù)據(jù)中獲取能夠表征行為類別的相關(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，以為行為識別提供具有良好區(qū)分性的特征。特征提取在人臉識別、數(shù)據(jù)可視化、模式識別等領(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，可利用皮爾遜統(tǒng)計量、信息增益等方法來度量和評估特征與類別之間的相關(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)自下而上的無監(jiān)督的特征自動提取，在樣本量較多的情況下采用此方法獲取特征，無需過多的人為干預(yù)，也得到較多研究者的青睞。 行為識別與計算是利用相關(guān)算法根據(jù)輸入的特征信息進(jìn)行教學(xué)行為類別的判斷和計算，內(nèi)容包括決策層融合、情感識別、教學(xué)行為分類、師生行為比例計算、教學(xué)模式判斷等。行為識別與計算模型的構(gòu)建需反復(fù)調(diào)試與比較，以提升其計算性能和精度。當(dāng)行為識別與計算模型構(gòu)建成功后，便可實(shí)現(xiàn)自動化的以教學(xué)行為多模態(tài)數(shù)據(jù)作為輸入變量進(jìn)行計算，輸出相應(yīng)的教學(xué)行為狀態(tài)結(jié)果，計算結(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方面。在課堂教學(xué)過程中，智能分析與計算結(jié)果的實(shí)時可視化呈現(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)的形成性評價，及時調(diào)整教學(xué)策略，提供有針對性的學(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的課堂教學(xué)行為分析數(shù)據(jù)，與學(xué)生的人口統(tǒng)計學(xué)信息及學(xué)習(xí)績效相關(guān)聯(lián)，發(fā)現(xiàn)影響學(xué)生學(xué)習(xí)績效的相關(guān)因素，便于教師精準(zhǔn)施教?；谟嬎憬Y(jié)果自動生成的課堂記錄表及教師成長曲線等，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)用過程中，對出現(xiàn)的問題以及提出的建議形成反饋，繼續(xù)對計算模型進(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)對教學(xué)系統(tǒng)的多樣性和復(fù)雜性。在對教學(xué)行為進(jìn)行數(shù)據(jù)刻畫時，既要針對不同的學(xué)習(xí)場景和學(xué)習(xí)過程，還需考慮教學(xué)行為數(shù)據(jù)來源的多樣性和異構(gòu)性，研制相應(yīng)的標(biāo)準(zhǔn)規(guī)范對師生不同的教學(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)帶來巨大便利，同時也存在著信息泄露的風(fēng)險和危害。因此，在數(shù)據(jù)的采集、分析和應(yīng)用的過程中，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行為(教師行為)和S行為(學(xué)生行為)兩類，這使得教學(xué)過程中的行為編碼變得清晰而簡單，提高了分類的可靠性和客觀性。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)自動化、常態(tài)化、規(guī)?；蔀榭赡?。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)用過程。 (一)數(shù)據(jù)采集與存儲 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)采集語音數(shù)據(jù)，并通過錄播系統(tǒng)自動合成為教學(xué)視頻，存入視頻數(shù)據(jù)庫中。本研究采集了10個中小學(xué)課堂教學(xué)現(xiàn)場視頻作為訓(xùn)練集和測試集。 2.構(gòu)建課堂教學(xué)行為圖像數(shù)據(jù)庫 通過視頻圖像捕獲軟件，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)注圖像的行為類別(T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%作為測試集，分別存入訓(xùn)練圖像庫和測試圖像庫。 (二)行為建模與計算 1.教學(xué)行為機(jī)理研究 教學(xué)過程中的S-T行為分析，T行為主要包括教師的解說、示范、板書、媒體演示、提問、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分析方法對課堂教學(xué)場景進(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)，主要對課堂教學(xué)圖像中的T行為進(jìn)行識別。根據(jù)人臉檢測、輪廓檢測等技術(shù)的特點(diǎn)及其對教學(xué)場景圖像特征的識別，建立教學(xué)行為與圖像特征之間的對應(yīng)關(guān)系，設(shè)計了S-T行為分析特征指標(biāo)，如表1所示。 
在表1中，可將教師行為T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特征來表示。行為T1為教師解說、課件播放或板書，教師背對或側(cè)對學(xué)生，教學(xué)視頻中沒有人臉，可用人臉檢測數(shù)目為0和輪廓數(shù)目較少來進(jìn)行推測。行為T2為教師解說示范、提問或點(diǎn)名，視頻中出現(xiàn)教師正面人臉且教師背景環(huán)境簡單，可用人臉檢測數(shù)目為1和圖像最大輪廓面積較大來進(jìn)行推測。行為T3為教師解說，視頻中表現(xiàn)為學(xué)生聽課抬頭看黑板，人臉數(shù)目和輪廓數(shù)目較多。行為T4為教師在學(xué)生中巡視、講授，主體動作幅度較大時，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)行做差計算，得到幀間差分圖像并計算其最大輪廓面積，如其大于某閾值可判斷有物體移動，并且背景有學(xué)生時，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、測試圖像庫或視頻數(shù)據(jù)庫中獲取數(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行為分類的特征。OpenCV是一個開放源代碼的計算機(jī)視覺類庫[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)通過人臉檢測獲取圖像中人臉數(shù)目。人臉檢測需要提取人臉特征，OpenCV提供了HOG、Haar、LBP等多種特征提取技術(shù)。本研究采用OpenCV自帶的人臉檢測器，通過在訓(xùn)練集中進(jìn)行實(shí)驗(yàn)對比，Haar人臉檢測器獲得了較高準(zhǔn)確率，得以在本研究中使用。 (2)通過輪廓檢測獲取圖像中輪廓數(shù)目及最大輪廓面積。輪廓檢測是從圖像中找出顯著性物體并提取物體輪廓。通過對樣本圖像進(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，可將輪廓檢測結(jié)果(輪廓數(shù)目和面積)作為S-T行為類型判定的因素之一。本研究中圖像輪廓檢測的步驟如圖2所示，首先采用中值濾波對原始圖像進(jìn)行降噪、去噪，得到較為平滑的圖像；然后對圖像進(jìn)行二值化處理，以凸顯物體輪廓；最后對二值化圖像進(jìn)行輪廓檢測，同時過濾掉面積較小輪廓，對輪廓的數(shù)目與面積進(jìn)行統(tǒng)計并保存，提取最大輪廓面積。 
(3)采用幀差法進(jìn)行主體動作檢測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)或相隔一定時間的幀間差分來確定圖像中的變化區(qū)域，從而判斷運(yùn)動目標(biāo)[43]。本研究中幀差法計算步驟如圖3所示，將相鄰兩個樣本圖像進(jìn)行差分運(yùn)算得到幀間差分圖像，然后對幀間差分圖像進(jìn)行二值化處理及輪廓檢測，即可將運(yùn)動目標(biāo)檢測出來。課堂情境下，幀間差分圖像中最大輪廓面積的取值較大時，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軟件對從訓(xùn)練集圖像中所提取的圖像特征進(jìn)行評估，判斷其與教學(xué)行為類別之間的相關(guān)性，對各特征值進(jìn)行歸一化處理后，計算結(jié)果如表2所示。 
計算所有單個特征與教學(xué)行為類別之間的皮爾遜相關(guān)系數(shù)，并根據(jù)系數(shù)的大小對特征進(jìn)行排序，系數(shù)值越大表示該特征與教學(xué)行為類別之間的相關(guān)性越強(qiáng)。表2中的4項特征都取得較大數(shù)值，因此可將其作為建立行為識別模型的自變量。 5.行為識別與計算 (1)構(gòu)建行為識別模型，對教學(xué)行為類別進(jìn)行判斷。以提取到的圖像特征信息及分類結(jié)果作為輸入訓(xùn)練并評估分類器，以獲得針對本數(shù)據(jù)集的最優(yōu)分類器。所選擇算法訓(xùn)練得出的分類器性能比較如表3所示。通過比較發(fā)現(xiàn)，決策樹分類器的精確率較高，可作為針對本數(shù)據(jù)集的最優(yōu)分類器。 
(2)師生行為統(tǒng)計及教學(xué)模式判定。利用訓(xùn)練得到的分類器，輸入圖像特征信息，對教師行為和學(xué)生行為進(jìn)行識別。利用識別的結(jié)果計算生成師生互動曲線并判定課堂教學(xué)模式。設(shè)定教師行為(T)的個數(shù)為Nt，學(xué)生行為(S)的個數(shù)為Ns，連續(xù)同一行為的連數(shù)為g，公式(1)計算的是課堂中教師行為占有率Rt，公式(2)則計算師生行為轉(zhuǎn)換率Ch： Rt＝Nt / (Nt+Ns) (1) Ch＝(g－1) / (Nt+Ns) (2) 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)了對課堂教學(xué)視頻進(jìn)行自動化計算分析，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)語文《雪地里的小畫家》一課的師生互動情況，最右側(cè)顯示的是通過計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)模式類型為講授型。該實(shí)驗(yàn)成果在應(yīng)用過程中得到了教師的認(rèn)可，新方法減輕了教師統(tǒng)計數(shù)據(jù)的工作量，讓教師能更專注于課堂教學(xué)的反思和評價；同時該方法使課堂教學(xué)行為分析實(shí)現(xiàn)常態(tài)化、規(guī)?；蔀榭赡埽鄯e下來的數(shù)據(jù)有利于教師通過橫向和縱向的對比分析，發(fā)現(xiàn)自身不足，加速個人成長，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，希望軟件能自動識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)計等，則更有利于對課堂教學(xué)行為進(jìn)行對比和分析。 
2.反思與對策 根據(jù)應(yīng)用過程中所獲得的反饋和意見，進(jìn)行總結(jié)和反思，提出改進(jìn)策略以求進(jìn)一步滿足實(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)挖掘和融入更多的行為識別特征(如：頭部姿態(tài)特征、語音特征、生理信號特征等)，采用多模態(tài)信息融合的方法提升行為識別的精確度、多樣化及細(xì)粒度；同時，還要優(yōu)化特征提取方法提高檢測準(zhǔn)確率和魯棒性，以提升行為識別模型的泛化能力。最后，進(jìn)行教學(xué)行為分析和統(tǒng)計時能關(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，還需注意隱私保護(hù)，防止教師和學(xué)生的個人信息泄露。 五、結(jié)語 人工智能技術(shù)讓我們能以一種新的方式來看待課堂和教學(xué)，帶來了新的教育理念和教學(xué)評價方式。教學(xué)過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)用過程中所獲得的反饋意見，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].中國電化教育,2016,(6):8-15. [2] National Science and Technology Council.The national artificial intelligence research and development strategic plan[EB/OL].https://www./news/national_ai_rd_strategic_plan.aspx,2016-10-20. [3] 國務(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/zhengce/content/2017-07/20/content_5211996.htm,2017-07-20. [4] 教育部關(guān)于印發(fā)《教育信息化2.0行動計劃》的通知[EB/OL].http://www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html,2018-04-18. [5] Macfadyen L P,Dawson S.Mining LMS data to develop an“early warning 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)投入評測模型[J].開放教育研究,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[J].開放教育研究,2018,(4):33-42. [9] Hilles M M,Naser S S A.Knowledge-based Intelligent Tutoring System for Teaching Mongo Database[J].European Academic Research,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 M.Learning Approaches to Applying Robotics in Science Education[J].Journal 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].中國電化教育,2014,(11):23-29. [14] Angeli C,Howard S,et al.Data mining in educational technology classroom research:Can it make a contribution?[J].Computers& Education,2017,113(5):226-242. [15] Holstein K,Hong G,et al.The classroom as a dashboard:co-designing wearable cognitive augmentation for K-12 teachers[A].Abelardo Pardo.Proceedings of the 8th International Conference on Learning Analytics 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[J].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.Smart Universities:Concepts,Systems,and Technologies[M].New York:Springer Press,2018. [20] Uskov V.L.et al.Building Smart Learning Analytics System for Smart University[A].Vladimir L.Uskov.Proceedings of the 4th International KES Conference on Smart Education and Smart E-Learning[C].New York:Springer Press,2017.191-204. [21] 中國社會科學(xué)院語言研究所詞典編輯室編.現(xiàn)代漢語詞典[M].北京:商務(wù)印書館,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)校為個案[D].長沙: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 socially integrative behavior in teachers’contacts with children[J].Child Development,1939,10(2):73-89. [28] Flanders N.Intent,Action and Feedback:A Preparation for Teaching[J].Journal of Teacher Education,1963,14(3):251-260. [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.支持教師專業(yè)發(fā)展的課堂分析技術(shù)新探索[J].中國電化教育,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[J].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 al.Recognizing the Degree of Human Attention Using EEG Signals from Mobile Sensors[J].Sensors,2013,13(8):10273-10286. [35] Whitehill J,Serpell Z,et al.The Faces of Engagement:Automatic Recognition of Student Engagement from Facial Expressions[J].IEEE Transactions 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)參與度識別方法研究——基于一項多模態(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] Gary Bradski, Adrian Kaebler.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].長沙:中國科學(xué)技術(shù)大學(xué),2013. 
作者簡介：劉清堂：教授，博士生導(dǎo)師，研究方向?yàn)閷W(xué)習(xí)分析技術(shù)、知識挖掘與知識服務(wù)；何皓怡：高級工程師，在讀博士，研究方向?yàn)閷W(xué)習(xí)分析技術(shù)；吳林靜：副教授，博士，研究方向?yàn)榻逃龜?shù)據(jù)挖掘、人工智能與教育應(yīng)用；鄧偉：副教授，博士，研究方向?yàn)槿斯ぶ悄?、?chuàng)客教育；陳越：高級工程師，博士，研究方向?yàn)橹悄茕洸ハ到y(tǒng)設(shè)計與開發(fā)；王洋：在讀博士，研究方向?yàn)樵诰€教學(xué)、學(xué)習(xí)分析技術(shù)；張妮：副教授，在讀博士，研究方向?yàn)榻處煂I(yè)發(fā)展。
|
