基于图像情感分析的学生在线学习评估算法

张帅

（广州工商学院计算机科学与工程系，佛山 528138)

0 引言

教学评估是教育领域的一个重要工作，也是教学工作评价的重要指标。由于评价机制的不完善，当前学校教育和教育培训的教学评估体系都面临着诸多的挑战。传统上，教育领域习惯于学生对教师或课程进行评分，教师对学生进行考试，这样的方法进行双向评估。对于学生对教师或课程的评分，经常会受到其他因素的影响。例如：教师的权威、学生对成绩的担忧、学生对教学效果缺乏对比的经验等。教师对学生的考试也不尽人意。例如：考试的试卷是否全面，难度是否合适，学生考试状态是否正常等。由于测试的时间短，主管因素太大，导致这些测试或评分难以真正的表达教学评估的效果[1][2]。因此，本算法重点针对“在线学习的评估算法”进行说明。

1 现有技术存在的问题

（1）无法对教学效果进行实时反馈，要等到课程结束之后才能知道结果。

（2）只能对教学的整体进行反馈，粒度太大，无法评估教学的细节内容。

2 基于图像情感分析的学生在线学习评估算法的基本思路

本算法面向在线课程，通过使用摄像头，对学生的学习状态进行实时监控，通过状态图像分析出教学的每一个时刻的效果，并对整体进行分析和评估。

本算法主要的步骤：

（1）通过学生的摄像头对学生进行拍摄；

（2）对学生的状态图像进行检测，检查是否包含人脸[3]；

（3）对包含人脸的图像进行情感识别分析[4]，检测学生的心里状态；

（4）对每个状态进行评分；

（5）对该课程所有学生进行统计分析。

应购买鲜活的水产品。在买鱼的时候，尽量要挑选活鱼。没有活鱼时，要闻一下鱼是否有异味或臭味，有异味或臭味的鱼不要买。用手指按下鱼的身体部位，如果鱼肉比较硬，说明鱼刚死不久。

整体流程如图1。

图1

下面分别进行详细说明。

（1）通过学生的摄像头对学生进行拍摄

本算法主要应用于在线教育。要想对教学效果进行实时的评估，就要抓住学生的实时反馈。在在线教育中，学生唯一的实时反馈就是学生的神态。因此需要对学生的神态进行实时拍摄。

在学生进入学习系统时，系统就会提示学生打开摄像头，并告知学生摄像头的用途。

（2）使用摄像头进行拍摄

（3）检测图像是否包含人脸

在图像中如果不包含人脸则无法对学生的状态进行分析。如果发现图像不包含人脸，则对学员进行提醒。

不包含人脸的图像仍需进行保存。不包含人脸的图像可能原因是：

①摄像头位置不对，这需要学员进行调整；

②学员不在电脑旁，这说明学员临时有事，或者学员对课程没有兴趣。

因此不包含人脸的图像对教学效果仍有一定的意义。

（4）对包含人脸的图像进行情感识别分析，检测学生的心里状态

使用神经网络对包含人脸的图像进行情感识别训练，主要将图像进行情感分类。训练图像来源于Cohn-Kanade(CK)Database。该数据库是由美国卡内基梅隆大学机器人研究所和心理学系共同建立的人脸面部表情数据库。包含210位年龄跨度在18-50岁成年人的2105个正面照，其中包含了69%的女性和31%的男性。

神经网络经过训练，将拍摄的学生图像输入到神经网络，得出分类结果，就可以评估出当前学生的心里状态。学生的主要心理状态包括：生气、高兴、悲伤、惊讶、厌恶、恐惧、蔑视和中性。

（5）对状态进行评分

学生的心理状态对教学效果的影响是不同的。例如：如果学生表现为生气，说明学生对教学的过程产生了非常大的不满；但是如果学生表现为高兴，说明学生对教学的过程感到满意。

因此要对不同的心理状态进行分数换算。具体换算分数如表1所示。

表1

不同心理状态的分值，通过使用统计算法进行估计，要求保证所有课程的最终评估结果符合正态分布。计算的结果会出现小数，对结果进行取整操作，形成最终的分值结果。

（6）对该课程所有学生进行统计分析

统计出一门课，每个时间点听课学生的状态分值，对分值求平均数，表示这门课程在这个时间点的最终教学效果。对一门课程所有时间的教学效果进行汇总可以形成一个连续的曲线，这可以形象直观地表示出每一个教学点的具体教学效果了。

3 结语

使用图像识别的方法对学生进行情感识别，利用情感识别来对教学效果进行评估，实现了教学评估的颗粒化，对教学过程的每一分钟都进行了评价分析。实现了教学评估的实时化，对教学评估效果可以短时间立刻查看。