人工智能技术在思政课教学质量评价中的应用

卞浩瑄　王兴　杨雅涵

【摘 要】如何客观、量化地评价思想政治课程的教学质量是一项难点工作。本文提出一种以人工智能为技术支撑，通过教室监控视频分析学生课堂上的行为表现，通过教师授课语音的文字识别和语音情感识别来分析教学内容和教学方法，并结合教学课件统计高频词汇，从而构建起的一套智能化的教师思政课教学质量综合评价方法。该方法的实施应用能够帮助任课教师了解学生对所授知识理解、认同的程度，进而辅助教师改进教学方式方法，提高学生听课的效率。同时，它也有助于教学管理部门及时获取各个班级、各门课程和各位教师教学质量的量化评价指标。

【关键词】人工智能;思政教育;实践创新;教学质量评估

中图分类号：G641文献标志码：A              文章编号：1007-0125（2020）16-0114-03

国势之强由于人，人材之成出于学。古之学者必有师，师者，所以传道受业解惑也。可见教育对于人才的培养起着至关重要的作用，而思想政治教育是引领人才树立正确三观、学习和践行习近平新时代中国特色社会主义思想的重要途径和基础保障。互联网和自媒体的发展，极大丰富了高校学生学习的内容，拓展了认知的途径，加速了资讯传播的速度，与此同时，“互联网+”也正推动着传统教学方法、内容和模式的不断革新。如何提高教师思政课教学的质量，提升学生学习的兴趣，增强教学相长的有益效果，一直是思政教育不断探索的问题。

近年来，GPU和众核CPU等硬件设备的普及极大地推进了人工智能（Artificial Intelligence，AI）技术的创新发展。依托人工智能，诸如自然语言识别与生成、计算机视觉、智能机器人等一大批新技术得到了日新月异的发展。在此背景下，远程视频电子白板、虚拟仿真实验平台、云教学和协同办公等智能化教辅产品逐步应用到实践教学中，提升了教学的趣味性和生动性。

对于思政课教学而言，当前这些新技术和新产品的应用，促进了教学内容的富媒体化，形式多样、内容丰富的视频、影像和动画课件让教学过程“活”了起来[1， 2]。基于移动智能终端的在线学习、在线答题、即时评分拓宽了学生思政学习的途径，帮助他们更有效地利用碎片化时间。在此技术背景下，如何利用人工智能技术帮助思政课教师评估授课质量，智能地分析学生对授课内容认知、响应的程度，是本文探究的主要目标。

一、传统思政课教学存在的困境

在教育全球化、信息网络化的背景下，思政课教育的一元化主导与大学生认知的多样化、大学生求知的广阔性与思政教育内容的狭窄性[3]之间的矛盾，是当前思政教育面临的主要困境。有别于数理化或学科专业课程，思政课既没有数学公式，也没有操作实验，授与受之间传递的是无形无相的思想。学生对这些知识接受、掌握的水平很大程度上有赖于教师讲授的水平。而教师授课水平的评价，一方面是通过对教师的各种考核得出，另一方面是通过教师所教授的班级总体成绩水平横向对比得到。

长期以来，有关如何跟踪思政课教师的教学情况，如何准确评估学生对教学过程中不同知识点掌握、理解的程度，以及如何横向对比、评价不同教師对同一课程同一知识点教学的效果，很多机构和学者开展了大量研究工作。总体而言，这些研究分析、调研统计的基础数据主要依靠抽查提问、问卷调查、任课教师或教学督导进行随堂观察、主观评分等方式。这些方法简单有效，但也存在很大的随机性和主观性，且统计过程繁琐、费时。对于授课教师教学质量的评价，主要焦点集中在教师语言表达能力、知识点熟练掌握程度、与学生交流互动能力、课件制作水平和在讲台上表现出的师风师貌等方面。教研组或任课教师如果要进一步掌握思政课教学的质量，想通过一系列量化的指标来客观地评价不同教师对不同知识点讲解、分析的能力，以及学生接受的程度，甚至想在下课时，实时得到本节课各个知识点学生听课情况的统计报表，目前尚没有行之有效的手段。

二、人工智能技术在思政课教育中的应用

为了弥补上述不足，本文提出一种以人工智能为技术支撑，通过教室监控视频分析学生课堂行为表现，并结合教师授课内容，综合评估教师思政课教学质量的方法和系统架构。

（一）系统组成架构

基于人工智能技术的思政课教学质量综合评价系统首先需要一些硬件设备作为支撑，这些设备主要包括：教室电脑、视频采集设备（摄像头）、音频采集设备和数据分析服务器等。

与常规的多媒体教室类似，教室电脑内置于讲台或多媒体机柜中，通过有线网络或WIFI与数据分析服务器进行实时数据交互。电脑预装一套可记录教师教学内容、分析学生听课情况的软件系统（以下简称TES），该软件系统包括视频分析、语音分析、语音情感分析、课件内容分析等功能模块，这些模块的业务逻辑与核心算法有赖于人工智能相关技术。视频采集设备一般安装于教室的前方，用于实时拍摄课堂上学生的行为，供视频分析模块对学生抬头、点头和低头等行为特征进行分析。音频采集设备分为语音采集设备和噪音采集设备，前者一般安装在讲台上方或前方，用于记录教师授课的语音信息，供语音分析模块进行语音识别、关键字词提取和高频词汇统计等处理，后者一般安装在窗户或教室内距离讲台较远处，用于监听环境噪声，通过降噪算法降低前者所采集的教师授课语音中的环境噪声，提高语音分析模块语音识别的准确性，以及语音情感分析模块识别的准确性。各个教室所采集的音、视频信息分别汇集到所在教室的电脑中进行处理分析，处理得到的数据上传至数据分析服务器，服务器再对接收的信息进行加工，形成多样化的评估报表，便于授课教师、教研室及教学管理部门进行查阅。

（二）基于AI的学生听课行为分析

基于人工智能技术，特别是深度学习理论，实现人体行为特征识别是近年来视频智能分析领域的研究热点[4]。诸如，运用受限玻尔兹曼机（Restricted Boltzmann Machine）构建深度信念网络，运用高维卷积神经网络（High-dimensional Convolution Neural Network）提取视频图像中的高阶特征，以及运用独立子空间分析（Independent Subspace Analysis）模拟神经元响应等。这些新方法的提出，突破了以往在该领域的技术瓶颈。

以这些新技术方法为依托，进行学生听课行为分析的过程有：1.通过人脸识别，统计教室内现有学生数量，结合课程应到学生数（可从教务相关系统获取），即可得到当前课程的学生到课率;2.根据连续的视频图像识别头顶与人脸面部特征的比例，得到当前处于低头状态的学生数量，进而得到学生低头率;3.根据连续的视频图像识别处于低头状态且头部以下区域有强于周围光照亮光的学生数目，得到当前处于非正常听课状态的学生数量和非正常听课率;4.根据连续的视频图像识别具有上半身轮廓但无完整人脸特征且在连续的视频图像中保持相对静止的学生数目，进而得到当前处于睡觉状态的学生数量和学生睡觉率。由此，将上述学生听课率、学生低头率、非正常听课率和学生睡觉率等信息传送至数据分析服务器进行下一步处理。

（三）基于AI的教师授课内容分析

自上世纪90年代，IBM就推出了语音识别的商业软件，并支持普通话识别，但受限于當时的计算机性能和基于字词发音的算法，识别前需要先进行大量个性化语音训练，且识别准确率并不高。随着循环神经网络（Recurrent Neural Network）及其各种变种，如LSTM、GRU等技术的应用，更加精准、高效、易用的连续语音识别技术已逐渐成熟[5]。当前，已有很多实时语音转换文字和语言翻译的App和硬件外设。

运用语音识别技术，采集教师授课的语音信息，经降噪滤波后转化成文本，再运用词频统计（如TF-IDF）[6]、聚类等算法从文本中提取关键字词，由此进一步统计教师在课堂讲述中出现的高频词汇和专业词汇及其出现的频率，这些统计数据将被传送至数据分析服务器进行下一步处理。

除了语音识别，教室电脑预装的TES还能够识别当前活动窗口的计算机进程，当授课教师采用Office等软件进行授课时，TES将对Word、PowerPoint、Excel文档的显示内容进行文字识别，并统计文档中出现的高频词汇和专业词汇。该识别和统计过程持续进行，以便更加准确地统计出上述高频词汇和专业词汇，提高识别的准确率。TES会定时将进程名称、类型、运行时长、显示内容以及内容中的高频词汇、专业词汇等信息上传至数据分析服务器进行下一步处理。

（四）基于AI的教师讲述情感分析

情感是个人内心世界活动的具体反映，表现了个人对所讲述内容的认同感和喜恶程度。与大多数理工类课程的教学有很大不同，思政课教师在课堂上传授、讲述知识内容时，其语调的顿挫抑扬能够表达出教师个人对所述内容认同、反感、热爱、厌恶、悲伤或快乐的情感，这些情感将无形地扩散到每个学生心中，正确得当的情感表达无疑会对学生认知和理解所授知识具有很大的引导和激励作用。

语音情感识别是近几年兴起的一项技术，同样依托人工智能和大数据分析技术，其应用能够极大地改善计算机人机交互的能力，如智能电话客服、智能业务终端、智能机器人等。

TES内置的基于AI的语音情感识别模块包含多个用于情感识别的知识库。其中，思政课教学知识库存储了思政教育相关的知识文本，为神经网络的自学习提供训练信息，神经网络训练出的模型为教师授课内容分析、教师讲述情感分析提供算法支撑;语音情感知识库存储了认同、反感、激动、平静等语音特征模型，利用Fisher相关算法、最大相关与最小冗余算法进行特征比较和特征融合[7]，再利用K近邻算法和神经网络、支持向量机（SVM）等算法实现语音的情感识别、特征库匹配和情感分析。

（五）思政课教学质量的智能评估

各个教室监听的学生课堂行为、教师授课语音、教学课件内容等信息经TES加工分析后，通过网络传输汇集到数据分析服务器中，该服务器通常部署在学校信息网络中心或机房。数据分析服务器统计、存储的信息主要包括教室编号、课程名称、任课教师、课堂学生数、学生听课率、学生低头率、非正常听课率、学生睡觉率、教师讲述的高频词汇及专业词汇、教师讲述时情感特征标识，以及计算机进程属性、进程中的高频与专业词汇和记录时间等。数据分析服务器将这些数据信息汇总并生成多种主题和形式的教学质量评估报表，如针对各个任课教师的学生听课质量评价、针对不同班级的学风评价、针对不同教学内容的学生兴趣度评价等，进而达到跟踪课堂上思政课教师授课质量和学生听课质量的自动化和智能化。能够提供客观、量化和全面的课堂“授”的质量与“受”的效果的综合评估，为授课教师事后了解和改进所授内容，以及学校跟踪教学质量情况提供了量化的数据指标，进而为教学内容改革和教学质量的评估提供了决策依据。

三、结论

思想政治教育是引领人才树立正确三观的重要途径，而思政课是高校进行思政教育的主要阵地，如何智能、客观、定量地评价思政课的教学质量一直是相关领域专家、学者努力探究的目标。本文提出一种以人工智能为技术支撑，以学生课堂行为和教师授课情感为分析对象，对思政课教学质量进行智能评估的方法。该方法的实施应用，有助于任课教师了解自己在授课时，学生对所授知识理解、认同的程度，通过学生点头、低头等行为的智能分析、量化统计，帮助任课教师掌握教学过程中的难点和枯燥点，进而辅助教师改进教学方式方法，提高学生听课的效率。同时，也有助于教学管理部门及时获取各个班级、各门课程和各位教师教学质量的量化评价指标。

参考文献：

[1]张松志.大学生思政教育中新媒体的作用及有效发挥思考[J].戏剧之家，2019，（30）：166-167.

[2]李刁.“互联网+”时代高校德育实践创新研究[D].华中师范大学，2017.

[3]章小朝.制约大学生思想政治教育实效性的结构性矛盾探析[J].中国高教研究，2009，（6）：56-58.

[4]朱煜，赵江坤，王逸宁.基于深度学习的人体行为识别算法综述[J].自动化学报，2016，（6）：848-857.

[5]刘加.汉语大词汇量连续语音识别系统研究进展[J].电子学报，2000，（1）：85-91.

[6]罗燕，赵书良，李晓超.基于词频统计的文本关键词提取方法[J].计算机应用，2016.

[7]张永皋，马青玉，孙青.基于MFCC和CHMM技术的语音情感分析及其在教育中的应用研究[J].南京师范大学学报（工程技术版），2009，（02）：95-98.