课堂行为的智能分析在教学改革中的应用

邵一川 李常迪 曹勇 贾天蕊

摘   要

将人工智能引入课堂，专注于对师生课堂行为的捕捉，通过深度学习算法，量化教师教学行为与学生听课行为，形成课堂行为曲线及最优与最差教学方案列表，并将其结果反馈给教师，作为优化教学方案的依据，最后通过教师团队优化教学方案的实例与师生的反馈得到验证。结果表明，所有教师的教学方案有了不同程度的优化，课堂专注度与教学效果得到整体提升。

关键词

人工智能  深度学习  课堂行为  优化教学方案  课堂专注度

教学内容与教学效果有最直接的关系，教学内容的设计决定着教学效果的优劣，教学方案是教学内容的表现形式，有效的教学方案从某种意义上比教师的能力更加重要，优秀的教师能够针对不同的教学内容知识点选择最适合的教学方案[1]，提高学生课堂专注程度，产生最佳的教学效果，这一过程被称为优化教学方案[2]。优化教学方案对提升课堂专注度，改善学习效果和提升教学质量会产生至关重要的影响[3]。教学方案具有很强的自主性，如何优化教学方案，使课堂气氛更活跃、学生更专注，从而达到知识传授更顺畅的目的，是教学改革的重要研究方向之一[4]，但教学方案的优劣很难通过传统的评价方式进行量化。近年來，人工智能技术的发展为教学方案的评价和优化带来了新的契机，利用人工智能技术可以更快捷、及时、精准地量化课堂行为[5]，进而推荐最佳教学方案，提升整体教学质量。

人工智能技术是开发用于模拟人的智能的理论及方法的一门科学[6]。人工智能领域中一个重要分支是深度学习技术，深度学习技术可以通过模拟生物大脑神经网络的结构，从而使程序具备图像识别与视频分析的能力[7-9]。

本文提出利用深度学习技术分析课堂行为。分析前先提出三个概念：课堂行为曲线（Cshapelet）、最优教学方案序列（Blist）及最差教学方案序列（Wlist）。Cshapelet是对教学过程中课堂行为进行量化所形成的曲线;Blist是针对同一节课的所有授课教师Cshapelet最大值对应的教学方案汇总;Wlist则正好相反，是Cshapelet最小值对应的教学方案汇总。利用深度学习技术可以对课堂行为进行建模，将教学过程中学生听课行为与教师教学行为进行量化，得到教师的表现度与学生的专注度，再由表现度与专注度线性组合得到课堂专注度，形成Cshapelet，并将Cshapelet与教师教学方案进行关联，用Cshapelet作为评价教学方案优劣的依据，然后对所有教师同一节课的Cshapelet进行对比分析，从中提取Blist及Wlist，最后所有教师根据Blist与Wlist的教学方案与自己的教学方案对比，优化自己的教学方案，提高课堂专注度，从而提升整体教学效果。

一、课堂行为建模

课堂行为建模是利用深度学习技术将课堂行为量化，然后将量化后的结果反馈给教师作为教学方案调整的依据。课堂行为建模过程是根据课堂上教与学的相互关联，结合深度学习技术分析课堂行为，构建教师与学生的行为模型，同时进行量化分析，形成Cshapelet，并综合所有教师的Cshapelet从中提取Blist与Wlist。模型包括课堂行为建模量化分析模块与Blist及Wlist提取模块，见图1。

1.课堂行为建模量化分析模块

课堂行为建模量化分析模块是对学生与教师的课堂行为进行抓取与建模，并将学生群体专注于课堂的程度与教师课堂的表现程度通过模型进行量化，量化值作为课堂行为的量化结果，用课堂专注度来表示。

2.Blist、Wlist提取模块

（1）形成Cshapelet

课堂行为量化结果在教学过程中可以实时可视化的呈现，通过Cshapelet可以了解教学过程中课堂专注度的起伏变化。课堂行为量化后的可视化结果由3种数据类型呈现，分别是教师表现度Tt，学生专注度St以及整体专注度Ct，课堂行为分析模型建立后，可以分析出教师授课时每一时刻的课堂专注度Ct，由Ct进一步形成Cshapelet。教师的表现与学生课堂专注度有密切的关系，教师的表现度越高，学生的专注度越高。

（2）提取Blist及Wlist

由于每位教师会采用各自的教学方案授课，高Ct值意味着教师的教学方案与教学表现可以更好的吸引学生的注意，那么教师采用的教学方案的优劣则可以通过教师群体Cshapelet之间的对比间接的体现出来，将反馈效果好的教学方案提取出来就形成了课程的Blist，Blist是课堂行为分析模型综合所有教师的教学方案中筛选出最优教学方案的集合，同时将反馈效果差的教学方案也提取出来形成课程的Wlist。借助Blist与Wlist，教师可以对自己的教学方案进行优化，以提升教学效果。

二、优化案例实际应用

根据本文提出的课堂行为分析模型，对某校2018届、2019届共16个班的自然科学课程中“信息技术”进行教改尝试。教学分2轮进行，每轮8个班级，教师团队共有4人，每名教师负责2个班的教学。

1.课堂行为量化形成Cshapelet

首轮教学针对2018届展开，4位教师分别根据教学内容知识点制定相应的教学方案，见表1。

根据课堂行为分析模型对4位教师教学中课堂专注度进行量化，形成4位教师的Cshapelet，见图2。

从图2中可以看出：（1）教师C针对“信息技术种类”以及“信息获取方法”采用“思维导图+问题式学习”的教学方案，其课堂专注度较高，而教师A采用“板书讲授”的方案授课，其课堂专注度相对较低。（2）当教师C采用“问题式学习+合作式学习”的教学方案讲授“信息编码”与“信息技术应用”知识点时，课堂专注度有明显下降，但教师A采用“板书讲授”的教学方案时，课堂专注度却保持很高。（3）对于“信息加工”与“信息存储”，教师C、D分别采用“动画演示+头脑风暴”与“视频讲解+幻灯片讲授”的教学方案，其课堂专注度较高，效果比较理想，同样的知识点，教师A、B分别采用“板书讲授+幻灯片讲授”与“幻灯片讲授+思维导图”的方案，其课堂专注度相对偏低。

通过不同教师Cshapelet的对比可以发现，对于相同的知识点选择不同的教学方案，其课堂专注度差距很大，而课堂专注度直接影响着教学效果，所以针对相同的教学内容而言教学方案的选择对教学效果有着重要的影响。Cshapelet以数据曲线的形式展现每一时刻每位教师的课堂专注度，通过Cshapelet可以清晰对比不同教师的课堂行为，也为后面的教学方案优化提供数据支撑。

2.提取Blist和Wlist

（1）按知识点对专注度汇总

通过Cshapelet对4位教师按知识点做课堂专注度汇总统计得到表2。表2中可以对比所有教师教学情况的课堂专注度C，以及各知识点专注度Cj。

（2）按教学方案对知识点专注度汇总

对于教学内容的知识点j，每一位教师采用的教学方案可能相同也可能不同，需要通过表1与表2的综合统计，对相同教学方案产生的Cj做平均，可以得到对于知识点j的教学方案的平均专注度Cj，见表3。比如，对于“信息获取方法”，教师B与C都采用了“问题式学习”教学方案，得到C2专注度分别为220、360，如表2中加粗斜体数字，对其求平均C2=290，数值290就是针对“信息获取方法”采用“问题式学习”教学方案的平均专注度，如表3加粗斜体数字。

表3显示了对于各知识点所采取不同教学方案所对应的课堂专注度。表3中Cj为零表示的是针对知识点j，4位教师都没有采用这种教学方案，而Cj值越大说明这种教学方案针对于知识点j的课堂专注度越高，那么这种教学方案可能会比较适合知识点j，相反Cj值越低说明针对知识点j采用这一教学方案无法吸引学生的关注，需要对教学方案进行优化。

（3）综合对比形成Blist和Wlist

综合所有教师的课堂专注度对比，提取每个知识点的最高与最低Cj对应的教学方案形成Blist和Wlist，见表4。

结合教学内容，从表4中可以看出，除了对于“信息编码”采用“板书讲授”的效果较好外，其它知识点采用“板书讲授”的效果不是很好。这说明特定的教学方案适合特定的教学内容，当教学内容以理论性及强逻辑性为主时，如对于“信息技术种类”和“信息技术总結”，采用思维导图的的教学方法效果更佳;当教学内容以基本原理为主时，如“信息获取方法”则更适合采用问题式学习引导学生以思促学;当教学内容需要在讲解过程中激发学生产生创新思维和新观念时，如“信息资源管理”与“信息存储”，更适合采用“头脑风暴”来激发学生的创新能力;当教学内容需要实际操作帮助理解知识点时，如“信息技术应用”采用合作式学习更能提高学生对知识的吸收;当教学内容比较抽象，如对于知识点“信息加工”，教师采用“视频讲解”的教学方案更能帮助学生快速理解理论知识;当教学内容以课本上基础知识为主时，如对知识点“信息编码”的讲解，采用“板书讲授”配合教学材料就能够很好的达到提高课堂专注度的效果。

3.优化教学方案

课堂行为建模可以得出教学方案与教学内容之间的一些关系以及Blist与Wlist，但不能作为优化教学方案的唯一依据，优化教学方案需要结合课堂行为建模量化与学生反馈以及教师风格特点共同决定。

（1）学生评教反馈

首轮教学过后，对2018届8个班243名学生做电子问卷调查，调查针对4位教师教学内容的对应教学方案进行评分，教学方案评价指标分4个方面，分数从1至5分，具体内容见表5。

从表5可以看出：评教指标体系把对教学方案与教师的教学评价看作是一个整体，而且从学生的角度出发评价具体教学方案的优劣。学生对每个知识点对应的教学方案进行评价，评价结果汇总求平均后见表6。

教学方案评价汇总结果（表6）与知识点专注度汇总结果（表2）比较接近，说明课堂专注度高其教学方案评教结果也比较好。学生对教学方案评价数据应该作为一个重要的优化教学方案的依据得到有效的利用。

（2）结合反馈优化教学方案

4位教师根据Blist、Wlist、Cshapelet的数据以及学生评教反馈结果，对教案做如下优化：

教师A针对“信息技术种类”“信息获取方法”“信息加工”知识点，通过Wlist的借鉴以及与其它教师Cshapelet的对比，发现采用“板书讲授”的教学方案课堂专注度较低，明显不适用于教学内容，再通过对Blist的借鉴，在第二轮教学中准备依次优化为“思维导图”“问题式学习”与“视频讲解”，其它知识点也借鉴Blist做出相应优化。

教师B通过Cshapelet与Wlist发现对于“信息存储”采用“思维导图”的教学方案得到的课堂专注度会有明显下降，故借鉴Blist优化为“头脑风暴”，同时其它教学方案也借鉴Blist做出优化。

教师C针对“信息存储”采用“头脑风暴”的教学方案虽然被提取为Blist，但教师C对比教师A的教学方案以及Cshapelet，认为针对“信息存储”改用“幻灯片讲授”对信息存储的方式做列举要优于“头脑风暴”，因此在下轮教学中决定改用“幻灯片讲授”的教学方案。

教师D针对“信息存储”认为自己采用的“幻灯片讲授”的方案得到课堂整体专注度较高，故并未作出教学调整，而对“信息编码”觉得可以借鉴教师B的“问题式学习”讲授“信息编码”，采用问题式引导的方式教学效果会更佳。

（3）优化结果对比

在第二轮教学中，4位教师借助Blist、Wlist与Cshapelet的辅助，针对“信息技术”分别优化各自的教学方案，对应关系见表7。

采用表7教学方案授课，量化课堂行为得到教师优化教案前后的Cshapelet见图3。从图3可以看出大部分教师授课时Ct都有不同程度的提高，Cshapelet都有明显提升。所以充分利用Blist、Wlist优化教学方案，可以让教师的Cshapelet尽可能“不陷入”迅速下降阶段，从而提高课堂整体专注度。

三、学生反馈对比

学生反馈通过对学生做电子问卷调查得到，学生包括2018届8个班243人，2019届8个班245人。调查内容主要包括对教师教学方案、教学效果以及教学内容的评价，具体内容见表8。

问卷调查结果显示，2019届的学生对教师教学方案的满意度、课堂内容掌握程度、紧跟课堂学习进度以及课堂学习兴趣的比例均高于2018届学生，这说明优化教学方案对于提升教学效果起到一定作用，但2019届学生在对课堂内容充实度的反馈中较2018届偏低。针对于这一反馈结果，教师认为在完成课堂内容讲授后，可以提出与当堂课内容相关的思考题留给学生进行讨论，这样能够加深学生对课堂内容的理解。通过分析学生的反馈数据对比信息，便于教师准确地把握学生实际学习情况，适当调整教学方案，对于课堂行为建模量化分析具有建设性意义。

四、讨论与改进

对《自然科学》中的“信息技术”这节课进行了教学改革尝试，形成了4位教师授课时各自的Cshapelet，得到这节课的Blist与Wlist。在教改实践中，教师根据Blist、Wlist、Cshapelet以及学生对教学方案反馈，优化了各自的教学方案，优化后的Cshapelet都比之前的Cshapelet有不同程度的提高，优化教学方案达到了提高课堂整体专注度的目的，4位教师也充分肯定了量化分析对于教改的价值。

课堂行为建模虽然可以为教师提供参考与借鉴，但并非所有的教师都会收到良好的效果，还需要根据学生的反馈以及自己的教学风格与特点调整教学方案。随着对课堂行为分析模型的深入研究，笔者发现了模型的一些需要改进之处：第一，課堂行为抓取应该进一步增加维度。增加学生、教师的生理特征采集，如心跳、血压、体温等，结合面部表情变化，得到更加细化、个性化的个体行为特征。第二，应该深度挖掘教师教学行为与学生课堂行为的内在联系。通过实践发现，两者会相互促进，当学生的专注度到达一定程度时，教师的表现度也会很快提高，这也是教师教学行为与学生行为的内在更精致的联系。第三，应该吸收更多的教师参与课堂行为建模教改研究，丰富教学方案的种类。

通过深度学习技术对课堂行为建模及量化，将量化结果作为教师优化教学方案的依据，有利于教师优化自己的教学方案，实际教学改革中取得了较好的效果，而所有教师课堂行为量化的对比可以进一步优化教学方案，提高整体课堂专注度。期望本研究为人工智能进入课堂，走向规范化、规模化提供借鉴与参考。

参考文献

[1] 陈丹，戈林娟.影响中医药院校教师教学效果及质量的教学行为关键因素挖掘[J].时珍国医国药，2016，27（05）：1236-1239.

[2] 张强，于洪.高职课程任务驱动式教学方案的PDCA优化[J].职业技术教育，2014，35（14）：24-26.

[3] 刘世平，骆汉宾，孙峻，等.关于智能建造本科专业实践教学方案设计的思考[J].高等工程教育研究，2020（01）：20-24.

[4] 张熙，潘志松.智能化进程中课程改革的现状、问题与展望[J].上海教育科研，2019（09）：87-90+52.

[5] 刘清堂，何皓怡，吴林静，等.基于人工智能的课堂教学行为分析方法及其应用[J].中国电化教育，2019（09）：13-21.

[6] 张风帆.人工智能时代的前景研究[J].云南社会科学，2020（01）：53-58+186.

[7] 魏艳涛，秦道影，胡佳敏，等.基于深度学习的学生课堂行为识别[J].现代教育技术，2019，29（07）：87-91.

[8] 王鑫，张鑫，宁晨.基于多特征降维和迁移学习的红外人体目标识别方法[J].计算机应用，2019，39（12）：3490-3495.

[9]  J.Redmon，A.Farhadi. YOLOv3：An Incremental Improvement[J].

[作者：邵一川（1978-），男，辽宁沈阳人，沈阳大学信息工程学院，教授，博士;李常迪（1994-），女，辽宁沈阳人，沈阳大学信息工程学院，硕士生;曹勇（1980-），女，辽宁沈阳人，中国医科大学，讲师，博士生;贾天蕊（1978-），女，辽宁沈阳人，沈阳市第三十五中学，中学一级教师。]

【责任编辑  郭振玲】