基于人工智能的高职生课堂问题行为预警系统研究

梁家军 刘刚 廖克顺

【摘 要】本文对人工智能和课堂问题行为的内涵进行分析与界定，针对当前高职生课堂问题行为管理存在的问题，提出构建基于人工智能的高职生课堂问题行为预警系统：建立高职生课堂问题行为预警指标体系和基于人工智能的高职生课堂问题行为预警系统框架等。

【关键词】人工智能 高职生 课堂问题行为 预警

【中图分类号】G  【文献标识码】A

【文章编号】0450-9889（2021）27-0171-03

随着中国高等职业院校的不断扩招，其生源结构的复杂性和学生个体差异性势必对学校教育教学的管理提出挑战。课堂教学作为学校教育教学的主阵地，学生的课堂行为直接影响课堂教学的效果。如何科学、客观、有效地对学生课堂问题行为进行管控已成为目前各高职院校较为棘手的问题。近年来，随着人工智能、大数据等新一代技术的广泛应用，人工智能在教育教学领域的应用也得到很好的发展。运用人工智能技术，对学生的课堂问题行为进行识别、采集与分析，能更为精准地掌握课堂教学运行状态，实现对学生学习情况的精细化管控，并对其不良行为实行预警，提高了课堂教学效率，为教育决策提供支持。同时变革了教师以及相关教学管理人员传统的课堂问题行为管理的模式，对学校人才培养质量稳定、持续提升有着长远的实际意义。

一、人工智能的高职生课堂问题行为预警系统相关概念的界定

（一）人工智能

1956年，马文·明斯基等人工智能先驱在Dartmouth会议上第一次提出“人工智能”这个概念和学科。后来，人工智能的内涵得到不断深化与扩充。McCarthy认为，人工智能除了模仿人类智能，还包含超越人类的各种计算能力。目前大多数学者认为，人工智能（Aritifical Intelligence）具有数据、算力和算法三要素，它是一门研究人的智能的理论、方法、技术及应用系统并进行模拟、延伸和扩展的技术科学。在教育领域中，应用较为普遍的人工智能技术有图像识别、语音识别、语义识别和机器翻译等。

（二）课堂问题行为

美国教育心理学家林格伦（H.C.Lindgren，1983）认为：“从广义上讲，‘问题行为是一个术语，它指任何一种引起麻烦的行为（干扰学生或班级集体发挥有效的作用），或者说这种行为所产生的麻烦（表示学生或集体丧失有效的作用）”。中国学者邵瑞珍等人认为，课堂问题行为是指儿童不能遵守公认的正常儿童行为规范和道德标准，不能正常与人交往和参与学习的行为。综上观点并结合高职生的特点，本文将课堂问题行为界定为：在课堂教学活动中，学生做出与课堂教学行为规范和教学要求不一致的，并妨碍教师正常授课和对班集体、他人以及本身的学习效果造成影响的不良行为。

二、当前高职生课堂问题行为管理存在的问题

（一）教学质量管理体系不完善

各高职院校在教学质量管理上参差不齐，普遍存在管理体系不完善的问题。一是管理制度不够细化或者未建立相关教学质量管理制度，或有制度但部分院系未完全按学校管理要求落实;二是检查、管控的问题行为指标较少，例如只涉及迟到、睡觉、旷课、早退等，不能全过程地管控学生课堂的各种不良行为。对学生的课堂问题行为，没有较为严格的制度制约或制度执行不到位等，导致学生课堂问题行为得不到改善。

（二）高职生课堂问题行为管控水平不高

目前，高职生课堂问题行为管控模式主要分为三个层面：一是学校教务层面，普遍是安排教学督导到各院系巡查抽检并采取纸质手工记录的方式，条件较好的高职院校教室配备有监控录像系统，可以把课堂情况记录下来，对不良行为采取截屏通报的方式，缺乏对各种行为数据的智能统计与分析，总体上工作效率不高。二是各院系配备的教学督导人员较少，有的数据来源于学生干部协助巡查结果，信息可能会失真，导致管理效果不理想。三是任课教师普遍把重心放在教学上，对学生睡觉、玩手机等行为难以全面监控，导致课堂教学与管理压力较大。

（三）高职生自主管控能力与学习意识问题突出

由于高职生源质量不高而且结构复杂，在自主学习管控能力方面与本科生比相对较弱。另外，大学的教学模式相对较为灵活，没有升学压力，学习强度与中学比相对较小一些。学生学习意识不强，不够重视课堂学习，加上自我约束力不夠，旷课、睡觉等问题很难杜绝。

三、基于人工智能的高职生课堂问题行为预警系统构建

（一）建立高职生课堂问题行为预警指标体系

高职生课堂问题行为预警指标的制定是预警系统设计需求的关键点。这关系到科学采集行为数据的范围以及预警系统的合理性、精准性和有效性。通过研究分析相关文献，结合教学实践经验以及对相关教学管理人员的访谈，选取高职生普遍存在、影响较大且出现频率较高的课堂问题行为，主要分为两大类：不出勤和出勤中出现的问题行为，如表1所示。

（二）建立基于人工智能的高职生课堂问题行为预警系统框架

在建立高职生课堂问题行为预警指标体系的基础上，通过研究分析人工智能技术原理及相关文献，将课堂问题行为预警系统框架分为应用层、数据层和基础设施层，并咨询相关技术人员以及结合教学实践经验对框架加以提升、细化，构建基于人工智能的高职生课堂问题行为预警系统框架，本框架共分为五层：用户层、应用层、AI算法层、数据集层、基础设施层，如图1所示。

1.基础设施层

基础设施层是预警系统的基础保障，主要用于海量数据（包括结构化数据和非结构化数据）的计算、存储和分析处理等。由于需要采集大量且高质量的视音频数据，需配备高性能的CPU、GPU的服务器，以及运用当前较为稳定和流行的Hadoop分布式并行处理计算框架，充分利用其集群的威力进行高速运算和存储。另外，在教室安装布置多方位的高清智能摄像头用来采集学生各种行为图像数据，并安装拾音器用来采集语音数据。同时，建设完善的运维管理与服务体系，保障系统软硬件的正常和稳定运行。

2.数据集层

学生课堂问题行为的识别模型的科学性和精准性，需要制作高质量的数据集，其中包括训练集和测试集。摄像头和拾音器获取高质量的视音频数据，并将视音频数据通过录播系统自动合成为教学视频，存入视频数据库中。按照已制定好的学生课堂问题指标特征对数据进行处理与分析进而对其归类贴标签（lable），将标好的图像数据存入训练图像库和测试图像库，形成完善的学生课堂问题行为训练集和测试集。

3.AI算法层

AI算法层即要实现行为的识别与计算，利用合适的算法根据输入的各类指标特征信息对学生课堂问题行为类型特征的判断、计算和分类。本系统模型包括活动行为、情感行为和语音行为的判断等。一是针对活动行为lable（请假、旷课、迟到、早退、东张西望、睡觉、玩手机、吃零食、低头、课中过久无故外出、晕倒、捉弄他人、吵架、打架等）和情感行为lable（发呆、厌烦神态等）可运用3D卷积层神经网络（3D CNN）算法模型对目标进行图像组合分析和特征检测，从而进行判断和组合，并将结果传递给下一层神经网络，实现分层的方式进行复杂的模式识别。二是针对言语行为lable（闲聊、高声喧哗等）可运用循环神经网络（Recurrent Neural Network，RNN）对学生课堂言语信息进行处理，识别分析具体的言语行为。

4.应用层

应用层是整个预警系统功能模块可视化的层面。为了便于学校对学生课堂问题行为进行统计和管控，将管控的范围分为学校、二级学院、专业、课程、班级、学生等六个层面，并对各维度的各项指标进行监控、预警和决策。例如，对学校这一层面可以实时监控到全校学生课堂实际情况，并可按设定好的预警指标实现预警提醒（可查看详细情况），同时展现可视化的学生课堂问题行为图表，为学校领导提供决策支持。另外，专业、课程、班级和学生各维度同样按照各自的范围实时进行监控、预警和决策等功能。

5.用户层

用户层主要分为管理者、教师、学生、家长。管理者包括学校领导和教务处、质量办和学工处等相关职能部门，可对学校层面的学生课堂问题行为进行管控。教师用户包括各院系领导、学生科、专业负责人和班主任，可对学院、专业、课程、班级、学生层面的课堂问题行为指标进行逐层管控。学生用户实现对个人课堂问题行为的实时预警，实现不断提醒自己以及提高课堂问题行为纠正的意识。另外，家长用户同时可以实现对自己孩子的课堂行为进行监控，掌握其课堂出勤、课堂不当行为等情况。对用户层的权限管理可以根据实际需要进行对各层面权限的划分。

四、人工智能的高职生课堂问题行为预警系统建议及展望

第一，在系统的应用与管理过程中，由于目前的人工智能技术尚未能百分之百识别和判断学生的各项课堂问题行为，只有通过不断优化算法模型，加强模型的训练，才能不断提高识别精准度以及增强评判的客观性和有效性。

第二，对学生课堂问题行为的管控，仅仅依靠系统管理具有一定局限性，还需要相关职能部门建立较为完善的课堂教学管理制度，构建学校管理层、教师、学生和家长有机协调的管控机制，采取有效的措施，对学生课堂问题行为进行监控和干预等。

第三，学生课堂问题行为影响因素较多，有内在的也有外在的。其中最为关键的一个因素是教师个人的教育教学方法和方式问题。教师在课堂教学过程中，需要不断发现问题并总结经验与反思，提升个人的教学能力，认真研究教育教学规律，采用有效的教学方式激发学生对课程学习的兴趣。只有这样才能进一步管理好课堂，提升教学效果。

随着人工智能技术的不断发展，基于人工智能的高职生课堂问题行为预警系统实现不断迭代。在识别技术上，做到更为精准，实现更为科学、客观和有效地管控学生课堂问题行为;在监控指标上，构建更为细化和完善的课堂问题行为指标体系（例如微表情分析等）;增加教師课堂教学行为分析等，从而全面变革学校课堂管理的模式，提高教育教学效果。

【参考文献】

[1]林格伦.课堂教育心理学[M].章志光，译.昆明：云南人民出社，1983.

[2]邵瑞珍.学与教的心理学[M].上海：华东师范大学出版社，1990.

[3]胡小玲.高校课堂管理现状及对策分析[J].扬州大学学报（高教研究版），2018（3）.

[4]姜乐.高职学生课堂问题行为与管理策略研究[D].广州：广州大学，2018.

[5]李胜男.基于人工智能技术的课堂教学行为的分析框架构建研究[D].北京：北京邮电大学，2019.

[6]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（9）.

注：2020年度广西高校中青年教师科研基础能力提升项目（2020KY30009）研究成果

【作者简介】梁家军（1985— ），男，广西北流人，硕士，南宁职业技术学院教务处高级工程师，研究方向为计算机应用技术、现代教育技术;刘 刚（1980— ），男，河北保定人，硕士，南宁职业技术学院现代教育技术中心高级实验师，研究方向为教育信息化;廖克顺（1966— ），广西凤山人，硕士，南宁职业技术学院人工智能学院教授，研究方向为计算机应用技术。

（责编 黄 煌）