基于人工智能技术的学生课堂学习行为监测系统设计

摘要：人脸识别技术作为当前计算机视觉中的研究热点，被广泛应用在各个领域。计算机技术的发展和智能设备的普及，反而让高校学生旷课、上课迟到、课堂学习精力不集中等问题加重。而现有的学生课堂学习行为管理方式以及行为监测技术在应用课堂学习环境中应用时，受易遮挡、学生人体姿态多样等问题的影响，无法充分满足对学生课堂学习行为进行监测的要求。为了解决这一问题，本文结合人工智能技术提出了一种学生课堂学习行为监测系统的设计方案，该系统能够实现个性化无痕监测，且对学生课堂学习没有任何影响。具体来说，该监测系统的设计主要包含了注册模块、摄像模块、存储模块、数据处理中心、体型检测模块、学生行为轨迹合成模块以及课堂行为识别模块等。经验证明，该系统的设计，能够高效、智能地实现对学生课堂学习行为进行监测。

关键词：人工智能；学生课堂学习行为；监测系统；行为识别；计算机视觉

一、引言

课堂教学作为高职院校教育教学的重要阵地，学生在课堂学习行为及表现是实现课堂教学评价的重要部分之一。因此，对学生的课堂行为状态进行监测和管理显得极为重要。对于课堂学习过程中、哪部分学生相对活跃、哪部分学习区域比较活跃以及学生的课堂学习行为等，任课教师无法实时进行观测，同理，对于学生的课堂学习行为坐姿以及学习状态等，也无法得到科学合理地监测。现有的课堂学习行为监测系统需要学生在课堂学习过程中穿戴特定的设备，才能够采集与定位学生的行为数据。然而，这些穿戴设备对学生的坐姿以及课堂行为轨迹等无法实现无痕监测，而且还会对学生的正常课堂学习体验造成一定程度的影响[1]。基于此，本文提出了一种基于人工智能的学生课堂学习行为监测系统设计方案，通过利用人工智能技术对学生的课堂学习行为进行分析，以此促进课堂教学质量和管理水平得到提高。

二、学生课堂学习行为识别技术概述

基于人工智能技术提出的学生课堂学习行为识别方法，可以对学生在课堂中的不同课堂行为进行全方位地采集与识别，具体学生课堂行为分类见图1所示。

三、基于人工智能的学生课堂学习行为监测系统设计研究分析

（一）系统总体框架设计

通过人工智能并结合高校学生的课堂行为分类模型，本文设计了学生课堂学习行为监测系统，该监测系统主要由注册模块、摄像模块、存储模块、数据处理中心、人体监测模块和虚拟机器人模块共六个部分组成。该系统利用课堂现场图片或者拍摄的视频作为输入，记录和分析学生的课堂出勤率、课堂学习专注度等，并为高校学生的课堂学习行为监测和促进行为改善提供了有效工具，具体监测流程如图2所示[2]。

注册模块用于在监测系统中填写学生的姓名、学号、班级等个人信息，并进行人脸图像的录入、身份信息认证绑定等。摄像模块通过摄像头装置实现对整个教室的摄像，实时采集课堂中所有学生的面部和教室图像，并对成功识别的学生进行整体图像采集。存储模块用于存储摄像模块采集的图片或视频。数据处理中心通过对摄像模块提供的图片或视频进行特征参数计算，进行人脸识别和身份确认对比，并识别已经成功识别的学生的坐姿。人体监测模块依据学生在官方部分体验的检测数据获取学生的体形信息，并与学生的身份进行绑定。虚拟机器人模块作为监测系统与外部交互的接口连接[3]。

（二）主要系统功能模块设计

1.课堂行为分类及图像采集模块

根据调研的高职院校学生的课堂学习行为基本情况，可以将其划分成玩手机、睡觉、做笔记和听课等四种行为类型。根据采集的学生课堂学习行为的图片或视频，并按照行为类型进行分类处理，可以形成学生课堂学习行为分类图片库。然后，结合图片或视频的用途，可以构建学生人脸数据库和课堂现场图像采集库，在对采集的图片和视频进行分割预处理后，为后续分析学生课堂学习行为的专注度和考勤等提供基础依据[4]。

2.学生信息数据库设计

该数据库主要由两个部分组成：学生人脸数据库和学生信息数据库。其中，学生人脸数据库主要存储学生课堂学习行为分析的基础样本；而信息数据库，主要存储学生的基本个人信息（学号、班级、姓名及其他备注等）和课堂学习行为信息（学号、课堂编号、课程名称、到课标识、专注度、上课时间以及其他说明等），并且数据库的结构可以根据具体实际情况进行拓展。

3.课堂位置图片处理模块

该模块主要利用拍摄的图片对学生人脸识别和标签备注，将识别成功后的学生基本信息与图片关联起来。

4.学生课堂行为轨迹合成模块

该模块主要针对监测系统中每个成功注册的学生，在预设的合成时间中进行图片合成处理，结合实际的需求设置合成时间段。而被用于合成的图片主要来源于课堂位置图片处理模块，该模块完成了学生基本信息的识别。同时，在预设合成的图片上，如果存在超过设定阈值的重叠区域如果，需要对这部分进行颜色标记处理，以此得到学生在预设时间段内的课堂学习行为轨迹图。

5.坐姿匹配模块

该匹配通过结合坐姿模型库中的坐姿参数与监测系统预设的坐姿参数进行匹配，并输出学生对应的身体比例，由此计算得到关于学生的头部、手部以及肩颈部等尺寸的比例值，再与系统预设的参数进行匹配。

6.课堂行为识别与监控模块

学生课堂行为监控模块的设计实现了对学生课堂学习行为的实时监控，并起到了督促作用，使得任课教师或教务处、系部检查人员不再受到时间和空间的制约，都能够对学生课堂学习情况进行检查、判断和评价。学生课堂学习行为识别模块作为监测系统的核心部分，主要利用计算机技术、图像识别技术，对采集到的图片或视频进行处理和分析。然而，在实际过程中，图像识别和现实之间还存在较大差别，如端正坐姿的睡觉行为、遮挡类型的玩手机行为等情况，都会对监控系统的识别造成很大的影响。因此，只有对比海量的原型才能够得到正确可靠的数据资源。本文主要利用基于人工智能的监测方法，对数据库中的信息進行检测、分析和处理，以此来判断学生的课堂学习行为，从而促进课堂教学质量的提升[5-6]。

7.虚拟机器人与信息反馈模块

虚拟机器人与信息反馈模块主要为学生课堂行为监测系统和外部交互提供连接接口。同时，虚拟机器人的设计还包含了一个虚拟形象，将其和数据处理中心进行连接，当接收到相关查询指令后，监测系统就能够及时调取数据处理中心所设定时间段内的学生身份以及行为轨迹和坐姿异常情况，并汇报给用户。通过虚拟机器人，还可以实现对任意学生的坐姿比例进行异常阈值配置，并对超过阈值范围的部分进行对比，从而判断学生的人体坐姿是否异常最后，通过智慧班牌进行交互提醒，并向任课教师发送信息提醒。

四、实验与结果分析

（一）学生课堂学习的行为分析

为了进一步验证基于人工智能的学生课堂学习行为监测系统的可行性，本文以学生课堂学习专注度为例进行验证分析。首先，通过对课堂中所有学生进行集中人脸搜索，以此达到考勤的目的，并将当前课堂中每名学生的状态都设置为课堂状态变量，初始值为False。然后，借助学生课堂学习行为监测模型，对目标图像进行人脸搜索识别，包括人脸区域的监测和学生身份的识别[7]，完成对某个学生的搜索后，将该学生的到课状态变量更改为True。其次，利用间隔人脸搜索的方式统计学生课堂学习的专注度行为，为每名学生设置对应的计数器，并设置系统每间隔一段时间（如2分钟）采集上一组上课学习期间的图片或视频，将图像按照每3张为一组的方式进行组合，每张图像间隔3秒。再借助学生课堂学习行为监测模型，对每组图像中的目标进行人脸搜索识别，在成功搜索到某个学生后，停止对该组图像中该名学生的搜索，并将该名学生的计数器变量增加1。完成对所有学生的搜索后，根据公式计算得出每个学生的课堂学习专注度。

A = B/C×100% （1）

其中，A代表了当前学生在课堂学习中的专注度，B代表了监测系统统计后得到的该学生上完本节课之后的计数器变量的数值，C则代表了本节课该学生的专注度统计次数（图像采样分组数）。

（二）结果生成与分析

在完成對学生的课堂学习行为监测分析后，可以从数据库中获取某一节课中学生的考勤统计数据和专注度数据，结合后续需求对其进行统计和分析，计算该节课中学生的专注度数据，并输出结果进行评价。这不仅有助于学生及时了解自己在课堂学习过程中的具体情况，进而调整学习方式，还能够帮助任课教师及时了解课堂教学情况，优化教学方式，提高教学质量[8]。

五、结束语

综上所述，课堂教学质量是高校非常重视的问题，学生的课堂学习行为是教学质量的重要表现之一。然而，传统的行为监测技术受限于易遮挡和学生人体姿态多样性等问题，无法准确监测学生的课堂学习行为，而将人工智能技术和行为识别检测技术相结合，构建学生课堂学习行为检测系统，并通过大量的样本图片构建模拟训练，可以更好地实现对学生的课堂学习行为进行智能化监测。同时，该系统的设计还能够帮助任课教师实时了解学生的课堂学习情况，必要时进行干预，并对每个学生的情况进行分析与反馈，从而实现个性化监测。

作者单位：刘晓 广西机电职业技术学院

参  考  文  献

[1]吴丽娟，任海清，关贵明，等.基于人脸姿态识别的课堂学习状态反馈系统的设计与实现[J].沈阳师范大学学报（自然科学版），2022，40（2）：127-132.

[2]胡亮.基于情绪识别的大学生课堂学习状态监控系统[J].现代电子技术，2022，45（21）：140-144.

[3]张鑫褆.基于多维特征融合的学生课堂行为识别研究[D].陕西：西北大学，2021.

[4]赵春，舒杭，顾小清. 基于计算机视觉技术的学生课堂学习行为投入度测量与分析[J].现代教育技术，2021，31（6）：96-103.

[5]何秀玲，杨凡，陈增照，等.基于人体骨架和深度学习的学生课堂行为识别[J].现代教育技术，2020，30（11）：105-112.

[6]黄侃，朱业求.基于机器视觉及深度学习的学生课堂行为检测系统的设计与实现[J].计算机产品与流通，2022（4）：268-270.

[7]黄冠.基于深度学习的学生课堂行为识别研究[D].江苏：中国矿业大学，2021.

[8]李加军.基于大数据的网络学习行为监测系统设计[J].信息与电脑，2022，34（19）：251-253.

项目：数字化转型背景下高职学生学习能力的监测系统构建研究，2023年度广西高校中青年教师科研基础能力提升项目（编号：2023KY1117）。

刘晓（1989.10-），女，瑶族，广西南宁，在职研究生，中级讲师，研究方向：平面设计、网页设计、数据库管理系统。