人工智能视觉分析技术在课堂教学评价中的应用探析_颜慧.pdf

人工智能本栏目责任编辑：唐一东Computer Knowledge and Technology电脑知识与技术第19卷第4期(2023年2月）第19卷第4期(2023年2月）人工智能视觉分析技术在课堂教学评价中的应用探析颜 慧（广东白云学院 大数据与计算机学院，广东 广州 51045)摘要：针对传统课堂评价主观性、随意性较强，数据来源较为单一，评价信息反馈不够及时，对计算机视觉技术在课堂教学中的应用进行研究，探析如何通过计算机视觉技术创新教学评价工具和手段，辅助建立科学、合理的课堂教学评价指标，构建以过程评价为主、形成性的、多元化、科学合理的课堂教学评价体系，发挥课堂教学评价的引导作用，促进教与学，从而提高教学质量。关键词：课堂教学评价；人工智能；计算机视觉分析技术；形成性评价中图分类号：G434文献标识码：A文章编号：1009-3044(2023)04-0029-04开放科学（资源服务）标识码(OSID)：1 引言课堂是教育教学的第一阵地，课堂教学评价是评估教学质量的重要方法和手段。通过课堂教学评价，不但可以对课堂教学质量进行审视与评定，教师还可以通过课堂教学评价接受正向的教学反馈，从而促进教育教学理念的创新与改革、持续改进课堂教学质量。高校课堂教学评价主要涵盖了评价的目的、评价的主体、评价内容、后续改进措施等方面。进行课堂教学评价是为了掌握教师上课的真实情况、课堂教学各环节的实际进展情况，对教师的课堂教学质量进行评价打分，评价的结果用于促进教师教学水平提高、促进教学改革、作为教师评优晋级的依据等。课堂教学评价的内容一般从教师的教学仪态、教学环节的设计及实施、教学的内容是否完整、课堂纪律、学生的学习参与度等方面进行评价。课堂教学评价的主体包括专门的督导、普通教师和上课的学生等。在传统的课堂教学中，课堂教学评价主要是通过手工的方式进行评价，评价的主体是人。学校督导、专业教师、上课学生等都参与课堂教学评价中。评价的方法主要是评价人参与课堂教学，在课堂上通过观察、聆听、提问、座谈等多种方式获取对课堂教学质量的主观感受。例如，通过课堂点名来记录考勤，通过学生的到课率来评价这门课对学生的吸引力；听课人通过观察课堂上教师的表现来评价教师的教学水平；听课人通过观察课堂上学生的专注度、理解度等表现来评价本堂课的教学质量。以人为主体对课堂教学进行评价时，主要是凭借人的观察、提问等活动来得到课堂教学评价的数据，数据获取来源较为单一；而且难以获取准确的数据，例如课堂上学生的抬头率，单凭观察很难去记录和统计这些数据；并且评价结果往往带有一定的主观性，主要根据评价人的感受去进行评价，评价结果不够客观和科学，评价结果的反馈也不够及时。综上所述，传统的课堂教学评价方法还存在一定的不足之处。在传统的课堂教学评价方法中存在主观性、随意性较强、评价数据来源单一、评价反馈实时性不强等问题，如何对课堂教学评价体系进行改革，促进课堂教学评价向形成性评价、多元化评价发展，形成反馈及时、科学、客观的评价体系。2020年，国家出台了在新时代进行深化教育评价改革的相关文件，在文件中提出了要使用新的评价方式和评价工具，积极探索如何结合人工智能等新技术进行科学评价的方法和路径。目前，人工智能包括计算机视觉技术在各行各业得到了快速的发展和广泛的应用，人脸检测、人脸识别等技术已相对成熟。而且在各学校的教室中，基本上都安装了摄像头等设备，如果能够利用摄像头中采集的视频数据，借助计算机视觉分析技术来辅助课堂教学评价，不但可以使得课堂评价数据的来源、评价方式更加多元化，而且能够更加准确、及时地记录课堂数据，迅速地提供课堂教学评价结果的反馈。使用计算机辅助人进行课堂教学评价，也能在一定程度上节省在课堂评价上所花费的人力、物力和时间等成收稿日期：2022-09-20基金项目：广东省教育评估协会2022年度研究课题（项目编号：BDPG2247)作者简介：颜慧，女，讲师，研究方向为软件工程、机器学习。E-mail：http：/Tel：[phone] 65690964ISSN 1009-3044Computer Knowledge and Technology电脑知识与技术Vol.19,No.4,February202329DOI:10.14004/ki.ckt.2023.0197本栏目责任编辑：唐一东人工智能Computer Knowledge and Technology电脑知识与技术第19卷第4期(2023年2月）第19卷第4期(2023年2月）本，也能更加及时、迅速地提供课堂教学反馈，从而更好地发挥课堂教学评价的引导、诊断、改进等作用。因此，深入研究如何将人工智能视觉分析技术用于课堂教学评价，建立科学的评价指标，及时、迅速地提供课堂教学反馈，从而更好地发挥课堂教学评价的引导、诊断、改进等作用。2 计算机视觉技术在课堂教学评价中的现状研究国内外教育界对于课堂教学评价的研究较多，课堂教学评价一直是教育界关注的重点和热点。在知网上通过“课堂教学评价”“课堂评价”等关键字进行搜索，可搜索到许多相关的文献，并且文献数量逐年增多，如图1所示。图1课堂教学评价相关文献发表趋势罗祖等人从总体上对70多年来课堂教学评价标准进行了回顾和展望1；王春杨等人对我国高校课堂教学评价的现状进行了调研，分析了目前高校课堂评价中存在的一些问题及其原因，并提出了如何重构课堂教学评价体系的建议2；刘洪分析了现有课堂教学评价的不足，并构建了面向金课打造课堂教学评价体系3；吴军等人对线上课堂教学质量评价标准的组成因素进行了分析，并基于AHP构建了线上课堂教学质量评价体系4。以上这些研究主要聚焦在分析传统的课堂教学中课堂教学评价存在的问题，并提出了重构课堂教学评价体系的思路。人工智能技术研究计算机如何模拟人的智能的一门新兴的技术科学，计算机视觉属于人工智能中的一个研究方向。计算机视觉技术是研究如何使得计算机能够模拟人类视觉的技术，使得计算机能像人一样能“看到”现实世界中的物体并识别出物体的类别。随着新一代信息技术的高速发展，将人工智能、计算机视觉技术应用于课堂教学评价顺应了时代发展的趋势和要求。目前已有部分学者对基于人工智能技术的课堂教学评价的理论及实现进行了研究。杨晓哲等人提出了教育人工智能应用于课堂教学评价的场景5；未华倩等人对于人工智能在发展性课堂教学评价中的定位和实现路径进行了研究6；许世红等人研究了基于人工智能技术的智慧课堂评价的理论、基本框架和实现技术7；吴立宝等人则具体设计了人工智能下课堂教学评价的系统架构，对课堂教学中的声音数据、姿态数据、面部数据、生理信号等数据使用人工智能技术进行处理，搭建了课堂教学评价体系8；骆祖莹等人基于师生对话文本和计算机视觉技术构建了课堂教学自动评价体系9；还有部分学者使用多种人工智能技术对课堂教学行为进行了分析10-12。以上文献都是研究如何把人工智能技术应用于课堂教学评价，提出了相应的框架及实现技术，涉及声音、视频、文本等多模态数据的分析和处理。还有学者专门针对如何利用计算机视觉技术进行课堂上学生的行为检测进行了研究。徐家臻等通过计算机视觉技术提取人体骨架信息，实现了对学生行为的自动识别13；汪亭亭、韩丽等实现了基于面部表情对学习疲劳的自动识别14-15；倪童等实现了课堂抬头率的检测算法16；陈杰利用计算机视觉技术实现了对学生进行人脸检测、姿态识别、表情检测17；贾鹂宇等人使用计算机视觉技术实现了学生课堂状态的检测和分析18；刘新运等人使用YOLO算法实现了对课堂学生行为的检测19；孙发勤等人使用计算机视觉技术对课堂教学中学生的情感进行了检测和分析20。目前，对于将计算机视觉技术用于课堂教学评价的研究目前仍然处于起步阶段，如何合理利用计算机视觉技术对于视频数据分析的结果，如何建立基于计算机的科学的课堂教学评价模型，仍然需要进一步的研究和探讨。3 计算机视觉相关技术分析计算机视觉技术是研究如何让计算机像人类一样去“看”并试图去理解所看到的内容的一门技术。目前计算机视觉主流的任务可以分为对图像进行分类、识别图像中的物体、对图像中的物体进行分割等、预测物体在图像序列中的位置等。图像分类是对给定的输入图片，通过计算机视觉算法类识别该张图片中主体部分所属的类别。目标检测是对图片中的目标进行定位和分类，使用边界框将检测到的目标框起来，并给出对应类别的标注。目标识别是指在图片中识别出特定目标的技术。分割又分为语义分割和实例分割等。语义分割是在像素级别上将具有相同类别的对象划分出来，实例分割是在像素级别上将每个对象单独划分出来。目标跟踪是在一个图像序列中，给定目标的初始位置，预测后续图像中目标的位置。在以上任务中，与课堂教学活动相关的计算机视觉技术包括人脸检测、人脸识别、人体姿态估计、表情识30人工智能本栏目责任编辑：唐一东Computer Knowledge and Technology电脑知识与技术第19卷第4期(2023年2月）第19卷第4期(2023年2月）别等。人脸检测算法是根据输入的图片，在图片中检测人脸的位置，并使用边界框将检测到的人脸框起来。人脸检测算法属于目标检测的子类别，目前已有多种专门用于在图片或视频中识别人脸的算法。如基于特征的人脸检测、基于模板匹配的人脸检测、基于统计的人脸检测等。通过人脸检测相关的算法，可以识别图像中人脸的大小和位置。通过人脸检测技术，可以在课堂教学视频中识别到每一帧中的人脸，从而可以统计出课堂出勤的学生人数。人脸识别是在图片或者视频中识别出对应的人的身份信息的一种技术。通过对人脸图像进行预先采集及预处理，提取出人脸图像中的特征，与摄像头采集到的人脸图像特征进行匹配，从而识别出该人脸属于哪一个用户。人体姿态估计是从图片中抽取出人体关键点的特征，识别出人体关键点（如头部，脖子，肩膀，手，脚等部位）的位置，从而可以对人体的动作行为进行识别和分类，如识别人体行走、站立、坐、低头、举手等行为。表情识别是从图片中抽取出表情特征，对人的表情进行分类，从而识别出人当前的情绪及心理状态，如高兴、生气、悲伤、恐惧、厌恶等情绪。微表情比表情持续时间更短，一般认为更能真实体现人的情绪。通过微表情识别，能更加真实地反映出人的真实心理活动。4 基于计算机视觉的课堂评价指标构建借助于计算机视觉技术中的各种算法，如人脸检测算法、人脸识别算法、头部姿态识别算法、表情识别算法等，构建各类课堂教学评价指标，如出勤率、专注度、抬头率、接受度等，用于自动评价课堂教学。这些技术中有很多算法都达到了较高的性能，可以应用于实际项目，因此，使用计算机视觉技术辅助课堂教学评价在技术上是可行的。只要通过摄像头获取到视频数据，就可以通过计算机视觉技术，对视频数据进行进一步的分析和处理，得到各类课堂教学评价指标的值，形成课堂教学的自动化评价，这些评价结果是通过计算机计算得到的，得到的评价结果也比较客观，而且反馈及时、迅速，可以作为整体课堂教学评价中有益的补充。4.1 出勤率传统课堂教学中，教师主要通过点名的方式去对学生进行人工考勤。通过目标检测算法去检测视频中的人脸，可以实现课堂学生出勤总人数的自动统计，从而可以计算出总体出勤率。通过人脸识别算法，对视频中出现的人脸进行识别，可以识别出特定的学生是否出勤，从而实现了自动进行课堂中学生个人上课考勤。4.2 抬头率通过头部姿态识别算法，可以专注于对视频中学生的头部姿态进行识别，例如识别学生的头部姿态是抬头、低头、扭头还是埋头等，一方面可以根据学生是否抬头，可以检测并统计出课堂的抬头率；另一方面，可以根据学生的头部姿态，判断学生是否专心听课，课堂抬头率是评价学生课堂专注度的一个指标。在课堂教学时，可以按照一定的时间间隔对视频进行采样，统计在某一时刻班级学生的抬头率，再将整堂课上的抬头率求平均，得到本堂课的平均抬头率。4.3 接受度人的表情能在较大程度上体现人的情感。学生在上课时自然流露的各种表情，可以在一定程度上反映出学生当前的一个情感状态，从而判断学生对课堂讲授知识是否感兴趣、是否理解、是否专心等。通过表情识别算法，对视频中学生的微表情进行识别，并进行情感分析，就可以判断学生对于课堂知识的接受程度。4.4 专注度学生在课堂中是否专心学习，通过学生的身体姿态也可以体现出来。通过人体姿态识别算法，对视频中学生的人体姿态进行识别，就可以判断出学生当前在从事什么样的活动，如记笔记、听课、玩手机、睡觉等。通过对某一时刻的全体学生的活动进行识别，统计出全班学生听课的比例，从而得到全班学生在整体上对于学习的专注程度。在整堂课程中，按照一定的时间频率计算整体专注度，再求平均，则可以得到整堂课程的平均专注度，可用于评价在该堂课中，学生整体上是否专注于学习，专注于学习的学生比例有多大。5 结束语通过研究计算机视觉分析技术在课堂教学评价中的应用，探讨了一种新的用于评价课堂教学质量的方法和手段，既能扩充课堂教学评价数据的来源，又使得课堂教学评价的方法更加多元化。通过计算机视觉的分析技术，能自动统计学生的抬头率、分析学生的专注度和对于课堂的接受度，通过客观的数据分析，为评价教师和学生的课堂表现提供了科学依据；通过计算机视觉分析技术，能快速分析课堂相关的数据，及时反馈课堂评价结果，充分发挥课堂教学评价对于促进教与学的积极作用。通过研究计算机视觉技术在课堂教学评价中的应用，积极探索了人工智能等新一代信息技术在高校教学中的应用、信息技术与31本栏目责任编辑：唐一东人工智能Computer Knowledge and Technology电脑知识与技术第19卷第4期(2023年2月）第19卷第4期(2023年2月）教学的深度融合的方式和路径，为将来推广新的课堂教学评价方法和手段打下基础。参考文献：1 罗祖兵,郭超华.新中国成立70年课堂教学评价标准的回顾与展望J.中国教育学刊,2020(1):55-61.2 王春杨,敖敏.我国高校课堂教学评价的现状、问题与对策J.当代教育理论与实践,2016,8(2):103-106.3 刘洪.面向金课建设的大学课堂教学评价体系研究J.黑河学院学报,2021,12(9):73-75.4 吴军,秦福利,韦兰用.高校线上课堂教学质量评价体系的构建与实践J.教育观察,2022,11(22):95-98.5 杨晓哲,任友群.教育人工智能的下一步应用场景与推进策略J.中国电化教育,2021(1):89-95.6 未华倩,邹莉.人工智能实现发展性课堂教学评价的定位与路径J.重庆电子工程职业学院学报,2020,29(4):55-58.7 许世红,刘军民,王时舟,等.人工智能视域下课堂教学智慧评价:理论建构、模型支撑与技术实现J.教育测量与评价,2022(2):56-65.8 吴立宝,曹雅楠,曹一鸣.人工智能赋能课堂教学评价改革与技术实现的框架构建J.中国电化教育,2021(5):94-101.9 骆祖莹,张丹慧.课堂教学自动评价及其初步研究成果J.现代教育技术,2018,28(8):38-44.10 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):13-21.11 孙众,吕恺悦,骆力明,等.基于人工智能的课堂教学分析J.中国电化教育,2020(10):15-23.12 炕留一,叶海智,张瑾,等.基于多维数据的课堂教学行为评价研究J.现代教育技术,2022,32(4):68-77.13 徐家臻,邓伟,魏艳涛.基于人体骨架信息提取的学生课堂行为自动识别J.现代教育技术,2020,30(5):108-113.14 汪亭亭,吴彦文,艾学轶.基于面部表情识别的学习疲劳识别和干预方法J.计算机工程与设计,2010,31(8):1764-1767,1778.15 韩丽,李洋,周子佳,等.课堂环境中基于面部表情的教学效果分析J.现代远程教育研究,2017(4):97-103,112.16 倪童,桑庆兵.基于注意力机制与特征融合的课堂抬头率检测算法J.计算机工程,2022,48(4):262-268.17 陈杰.基于计算机视觉的课堂学生行为分析系统D.上海:华东师范大学,2022.18 贾鹂宇,张朝晖,赵小燕,等.基于人工智能视频处理的课堂学生状态分析J.现代教育技术,2019,29(12):82-88.19 刘新运,叶时平,张登辉.改进的多目标回归学生课堂行为检测方法J.计算机工程与设计,2020,41(9):2684-2689.20 孙发勤,邓雯心.基于人工智能的课堂学习情感评价研究J.中国教育信息化,2019(23):58-62.【通联编辑：谢媛媛】（上接第28页）意识缺乏的弊端，针对这一问题，本文设计一种基于智能小车的乡村社区环境监管系统。该系统同传统治理方式不同，其在通过智能小车实现智能监管的同时，在很大程度上解决了村民主体意识缺乏的问题，从而有力推动了乡村振兴的建设。参考文献：1 李荣.实施乡村振兴战略推进农村生态文明建设J.南方农机,2022,53(8):101-103.2 万晓冉.加强农村人居环境整治“小切口”推动乡村振兴“大战略”J.中华建设,2022(1):20-24.3 吴惟予,肖萍.契约管理:中国农村环境治理的有效模式J.农村经济,2015(4):98-103.4 杨浩勃,黄斌欢,姚茂华.乡村环境的协同治理:生态政治学与社会的生产J.农业现代化研究,2015,36(1):28-33.5 赵永峰.农村生态环境治理机制的系统化设计研究J.农业经济,2017(2):43-44.6 肖萍,朱国华.农村环境污染第三方治理契约研究J.农村经济,2016(4):104-108.7 杜焱强,刘瀚斌,陈利根.农村人居环境整治中PPP模式与传统模式孰优孰劣?基于农村生活垃圾处理案例的分析J.南京工业大学学报（社会科学版）,2020,19(1):59-68,112.8 马静.基于PPP模式的我国农村环境治理的研究D.天津:天津商业大学,2011.9 安勇,张美琪.乡村振兴背景下农村人居环境治理研究J.经济师,2022(4):53-54.10 张志胜.多元共治:乡村振兴战略视域下的农村生态环境治理创新模式J.重庆大学学报（社会科学版）,2020,26(1):201-210.11 Grisetti G,Diego Tipaldi G,Stachniss C,et al.Fast and accurate SLAM with Rao-Blackwellized particle filtersJ.Roboticsand Autonomous Systems,2007,55(1):30-38.12 代婉玉,张丽娟,吴佳峰,等.改进TEB算法的局部路径规划算法研究J.计算机工程与应用,2022,58(8):283-288.13 Huang X,Wang X X,Lv W Y,et al.PP-YOLOv2:a practical object detectorEB/OL.2021:arXiv:2104.10419.https:/arxiv.org/abs/2104.10419.14 He T,Zhang Z,Zhang H,et al.Bag of tricks for image classification with convolutional neural networksC/2019 IEEE/CVFConference on Computer Vision and Pattern Recognition(CVPR).June 15-20,2019,Long Beach,CA,USA.IEEE,2020:558-567.15 Liu S,Qi L,Qin H F,et al.Path aggregation network for instance segmentationC/2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.June 18-23,2018,SaltLake City,UT,USA.IEEE,2018:8759-8768.16 Everingham M,Ali Eslami S M,Gool L,et al.The pascal visualobject classes challenge:a retrospectiveJ.International Journal of Computer Vision,2015,111(1):98-136.【通联编辑：唐一东】32