基于人工智能的课堂教学分析研究与实践

摘要

传统的课堂数据分析大多采用基于时间序列的手工或半自动化编码方法，在这一过程中主要表现在严重依赖专家参与、分析效率低下以及难以实现大规模应用等局限性。伴随着人工智能技术的快速发展以及智慧教学环境的逐步完善，在数据采集与处理方面已具备了实现智能化采集的可能性。在总结现有课堂数据分析应用现状的基础上，提出了以下一套新的体系框架：即以数据采集与处理作为基础模块，在此基础上完成对教学过程的关键环节进行深入的数据驱动研究，并在此基础上建立相应的评价指标体系；随后着手开展高校范围内的智能化课堂数据分析系统功能设计工作，并详细阐述了系统的实际应用场景及具体实现方案。

0 引言

课堂被视为学校教学的主要场域，在评价教学质量的过程中扮演着关键角色［1］

1 基于人工智能的课堂教学分析相关研究

人工智能背景下，在教学数据分析方面呈现出逐步向自动化、智能化以及规模化的趋势。基于对课堂教学环境演变过程及数据采集方式的分析可知，在这一过程中教学数据分析主要经历了从纯人工到半自动化再到智能化三个阶段

基于人工的传统课堂教学分析主要采用人工标注方式。传统课堂教学分析通常由研究者设计调查表并进行现场观察记录与分析。其中最具代表性的包括S-T分析法与弗兰德斯互动分析系统（Flanders Interaction Analysis System, FIAS）。S-T分析法[8]通过记录教师教学行为（T）与学生学习行为（S），每隔一段时间进行一次记录，并绘制S-T曲线来判断教学模式的效果。FIAS则将课堂行为划分为教师言语、学生言语及沉寂三种类型，并按照标准化编码方法每隔3秒取样记录一次课堂行为数据后填入迁移矩阵进行多维度分析[9]。皮亚塔开发了课堂互动评估系统（Classroom Assessment Scoring System, CLASS），从课堂组织、教学支持及情感支持三个方面对课堂教学行为进行评价[10]。国内学者夏雪梅构建了以学生为中心的课堂教学行为评价框架[11]。这一阶段的传统课堂观察方法主要依赖人工标注手段存在工作效率低、易出错等问题。

（2）随着信息技术特征的发展与融入，在信息化教学环境下形成的课堂教学分析体系逐渐完善。随着信息技术特征的发展与融入，在信息化教学环境下形成的课堂教学分析体系逐渐完善，并逐渐形成了较为完善的理论框架体系。国内学者在这一领域开展了深入研究，并研制出了多种适用于课堂观察的数据采集与统计软件工具。其中较为有代表性的是：顾小清团队［12］开发了一种基于信息科技支撑的互动性课堂行为评估体系——ITIAS（Information Technology-Based Interaction Analysis System）。该评估体系不仅能够对"沉默"类课堂行为进行细致分类，并且首次将"技术操作"纳入了课堂行为评估范畴；穆肃及其团队［13］则从教学实践视角构建了TBAS（Teaching Behavior Analysis System），该系统将课堂行为划分为教师主导、学生参与以及无效学习活动三大类别；方海光团队［14］在此基础上提出了iFIAS模型，并对该模型的部分分类标准进行了优化与创新。值得注意的是，在这一研究阶段内生成的各种课堂观察数据采集与统计软件工具已经逐步实现了对课堂观察数据的半自动标注功能，并且在提高教师 classroom observation效率方面也取得了一定的实际效果

（3）人工智能技术在教育数据分析中的应用研究。随着人工智能技术的快速发展与普及,教育领域的相关研究逐渐转向智能化数据分析方向,并试图通过安装教室内的摄像头实现课堂数据的自动采集与分析工作,以提高教学效率并优化课堂体验.这种智能化的数据采集不仅涵盖了传统的课堂教学行为,还延伸至师生情感状态的变化监测.目前已有诸多学者对这一领域展开深入研究：李青等［15］系统性地探讨了如何构建基于人工智能的课堂教学管理与评价体系；韩丽等［16］设计了一种结合视频监控设备的人工智能教学评价系统,该系统主要依据人脸检测与表情识别技术开展教学行为评估；贾鹂宇等［17］提出了一种基于课堂视频的学习状态自动识别方法,能够实时追踪学生数量、位置、面部表情及姿态信息；陈靓影等［18］通过摄像头对学生的动态行为特征进行持续监测,并结合这些数据建立学习兴趣度智能评估模型；刘清堂等［7］提出了基于时空（S-T）行为特征的人工智能分析模型,并通过实验验证了其有效性；曹晓明等［19］开发了一种多模态融合的学习参与度评估模型,该模型综合考虑了学生表情特征及脑电波信号；孙众等［1］构建了一个名为TESTII的人工智能支持教学分析框架,整合了传统教学行为与事件分析模块；卢国庆等［6］则提出了一种基于AI引擎自动标注的教学数据分析方法,并以此为基础进行了真实教学视频的数据挖掘与验证

综上所述，在课堂教学分析与评价方面，在人工智能技术的应用方面已有探索工作开展过相关尝试。然而目前的研究工作主要关注于课堂教学分析的方法指标构建这一方向，并且大多数相关成果仍停留在实验阶段层面。如何结合实际的教学场景特点利用相关的智能化技术手段实现课堂数据采集自动化处理过程智能化分析体系建立以及实现教学效果评估体系的可视化呈现手段设计进而推动教学分析与评价工作向规模化方向发展仍是一个待深入探究的问题

2 智能化课堂教学分析框架

在现有课堂教学分析方法的基础之上，并结合高校课堂教学的实际工作内容，在研究实践中构建智能化课堂教学分析框架（如图1所示）。该框架以课堂为中心，在教学数据分析内涵的指导下，在教育学理论以及人工智能技术等相关规范下，在标准化管理以及信息安全和隐私保护等前提下，并从教学数据采集与处理开始，并进行数据分析与智能处理，并最终实现教学效果优化与反馈呈现的过程

图1智能化课堂教学分析框架

Fig. 1 Framework of intelligent classroom teaching analysis

下载: 原图 | 高精图 | 低精图

（1）数据采集与处理。基于人工智能相关技术体系，在课堂教学场景中可实现多源数据的自动获取而非局限于单一的课堂行为数据采集。本框架主要依据课堂分析与评价指标体系，在教室网络摄像头设备的支持下可进行无感知的数据采集工作。所采集的数据类型主要包括以下四类：人员考勤记录的自动获取、教师教学行为与学生学习行为的状态识别、面部表情及姿态信息提取以及人工辅助的数据补充收集。其中人员考勤记录的自动获取是通过人脸识别技术实现教师考勤状态及学生出勤人数的即时监控；教师教学行为与学生学习行为的状态识别则采用了基于时空行为分析理论结合深度学习算法的技术方案；面部表情及姿态信息提取则依赖于先进的面部关键点检测技术和表情分析算法；而人工辅助的数据补充收集则是通过设计线上评课系统来实现业务需求的同时丰富课堂教学数据来源。

（2）课堂教学分析。基于采集的课堂教学数据集对课堂教学进行建模研究,其维度主要涵盖教学秩序与教学过程两个方面。其中,教学秩序方面的研究重点是通过人员感知数据来评估教师出勤情况及学生的出勤率、前排就座率和睡眠频率等指标,以全面掌握课堂参与度及学习状态的变化特征。教学过程方面的研究则包括课堂教学行为特征识别与学生状态评估两大模块:前者通过姿态行为感知数据,结合S-T理论框架及课堂行为云模型对教师和学生的典型行为模式进行分类识别,实现多维度的教学互动模式评价；后者则利用DLIB技术提取人脸关键点信息后,借助机器学习中的支持向量机（Support Vector Machines,SVM）算法对表情进行分类训练,实现对学生情感状态的精准识别与动态监测能力提升。经过对课堂教学数据的标准化处理后,采用指标化评估体系对其进行整理汇总,并结合可视化呈现工具构建动态监控平台,实时追踪异常 classroom事件,构建多层次 classroom画像系统以帮助管理者全面把握 classroom运行状况的同时也能有效优化教师 classroom参与质量

（3）优化课堂教学工作。采用设定的阈值自动识别并预警不良课堂表现，并实时发送相关数据信息至二级学院。二级学院根据收集到的问题反馈及指导建议，在教学实践中进行针对性优化。学校管理层持续关注各院系的教学改善进程及实施效果评估情况，在整体上形成良性互动机制以提升教学效果分析体系

3 智能化课堂教学分析系统构建

随着智能技术的进步

3.1 智能化课堂教学分析系统功能设计

以基于课堂智能教学分析为基础并结合实际需求，开发一个智能化的课堂数据分析系统；通过自动化的手段采集和分析课堂过程性数据；向教学管理人员提供数据分析及直观呈现的服务；帮助教师利用课堂数据分析进行评价和反思；各功能模块设计如下：

数据采集与处理模块涵盖AI采集以及人工听评课两大功能部分。其中AI采集通过使用教室摄像头实现人员感知、姿态行为感知以及表情感知等功能；而人工听评课则可依据课程类型、授课教师及教室位置进行查核与评估，并对课堂教学视频及课堂人工智能分析结果进行查看。

基于可视化中心、画像中心、报表统计系统以及细化结果分析等五大功能模块对课堂教学情况进行自动化分析与评价，在数据指标方面则主要聚焦于教学秩序与教学效果两个核心维度展开研究

采用三个环节——发布、应对和追踪——来改善课堂教学效果。校方确定预警 classroom 后发布给相关学院；学院收到后实施改进措施并反馈结果；校方跟踪各环节进展确保解决问题。

3.2 智能化课堂教学分析系统架构

基于智能化课堂教学分析功能的需求, 采用云—边—端协同架构理念, 整合人工智能、大数据以及云计算相关技术, 建立在现有教育云服务和教学环境硬件资源作为基础, 开发一套集人工听评课系统、课堂教学效果分析平台以及动态改进优化方案于一体的高校智能课堂教学分析系统. 该系统的整体架构如图2所示: 端点设备包括教室教师用摄像头、学生摄像头及网络视频采集设备; 边缘节点基于音视频网关执行AI数据采集与预处理功能, 实现计算能力下移以缓解云端压力; 云端节点则负责数据的统一处理与存储管理, 并提供相应的业务应用支持.

图2智能课堂教学分析系统架构

Fig. 2 Architecture of intelligent classroom teaching analysis system

下载: 原图 | 高精图 | 低精图

4 智能化课堂教学分析系统应用实践

智能化课堂教学分析系统经过一年多的功能优化和算法改进后正式发布进入测试阶段

4.1 数据采集与处理

本研究采用非侵入式伴随式数据采集技术对课堂教学进行实时监测。具体而言，在教室前后方部署了两路巡防摄像头，在课堂上持续对教师与学生进行图像采集，并采用5分钟一采样的频率实现全面覆盖学校的本科公共教室资源。这些巡防摄像头不仅具备人员感知功能还能完成简单的姿态识别工作。其中，在人员感知模块中应用了学生数量统计算法，在经过多维度教学场景的数据验证后显示该算法在各类教室场景下都能达到90%以上的识别准确率，并将统计结果以图表形式直观呈现（图3）。在姿态识别方面则采用了基于姿态分析算法的人体姿势分类方法，在区分学生打盹与正常状态时表现出色，并将典型打盹姿势特征以红色标记突出显示（图4）。

图3人员感知

Fig. 3 Personnel perception

下载: 原图 | 高精图 | 低精图

图4简单姿态分析

Fig. 4 Simple attitude analysis

下载: 原图 | 高精图 | 低精图

AI摄像头具备多模态感知功能包括人脸识别教学行为识别与情感识别等子系统。在具体应用中当系统启动时会要求师生与摄像头设备建立互动关系随后通过图像处理技术提取并分析相关数据信息以实现精准的人脸采集与行为追踪这一完整过程能够有效提升系统的智能化水平并为后续的数据分析提供可靠的基础支撑

基于S-T理论的教学行为感知与处理研究中，在深入分析教师教学实践的基础上

图5课堂教学行为智能化分析模型

Fig. 5 Intelligent analysis model of classroom teaching behavior

下载: 原图 | 高精图 | 低精图

4.2 课堂教学分析与改进

课堂教学分析围绕教学秩序及教学分析两大维度开展，并对课堂教学结果进行可视化展示；院系及学校管理层人员可通过可视化平台了解并深入分析其课堂情况；逐步下沉至报表统计及明细数据，并提供下载功能；教师用户可查阅授课课程的课堂数据及其详细解析；有助于提升基于数据分析的教育质量和反思能力

可视化中心实时显示当天全校课堂上课情形，请参考图6以获取详细信息。该模块包含多个功能：首先能够反映出当前时段的教师出勤状况及学生的 attendance indicators（包括到课率、前排就座频率以及疑似打盹的比例）。其次提供数据分析功能：当某个指标在预设阈值以下时（如出勤率低于85%），系统会即时发出预警信息并引导用户查看具体原因；当遇到异常时段（如某一节课突然中断），单击该时段会立即导向对应课程详细信息；此外还可以浏览各类指标在今日的整体表现及分布统计（如课程参与度分布图）。在教学行为方面，则分为教师行为占比和学生行为占比两个维度进行评估；对于学生状态，则采用表情识别技术结合表情频率统计的方法，并进一步评估学生的参与度与专注水平

图6可视化中心**—**教学秩序

Fig.6 Visualization center - teaching order

下载: 原图 | 高精图 | 低精图

基于学校的多维度视角构建教学管理核心系统的画像中心，在针对教学秩序和教学分析相关的各项数据指标的基础之上展开深入研究

本系统通过分别从"教学秩序"与"教学分析"两个维度对课堂教学数据进行统计，在数据处理流程上按照学校→学院→课程→教学班→课堂的顺序进行处理，并逐级下达到对应某堂课的具体课堂信息。其中 classroom detailed statistics 包含了该课时的课堂教学分析内容：包括但不限于课堂直播或录播授课视频、课程基本信息记录、教师考勤记录、学生到课率统计、前排就座率计算以及疑似睡觉率评估等多方面的指标数据，并结合课堂教学行为观察结果和教师表情实时监测信息进行综合分析。

报告中心以教学秩序与教学分析为两大核心维度，在此基础上自动完成按日历周期、每周工作安排以及每月课程安排生成相应的课堂教学分析报告，并提供根据不同教学指标自定义生成详细分析报表的可能性。

通过信息化管理平台实现问题课程整改的优化配置,支持查看'下发' '处理'及'处理效果'的相关信息概览.当学校确定某门课程出现预警时,学校管理者将指令下放至系别层面,由教师负责整改措施的制定与反馈机制的完善.学校管理者持续关注各学院在各项课程整改过程中的进展动态.

5 结语

人工智能技术推动课堂教学分析研究成为热点领域，在课堂过程自动化数据收集与智能化分析的基础上,使这一分析手段更加系统化和科学化.本文立足于当前课堂教学分析的研究现状,构建相应的框架体系,并通过真实 classroom环境中利用 AI摄像头技术进行多维度数据采集及算法优化,完成智能化课堂教学分析系统的开发.随后,通过精心设计的实验案例对系统进行全面验证,取得了显著成果.本文不仅提出了一套理论框架,还提供了实践样本,旨在为基于人工智能技术的课堂教学分析研究与应用提供参考框架与实践指导.未来研究工作将以两个主要方向展开:第一是深入探索在真实 classroom环境中利用 AI摄像头技术进行多维度数据采集及算法优化的具体路径;第二是在教学大数据分析领域继续深化研究,一方面聚焦于学生行为特征数据分析(如出勤规律、座位习惯等),另一方面则重点开展人工智能教育应用伦理研究,探索如何规范其设计流程并有效规避相关风险,保障师生隐私信息安全.