崔小洛

(九州职业技术学院,江苏 徐州 221116)

0 引言

课堂教学效果的反馈与检验是课堂教学实施的最后一环节,是课堂教学效果好坏的评价手段,也是实施教学策略调整的重要依据。因此,对于课堂教学反馈的方式与手段的研究至关重要。现如今,人工智能技术迅猛发展,人脸识别与表情特征提取已广泛应用在非教育领域,此类技术也可与课堂教学效果反馈相结合,提供实时的效果反馈信息,教师可即时调整教学策略,达到实现教学目标的目的。

1 课堂教学效果反馈方式分析

现阶段,课堂教学效果评价手段方法多种多样,具体有以下几种。

1.1 课堂评价表

以调查问卷和李克特量表的形式检验教学效果。申健等[1]设计出分别针对教师和学生的课堂评价反馈表,针对教师层面,从教学态度、教学内容、教学方法、教学设计、课堂气氛5个维度让教师自身进行自评。针对学生层面,从教师教学水平、教学能力、沟通能力,学生知识接受程度、知识有用程度、能力提升程度及教学满意度等多维度,对教师及自身进行课堂教学效果的反馈评价。

1.2 课堂测验

根据课程需要,采取的课堂测验的反馈形式也是多种多样,例如纸质试卷、实践操作或利用智慧环境下移动终端设备实时投屏显示课堂呈现结果的形式。

1.3 学生自身总结及同行和专家听课指导

依据以学生为中心的教育理念,学生在学习过程中的主体地位越来越明显,所以课堂教学中学生自评与生生互评的形式越来越收到重视。让学生自己能意识到自己的问题及自我表达,是教育的目的与根本。除此之外,还有教师同行和领域专家的听课方式来进一步提升课堂教师自身意识不到的课堂教学问题。

1.4 基于情感的课堂教学效果反馈评价

有学者注重课堂教学中学生的情感表达与体验。何祎[2]提出基于情感的课堂教学评价指标体系,分为学生的学习状态、学习水平和学习效果。学生学习状态的二级指标又包括情绪状态、参与状态和交往状态。其中情绪状态又有面部表情、语言表情、动作表情的指标评价。参与状态又有课堂出席人数、抬头看黑板人数、提出问题情况和教师面对面交流次数的指标评价。交往状态又有是否乐于参与小组学习和发言次数统计等指标评价。学生的学习水平又包括了回答问题次数总计、同一问题能否提出不同见解、是否勇于提出疑问、动手能力与实践能力等的评价指标。判断情感指标方法有问卷法、访谈法、现场观察法、李克特量表、情感计算、经验定性。

2 表情识别应用于课堂效果反馈的相关研究

针对课堂教学表情识别监测的设计与应用方面很多学者都做过相关的研究。冯满堂等[3]为了弥补智能网络教学系统中学习体验的情感反馈,利用二维Gabor小波变换特征提取算法对学生的学习表情进行识别分类,进而设计出基于人脸表情识别的智能网络教学系统,并利用VC6.0开发工具实现了系统的原型。为智能网络教学系统中融入学生的情感反馈开辟了研究的方向。孙波等[4]基于张量分解的表情识别算法技术,很好的排除了人脸差异对于表情识别的影响,并设计出师生情感交互结构图,针对学习者面部识别出的表情,做出相应的情绪分析与计算,虚拟教师根据学生的情感表达来激活自身的情感表达状态与方式。韩丽[5]等人基于AAM模型算法进行人脸监测与表情分析,与学生的学习心理状态相联系,进一步定义了评价课堂效果的参与度、疑难度以及关注度等评价指数。

综上所述,可以看出表情识别有多种实现的算法,结合人工智能技术迅猛发展,会有新的方法来提炼与识别面部表情,但其在识别的准确率与精确度上有所增加。学者们关于教学即时反馈系统的设计与应用主要停留在学生的表情识别的验证上,以及远程教学中针对远程学生的表情心理状态,虚拟教师应做出的几种有限回应与反馈。关于课堂教学中教师根据反馈系统出现的数据与预警没有真实的做出相关的具体策略的调整的设计。这也是接下来该领域需要的研究的重点内容。

3 基于微表情追踪的课堂教学效果即时反馈系统设计结构模型

教师需要及时获取到学生的学习反馈信息,及时做出对应的调整策略。但这又要求在一对多的课堂教学中,教师过多的、无意识的话语干预学生主动思考的学习过程,进而无法完全落实这一教育理念及精神。

随着视频检测技术和人脸检测技术的普及应用,实时监测学生的学习状态及表情成为可能,本文利用相关的人工智能检测技术,在课堂教学中实时监测学生的表情及状态的变化,设计出基于微表情追踪的课堂教学效果即时反馈系统模型,为今后的开发与实现奠定理论基础。

3.1 人脸检测与表情分析模型

(1)课堂视频录制模块。需要对教室内的全部学生进行实时的监控录制。要达到教室拍摄无死角、画质清晰的目的。并将视频信号传送到主控高性能计算机工作站上便于后续的图像处理。摄像头的位置应该在教室正前方黑板偏上位置及教室左前方及右前方位置。摄像头的功能应为多倍光学变焦与自动光圈的功能。不仅能拍摄出远距离的学生面部表情,也能根据外在光照明暗环境的变化自动调节光圈来达到清晰显示图像的目的(见图1)。

图1 人脸检测与表情分析模型

(2)实时图像处理模块。通过采集频率的设置,对录制的课堂视频进行打散实时转化成为连续的多组图片素材。并将生成的图片素材转移到人脸检测识别模块。

(3)人脸检测识别模块。基于深度图卷积神经网络的人脸检测与识别算法的实现。设计多层卷积神经网络对学生微表情进行特征提取,每层卷积神经网络包括一个卷积层和一个平均池化层。然后利用提取到的特征,通过一个全连接层对微表情进行分类,并得到每个微表情在所有类别上的输出概率,概率值最大的类即为最终的识别结果。

(4)表情分析归类模块。运用所设计的微表情追踪模型将学生在课堂中的实时微表情分为5类:理解、倾听、困惑、不听、反感。每种微表情类型都有其特定的定义特点及方式。

(5)统计分析数据模块。根据这5种微表情定义了4种课堂教学效果评价指标分别为关注度、掌握度、困惑度、模糊度。

(6)实时数据反馈模块。学生课堂微表情发生变化时,深度图卷积神经网络模型可进行实时追踪,并通过计算得出新的识别结果,实时反馈学生的学习状态变化。

3.2 基于微表情追踪的课堂教学效果即时反馈系统设计结构模型

研究了人脸检测与表情分析的算法设计,如何构建出基于微表情追踪的课堂教学效果即时反馈系统成为可能,该系统不仅应能够分析归类学生的实时微表情,而且还应体现人机交互的模块设置。

课堂实录模块对于多媒体及摄录像设备有硬性的要求,课堂微表情识别与追踪模块会将课堂实录视频进行实时图像处理,基于深度图卷积神经网络的人脸检测与识别算法会自动识别出相应的理解、倾听、困惑、不听、反感5种微表情。

笔者根据这5种微表情定义了4种课堂教学效果评价指标分别为(1)关注度:关注度能够反映学生听课状态情况(听课状态:理解、倾听、困惑；非听课状态:不听、反感)。(2)掌握度:掌握度反映了学生对知识点的理解情况。(3)困惑度:困惑度体现的是学生对知识点的困惑程度。(4)模糊度:当学生处于倾听状态时,无法判断其对知识点的掌握情况,因此,模糊度反映的是学生对知识点掌握的模糊程度。

人机交互设计模块包含评价指标阈值设置和个体/整体跟踪分析两个部分。评价指标阈值设置是指教师可以自行对4种课堂教学效果评价指标设置临界值,如果课堂教学效果评价指标反馈值超过设置的临界值,即时反馈系统会对外输出报警信号,提醒教师此时的课堂教学有一定的问题,教师可以及时调整教学策略与方法。个体/整体跟踪分析是指不仅可以对班级整体进行课堂教学效果评价指标的跟踪与反馈,而且可以具体到学生个体,教师可以实时查阅学生个体的课堂教学效果评价指标,更能够达到因材施教的学习效果。

4 结语

随着人工智能及图像处理技术日趋成熟,在课堂教学领域的应用也越来越广泛,本文是在相关文献研究的基础上,结合深度图卷积神经网络的人脸检测与识别算法,提出基于微表情追踪的课堂教学效果即时反馈系统的设计模型,希望此模型的提出能为后续的课堂教学效果即时反馈系统的开发与应用奠定理论基础。