人工智能在即时反馈教学中的一种应用

创作时间:

作者:

@小白创作中心

人工智能在即时反馈教学中的一种应用

引用

来源

http://jyjxltw.com/a/58/773.html

如何在现有条件下尽可能地提升教学效果？本文介绍了一种利用人工智能进行课堂即时反馈的方法，该方法在大学专业课教学中显示出了良好的效果。

一、引言

提高教学质量一直是教育工作者关注的重点之一。近年来，教学反馈作为一种有效提升教学质量的手段，在学习过程中已经得到了大量的应用。但是，传统的反馈方式如作业和考试存在一定的滞后性，无法实现即时反馈。因此，研究者们开始尝试将人工智能技术应用于课堂教学反馈中。

二、利用人工智能进行即时教学反馈

若要即时评估当前的学生听课状况，需要使用图像处理和人工智能技术。具体的步骤为：

获取学生听课的图像，并将各个学生的头像从背景中分离出来
依次对这些头像进行分析，将各个学生的听课情况进行分类：认真听课、不认真听课、不听课等
对学生的听课情况做出统计，当认真听课的学生比例低于一定阈值时，系统将给出即时反馈

为了持续地观测在座学生的学习情况，可以使用一个摄像头来周期性地记录学生听课的实时图像。接下来的工作是识别学生的听课状况，这需要使用一些人工智能算法来完成。OpenCV是一个跨平台的计算机视觉库，可以运行在Windows、Linux等操作系统上。它实现了图像处理和计算机视觉方面的很多通用处理功能。特别值得指出的是，OpenCV采用了大量的机器学习算法来进行图像处理，这使得OpenCV可以提供一些看上去很智能的功能。例如：OpenCV提供了从背景图像中对特征图像进行检测和抽取的一系列方法，其中的haarcascade_frontalface检测器可以将人类的脸部图像从复杂的背景图像中分离出来。

当获得各学生的脸部图像后，则可以使用卷积神经网络进一步对这些脸部图像进行处理。只需使用适当的样本对卷积神经网络进行训练，该网络就可根据当前的脸部表情将这些学生的学习状态分类为认真听课、不认真听课、不听课等几种状态。在系统构建的初期，需要通过人工对脸部图像标定类别，以便系统可以进行分类学习。到了后期，系统就可以自动对图像进行归类处理。

在实践过程中，我们发现当图片中人脸数目较少时识别率较高，因而我们对原始的大图进行切块处理，分块对脸部进行识别，能获得相对较好的效果，如图1所示。

三、教学中使用人工智能即时反馈的效果

在构建了系统后，我们使用该系统来进行教学效果的即时反馈。尽管构建的系统在识别率上任然存在一定的不足，但大体上已经能够在一定程度上反应学生的听课状况。对于部分不抬头的同学，系统难以进行识别。但是学生不抬头面对教师也说明了该同学并没有与教师授课步调保持一致，或者说该教师授课并没有足够引入入胜到把学生的目光吸引到自己身上。系统进行的是一种宏观的统计。在上课前输入学生大致的人数，在教学开始时开启摄像头，系统会不间断的获取图像数据，计算认真听课学生的比例，实时分析听课的效果，并将当前听课状况反馈给教师。在听课效果较低，达到某个阈值时，系统提醒教师，为教师进行决策提供参考。在采用该系统之前，教师一方面要教课，一方面要观察学生的听课状况，一心需要两用。采用系统之后，由于系统是不间断的持续分析，提供第一手的权威资料，教师不必额外花精力去数有多少同学没认真听课，可以更加专注在理论的讲解上。

为了验证该方法是否具有效果，我们在教学中使用了该系统，并采用两个类似的班级来进行对比。同样的一门课，一个在班级的授课中采用该系统，另外一个班级进行普通方法的教学。在实施过程中，系统实时显示当前的认真听课率，让教师对学生的学习状况可以实时掌握，从而更加灵活地因材施教、使用合理的教学方式和方法。在实施一段时间后，对两个班学生的教学内容进行测试，在百分制的情况下，采用了智能反馈系统的班级测试成绩比对照班平均分高出3分之多。可以很明显的感受到即时反馈对教学效果的促进作用。而且该方法无需昂贵的教学设施，仅需要一台笔记本和一个摄像头，就能够以小的产出获得大的效果。