非語言信息系統的課堂教學評價應用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了非語言信息系統的課堂教學評價應用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：文章提出了一種基于數字圖像處理的課堂教學評價平臺，利用教室中的課堂視頻數據檢測和識別教師和學生的非語言信息，并根據不同的非語言信息與教學效果、學習效果之間的關系，對教學活動過程進行評價。文章在研究非語言信息與教學效果、學習效果之間關系的基礎上，對具體實現該評價平臺所用到的表情識別和行為識別的方法進行了歸納和總結。

關鍵詞：教學評價；非語言信息；表情識別；行為識別

教學評價是整個教學系統中不可或缺的重要組成部分，主要是對學生學習效果的評價和教師教學工作過程的評價[1]。傳統的教學評價主要通過對教師講授的課程進行聽課、對學生進行考試等手段，而這些手段要么過于片面要么過于浪費人力和時間，且不能得到準確的教學評價。現有資料表明，課堂環境中，教師的肢體手勢、動作、距離、面部表情等非語言信息在課堂教學中起著重要的作用，能夠反映教師的教學效果；同時，學生的表情、動作、手勢等非語言信息能夠反映出學生的學習效果。基于上述結論，本文對課堂環境中教師和學生的非語言信息與教學效果、學習效果之間的關系進行分析和歸納。在此基礎之上，本文從數字圖像處理和計算機視覺的角度出發，利用教室中的攝像頭所采集的海量視頻數據，從中提取教師和學生的圖像信息，對其動作、行為、表情、手勢等非語言信息進行檢測、識別和分析，最后根據非語言信息與教學效果、學習效果之間的關系，構建一個基于視頻數據的課堂分析與評價平臺，（1）對教師的教學水平和教學技能進行評價，（2）對學生的學習效果進行評價，為課堂教學評價改革提供一種全新的數據視角。目前，通過檢測和識別課堂視頻中教師和學生的非語言信息，將其作為教學評價的標準已經成為一種新穎且可行的思路，本文主要對課堂環境中對學生和教師的非語言信息進行檢測和識別方法進行歸納和總結。

1非語言信息與學習效果、教學效果之間的關系

分析非語言信息與學習效果、教學效果之間的關系就是確定教師和學生哪種非語言信息能夠反映出好的、中立的或者是壞的教學效果和學習效果。通過查閱大量有關非語言信息與教學效果、學習效果之間關系的文獻，對所有相關的非語言信息進行歸納并充分分析其與學校效果、教學效果之間的關系。如教師的表情，教師的微笑能夠給學生帶來積極的心里暗示[2]，微笑反映出教師對于教學任務的熱愛和對學生的喜愛，是一種有利的信息。教師面部表情的變化也能反映出教師的教學效果。如果教師總是表現出一種表情，往往反映了教師講課單調乏味，而豐富的面部表情和運用得體的眼神，能夠吸引學生的注意，使學生自覺地融入教師的授課中[3]，是一種有利的信息。挖掘非語言信息與學習效果.

2非語言信息的檢測、識別、分析

課堂環境中的非語言信息可以分為幾類：表情、動作、手勢。其中表情和手勢是靜態的（如微笑、皺眉、舉手、豎起大拇指等），可以通過捕捉和分析視頻中的靜態圖像信息，而動作則是動態變化的（如打哈欠、眨眼、點頭、搖頭等一系列動作），則需要在識別的基礎上進行跟蹤，捕捉行為變化。對表情變化的檢測與識別的關鍵點是得到每種表情的檢測指標，本文將課堂教學中涉及的表情進行分類：微笑型（興奮、愉悅）和皺眉型（困惑、迷惘）。對于微笑型的表情主要是通過眼睛、眉毛、嘴巴的形態來檢測和識別。鄭雪[4]提出了一種基于卷積神經網絡的方法對微笑型表情進行識別，其通過人臉的5個關鍵點對嘴巴進行定位，利用卷積神經網絡對表情特征進行自動提取，實現對微笑表情的識別。對于皺眉型的表情（表達出困惑、迷惘的感情狀態）往往通過眉毛的形態來進行檢測和識別。肖穎[5]采用AdaBoost分類器算法進行人臉定位，Gabor特征提取算法和幾何特征提取算法提取皺眉信息，最后利用支持向量機進行分類，實現對皺眉的識別。對動作變化的檢測與識別的關鍵點在于設計一個合適的模型，使其能夠檢測出背景中的目標和動作。如困倦、瞌睡、疲勞等情感狀態通過閉眼次數和間隔以及打哈欠次數（嘴巴張開與閉合的次數和間隔）來檢測和識別。王琦[6]提出一種基于卷積神經網絡的方法對學生的疲勞狀態進行檢測，采用基于Haar特征的AdaBoost算法進行人臉檢測，利用CNN對人眼狀態進行識別，最終通過識別人眼的狀態來實現對疲勞的判斷。耿磊等[7]在對駕駛員進行疲勞檢測時，提出了一種基于面部行為分析的疲勞檢測方法，通過檢測和識別嘴巴和眼睛的狀態，并根據設定的疲勞參數來判斷，駕駛員是否處于疲勞狀態，該方法同樣可用于對課堂環境中的學生進行疲勞檢測。

3結語

目前，隨著信息技術的發展，教室中的多媒體設備也越來越豐富，最基本的攝像頭幾乎是每間教室所必備的，這些攝像頭提供了前所未有的海量視頻數據，但是這些數據往往只用于考試監控、教學督查，利用率較低，且造成大量的數據浪費，本文從數字圖像處理的角度出發，以課堂教學視頻為分析對象，以非語言信息與教學效果、學習效果之間的關系為理論依據，對教師和學生的非語言信息進行識別和分析，構建一個新型的課堂教學評價平臺。該評價平臺大大改進了以往傳統的教學評價中出現的片面性、復雜性缺點，是一種信息化、智能化的基于視頻數據的課堂教學評價方法，同時也為課堂教學評價改革提供一種全新的數據視角。

[參考文獻]

[1]程書肖.教育評價方法技術[M].北京：北京師范大學出版社，2004.

[2]吳軍飛.教師課堂非語言溝通調查研究及策略分析[J].科教導刊，2012（8）：136-138.

[3]王為民.讓體態語為課堂教學添彩[J].甘肅教育，2010（24）：58.

[4]鄭雪.基于深度卷積神經網絡的微笑表情識別[D].西安：陜西師范大學，2016.

[5]肖穎.學習過程面部特征測量系統的設計與實現[D].武漢：華中科技大學，2015.

[6]王琦.基于卷積神經網絡的學生疲勞狀態檢測關鍵技術研究與實現[D].武漢：華中師范大學，2016.

[7]耿磊，袁菲，肖志濤，等.基于面部行為分析的駕駛員疲勞檢測方法[J].計算機工程，2018（1）：274-279.

作者:范欣欣 單位:河南師范大學