許聲宏

四川商務職業(yè)學院，成都 611131

自2020年新冠疫情爆發(fā)以來，人類社會生產活動及生活方式受到前所有未有的沖擊．一向偏線下的教育行業(yè)受到的影響尤為嚴重，為了不影響正常的教學，全國各地各校開展了在線教學[1]．同時，隨著教育培訓監(jiān)管政策的變化，教育培訓機構面臨轉型[2]．在上述因素影響下，教育行業(yè)的在線化程度提升，教育的全面數(shù)字化轉型成為必然趨勢[3]．

互聯(lián)網、人工智能、5G等技術的不斷發(fā)展和成熟，使得數(shù)字教育資源更加豐富，數(shù)字教育資源獲取更加便捷，助推在線教學實施．但由于在線教學中學生和教師無法面對面，學生和教師的交互方式相對單一，導致教師無法準確掌握學生狀態(tài)，因此也無法及時調整教學進度和教學內容．由于在線教學的開展需要移動終端設備接入，對學生的自我管理能力要求相對較高，在沒有家長監(jiān)督的情況下，學生容易打著學習的幌子，利用上課時間從事玩游戲、看電影等與學習無關的活動，導致在線教學效果差強人意．而在我國廣袤的農村地區(qū)，優(yōu)質教育資源極度匱乏，師資力量相對薄弱．積極引入在線教學(如專遞課堂、名校網絡課堂等)，是解決優(yōu)質教育資源分布不均問題的有效手段．如果能解決當前在線教學中存在的系列難題，能夠幫助學生(特別是缺少父母監(jiān)管的留守兒童)養(yǎng)成良好在線學習習慣，將有助于偏遠山區(qū)的學生獲得更好發(fā)展．因此，研究如何通過新興技術提高在線教學效果，對加快教育改革、實現(xiàn)教育公平有重要意義．

早在20世紀末，人們就開始嘗試利用計算機來輔助教學．但截至目前，這些嘗試更多聚焦在多媒體使用、教育資源共享、專家系統(tǒng)等方向，面向在線教學的研究較少．特別是近年來興起的人工智能技術，其在在線教學中的應用尚不充分，潛在教育價值尚未得到充分挖掘．基于此，本文探究了計算機視覺、機器學習、邊緣計算等智能技術在教育行業(yè)中的應用現(xiàn)狀，在此基礎上提出了一個有助于實現(xiàn)學生在無家長監(jiān)督情境下正確使用移動終端設備，以及持續(xù)改善在線教學效果的方案．

1 當前研究進展

當前人工智能在教育行業(yè)的應用主要體現(xiàn)在輔助教學和教學管理上．計算機視覺、機器學習、邊緣計算等智能技術雖然出現(xiàn)的時間較早，但受限于理論基礎薄弱和基礎設施發(fā)展相對緩慢，最近幾年才迎來了黃金發(fā)展時期，以下將分別闡述計算機視覺、機器學習、邊緣計算在教育行業(yè)中的研究現(xiàn)狀．

計算機視覺在教育中的應用范圍主要集中在學生行為識別和教學活動分析上，核心技術包括目標檢測和特征識別．學生行為識別方面，文獻[4]基于計算機視覺和機器學習技術，以課堂教學視頻為數(shù)據源，提取了學生的人體骨架信息，并對比了5種模型識別學生課堂行為的準確率．文獻[5]在設計學生課堂學習行為投入度評價指標的基礎上，基于計算機視覺技術開發(fā)了學生學習行為投入度自動評價系統(tǒng)，并檢驗了系統(tǒng)的有效性．教學活動分析方面，文獻[6]基于計算機視覺和自然語言處理技術，開發(fā)了課堂教學分析TESTII框架．

機器學習在教育中的應用范圍包括學習預測、學業(yè)預警、資源推薦等[7]．學習預測方面，文獻[8]結合長短時記憶機、多頭注意力機制等算法，提出了基于門控單元的特征融合框架，用于預測MOOC用戶的學習情況．文獻[9]結合學習者與學習平臺的交互行為數(shù)據以及機器學習算法，構建了大規(guī)模在線學習預測模型．學業(yè)預警方面，文獻[10]結合Adam技術構建了FT_BP神經網絡模型，并結合學生學習情況驗證了模型的準確性．文獻[11]使用模糊均值聚類(KFCM)改進支持向量機(SVM)數(shù)據決策算法，在此基礎上開發(fā)了學生學業(yè)預警系統(tǒng)．資源推薦方面，文獻[12]使用知識本體表達、機器學習和數(shù)據挖掘等技術，構建了學習者、學習資源和知識本體的關聯(lián)矩陣，在此基礎上結合基于用戶相似度和基于項目的混合協(xié)同過濾算法，實現(xiàn)了學習資源個性化推薦準確度的提升．文獻[13]借助深度學習技術，構建了基于深度神經網絡的個性化學習資源推薦方法，并說明了其相較于傳統(tǒng)基于機器學習算法的資源推薦方法的優(yōu)勢．

邊緣計算在教育中的應用范圍主要集中在智慧校園設計和學校圖書館建設上．智慧校園設計方面，文獻[14]基于邊緣智能計算設計了智慧校園，其基本理念為在整體部署智慧校園“端、邊、云”計算基礎上，設計智慧校園邊-云協(xié)同計算架構，并將人工智能嵌入邊緣計算節(jié)點，從而實現(xiàn)智慧校園的分布式智能“大腦”．文獻[15]提出邊緣計算能夠彌補云計算、大數(shù)據等技術在安全性、實時性、帶寬、算力等方面的不足，并能夠在5G技術支持下健全校園內邊緣計算系統(tǒng)，實現(xiàn)全場景智慧校園構建．學校圖書館建設方面，文獻[16]通過分析邊緣計算技術特性，提出邊緣計算能夠提升高校圖書館互聯(lián)互通程度，提高圖書館數(shù)據安全度，有效保障資源獲取和設備維護，從而推進高校智慧圖書館建設．文獻[17]在分析圖書館融入邊緣計算的優(yōu)勢和可能性基礎上，構建了基于邊緣計算的圖書館智慧服務體系，提出邊緣計算能夠提高服務響應實時性，降低數(shù)據處理成本和網絡帶寬壓力．

2 解決方案

如果能利用智能技術解決當前在線教學中存在的教師干預不及時、學生學習缺少監(jiān)管等問題，將有助于改善在線教學效果，提高在線教學質量．為此，本研究基于計算機視覺、機器學習等智能技術，提出了一個有助于實現(xiàn)學生在無家長監(jiān)督情境下正確使用移動終端設備和持續(xù)改善在線教學效果的方案，如圖1所示．該方案利用目標檢測、特征識別、邊緣計算、機器學習等技術，采集與分析在線教學活動中產生的行為表現(xiàn)數(shù)據(包括但不限于視頻觀看情況、討論參與情況、提問與應答情況、作業(yè)考試成績等)，并將分析結果反作用于教學活動，實現(xiàn)持續(xù)改善課堂教學效果，激發(fā)學生學習熱情和提高學生學習效率．此外，可視化的數(shù)據分析結果能夠讓家長更直觀地了解孩子的學習情況，強化家長與教師之間的聯(lián)系，推動家校合作共育．

圖1 解決方案

解決方案由三部分組成：一是課堂異常行為檢測； 二是面部微表情識別； 三是多模態(tài)數(shù)據分析．課堂異常行為檢測的流程如下：第一步，讓學生提交一組標有自己名字的照片，將這些照片作為AdaBoost分類器的訓練集[18]； 第二步，利用Faster R-CNN目標人物檢測算法[19]從課堂教學視頻中識別出人臉，作為AdaBoost分類器的輸入； 第三步，利用LRDCN識別算法[20]從教學視頻中識別出學生的動作，并結合AdaBoost分類器將行為與行為主體一一對應； 第四步，根據LRDCN識別算法的輸出結果，對學生的動作做分類處理，將動作標注為學習動作和其他動作，準確識別出課堂上學生的異常行為； 第五步，利用學習動作分類集和其他動作訓練分類算法[21]，構建算法模型； 第六步，利用算法模型分析全量數(shù)據，輸出分析結果； 第七步，根據分析結果開展針對性訓練，即面向課堂異常行為較多的學生實施專注力訓練，幫助他們矯正不良學習習慣．

面部微表情識別的流程如下：

1) 利用面部微表情識別算法[22]從教學視頻中識別出學生的微表情．

2) 了解微表情變化背后隱藏的邏輯，對輸出結果做分類處理．隨著在線教學的進行，學生的面部表情會出現(xiàn)變化，如果能識別出這種微小變化背后代表的知識接受程度和學習態(tài)度，有助于教師掌控課堂教學進度，及時做出相應調整，從而改善教學效果．對此，可以先將表情標注為專注、困惑、震驚、呆滯、走神等，隨后將表情進一步分類為在聽講但是沒聽懂、沒聽講、聽懂等類型，最后利用標注結果訓練分類器[21]．

3) 分析教學過程中學生出現(xiàn)的所有表情，統(tǒng)計同一時間段各類表情所占比例，為教師調節(jié)課堂氛圍和調整教學進度提供依據．

多模態(tài)數(shù)據分析的主要邏輯如下：在機器學習、深度學習、大數(shù)據等技術支持下，通過分析學生個人信息、性格特征、學習成績等數(shù)據，來確定學生的學習基礎； 通過分析教師的教學特點、性格特征等數(shù)據，來確定教師的教學風格，從而為差異化教學提供支持．教學過程的核心參與者是教師和學生，只有充分了解教師的特長和學生的需求，才能做到人盡其才和因材施教．只有通過學情數(shù)據分析，學校和教師才能準確了解學生學習情況，在此基礎上做出針對性調整．學?？梢愿鶕總€學生的學習情況，把基礎差異不大的學生安排在同一個班級，針對每個班級制定個性化教學計劃，而不是把所有學生都放在同一起跑線上．同時，借助在線教學平臺，可以結合學生的學習基礎、性格特點以及教師的教學特點、教學安排等數(shù)據形成定制化學習計劃，為學生提供更適配的師資力量．

通過以上步驟能得到相應的分析模型，如果將這些分析模型融合到在線教學平臺進行實時分析，有助于提升學生在線學習效果．但需要注意的是，如果僅是依靠流量上傳學生的在線學習數(shù)據(學生在學習時需要開啟攝像頭，原因在于本文設計的方案需要通過攝像頭捕捉學生學習時的外在表現(xiàn))到服務端進行分析并不現(xiàn)實，一方面是視頻數(shù)據過大會產生高額的流量費用，另一方面是對服務提供商來說，處理海量視頻數(shù)據相對復雜，其處理能力和結果準確性難以保障．因此，需要采用就近處理的方式來處理這些視頻數(shù)據．雖然視頻數(shù)據動態(tài)變化且實時生成，但算法相對穩(wěn)定，因此可以采用算法下發(fā)的方式來分析這些視頻數(shù)據，這與邊緣計算技術的理念相契合．具體來說，在線教學平臺利用邊緣計算分析在線教學過程中產生的數(shù)據，并將分析結果推送給教師，教師可以結合分析結果調整教學進度和教學內容．對于“開小差”的學生可以采取提問、點名提醒等方式來提高其專注度和參與度．同時，教師借助在線教學平臺可以開通便捷的溝通渠道(如留言區(qū)、討論區(qū)等)，方便師生、生生課后交流，幫助學生及時攻克學習過程中遇到的障礙．此外，教師還可以將數(shù)據分析結果推送給家長，讓家長更直觀地了解孩子的學習表現(xiàn)，更多參與到孩子的學習過程中．同時，為了規(guī)范學生對移動終端設備的使用，系統(tǒng)還需要分析視頻內容，如果是和學習無關的游戲、電影等頁面，系統(tǒng)將自動關閉上述頁面，并鎖定學習頁面．

總的來看，本文提出的方案適用場景相對廣泛，其不僅有助于實現(xiàn)學生在無家長監(jiān)督下正確使用移動終端設備，還能夠促進在線教學效果提升．除此之外，該方案將教學組織和教學管理全過程都實現(xiàn)了數(shù)據化，這將極大程度地方便教育主管部門開展監(jiān)管、分析、調研等工作．方案的推行離不開各參與方的努力，政府要不斷豐富和完善基礎設施，降低接入成本，給予偏遠山區(qū)的學校和學生更多關注．同時，政府要加強監(jiān)督和引導，構建一個安全、健康的網絡學習環(huán)境．此外，政府還應鼓勵教育機構積極開放與共享優(yōu)質教育資源，助推在線教育普及和智能技術應用．

3 結語

本文結合時代發(fā)展需要和人工智能在教育行業(yè)中的應用現(xiàn)狀，設計了一個涵蓋目標檢測、特征識別、機器學習、邊緣計算等智能技術的方案，該方案通過分析學生的課堂異常行為、面部微表情變化和多模態(tài)數(shù)據，評價在線教學過程中的學生表現(xiàn)，能夠讓教師了解學生的不良學習習慣，并通過適時干預加以矯正，這有助于學生在無家長監(jiān)督情境下正確使用移動終端設備．同時，該方案還能讓教師更好地掌握學生學習情況，從而對教學內容、授課方式等要素進行針對性調整，實現(xiàn)教學效果提升．然而，本文所設計的方案同樣存在一定不足之處．一是在算法層面仍以機器學習為主，對深度學習的關注和使用較少； 二是所提出的方案處于模型構建階段，尚未進入開發(fā)與實現(xiàn)階段．對此，后續(xù)研究將結合深度學習算法進一步改進整體方案，在此基礎上借助技術實現(xiàn)模型，并將方案應用于在線教學平臺檢驗其效果，為在線教學中的智能技術應用研究提供借鑒．