摘要：課堂交互行為數(shù)據(jù)具有復(fù)雜性和多樣性，包括師生交互、生生交互以及人機(jī)交互等多種形式，這會導(dǎo)致搜索結(jié)果無法全面反映課堂交互行為的實際情況，為此文章研究了基于深度學(xué)習(xí)的搜索方法。該研究通過預(yù)處理確保數(shù)據(jù)的準(zhǔn)確性，融合多源數(shù)據(jù)捕捉多樣性，計算交互密度揭示課堂結(jié)構(gòu)動態(tài)，提取核心關(guān)鍵詞反映交互特征。試驗顯示該方法實現(xiàn)了高效數(shù)據(jù)搜索，其數(shù)據(jù)覆蓋度高，能有效提取關(guān)鍵詞相關(guān)交互數(shù)據(jù)，提升了課堂交互行為數(shù)據(jù)搜索的準(zhǔn)確性和全面性。

關(guān)鍵詞：深度學(xué)習(xí)；課堂交互行為；課堂交互行為數(shù)據(jù)；交互行為數(shù)據(jù)搜索；數(shù)據(jù)搜索方法

中圖分類號：TP311

文獻(xiàn)標(biāo)志碼：A

0 引言

隨著信息技術(shù)的飛速發(fā)展，教育領(lǐng)域正經(jīng)歷著前所未有的變革。特別是將課堂交互行為作為評估教學(xué)質(zhì)量和學(xué)習(xí)效果的重要指標(biāo)，其數(shù)據(jù)的收集與分析顯得尤為重要。然而，傳統(tǒng)的課堂交互行為數(shù)據(jù)收集方法往往存在效率低下、主觀性強(qiáng)等問題，難以滿足現(xiàn)代教育對數(shù)據(jù)準(zhǔn)確性和實時性的高要求。

劉明達(dá)等^［1］提出了分布式隱私保護(hù)數(shù)據(jù)搜索，分散查詢請求至多節(jié)點處理，保障隱私保護(hù)機(jī)制，確保用戶數(shù)據(jù)不被泄露。分布式計算框架提高了搜索效率，但由于分布式計算的特性，可能存在數(shù)據(jù)搜索覆蓋度不足的問題，即部分節(jié)點可能未能完全參與到搜索過程中，導(dǎo)致部分?jǐn)?shù)據(jù)被遺漏、覆蓋不全。王玉賢^［2］針對大數(shù)據(jù)，設(shè)計了基于云計算的并行搜索聚類算法，該算法利用云計算的并行處理能力，對大數(shù)據(jù)進(jìn)行高效搜索和聚類分析。利用并行處理提升效率，處理大規(guī)模數(shù)據(jù)時也可能遭遇搜索覆蓋不足的問題，因資源限制了部分?jǐn)?shù)據(jù)或未完全搜索。二者各有優(yōu)勢但也面臨挑戰(zhàn)，須在效率與覆蓋度間尋求平衡。

為此，本文提出了基于深度學(xué)習(xí)的課堂交互行為數(shù)據(jù)搜索方法，旨在通過構(gòu)建高效的深度學(xué)習(xí)模型，對課堂視頻、音頻等多媒體數(shù)據(jù)進(jìn)行深度挖掘，從而準(zhǔn)確識別并提取出課堂中的交互行為數(shù)據(jù)。

1 利用深度學(xué)習(xí)融合交互數(shù)據(jù)

本文利用深度學(xué)習(xí)技術(shù)實現(xiàn)數(shù)據(jù)的融合，深度學(xué)習(xí)模型能夠從復(fù)雜的數(shù)據(jù)中提取出有效的特征表示。在特征融合階段，通過加權(quán)平均將不同特征來源的數(shù)據(jù)合并起來，以獲取更全面的課堂交互信息。

基于當(dāng)前課堂交互行為分析，本文擬采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）技術(shù)，以開發(fā)一種專注于課堂交互數(shù)據(jù)的特征識別與處理機(jī)制，由3個關(guān)鍵層次組成：卷積層、池化層以及全連接層。當(dāng)課堂交互數(shù)據(jù)進(jìn)入卷積層時，該層將通過卷積操作細(xì)致地捕捉交互行為的特性，從每個數(shù)據(jù)源中提取有意義的特征可以表示為一系列的映射函數(shù)^［3］。設(shè)每個數(shù)據(jù)源為D_i，其中i是數(shù)據(jù)源的索引，特征提取則可以表示為從D_i到特征空間F_i的映射函數(shù)f_i，即：

F_i=f_i（D_i）（1）

其中，F(xiàn)_i是從數(shù)據(jù)源D_i中提取的特征集合。使用深度學(xué)習(xí)模型CNN進(jìn)行特征融合，可以表示為將多個特征集合F_i作為輸入，通過一個融合函數(shù)，輸出一個融合后的特征集合，即：

Z=h_m°h_m-1°…°h₁（F₁，F(xiàn)₁，…，F(xiàn)_n）（2）

其中，h_i表示網(wǎng)絡(luò)中的第i個層（可能是卷積層、激活函數(shù)層或池化層）；°表示函數(shù)復(fù)合操作；n是數(shù)據(jù)源的數(shù)量。在CNN中，特征融合通過將多個特征集合作為不同通道的輸入，在卷積層中進(jìn)行卷積操作來實現(xiàn)，從而學(xué)習(xí)特征之間的復(fù)雜關(guān)系^［4］。最終，網(wǎng)絡(luò)會輸出一個融合了多個特征集合信息的特征集合Z。

2 計算課堂各節(jié)點間交互密度

本文在課堂交互行為數(shù)據(jù)融合的基礎(chǔ)上，量化評估各節(jié)點間的交互密度。節(jié)點通常代表課堂中的學(xué)生或教師等參與者，而交互密度則描述了這些節(jié)點之間互動行為的頻繁程度和廣泛程度。使用網(wǎng)絡(luò)密度公式來計算課堂交互密度，網(wǎng)絡(luò)密度D的計算公式為：

D=2ms（s-1）（3）

其中，D表示網(wǎng)絡(luò)密度；m表示網(wǎng)絡(luò)中實際存在的邊的數(shù)量（即交互次數(shù)，如對話、互動等）；s表示網(wǎng)絡(luò)中節(jié)點的總數(shù)（即學(xué)生或教師的數(shù)量）。這個公式計算了網(wǎng)絡(luò)中實際存在的邊數(shù)與可能存在的最大邊數(shù)之比，從而給出了一個介于0和1之間的值，該值越高表示網(wǎng)絡(luò)的交互密度越大^［5］。當(dāng)需要更細(xì)致地分析課堂交互行為時，考慮節(jié)點和邊的權(quán)重。計算課堂交互密度：

ρ_交互=D∑_i≠jω_i·e_ij·ω_js（s-1）（4）

其中，ω_i和ω_j分別表示節(jié)點i和節(jié)點j的權(quán)重，代表節(jié)點在交互中的重要性或活躍度，例如一個積極參與討論的學(xué)生可能具有較高的權(quán)重。e_ij表示節(jié)點i和節(jié)點j之間的邊的權(quán)重，代表交互的強(qiáng)度或質(zhì)量，例如一次深入的討論可能具有較高的權(quán)重。利用本公式計算所有不同節(jié)點對之間的加權(quán)交互強(qiáng)度之和，并將其除以可能的節(jié)點對數(shù)量，其值介于0和1之間，該值越高表示課堂的加權(quán)交互密度越大^［6］。

由此，本節(jié)通過計算和分析交互密度，了解了課堂中的互動頻繁程度以及不同節(jié)點（學(xué)生或教師）在交互中的重要性或活躍度，從而評估教學(xué)質(zhì)量和學(xué)習(xí)效果。

3 提取核心關(guān)鍵詞實現(xiàn)數(shù)據(jù)搜索

在大量的課堂交互行為數(shù)據(jù)中，提取關(guān)鍵詞是實現(xiàn)快速搜索和檢索的關(guān)鍵。本文利用灰色關(guān)聯(lián)分析來提取關(guān)鍵詞并實現(xiàn)數(shù)據(jù)搜索，旨在從文本數(shù)據(jù)中提取出與課堂交互行為相關(guān)性較高的關(guān)鍵詞，這些關(guān)鍵詞可以幫助學(xué)生和教師快速定位到感興趣的內(nèi)容或話題。

假設(shè)有一個參考序列X₀，它代表了課堂交互行為的核心特征。這個序列可以是一個或多個指標(biāo)或文本段落的集合，表示為：

X₀=｛x₀（1），x₀（2），…，x₀（N）｝（5）

其中，N是參考序列中元素的數(shù)量，x₀（i）是第i個元素的數(shù)值或描述。

假設(shè)存在l個初始關(guān)鍵詞，每個關(guān)鍵詞都有一個權(quán)重或相關(guān)度值。將這些關(guān)鍵詞的權(quán)重或相關(guān)度值構(gòu)成比較序列，記作X_t（其中t=1，2，…，l），每個比較序列可以表示為：

X_t=｛x_t（1），x_t（2），…，x_t（N′）｝（6）

其中，N′是與參考序列相同的元素數(shù)量（即每個關(guān)鍵詞的權(quán)重或相關(guān)度值與參考序列中的元素一一對應(yīng)），x_t（j）是第i個關(guān)鍵詞在第j個元素位置上的權(quán)重或相關(guān)度值。

灰色關(guān)聯(lián)度ξ（x₀（k），x_t（k））表示參考序列中第k個元素與比較序列中第k個元素之間的關(guān)聯(lián)系數(shù)，計算式如下：

ξ（x₀（k），x_t（k））=min_imin_k|x₀（k）-x_i（k）|+ρ_交互max_imax_k|x₀（k）-x_i（k）||x₀（k）-x_i（k）|+ρ_交互max_imax_t|x₀（k）-x_i（k）|（7）

其中，min_imin_k|x₀（k）-x_i（k）|、max_imax_k|x₀（k）-x_i（k）|分別表示所有比較序列與參考序列對應(yīng)元素之差的最小值和最大值。

關(guān)鍵詞i的灰色關(guān)聯(lián)度計算如下：

r_i=∑nk=1ω_k·ξ（x₀（k），x_t（k））（8）

灰色關(guān)聯(lián)度r_i反映了關(guān)鍵詞i與課堂交互行為核心特征之間的關(guān)聯(lián)程度。關(guān)聯(lián)度越高，表示該關(guān)鍵詞與課堂交互行為越相關(guān)。

通過灰色關(guān)聯(lián)分析，可以篩選出與課堂交互行為相關(guān)性較強(qiáng)的關(guān)鍵詞，避免將相關(guān)性較弱的關(guān)鍵詞作為初始關(guān)鍵詞。這樣可以更加準(zhǔn)確地定位到與課堂交互行為相關(guān)的內(nèi)容，為課堂交互行為的分析提供有力的支持。

4 試驗驗證

試驗數(shù)據(jù)來源于某高中一年級的化學(xué)課堂，該課堂采用數(shù)字化教學(xué)平臺，實時記錄了學(xué)生的課堂表現(xiàn)、發(fā)言內(nèi)容、討論參與度等交互行為數(shù)據(jù)。數(shù)據(jù)總量為50個課時的視頻和文本記錄，涉及150名學(xué)生和2名教師。為驗證本文搜索方法的優(yōu)越性，將其與劉明達(dá)等^［1］方法和王玉賢^［2］方法進(jìn)行對比。在進(jìn)行課堂交互行為數(shù)據(jù)搜索的試驗過程中，本文針對5個不同的關(guān)鍵詞進(jìn)行搜索，并記錄不同方法下的數(shù)據(jù)覆蓋度，具體試驗數(shù)據(jù)記錄如表1所示。

本文提出的課堂交互行為數(shù)據(jù)搜索方法，在5組關(guān)鍵詞任務(wù)中均展現(xiàn)高數(shù)據(jù)覆蓋度，優(yōu)于劉明達(dá)等^［1］方法和王玉賢^［2］方法。本文方法能有效提取關(guān)鍵詞相關(guān)數(shù)據(jù)，支持教學(xué)分析與評估，具備較高的實用價值。

5 結(jié)語

綜上所述，本文研究的基于深度學(xué)習(xí)的課堂交互行為數(shù)據(jù)搜索方法，通過精細(xì)的數(shù)據(jù)預(yù)處理、多元數(shù)據(jù)融合、交互密度分析及核心關(guān)鍵詞提取，不僅克服了傳統(tǒng)搜索方法在處理復(fù)雜課堂交互數(shù)據(jù)時的局限性，還顯著提升了搜索結(jié)果的全面性和準(zhǔn)確性。這一創(chuàng)新方法為教育研究者提供了強(qiáng)有力的工具，以深入理解課堂交互的內(nèi)在機(jī)制，為教師自我反思與教學(xué)質(zhì)量提升開辟了新途徑。

參考文獻(xiàn)

［1］劉明達(dá)，拾以娟，饒翔，等.一種分布式的隱私保護(hù)數(shù)據(jù)搜索方案［J］.計算機(jī)科學(xué)，2022（10）：291-296.

［2］王玉賢.基于云計算的大數(shù)據(jù)并行搜索聚類算法研究［J］.自動化與儀器儀表，2021（10）：33-36.

［3］甘臣權(quán)，楊宏鵬，祝清意，等.基于訪問控制的可驗證醫(yī)療區(qū)塊鏈數(shù)據(jù)搜索機(jī)制［J］.重慶郵電大學(xué)學(xué)報（自然科學(xué)版），2023（5）：873-887.

［4］方海光，孔新梅，鄭志宏，等.一種智慧課堂交互行為數(shù)據(jù)的標(biāo)準(zhǔn)分?jǐn)?shù)常模計算方法研究：基于改進(jìn)型弗蘭德斯互動分析系統(tǒng)iFIAS［J］.遠(yuǎn)程教育雜志，2023（5）：67-75.

［5］馮帆，周仕榮，程莫涵，等.基于iFIAS的初中數(shù)學(xué)課堂交互行為的對比研究［J］.喀什大學(xué)學(xué)報，2022（6）：97-102.

［6］方海光，洪心，孔新梅，等.基于課堂交互行為數(shù)據(jù)的教學(xué)教研融合研究：以網(wǎng)絡(luò)畫板和iFIAS的數(shù)學(xué)教學(xué)教研應(yīng)用為例［J］.中國電化教育，2022（5）：115-121.

（編輯 沈 強(qiáng)）

Search method for classroom interaction behavior data based on deep learning

YAO Hong

（Jiangxi Ganzhou Vocational and Technical College， Ganzhou 341000， China）

Abstract：Classroom interaction behavior data is complex and diverse， including teacher-student interaction， student interaction and human-computer interaction， this will lead to search results cannot fully reflect the actual situation of classroom interaction behavior. Therefore， this paper studies the search method based on deep learning. This study ensures the accuracy of the data through preprocessing， integrates multi-source data to capture the diversity， calculates the interaction density to reveal the dynamics of the classroom structure， and extracts the core keywords to reflect the interaction features. The experiment shows that this method realizes efficient data search， with high data coverage， can effectively extract keyword related interaction data， and improves the accuracy and comprehensiveness of classroom interaction behavior data search.

Key words：deep learning; classroom interaction behavior; classroom interaction behavior data; interactive behavior data search; data search method