摘要：随著(zhe)教育評價理念的發展，學習投入度成爲改善高(gāo)等教育質量的關鍵指标。其中，高(gāo)效、準确地測量并分析學生(shēng)課堂學習行爲投入度，是推進學習投入度研究與高(gāo)校教學實踐相(xiàng)結合的關鍵議題。文章首先梳理了學生(shēng)課堂學習行爲投入度的相(xiàng)關指标，在此基礎上(shàng)整理出學生(shēng)課堂學習行爲投入度的6個觀察指标。随後，文章引入計算(suàn)機視覺技(jì)術，設計了學生(shēng)課堂學習行爲投入度測量與分析系統。最後，文章将此系統應用于教學實踐，驗證了此系統的有效性。基于計算(suàn)機視覺技(jì)術對學生(shēng)課堂學習行爲投入度進行測量與分析，可爲教師及時掌握學生(shēng)課堂學習投入狀态、優化教學設計與教學實施提供及時的數據支撐。
關鍵詞：學習行爲投入度；課堂行爲；課堂觀察；計算(suàn)機視覺技(jì)術
一(yī) 研究背景 學生(shēng)的學習行爲投入度一(yī)般是指學生(shēng)在學校中積極的、有利于取得成就(jiù)的行爲。目前，學生(shēng)課堂學習行爲投入度的定義主要有兩類：一(yī)類是從學生(shēng)遵守規則的角度進行研究，具體表征爲學生(shēng)上(shàng)課的出勤率等，如Finn[1]認爲學習投入度有助于發現學生(shēng)逐步疏遠、脫離學校的過程，從而可以通(tōng)過及時幹預幫助學生(shēng)完成學業；另一(yī)類是從學生(shēng)深度參與學習活動的角度進行研究，如努力、堅持、集中注意力等[2]，具體表征爲學生(shēng)是否完成作業和聽課、回答問題、讨論的行爲等，如Henry等[3]通(tōng)過測量學生(shēng)的行爲對其學習結果進行預測。本研究綜合考慮上(shàng)述兩類學習行爲投入度的内涵，在考慮學生(shēng)出勤情況的基礎上(shàng)，通(tōng)過觀察學生(shēng)在課堂學習過程中的行爲表現，來掌握學生(shēng)的課堂行爲投入情況。 課堂學習行爲投入度的測量方式主要有學生(shēng)自(zì)我報告與課堂觀察。其中，學生(shēng)自(zì)我報告是最常用的方法，這一(yī)方法實用性強、容易管理，并能(néng)以相(xiàng)對較低(dī)的成本提供大樣本的數據。然而，學生(shēng)自(zì)我報告時易受主觀影響，在某些情況下(xià)可能(néng)不會如實回答，适用于評估認知及情感投入[4]，并且這一(yī)方法在數據收集與處理的時效性上(shàng)具有滞後性。而課堂觀察可基于預先設置的觀察量表，捕捉學生(shēng)課堂學習投入度的行爲特征，以評估學生(shēng)個體在任務上(shàng)和任務外的行爲[5]。但是，研究人員在課堂上(shàng)直接觀察并手動編碼的傳統方法，以及目前較爲通(tōng)用的基于課堂視頻進行半自(zì)動數據編碼的方法，均需要研究人員投入較多(duō)的人力和時間，因此不适用于大樣本量的調研，亦無法作爲常規的過程性評價工(gōng)具。 計算(suàn)機視覺技(jì)術的出現，爲研究人員改良課堂觀察法帶來了新的可能(néng)性：對課堂學習行爲的捕捉與識别有望擺脫對人力的依賴，從而大幅提升效率。計算(suàn)機視覺技(jì)術是一(yī)種計算(suàn)機模拟人類的視覺過程、具有感受環境的能(néng)力和人類視覺功能(néng)的技(jì)術，是圖像處理、人工(gōng)智能(néng)和模式識别等技(jì)術的綜合[6]。受益于計算(suàn)機視覺技(jì)術的長足發展，個體行爲的自(zì)動化識别正走進真實實踐場景，但與課堂教學實踐相(xiàng)結合的研究還處于起步階段。例如，賈鹂宇等[7]在課堂中通(tōng)過對表情檢測分類，來判斷學生(shēng)的聽課狀态；孫衆等[8]基于OpenPose算(suàn)法，進行學生(shēng)的人體姿态識别。但現有研究也存在一(yī)些局限，主要表現爲：往往專注于個别行爲的識别，缺乏完整的課堂學習行爲投入度分析指标的支持；行爲識别的依據局限于人體骨架信息，沒有将學生(shēng)周邊物(wù)體的信息納爲行爲識别的依據，故檢測的準确性有待提升；在應用層面往往止步于行爲識别、狀态呈現，而缺少教學維度的關聯分析。 本研究嘗試在計算(suàn)機視覺技(jì)術的支持下(xià)，在數據收集與處理層面對傳統的課堂觀察法加以改良與創新，擴大數據采集的範圍、提升數據收集與處理的效率，同時大幅降低(dī)研究人員在人力方面的開銷，最終實現課堂學習行爲投入度的自(zì)動化測量。具體來說，本研究将在文獻梳理的基礎上(shàng)提煉出一(yī)套有代表性的課堂學習行爲投入度測量和分析指标集，然後引入計算(suàn)機視覺技(jì)術完成課堂學習行爲投入度測量與分析系統的開發，對學生(shēng)課堂學習的出勤情況、行爲投入度實施自(zì)動觀察、測量和診斷，爲教師及時掌握學生(shēng)的課堂學習投入狀态提供數據支撐。 表1 學生(shēng)課堂學習行爲投入度的相(xiàng)關指标 二 學生(shēng)課堂學習行爲投入度測量與分析系統的設計 1 課堂學習行爲投入度觀察指标 目前，衆多(duō)研究者從投入與脫離兩個維度，來探讨與學習行爲投入度測量相(xiàng)關的指标。其中，投入是正向的學習行爲投入，其特征表現爲努力、注意力和堅持；而脫離是負面投入，通(tōng)常表現爲被動、缺乏主動性和放(fàng)棄。本研究從投入和脫離兩個維度，在文獻研讀的基礎上(shàng)對在校學生(shēng)行爲觀察（Behavior Observation of Student in Schools，BOSS）[9]、課堂氣氛、教學/内容、管理（Classroom Atmosphere, Instruction/Content, Management，Classroom AIMs）[10]、教學結構和學生(shēng)學業反饋主流編碼（Mainstream Version-Code for Instructional Structure and Student Academic Response，MS-CISSAR）[11]、教學實踐清單（Instructional Practices Inventory，IPI）[12]、課堂觀察編碼（Classroom Observation Code，COC）[13]、直接觀察表格（Direct Observation Form，DOF）[14]、Flanders交互分析編目（Flanders Interactive Analysis Categories，FIAC）[15]、語言交互編目（Verbal Interaction Category System，VICS）[16]、信息技(jì)術交互分析系統（Information Technology-based Interaction Analysis System，ITIAS）[17]、S-T（Student-Teacher）[18]等項目中的課堂學習行爲指标進行了梳理，得到(dào)學生(shēng)課堂學習行爲投入度的相(xiàng)關指标，如表1所示。 基于學生(shēng)課堂學習行爲投入度的相(xiàng)關指标，本研究邀請18名相(xiàng)關專家（包括教育技(jì)術領域的學者和大學一(yī)線教師）參加了學生(shēng)課堂行爲投入度觀察指标遴選的問卷調研及訪談。結合問卷數據和訪談反饋的分析結果，本研究選取“看(kàn)黑(hēi)闆（含看(kàn)老師，下(xià)同）、看(kàn)書、看(kàn)電腦、舉手答問、側身交流”等五個行爲作爲投入行爲的觀察指标，将“玩手機”作爲脫離行爲的觀察指标，如表2所示。 表2 學生(shēng)課堂行爲投入度的觀察指标 2 學生(shēng)課堂學習行爲投入度測量與分析系統的設計 本研究依托學生(shēng)課堂學習行爲投入度的觀察指标，以計算(suàn)機視覺技(jì)術爲支撐，設計了學生(shēng)課堂學習行爲投入度測量與分析系統。此系統以高(gāo)清網絡攝像頭采集課堂教學的大場景圖像爲輸入，通(tōng)過動作識别處理和數據管理，實現學生(shēng)出勤率和課堂過程行爲投入度的自(zì)動記錄與分析，并予以可視化呈現。此系統分爲系統支撐層、圖像識别層、數據分析層，其具體的業務流程如圖1所示。 圖1 課堂學習行爲投入度測量與分析系統的業務流程 （1）系統支撐層 在系統支撐層中，教室網絡高(gāo)清攝像頭對課堂學習行爲進行全面的圖像采集，随機抽取采集圖像的十分之一(yī)，經由深度學習及計算(suàn)機視覺等技(jì)術處理，完成課堂學習行爲數據集的制作和課堂學習行爲模型的訓練，作爲後續課堂學習行爲識别的基礎。其中，課堂學習行爲數據集示例如表3所示。 表3 課堂學習行爲數據集示例 （2）圖像識别層 圖像識别層是學生(shēng)課堂學習行爲投入度測量與分析系統最爲核心的功能(néng)模塊，可分爲兩個部分：學習者識别部分，系統通(tōng)過攝像頭獲取課堂現場的圖像，完成圖像分割後，通(tōng)過多(duō)任務級聯卷積神經網絡和面部網絡獲取學生(shēng)的人臉圖片，并将圖片提交人臉識别接口。動作識别部分，本研究采用遞進（疊加）的技(jì)術手段完成課堂學習行爲的判定：首先通(tōng)過身體姿态對個體動作加以識别，之後結合目标識别與位置判定等，實現“看(kàn)書”、“玩手機”、“玩電腦”等交互動作識别。其中，四類身體姿态的骨架示意圖如圖4所示，目标識别樣例如圖5所示。 表4 四類身體姿态的骨架示意圖 動作骨架圖低(dī)頭側身正坐舉手 表5 目标識别樣例示例圖片手書手機電腦 （3）數據分析層 在數據分析層，本研究運用指标函數和模糊數學中的隸屬度函數，對課堂學習行爲投入指标進行無量綱處理，如公式（1）所示。之後，本研究采用層次分析法與熵值賦權法計算(suàn)課堂學習行爲投入指标的綜合權重：邀請5名教育技(jì)術領域專家填寫學習投入及學習脫離指标重要性矩陣，計算(suàn)得出各指标的主觀權重序列Wi；将無量綱化後的各指标數據錄入Matlab，計算(suàn)得出客觀權重序列Vi；最後，結合主觀權重與客觀權重，計算(suàn)得出綜合權重，如公式（2）所示。 用上(shàng)述指标權重計算(suàn)方法可以得到(dào)學習投入及學習脫離的權重矩陣，如表6所示。以此爲基礎，系統開展了課堂學習行爲投入度的計算(suàn)，随後還對課堂整體行爲投入度、學生(shēng)個人行爲投入度及其各自(zì)的發展趨勢進行了分析和評估。 表6 課堂學習行爲投入度指标權重表 三 學生(shēng)課堂學習行爲投入度測量與分析系統的應用 本研究以某高(gāo)校課程“教育技(jì)術學理論與實踐”中的一(yī)堂課爲例，對參與此課學習的26名學生(shēng)的學習行爲投入度進行了測量與分析。在收集視頻數據之前，研究者向學生(shēng)告知了研究的目的并承諾保密；完成課堂學生(shēng)行爲采集之後，教師可以通(tōng)過系統查看(kàn)課堂數據分析處理結果。 1 數據測量結果 （1）學習行爲投入度 課堂整體行爲投入度。根據系統的測量數據，在采集到(dào)的課程投入行爲和脫離行爲中，學生(shēng)的學習投入行爲頻率占比爲95.60%，說明學生(shēng)非常專注于課堂學習；根據表6的權重進行計算(suàn)，本堂課的學習行爲投入度值爲3.08，這表示學習投入度爲中等水(shuǐ)平。經分析，造成這一(yī)結果的原因是交互類活動的安排偏少（實際占比僅爲4.85%）。學生(shēng)個人行爲投入度方面，在納入統計的20名學生(shēng)中，有6人的課堂學習行爲投入度低(dī)于班級平均水(shuǐ)平。其中，個别學生(shēng)的課堂學習投入度較低(dī)，且學習脫離度較高(gāo)，教師需要對這些學生(shēng)予以有針對性的關注和提醒。 （2）學習行爲投入度變化趨勢 課堂整體行爲投入度變化。系統以時間爲線索，開展學生(shēng)課堂學習行爲投入度的分析。本堂課學習行爲投入情況的變化趨勢如圖2所示，可以看(kàn)出：在上(shàng)課過程中，學生(shēng)的行爲投入情況整體保持平穩，在接近下(xià)課時有一(yī)定程度的下(xià)降；學習脫離情況在上(shàng)課初期有顯著下(xià)降，而在課程臨近結束時呈逐步上(shàng)升的趨勢。課堂中表征學習投入和學習脫離的六個行爲動作随時間變化的頻次動态如圖3所示，可以看(kàn)出：“看(kàn)黑(hēi)闆”與“看(kàn)電腦”是貫穿于整堂課的主要學習行爲，由此可以推斷本堂課中教師主要采取講授的教學方式；同時，課堂過程中“交流”和“舉手答問”的行爲明顯存在幾個波峰，可見教師在課堂中實施了一(yī)定的交流讨論，并取得了一(yī)定的效果。 注：橫軸爲時間刻度，單位刻度爲8分鍾；縱軸分别表示學習投入及學習脫離的得分與行爲次數。圖中兩條曲線，學習投入居上(shàng)，學習脫離居下(xià)。 圖2 學習行爲投入情況的變化趨勢 注：橫軸爲時間刻度，單位刻度爲8分鍾；縱軸表示各類課堂學習行爲的次數。在起始階段，自(zì)上(shàng)而下(xià)分别對應看(kàn)電腦、看(kàn)黑(hēi)闆、玩手機、看(kàn)書與舉手答問。 圖3 單個行爲動作随時間變化的頻次動态 個體學習行爲投入度追蹤。系統對學生(shēng)個人的行爲投入情況也進行了分析，圖4、圖5分别表征本堂課中脫離度較高(gāo)的某學生(shēng)的課堂行爲和看(kàn)手機行爲分布情況。圖4顯示，此學生(shēng)的課堂行爲投入度僅爲2.83，其中此學生(shēng)看(kàn)手機的行爲頻次非常高(gāo)，約占課堂行爲總數的33.3%。而圖5顯示此學生(shēng)在課堂前段用很少的時間在看(kàn)手機，但後續基本處于看(kàn)手機的脫離狀态。 注：橫軸表示行爲類别，縱軸表示行爲的總次數。 圖4 某學生(shēng)課堂行爲分布情況 注：橫軸表示時間刻度，單位刻度爲4秒(miǎo)；縱軸表示學生(shēng)是否看(kàn)手機，刻度1表示看(kàn)手機，刻度0表示未看(kàn)手機。 圖5 某學生(shēng)看(kàn)手機行爲分布情況 2 教學應用分析 在出勤數據應用方面，有系統中學生(shēng)出勤數據的支撐，教師可以快速、準确地掌握班級整體和學生(shēng)個體的出勤情況。在本課堂中，有兩位學生(shēng)缺課，教師可對這兩位學生(shēng)予以重點關注。在教學設計和教學實施的印證與優化方面，通(tōng)過查看(kàn)聽課與交互兩類課堂行爲計數随時間的變化情況及總數的對比情況，教師可以了解學生(shēng)在教學實施中的反饋情況，進而完成教學設計或教學實施的調整及優化。在本課堂中，教師采用以講授爲主的授導型教學模式，中間穿插少量的交流和問答環節。學生(shēng)在課堂學習過程中整體比較專注，但在35分鍾之後，學生(shēng)整體的投入狀态明顯地下(xià)降了。基于此，本研究建議教師結合學生(shēng)對教學内容的掌握情況，從調整課程節奏和難度、增加課程的互動性和趣味性等方面著(zhe)手，幫助學生(shēng)調整課堂投入狀态。 此外，學習脫離行爲數據的采集爲面向學生(shēng)的學風督導提供了決策支持。對學習脫離行爲持續時間較長、總次數較多(duō)的學生(shēng)，教師可給予個别化的關注和指導。在本堂課中，有6位學生(shēng)的脫離行爲比較明顯，且有一(yī)名學生(shēng)有三分之一(yī)的時間處于學習脫離狀态，教師應與這些學生(shēng)溝通(tōng)，了解其脫離學習的原因，避免其後續出現學業預警。 四 小(xiǎo)結 高(gāo)效、準确地測量并分析學生(shēng)課堂學習行爲投入度，是推進混合學習投入度研究與高(gāo)校教學實踐相(xiàng)結合的關鍵議題。不同個體的課堂行爲差異，決定了研究者難以憑借傳統的方法對其進行科學測量。随著(zhe)技(jì)術的創新與發展，依靠計算(suàn)機視覺等技(jì)術對個體行爲進行精準識别已成爲現實，這爲研究者重新測量與評估課堂學習行爲投入度提供了可能(néng)。爲此，本研究将計算(suàn)機視覺技(jì)術引入大學課堂場景，首先提煉出學生(shēng)課堂學習行爲投入度的觀察指标，在此基礎上(shàng)對課堂行爲識别方式進行升級優化，結合身體姿态信息和物(wù)品信息，對學生(shēng)6個常見的課堂動作進行識别；随後，在算(suàn)法模型研究的基礎上(shàng)，開發了學生(shēng)課堂學習行爲投入度測量與分析系統，将人臉識别、姿态估計、目标檢測等智能(néng)檢測方法應用于課堂學生(shēng)行爲識别。此系統能(néng)幫助教師掌握學生(shēng)的課堂表現、客觀評估課堂的教學效果，是教師提升教學效果的有效支撐手段。受制于設備類型、精度與技(jì)術複雜度，本研究設計的學生(shēng)課堂學習行爲投入度測量與分析系統隻覆蓋了與學生(shēng)身體姿勢密切相(xiàng)關的6個課堂動作的識别與分析，學生(shēng)的手部及頭部細微動作等更多(duō)的個體行爲信息，乃至發言内容、面部表情等與交流互動相(xiàng)關的信息，還有待更精密的設備、更理想的算(suàn)法模型的支持，還有待進一(yī)步實證。 參考文獻 [1]Finn J D. Withdrawing from school[J]. Review of Educational Research, 1989,(2):117-142. [2]Fredricks J A, Blumenfeld P C, Paris A H. School engagement: Potential of the concept, state of the evidence[J]. Review of Educational Research, 2004,(1):59-109. [3]Henry K L, Knight K E, Thornberry T P. School disengagement as a predictor of dropout, delinquency, and problem substance use during adolescence and early adulthood[J]. Journal of Youth and Adolescence, 2012,(2):156-166. [4]Appleton J J, Christenson S L, Kim D, et al. Measuring cognitive and psychological engagement: Validation of the student engagement instrument[J]. Journal of School Psychology, 2006,(5):427-445. [5]Volpe R J, DiPerna J C, Hintze J M, et al. Observing students in classroom settings: A review of seven coding schemes[J]. School Psychology Review, 2005,(4):454-474. [6]馬廣文.交通(tōng)大辭典[M].上(shàng)海:上(shàng)海交通(tōng)大學出版社,2005:1. [7]賈鹂宇,張朝晖,趙小(xiǎo)燕,等.基于人工(gōng)智能(néng)視頻處理的課堂學生(shēng)狀态分析[J].現代教育技(jì)術,2019,(12):82-88. [8]孫衆,呂恺悅,駱力明,等.基于人工(gōng)智能(néng)的課堂教學分析[J].中國電化教育,2020,(10):15-23. [9]Shapiro E S. Academic skills problems: Direct assessment and intervention[M]. New York: Guilford Press, 2011:54-56. [10]Roehrig A D, Christesen E. Development and use of a tool for evaluating teacher effectiveness in grades K-12[M]. Springer US: Washington, 2010:212-214. [11]Greenwood C R, Horton B T, Utley C A. Academic engagement: Current perspectives on research and practice[J]. School Psychology Review, 2002,(3):328-349. [12]Valentine J. Instructional practices inventory: A process for profiling student engaged learning for school improvement[OL]. <https://core.ac.uk/download/pdf/62759368.pdf> [13]Horn W F, Conners C K, Wells K C, et al. Use of the Abikoff classroom observation coding system on a children’s inpatient psychiatric unit[J]. Journal of Psychopathology and Behavioral Assessment, 1986,(1):9-23. [14]Reed M L, Edelbrock C. Reliability and validity of the direct observation form of the child behavior checklist[J]. Journal of Abnormal Child Psychology, 1983,(4):521-530. [15]Flanders N A. Analyzing teaching behavior[J]. American Educational Research Journal, 1971,(3):589-592. [16]楊平展,劉娟文,羅平.關于教學行爲分類系統VICS的讨論[J].教師,2009,(6):3-4. [17]顧小(xiǎo)清,王炜.支持教師專業發展的課堂分析技(jì)術新探索[J].中國電化教育,2004,(7):18-21. [18]萬華明,蔣雪明,姜鑫.基于S-T信息分析的高(gāo)校教師課堂教學模式研究[J].教育與職業,2010,(24):103-104.
