近日,教育部公布首批18个“人工智能+高等教育”应用场景典型案例,北京师范大学人工智能学院教授郭俊奇团队牵头的 《创新“AI+”课堂教学智能评测》 案例入选。
为深入贯彻落实国家关于开展“人工智能+”行动的战略部署,积极推动高等教育与人工智能技术的融合发展,利用智能技术支撑人才培养模式的创新、教学方法的改革、教育治理能力的提升,教育部组织了首批“人工智能+高等教育”典型应用场景案例的征集和论证工作,寻找、发掘和推广 在人工智能技术应用上具有代表性、前瞻性且能够产生积极影响 的高等教育实践案例。经高校申报、专家论证等环节, 确定首批18个“人工智能+高等教育”应用场景典型案例 。
创新“AI+”课堂教学智能评测
《创新“AI+”课堂教学智能评测》案例通过整合计算机视觉、自然语言处理、集成学习和统计建模等多种人工智能与数据分析技术,构建了一个全面的课堂教学过程化智能评测系统。该系统能够实时监测和分析教师教学行为、学生学习行为、教学内容与课堂组织形式,对教师教态风格、学生专注度和教学知识点等多维度指标进行量化评估和可视化展示。这种智能化评测方法,旨在克服传统教学评价的主观性、滞后性,实现更加精确的教学过程化监控。
本案例的主要模型功能如下:
01 师生课堂行为识别模型
该部分面向师生行为分析问题与课堂质量评测背景,构建了基于深度学习的师生动作识别框架,形成了一套从课堂视频输入到动作序列输出的完整框架。一方面,利用视频网络空间搜索技术和流式缓冲技术,实现对学生五种听课学习动作的识别。另一方面,基于深度高分辨表示学习和时空图神经网络,实现对教师九种教学动作的识别。该框架的构建有利于后续对课堂教学情况进行智能监测和实时分析,为课堂智能测评提供了师生数据分析的技术支撑。
教师课堂位移监测模型
该部分面向课堂教学过程化评价的视频分析中对于教师位置信息的分析模块。位置移动(位移)指教师在课堂上站立位置的变化。该模块通过人脸检测模型结合简化的相机内外参数实现对教师的实时位移估计,还原出教师在教室内移动轨迹的鸟瞰图,并用核密度估计算法进一步计算位移规律,以供对教师的授课细节进行挖掘与分析。
教师位移热力图
教师教学视线移动监测模型
该部分面向老师教学过程中视线的移动情况,还原教师的视线轨迹,分析老师与学生交互情况,提高教学效率和管理水平。该模型通过视线检测算法实时还原出教师在三维空间中的视线方向,并对其一段时间的分布进行可视化以全面、深度分析教师课堂的关注重点与规律。
04 教学知识点偏移度监测模型
该部分根据授课老师的讲授内容,通过自然语言处理与文本匹配技术分析,老师授课过程中知识点的覆盖程度以及整体课程的内容走势。该模型主要分为三个部分:第一利用whisper技术将授课音频转换为文本,并记录每句话的时间。第二,通过大语言模型对文本进行总结,提取关键信息。第三,采用SBERT模型将这些信息与教学大纲进行匹配,并将第一步得到的文字内容通过关键词匹配技术计算出教学大纲中知识点出现的频次,进而整体分析课堂教学的内容深度和广度。该模型可以帮助教师优化授课策略,还为教育管理者提供了一种监控教学质量的量化工具,有助于保障教育教学质量。
SBERT计算语句相似度
教师课堂语音风格分类模型
该部分面向课堂教学过程化评价中对于教师音频的分析模块,主要分为三个部分,一是语音转写文本;二是文本关键词提取,并对关键词时序数列进行气泡图可视化展示;三是实现教师课堂语音风格分类,对大量教师音频进行编码,训练模型用于预测。模型分析的结果用来和教师学生行为一起用于分析课堂组织形式和规律。该模型通过对教师课堂语音进行分析,便于老师和学生把握课堂关键内容和认识课堂组织形式。
课堂教学多维度指标评测模型
该案例已在北京师范大学人工智能学院电子楼102智慧教室部署,对北京市青年教师教学基本功比赛获奖者、校级教学名师等多位教学骨干教师进行了课堂教学评测,不断积累优秀教学范式,并将该案例扩展到更多高校及跨校区课堂教学质量评价中。
基于人工智能的课堂教学评测系统界面
北京师范大学将继续加强研究交流,结合实际深化“人工智能+高等教育”的探索和实践,在人工智能技术的辅助下开展教育教学评价创新,不断提升人才培养质量。