A Study on the Effects of English Teachers' Nonverbal Behavior on the Classroom Teaching in Higher Vocational College

The two main communications between the teacher and students in the classroom teaching are teachers' verbal and nonverbal behavior. The teachers teach students knowledge in words and convey a large amount of information using nonverbal behavior. These nonverbal behavior exert a subtle influence on the students, thus affect the classroom teaching. The English teachers' classroom nonverbal behavior in a higher vocational college in Gansu province was investigated through questionnaires. The results indicate that the teachers' behaviors affect the different aspects of students and then influence the effectiveness of teaching on English classroom teaching in higher vocational college.

数字化转型下AI课堂观察系统使用对师生课堂行为的影响——基于W中学412节课例的循证研究

当前,课堂教学的数字化转型实践和应用正如火如荼,但师生可能因习惯于传统教学环境而对新技术的引入产生抵触情绪,从而影响数字化转型的成效。对此,文章以武汉市W中学七年级四个班的412节课例为研究样本,通过前后测实验设计,对比了AI课堂观察系统投入使用前后师生的课堂行为变化情况、不同特征(包括科目、职称、性别)教师的课堂行为差异,结果发现:AI课堂观察系统对师生课堂行为有一定的影响,且这种影响会随着时间的推移而减弱;AI课堂观察系统对不同特征教师产生了不同程度的影响。文章的研究揭示了课堂教学数字化转型面临的实践挑战,可为课堂教学创新的科学管理提供理论支撑和实践参考。

基于多模态数据的智慧课堂学生学习行为研究

新兴技术赋能下的智慧课堂为学生学习行为监测、评价、反馈、预警提供丰富的教育多模态数据,充分采集、处理和分析教育多模态数据能够为教育研究和实践提供参考。首先,梳理已有智慧课堂学习行为分析和多模态数据教学研究,借鉴学习行为分类系统,构建基于多模态数据类型的“声音数据—图像数据—文本数据”三维的多模态数据分析框架,从言语学习活动、位置移动、身体动作、技术使用四个方面呈现智慧课堂下学生学习行为变化;其次,将体现学生学习行为特征的多模态数据编码,并进行质性表征形成编码体系;最后,从情境和时序行为分析视角出发,对课例中的学习行为多模态数据进行频度变化及周期性变化分析。研究得出,在智慧课堂环境下,学生课堂学习参与性、主动性、专注度均在不断提升,课堂学习氛围朝着积极的方向发展,无效及无关学习行为逐渐减少。此外,通过对学生学习行为多模态数据的剖析,以期为学生了解自身学习行为及状态、教师进行个性化教学,以及研究者构建学习评价体系提供数据来源、科学依据。

基于CA-YOLOv9网络的实时全景多尺度课堂行为识别

随着人工智能的发展和“智慧课堂”概念的兴起,课堂行为智能化识别成为研究的热点。目前,国内外研究多采用数个学生或教室的局部影像,而对于学生人数密集、尺度变化范围大且存在大量物体遮挡的全景教室图像实时检测鲜有涉及。为此,文章基于YOLOv9网络,加入CA模块,构建了CA-YOLOv9网络;之后,通过结构分析实验、消融实验和对比实验,得到了CA-YOLOv9网络的最佳结构,并验证了其识别性能;最后,将训练好的CA-YOLOv9网络应用于全景多尺度课堂行为识别,证明了该网络能在不降低推理速度的同时提升检测精度,初步验证了该网络在智慧课堂中实时应用的可行性。文章的研究可为及时了解学生的学习状态和教师教学方法的有效性提供依据,有助于推动人工智能与教育教学的深度融合。

教师课堂管理行为多模态解码:行为特征、分类识别与时序发展

教师课堂管理行为的智能评估与精准诊断是数智时代教师素养提升和教育实践变革的关键抓手。研究采用多模态数据融合分析法,深度解码了教师课堂管理行为的模式及其特征。为精确捕获和量化教师课堂管理表现,构建了一个四维分析模型,涵盖了9项一级指标和24项二级指标,通过加权融合多模态数据,实现了对教师课堂管理行为的定量评价。研究结果表明:教师课堂管理行为可归纳为教师中心型、常规稳定型及灵活适应型。教师课堂管理行为特征可总结为自我管理一致性、学生管理弹性、内容聚焦性与环境管理恒常性四个维度。时序分析揭示了教师在教学进程中管理行为的动态演变,从初始的引导学生到赋权学生,连续的策略优化映射出教师专业能力的逐渐展现和对课堂生态的灵活适应。研究深化了对教师课堂管理行为的认识与理解,为未来教师课堂管理行为的评估与优化提供了一种新的分析框架和实证基础。

智慧课堂能够促进课堂互动吗?——来自行为序列分析的经验证据

充分的课堂互动是激发学生学习主动性和自主性,培养学生高阶思维能力和提升教学质效的重要途径。以安徽省蚌埠市某高校2022—2023年度第一、二学期的核心专业课教学过程为对象进行准自然实验,通过互动行为编码和序列分析,探讨智慧课堂环境对师生互动行为的影响。研究显示:与传统多媒体课堂相比,智慧课堂中教师发起的主动谈话频率显著下降,教师的观察和指导行为以及技术操作和测试方面的活动频率显著增加;智慧课堂中的学生主动谈话和行动频率显著增加,被动行为频率显著减少;智慧课堂通过激发更丰富的学生主动行为和教师被动行为,有助于提升学生学习的主体性和积极性。

小学人工智能教师画像构建研究

教师课堂教学的专业化水平是制约中小学人工智能教育高质量发展的关键问题。利用教师画像刻画教师教学模式和行为特征,多维度挖掘分析教师课堂教学表现,了解教师课堂教学的特征和不足并进行针对性提升,是解决人工智能教师专业成长难题的新途径。文章以30节小学人工智能课堂教学视频为研究样本,采用S-T分析和滞后序列分析法构建教师画像发现:小学人工智能教师课堂教学模式偏向对话型和混合型,教学行为存在“IRF循环”“指导联结”“沉默促进”三种典型模式,媒体应用行为呈现“技术倾向”“连续型”“传统媒体双向交互”三种模式。基于教师画像,文章提出了小学人工智能教师教学行为提升策略。

互动视野下的国际中文微课研究

基于国际中文线上教学互动分析框架,以《HSK标准教程(三级)》系列微课为研究对象,分析国际中文微课的课堂互动行为和辅助互动行为。研究发现,该课程互动框架思路清晰,非言语类互动设置得当;与此同时,思考时间的安排相对有限,个性化互动环节有待加强。由此尝试探索提升国际中文微课互动性的主要策略:将宏观模式与微观设计相结合,增强互动过程的直观性与情感性,增加个性化的人机交互。希望通过这一个案研究,能够加深对国际中文线上教学互动性的科学认识,切实提高国际中文线上教学实践的真实性、交际性、情境性。

基于多模态数据关联分析的学习成效达成度研究

课堂是教学的重要环节,科学的数据依据是保证评价结果正确性的关键.文中介绍了研究背景和国内外研究现状,基于课堂达成度分析理论,深度融合新一代信息化技术,采集多模态数据进行分析,搭建了课堂多模态关联评价框架,并基于该框架开展实证研究.以某高职院校某班级为例,通过虚拟空间、物理空间采集课堂教学过程中产生的多模态学习数据,采用人工智能方法处理并分析学习数据,实现课堂行为识别与分析评价.结果显示,与教学活动设计关联的评价框架能更加可靠地为课堂学习达成度分析提供依据,改善课堂教学质量,助力智慧课堂建设.

课堂情境中深度学习行为的影响因素研究

为了探析和厘清学生深度学习行为发生的影响因素,研究基于课堂教学视角,对不同学段、不同类型的82节教学视频进行系统观察和切片分析。研究发现:在课堂情境中,深度学习行为发生的程度整体偏低、教师主体深刻影响着课堂深度学习行为的发生、高阶认知目标和诊断性评价对深度学习行为发生的影响更为显著、直观性和参与性强的教学方法有更利于高阶学习行为的发生,而传统教学媒体和一般教学环境不利于深度学习行为的发生。由此,在课堂教学过程中,需结合学生素养发展需求和教学活动情境特点,革新课堂教学理念,营造积极主动的课堂氛围,选择恰当的教学方法,优化知识内容呈现方式,发挥及时评价的作用等,有效引导和驱动有层次、有结构、可持续和可拓展的深度学习行为的发生。

SPOC论坛交互行为模式挖掘与学习成效分析

论坛是正式学习的辅助工具之一,可用来促进各成员之间的学习交流,学习者在论坛中表现与其学习成效强相关,然而在具体教学实践中存在交互缺失、交互参与度不高等现象。以“教育技术学研究方法”混合课堂中的SPOC论坛数据为研究对象,对其交互行为模式进行挖掘,并通过量化研究探究其对学习成效的影响。首先,采用文献分析法对国内外研究现状进行分析与总结。其次,采用社会网络分析法对SPOC论坛中参与交互的学习者进行特征刻画,并结合机器学习方法对学习者的交互模式进行聚类分析,将学习者分为活跃者、追随者和沉默者,并将该三类学习者在论坛中的交互特征与其学习成绩进行量化建模分析。最后,采用语义分析法对学习者的情感进行建模,并将不同类型学习者的情感与其学习成绩进行相关性分析。研究表明,在混合课堂中,不同类型学习者的交互频次与其学习成效间无相关性影响,而SPOC论坛中情绪词语出现的频次与其课程成绩间存在显著相关性,进而提出三条针对性的学习策略,旨在为提升混合式课堂学习质量提供借鉴。

基于计算机视觉的课堂质量监测系统研发

课堂质量一直是教师、家长以及院校普遍关注的焦点问题。目前,传统课堂的教学监控设备只能进行课程录播,无法提供学生的状态信息,无法向师生全面展示课堂质量。文章针对此问题,结合用户需求进行分析、设计并实现基于计算机视觉的课堂质量监测系统。首先基于OpenPose人体骨骼关键点监测技术,准确捕捉并识别学生课堂动作,从学生的专注度、行为反应、出勤统计等多个维度分析整合课堂行为数据,通过数据可视化方式将分析结果呈现给用户。然后基于SpringMVC+MyBatis框架开发“Aeye”课堂质量监测系统,实现对教学过程及教学效果的全面评估,为教师和教务督查人员提供合理的反馈和建议,帮助其优化教学方式和策略,推动教育教学的创新与发展。同时,为学生调整课堂学习状态提供及时、有效的参考方案。

基于机器学习的智能化教室学生行为异常增强识别算法

为降低光照和摄像头视角的影响,提高智能化教室内学生异常行为的识别效果,提出了基于机器学习的智能化教室学生行为异常增强识别算法.首先构建出人体姿态表达形式,提取学生行为的人体骨骼节点信息,根据人体骨骼节点信息时序相关性特征,结合线性变换方式,进行典型行为特征增强;然后定义人体姿态质心加速度,设定学生行为异常判定标准,结合CNN-10网络实现学生行为识别.实验结果表明,增强后的典型学生行为可以反映出行为特征差异,且误检占比较低.

小学人工智能课堂教学行为分析研究

课堂教学行为分析能有效帮助研究者、教学者了解课堂特征、发现教学问题,促进其进行教学反思并提升课堂质量。本研究以12节2022学年G市中小学人工智能优秀课例的教学视频为研究对象,采用滞后序列分析法,对所选取的优秀课例的教学视频进行对比分析,并结合具体的教学片段进行个案分析,从教学主体、教学内容、教学范式、教学设备等4个维度进行辨识,总结出优质小学人工智能课堂特征,并在此基础上提出了相应的建议,以期提升人工智能教师的教学能力。

基于TPACK理论—滞后序列分析的中职教师课堂教学行为研究

通过研究常州某中职校交通运输类X教师和加工制造类W教师的课堂教学行为,旨在揭示中职教师的课堂教学行为、教师TPACK能力的现状,并提出优化策略。研究采用滞后序列分析和TPACK理论框架,通过视频分析软件和GSEQ程序对教师课堂行为进行编码和分析。发现W教师和X教师的课堂均以教师主导,学生参与度有待提高,两位教师在TPACK能力的应用上存在不足。建议提高学生主动性,提升课堂互动质量,优化课堂控制行为,并深化教师的TPACK能力。未来应采取多元策略,拓展研究范畴,持续跟踪教学行为对学生学习成果的影响,并加强教师培训与专业发展。

基于人脸识别的课堂教学行为S-T分析系统设计

提出并详细介绍了一种基于人脸识别技术的课堂教学行为S-T分析系统的设计。该系统以S-T分析法为理论基础,采用多种人脸识别算法,包括年龄检测、表情分析、姿态分析等,旨在自动识别并分析教师和学生在课堂上的行为。基于大量课堂视频数据的准备、软件系统原型的设计、深入研究课堂教学行为理论等,解决人脸识别技术的算法选型、视频关键帧的分析与因果关系模型的建立、系统运行的稳定性和界面设计等关键技术问题。通过系统性的需求分析、设计与架构、实现、评估与可视化等阶段的论述,详细展现了该系统的开发过程。

基于数据挖掘的智慧课堂教学改革探究

基于智能教学系统的教学行为数据分析,开展教师教学的评价与反思。智慧课堂教学系统有效记录了教师教学行为,通过对基于智慧课堂的教师教学行为发生时间趋势分析、校际差异比较、教学行为相关性分析,开展了高校智慧课堂教学改革,可为构建合理的智能教育教学方式提供参考。

基于卷积神经网络的学生课堂行为识别系统设计

精准的学生课堂行为识别结果有助于提升课堂教学效果,为此,设计一种基于卷积神经网络的学生课堂行为识别系统。系统的图像采集模块利用SZ-4K512M型摄像机,采集学生课堂行为的视频图像,并通过流式传输技术将标记后的采集图像传输至图像预处理模块;图像预处理模块对图像进行清洗和标准化处理后,传送至行为识别模块。行为识别模块通过卷积层、池化层和全连接层构建卷积神经网络,以已标记的学生课堂行为图像作为基础训练网络,利用完成训练的卷积神经网络识别学生课堂行为。实验结果表明,所设计系统可以精准识别学生玩手机、睡觉、举手等不同课堂行为,识别精度高于97%,说明该系统可以更好地掌握学生的心理活动变化。

基于全校性积极行为干预与支持的小学生问题行为研究

为了更加有效地预防和减少小学生问题行为的发生,基于当前我国小学德育与心理健康教育现状,制定了中国化的全校性积极行为干预与支持方案,并在湖南某小学实施为期半年的干预。结果显示,与干预前相比,处于边缘和异常水平的学生,其问题行为严重程度显著降低,亲社会行为水平显著增加,且对校园氛围和班级氛围的评价有所提高。研究结果对理解小学生问题行为的现状、发生机制及应对策略具有启示意义,并为未来在国内大规模实施该干预模式提供了实证依据。

基于改进YOWO算法的学生课堂行为识别

当前,大部分的学生课堂行为识别工作主要基于单帧图像进行,忽略了行为的连贯性,因此不能充分利用视频信息来对学生的课堂行为进行准确刻画.所以,本文提出一种改进的YOWO算法模型,有效利用视频信息对学生课堂行为进行识别.首先,本文采集某高校真实课堂教学中的授课录像,制作出包含5类学生课堂行为的AVA格式视频数据集;其次,采用时移模块TSM(temporal shift module),用来增强模型获取时间上下文信息的能力;最后,采用非局部操作模块non-local来提高模型提取关键位置信息的能力.实验结果表明,通过对YOWO模型的优化,使得网络的识别性能更佳.在学生课堂行为数据集上,改进后的算法的mAP值为95.7%,相较于原YOWO算法在mAP值上提高了4.6%;模型参数量为81.97×10^(6),计算量为22.6 GFLOPs,参数量和计算量分别降低32.3%和9.6%;检测速度为24.03 f/s,提升了约3 f/s.