西迁精神融入行为金融学课堂实践路径探索

西迁精神是中国共产党精神谱系的重要组成部分,是中国精神核心的有力彰显。西迁精神融入行为金融学课是新时代财经类高校思想政治教育的重大议题,本文从确定教学目标重塑课程体系、改变教学过程创新授课方式、评价教学结果优化授课评价机制、推广教学方法保障教育长效等四方面构建西迁精神融入行为金融学课程的路径。

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。

用于课堂行为识别的轻量化姿态估计网络研究

课堂行为识别需要模型具有较快的推理速度、较少的参数量以及较好的模型鲁棒性。现有轻量化模型虽然达到了不错的实时性能,但其在面对课堂复杂场景时准确率较低,难以达到实际要求。针对此问题,提出了聚焦线性注意力姿态估计网络FLAPose(focused linear attention pose,FLAPose),重新设计的分组注意力(sectionalization attention,SA)增强了模型捕捉局部信息的能力,然后使用聚焦线性注意力(focused linear attention,FLA)设计增强模型学习骨架信息的效果,最后通过骨骼损失对模型辅助监督,增强模型对遮挡重叠区域的学习能力。实验表明:与基线网络RTMPose相比,FLAPose在更少参数和计算量的情况下,COCO数据集上的平均准确率提升了1.7%,CS-Dataset数据集上平均准确率提升4.8%。此外,模型通过TensorRT加速后部署在推理服务器中,测量了模型在GPU上的每秒帧数(frames per second,FPS),FLAPose的FPS在GPU上超过764.460,在CPU上超过215.63,高于其他所有网络。

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。

混合式教学背景下保守课堂学习行为研究

混合式教学背景下,教学设计进行了调整和改变,课上课下都增加了合作学习,但是学生的保守课堂学习行为仍然存在。这些保守课堂学习背后存在三种心理因素:利他因子、价值因子和防御因子。根据这三种心理倾向,可把学生分为三种类型:价值防御、利他防御以及主动开放,其中价值防御和利他防御占比高达68%。这三种类型学生的期末考试成绩和对混合式教学的接受程度没有明显区别,影响混合式教学接受程度的主要是学生的自我获得感和课外学习行为。由于创新能力的培养更关注课程中学生的显性参与,因而混合式教学设计的关键是创设学生显性参与的条件。

师范生优秀教学技能比赛课堂的行为特征分析——基于云模型分析法

本文利用Nvivo视频分析技术,基于云模型分析系统对“格致杯教学技能比赛”的3个不同课题的优秀教学视频进行分析.从课堂行为分布、云模型基本参数和课堂行为评价三个方面,全面剖析优秀教学技能比赛视频的课堂行为,为之后分析不同类型课堂的教学行为提供示范和借鉴.结果表明,优秀技能比赛视频的课堂行为丰富度相对较低,但不同水平的课堂之间存在差异,课堂重心偏向于教师言语行为,均属于讲授式课堂教学模式,可用评价函数来评定教学水平,三种课堂教学水平仍存在差异.

基于CNN-GRU模型的学生课堂行为与教学质量分析研究

在当前社会背景下,深度学习方法在教育领域的应用研究显得尤为关键。而课堂教学作为教学工作中最重要的一环,学生的课堂行为直接反映了教学效果和教育质量。首先,本研究采集学生课堂行为的图像数据。其次,通过CNN-GRU模型,识别和分析学生在课堂中的行为。最后,通过获取的学生行为信息,了解学生学习状态和需求。深入研究学生课堂行为希望为提高课堂教学质量提供重要支持,从而为社会培养更具竞争力的人才,推动社会进步。

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。

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YOLOv8算法的学生课堂行为检测模型构建与教学评价

提高教育质量是培养创新型人才的关键。而传统课堂中,教育者掌握学生行为要通过课堂观察和随机提问等人工的方式进行,此类方式存在课堂信息传递与反馈滞后等问题。为此,基于YOLOv8深度学习算法,构建了学生课堂行为检测模型。通过在真实课堂环境中采集数据,并对其进行标注、格式转换等处理,将处理好的数据用于训练以此构建检测模型。该模型对写字、端坐、玩手机、睡觉、站立、低头6种学生课堂行为进行识别。研究表明,检测结果精确度达到83.3%,验证了此模型的有效性,实现了对学生课堂行为自动化识别和分类,以此检测结果辅助教育者判断学生学习情况并做出教学决策。

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。

采用Faster-RCNN的学生课堂行为检测方法

学生课堂行为检测对了解学生学习情况、提高教学质量具有重要意义。随着互联网技术的发展进步,在教育领域中应用深度学习算法已成为学生课堂行为识别的一个重要研究方向。本文提出了一种采用快速区域卷积神经网络Faster-RCNN检测学生课堂行为的方法,实现对学生课堂行为数据集中的“阅读”、“写作”、“举手”行为的检测分析。实验结果表明,本文算法能够有效识别并定位教学背景下的学生课堂行为。

基于AI的课堂教学行为分析循证课例研究——以小学语文六年级上册《西江月·夜行黄沙道中》为例

AI课堂教学行为分析系统为课堂改进提供了工具及数据支持,极大地提高了课堂观察的精确度和便捷度。但其应用更多是在数据的引导下促进教师授课风格的改进,而对于教学中实际问题的改进研究却显匮乏。文章将AI课堂教学行为分析系统作为课堂观察评测工具,以部编版小学语文六年级上册《西江月·夜行黄沙道中》一课的教学为例,阐述人工智能支持下的循证课例研究途径,并提出高效的学习机制是提高课堂效率的基本保障,完整的活动设计是提高学习效率的有效途径,走向循证的课例研究是解决教学实际问题的重要方法。

智能时代课堂教学行为的内涵、困境与对策

随着信息技术的不断发展,智能时代已经悄然而至,教育领域也在迎来前所未有的变革。高校作为培养人才的摇篮,其课堂教学行为也必须与时俱进,适应智能时代的教育需求,为学生提供高质量的教学流程。本文首先阐述了课堂教学行为的内涵与特点,然后进行了智能技术对高校课堂教学行为的有利影响和现状困境分析,最后提出了些许提升教师课堂教学行为效率的建议,期望有助于教师更好的实施教学行动。

体育课堂行为与大学生亲社会意愿:自我价值感的中介作用

目的:探讨体育课堂行为与大学生亲社会意愿的关系,以及自我价值感在其中的中介作用。方法:抽取1496名大一至大三学生并以之为研究对象,采用体育课堂行为量表、自我价值感量表、亲社会意愿量表进行测量分析。结果:体育课堂行为借助自我价值感的中介效应对大学生亲社会意愿产生影响,其中,间接路径效应量为0.053(95%CI[0.034,0.069]),直接路径效应量为0.113(95%CI[0.071,0.146])。将自我价值感纳入前后,直接效应由0.26降至0.17。结论:体育课堂行为与大学生亲社会意愿之间呈显著正相关,自我价值感在其中存在中介效应。

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.

外语愉悦情绪对中学生课堂行为参与度的影响

在积极心理学的影响下,学界和一线外语教师也越来越关注外语愉悦情绪对学生外语学习的影响。本研究基于课堂观察法和访谈法对某所中学的15名学生就外语愉悦情绪对中学生课堂行为参与度的影响进行实证研究。得出中学生外语愉悦水平总体较高,且较高外语愉悦水平会正向影响学生的课堂行为参与度,并结合人本主义心理学和拓展–建构理论的观点给出几条教学建议。

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。

基于深度学习的课堂教学行为评价方法

课堂是教学活动的主阵地,是教学质量的基础。当前,职业教育的课堂教学评价存在模式陈旧、指标单一、数据匮乏和算法灵活性差等问题,深度学习技术应用为解决这些问题提供了可能。基于深度学习的课堂教学行为评价方法(Class Learning Evaluation Method,CLEM)的第一步是利用智能设备获取课堂教学行为的视频信息,第二步是对视频中教师和学生的表情、姿态、语音等进行检测与教学行为识别,最后以某高职院校课堂教学视频为例开展教学行为统计分析和实证研究。实验表明,CLEM方法能够快速、准确地识别师生教学行为和开展课堂教学评价。