论文部分内容阅读
摘 要：针对当前教学评价中所存在的评价方法落后，评价结果不能如实反映教学情况的问题，提出了一种基于人工智能技术的课堂中评价和课后评语分析的方法。在课堂中利用人工智能技术分析学生的面部表情，以此获得教师上课中的评价结果，在课后评语的分析中，通过人工智能技术分析学生课后评语的有效信息，进一步挖掘课后评语对教师的评价。实验中选择不同专业的学生进行了对比，实验结果表明，使用人工智能技术进行教学评价具有较好的效果。
关键词：教学评价;人工智能;面部表情;课后评语
中图分类号：TP181;G434 文献标识码：A 文章编号：2096-4706（2021）06-0147-03
Research on Teachers’Classroom Evaluation Model under the Background of Artificial Intelligence
CHEN Xuan
（Zhejiang Industry Polytechnic College，Shaoxing 312000，China）
Abstract：In view of the problem that backward evaluation methods existing in current teaching evaluation，the evaluation results cannot truly reflect teaching situation，a method of classroom evaluation and after class comments analysis based on artificial intelligence technology is proposed. In the classroom，artificial intelligence technology is used to analyze the facial expression of students to obtain the evaluation results of teachers in class. In the after class comments analysis，the effective information of students’after class comments is analyzed through artificial intelligence technology，the evaluation of teachers by after class comments is further explored. In the experiment，students of different majors are selected for comparison，and the experimental results show that the use of artificial intelligence technology for teaching evaluation has a good effect.
Keywords：teaching evaluation;artificial intelligence;facial expression;after class comment
0 引 言
教學评价关系到教学效果的好坏，它是决定能否提升教学质量的重要组成部分。关于教学评价，有很多学者从不同的方面进行了研究。有的学者从人工智能方面进行研究，文献[1]提出要开展人工智能下的课堂教学评价，通过对象层、数据层、技术层和应用层四个层面的系统架构，搭建人工智能下课堂教学评价的实践路径;文献[2]提出人工智能成为当前评价主体的辅助者、评价内容的收集者、评价方式的延伸者、评价结果的跟踪者。有的学者在双高背景下进行研究，文献[3]提出高职院校教师信息化教学评价体系是评判“双高建设”成果的关键环节，对高职院校教师信息化教学进行全面综合的评价研究，有利于助推“双高建设”目标实现。文献[4]提出了“双高计划”，对高职教育的发展理念、建设任务、质量标准提出了新要求，在信息化基础上形成了“多类型多主体多要素”教学质量评价体系，积累了可推广的成功经验。
本文在现有教师教学评价的基础上，提出了基于人工智能技术的课堂评价和课后评语分析方法，为当前的教学评价提供了另一种维度的思考。
1 相关算法
1.1 双受限玻尔兹曼机
受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）是一种基于统计力学与能量模型的神经网络模型，它以能量来表示整个系统的稳定状态，能量越小表示系统越稳定，反之则说明系统处于波动不稳定的状态，因此具有学习速率快，学习能力强等特点。其是当前深度学习领域的一个重要模型，也是构成诸多深度网络的基本单元之一。其中，v为可见层，数据样本从可见层输入，h为隐藏层，表示所提取数据的特征。假设RBM网络有m个可见单元，n个隐藏单元，向量v=（v1，v2，…vm）T和h=（h1，h2，…hn）T分别表示可见层和隐含层的单元状态，a=（a1，a2，…am）T为可见层的偏置向量，ai表示可见层第i个可见单元的偏置，记录b=（b1，b2，…bn）T为隐藏层偏置向量，记录W∈Rm×n为可见层和隐藏层之间的权重矩阵，wi，j表示可见层第i个节点与隐藏层第j个节点的权重。RBM训练的过程就是为了学习得到参数θ={ai，bj，Wij}，其公式为：
（1）
其中，E（v，h）为RBM的能量函数，该网络通过能量传递函数为每一对可见和隐藏向量分配一个概率值： （2）
其中，Z为划分函数，表达式为：
（3）
式（3）对权值的对数梯度的表达式为：
（4）
其中，〈vihj〉data为数据的期望，〈vihj〉model为模型的期望，可以由此公式得出RBM的学习规则：
?wij=ε（〈vihj〉data-〈vihj〉model） （5）
对于数据期望，由于在RBM隐藏层单元间没有直接的连接，因此可以快速获得一个数据分布的无偏样本。假设随机给定训练介质（比如图像等）为v，那么隐藏层单元的二进制状态为1的概率为：
P（hj=1│v）=σ（bj+） （6）
同理，可见层单元的二进制状态被设置为1的概率为：
（7）
其中， 。
通过式（6）和式（7）可以实现类似于神经网络的前向传播过程，重复运用式（6）和式（7）进行计算，可以求得模型的所有状态。
综上所述，RBM的主要工作是计算出θ={ai，bj，Wij}，而本文是通过计算RBM在学习集上的对数似然度最大化获得的，计算公式为：
（8）
1.2 BP神经网络
BP神经网络是一种多层前馈网络模型，由输入层、隐含层和输出层3个部分组成。其计算过程是信号通过前向传播及反向传播由输入层传输到隐含层，然后在神经元、网络权值限定下，信号被传递给输出层输出。
2 基于人工智能的课堂中的评价
在基于人工智能的课堂评价中，首先将学生面部表情进行分类，其次，利用摄像设备以不同的时间间隔采集学生的面部表情并提取特征信息，依靠人工智能中的深度学习算法进行分析，通过评价分析的结果得到课堂的反馈。
2.1 学生面部表情识别
在教师授课过程中，利用摄像机等设备采集学生听课的表情图像，将所获得的学生人脸图像作为原始图片。将所获取的图片全部输入深度学习网络参与运算，以获得最终结果，训练的深度学习算法网络所使用的训练数据选自国际标准NVIE库，对从库中获得的图片与标签文件进行人工智能网络的训练，可以较为准确地识别学生的面部表情。
2.2 表情特征分类
为取得更好的研究成果，对学生表情进一步细分，表情分为一级指标和二级指标。其中一级指标包括愉快维、唤醒维和兴趣维三种，愉快维的二级指标主要表现在：
（1）眼睛瞪大和瞳孔变小。
（2）脸颊拉长，撅起嘴巴，嘴角微微朝下。
（3）面部肌肉整体下垂或者微微松弛。
（4）眉毛压低，眼皮向下。
（5）眼睛微微缩小，瞳孔慢慢缩小。
（6）眼睛微微睁大，瞳孔微微放大。
（7）嘴唇朝外慢慢朝上扩展、脸颊肌肉微微向上抬起。
（8）面部肌肉呈现微微紧绷，瞳孔先大后小。
（9）面部肌肉微微放松。
唤醒维的二级指标主要表现在：
（1）双眼无神。
（2）神情非常兴奋。
兴趣维的二级指标主要表现在：
（1）东张西望。
（2）目不转睛。
2.3 双RBM-BP深度神经网络
本文使用双RBM-BP深度神经网络，该结构的优点是使用少量网络层就可以达到降低神经网络的训练次数，缩短训练时间，提高神经网络准确率的目的。其训练过程主要分为两个步骤：
（1）以无监督训练模式对训练数据进行深度神经网络的训练和学习，通过这种训练方式计算得到每一层RBM的网络权值参数，这样可最大限度地保证在特征向量映射到不同特征空间的时候保留更多的特征向量信息，得到两个不同层次的RBM网络权值参数W0和W1。
（2）在双RBM最后一层加入一个BP神经网络，通过BP网络接收孪生RBM网络隐藏层的输出特征向量作为输入特征向量，以监督方式进行BP网络参数的学习。
2.4 构建表情识别模型
将从课堂上获取学生面部图片，并通过数据预处理后依靠构建的表情识别模型获得描述精确表情的文本。本文将学生面部表情特征分为积极表情、平静表情和消极表情三类。在积极表情特征中有兴趣和高兴，在平静表情特征中有平静和放松，在消极表情特征中有厌烦、焦虑、气氛、羞愧和失望。
针对这9个课堂状态中的表情，识别模型可以通过设置权重作为评分的标准。结合情绪维度理论，将害怕和平静表情的权值设置为0;将生气、悲伤和困惑表情的权值设置为-1;将厌恶、轻蔑表情的权值设置为-2;将开心的权值设置为1;将惊奇的权值设置为2;将趋避度和疲劳度的权值设置为3，因此，每一个同学最后得分的取值在-3到3之间，通过归一化得到学生在某一个瞬间的表情分数。根据课堂总时间或时间段要求，将所有学生的表情分数结果累计取平均值，即得到一节课堂的反馈结果。
2.5 基于人工智能的课后评语评价
课后评语评价是学生评价教师上课质量高低的重要手段。传统的评价方式都是采用数据挖掘手段进行分析，存在分析挖掘效果不理想，反馈质量差等问题。本文针对现有课堂评价中的评语都是短文本信息，并且这些信息中包含噪声大等缺点，提出了一种基于Faster R-CNN的情感评语的文本特征分析模型，用于对评语文本中的情感倾向性判断和异常评价的识别。首先对评语的文本构建字向量，通过模型进行训练，以字向量作为模型的输入，这样可以有效降低由于分词、语法分析等其他原因造成的文本噪声的误差，能够有效提高原始数据输入的准确性和有效性;其次，将评语中的标点符号转换为多个短句，分别进行池化操作，通过WOA-Faster R-CNN对分段中的特征进行提取，从而能够将很多无效的区域删除掉，保留评语文本数据的重要特征并确保其完整性，将情感工作进一步划分，从而提升情感工作的准确性;最后，在模型预测的评语句子的情感分析后进行异常识别，将评语文本的情感倾向与用户在评价的时候给出的等级进行比对，可能会存在学生给予教师的评语评价等级较高，而文本情感分析却设定为消极的情况，反之，情感分析设定为积极。在进行评价分析的时候，借助关键词提取技术对课堂中的评语文本信息进行分类整理，从中提取学生对教师课堂中所涉教学评价的关键信息，通过所提出的关键词为每位教师生成特点云图。
3 实验对比
为了说明采用人工智能技术后的教学评价效果，本文选择教师上课评价满意度和教师评语反馈满意度2个指标进行反馈说明。选择不同专业的4个班——机电、设计、财经、建筑专业，分别用1、2、3、4表示。
图1说明了4个专业的学生使用教师上课评价满意度的效果，从图中可以发现，课堂中学生的面部表情能够如实反馈教师上课中的状态效果，满意度基本都在80%左右，这说明采用这种方法进行面部识别是可行的。图2说明了未使用人工智能技术的评语分析和使用了人工智能评语分析的教师反馈满意度的对比，从图中可以发现，4个专业老师在使用基于人工智能技术的评语分析后都对教学效果有所提高，这说明人工智能技术能够进一步提升教学评价质量。
4 结 论
在现有课堂评价方法研究的基础上，提出了将人工智能技术运用于当前课堂评价的新思路，强调借助人工智能技术分别对课堂中的学生表情识别以及课堂后的评价文本情绪的分析识别，是对课堂教学行为分析研究领域工作在新的方向上的探索和拓展，能够弥补当前课堂中存在的不足，體现了各大高校力图借助现代化、智能化技术推动教学课堂改革的方略。
参考文献：
[1] 张宝辉，张金磊，黄龙翔.计算机建模在教学评价中的应用研究 [J].中国电化教育，2013（4）：103-109.
[2] 未华倩，邹莉.人工智能实现发展性课堂教学评价的定位与路径 [J].重庆电子工程职业学院学报，2020，29（4）：55-58.
[3] 张苗.“双高建设”背景下高职教师信息化教学评价体系现状 [J].办公自动化，2020，25（22）：28-29+23.
[4] 柏申.“双高计划”下教学质量评价体系优化策略分析——以江苏农林职业技术学院为例 [J].晋城职业技术学院学报，2020，13（6）：8-10.
[5] 李金旭.基于NSCT变换和深度学习神经网络的人脸识别算法研究 [D].哈尔滨：哈尔滨理工大学，2016.
作者简介：陈暄（1979.03—），男，汉族，安徽祁门人，副教授，硕士，研究方向：算法设计、人工智能。
关键词：教学评价;人工智能;面部表情;课后评语
中图分类号：TP181;G434 文献标识码：A 文章编号：2096-4706（2021）06-0147-03
Research on Teachers’Classroom Evaluation Model under the Background of Artificial Intelligence
CHEN Xuan
（Zhejiang Industry Polytechnic College，Shaoxing 312000，China）
Abstract：In view of the problem that backward evaluation methods existing in current teaching evaluation，the evaluation results cannot truly reflect teaching situation，a method of classroom evaluation and after class comments analysis based on artificial intelligence technology is proposed. In the classroom，artificial intelligence technology is used to analyze the facial expression of students to obtain the evaluation results of teachers in class. In the after class comments analysis，the effective information of students’after class comments is analyzed through artificial intelligence technology，the evaluation of teachers by after class comments is further explored. In the experiment，students of different majors are selected for comparison，and the experimental results show that the use of artificial intelligence technology for teaching evaluation has a good effect.
Keywords：teaching evaluation;artificial intelligence;facial expression;after class comment
0 引 言
教學评价关系到教学效果的好坏，它是决定能否提升教学质量的重要组成部分。关于教学评价，有很多学者从不同的方面进行了研究。有的学者从人工智能方面进行研究，文献[1]提出要开展人工智能下的课堂教学评价，通过对象层、数据层、技术层和应用层四个层面的系统架构，搭建人工智能下课堂教学评价的实践路径;文献[2]提出人工智能成为当前评价主体的辅助者、评价内容的收集者、评价方式的延伸者、评价结果的跟踪者。有的学者在双高背景下进行研究，文献[3]提出高职院校教师信息化教学评价体系是评判“双高建设”成果的关键环节，对高职院校教师信息化教学进行全面综合的评价研究，有利于助推“双高建设”目标实现。文献[4]提出了“双高计划”，对高职教育的发展理念、建设任务、质量标准提出了新要求，在信息化基础上形成了“多类型多主体多要素”教学质量评价体系，积累了可推广的成功经验。
本文在现有教师教学评价的基础上，提出了基于人工智能技术的课堂评价和课后评语分析方法，为当前的教学评价提供了另一种维度的思考。
1 相关算法
1.1 双受限玻尔兹曼机
受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）是一种基于统计力学与能量模型的神经网络模型，它以能量来表示整个系统的稳定状态，能量越小表示系统越稳定，反之则说明系统处于波动不稳定的状态，因此具有学习速率快，学习能力强等特点。其是当前深度学习领域的一个重要模型，也是构成诸多深度网络的基本单元之一。其中，v为可见层，数据样本从可见层输入，h为隐藏层，表示所提取数据的特征。假设RBM网络有m个可见单元，n个隐藏单元，向量v=（v1，v2，…vm）T和h=（h1，h2，…hn）T分别表示可见层和隐含层的单元状态，a=（a1，a2，…am）T为可见层的偏置向量，ai表示可见层第i个可见单元的偏置，记录b=（b1，b2，…bn）T为隐藏层偏置向量，记录W∈Rm×n为可见层和隐藏层之间的权重矩阵，wi，j表示可见层第i个节点与隐藏层第j个节点的权重。RBM训练的过程就是为了学习得到参数θ={ai，bj，Wij}，其公式为：
（1）
其中，E（v，h）为RBM的能量函数，该网络通过能量传递函数为每一对可见和隐藏向量分配一个概率值： （2）
其中，Z为划分函数，表达式为：
（3）
式（3）对权值的对数梯度的表达式为：
（4）
其中，〈vihj〉data为数据的期望，〈vihj〉model为模型的期望，可以由此公式得出RBM的学习规则：
?wij=ε（〈vihj〉data-〈vihj〉model） （5）
对于数据期望，由于在RBM隐藏层单元间没有直接的连接，因此可以快速获得一个数据分布的无偏样本。假设随机给定训练介质（比如图像等）为v，那么隐藏层单元的二进制状态为1的概率为：
P（hj=1│v）=σ（bj+） （6）
同理，可见层单元的二进制状态被设置为1的概率为：
（7）
其中， 。
通过式（6）和式（7）可以实现类似于神经网络的前向传播过程，重复运用式（6）和式（7）进行计算，可以求得模型的所有状态。
综上所述，RBM的主要工作是计算出θ={ai，bj，Wij}，而本文是通过计算RBM在学习集上的对数似然度最大化获得的，计算公式为：
（8）
1.2 BP神经网络
BP神经网络是一种多层前馈网络模型，由输入层、隐含层和输出层3个部分组成。其计算过程是信号通过前向传播及反向传播由输入层传输到隐含层，然后在神经元、网络权值限定下，信号被传递给输出层输出。
2 基于人工智能的课堂中的评价
在基于人工智能的课堂评价中，首先将学生面部表情进行分类，其次，利用摄像设备以不同的时间间隔采集学生的面部表情并提取特征信息，依靠人工智能中的深度学习算法进行分析，通过评价分析的结果得到课堂的反馈。
2.1 学生面部表情识别
在教师授课过程中，利用摄像机等设备采集学生听课的表情图像，将所获得的学生人脸图像作为原始图片。将所获取的图片全部输入深度学习网络参与运算，以获得最终结果，训练的深度学习算法网络所使用的训练数据选自国际标准NVIE库，对从库中获得的图片与标签文件进行人工智能网络的训练，可以较为准确地识别学生的面部表情。
2.2 表情特征分类
为取得更好的研究成果，对学生表情进一步细分，表情分为一级指标和二级指标。其中一级指标包括愉快维、唤醒维和兴趣维三种，愉快维的二级指标主要表现在：
（1）眼睛瞪大和瞳孔变小。
（2）脸颊拉长，撅起嘴巴，嘴角微微朝下。
（3）面部肌肉整体下垂或者微微松弛。
（4）眉毛压低，眼皮向下。
（5）眼睛微微缩小，瞳孔慢慢缩小。
（6）眼睛微微睁大，瞳孔微微放大。
（7）嘴唇朝外慢慢朝上扩展、脸颊肌肉微微向上抬起。
（8）面部肌肉呈现微微紧绷，瞳孔先大后小。
（9）面部肌肉微微放松。
唤醒维的二级指标主要表现在：
（1）双眼无神。
（2）神情非常兴奋。
兴趣维的二级指标主要表现在：
（1）东张西望。
（2）目不转睛。
2.3 双RBM-BP深度神经网络
本文使用双RBM-BP深度神经网络，该结构的优点是使用少量网络层就可以达到降低神经网络的训练次数，缩短训练时间，提高神经网络准确率的目的。其训练过程主要分为两个步骤：
（1）以无监督训练模式对训练数据进行深度神经网络的训练和学习，通过这种训练方式计算得到每一层RBM的网络权值参数，这样可最大限度地保证在特征向量映射到不同特征空间的时候保留更多的特征向量信息，得到两个不同层次的RBM网络权值参数W0和W1。
（2）在双RBM最后一层加入一个BP神经网络，通过BP网络接收孪生RBM网络隐藏层的输出特征向量作为输入特征向量，以监督方式进行BP网络参数的学习。
2.4 构建表情识别模型
将从课堂上获取学生面部图片，并通过数据预处理后依靠构建的表情识别模型获得描述精确表情的文本。本文将学生面部表情特征分为积极表情、平静表情和消极表情三类。在积极表情特征中有兴趣和高兴，在平静表情特征中有平静和放松，在消极表情特征中有厌烦、焦虑、气氛、羞愧和失望。
针对这9个课堂状态中的表情，识别模型可以通过设置权重作为评分的标准。结合情绪维度理论，将害怕和平静表情的权值设置为0;将生气、悲伤和困惑表情的权值设置为-1;将厌恶、轻蔑表情的权值设置为-2;将开心的权值设置为1;将惊奇的权值设置为2;将趋避度和疲劳度的权值设置为3，因此，每一个同学最后得分的取值在-3到3之间，通过归一化得到学生在某一个瞬间的表情分数。根据课堂总时间或时间段要求，将所有学生的表情分数结果累计取平均值，即得到一节课堂的反馈结果。
2.5 基于人工智能的课后评语评价
课后评语评价是学生评价教师上课质量高低的重要手段。传统的评价方式都是采用数据挖掘手段进行分析，存在分析挖掘效果不理想，反馈质量差等问题。本文针对现有课堂评价中的评语都是短文本信息，并且这些信息中包含噪声大等缺点，提出了一种基于Faster R-CNN的情感评语的文本特征分析模型，用于对评语文本中的情感倾向性判断和异常评价的识别。首先对评语的文本构建字向量，通过模型进行训练，以字向量作为模型的输入，这样可以有效降低由于分词、语法分析等其他原因造成的文本噪声的误差，能够有效提高原始数据输入的准确性和有效性;其次，将评语中的标点符号转换为多个短句，分别进行池化操作，通过WOA-Faster R-CNN对分段中的特征进行提取，从而能够将很多无效的区域删除掉，保留评语文本数据的重要特征并确保其完整性，将情感工作进一步划分，从而提升情感工作的准确性;最后，在模型预测的评语句子的情感分析后进行异常识别，将评语文本的情感倾向与用户在评价的时候给出的等级进行比对，可能会存在学生给予教师的评语评价等级较高，而文本情感分析却设定为消极的情况，反之，情感分析设定为积极。在进行评价分析的时候，借助关键词提取技术对课堂中的评语文本信息进行分类整理，从中提取学生对教师课堂中所涉教学评价的关键信息，通过所提出的关键词为每位教师生成特点云图。
3 实验对比
为了说明采用人工智能技术后的教学评价效果，本文选择教师上课评价满意度和教师评语反馈满意度2个指标进行反馈说明。选择不同专业的4个班——机电、设计、财经、建筑专业，分别用1、2、3、4表示。
图1说明了4个专业的学生使用教师上课评价满意度的效果，从图中可以发现，课堂中学生的面部表情能够如实反馈教师上课中的状态效果，满意度基本都在80%左右，这说明采用这种方法进行面部识别是可行的。图2说明了未使用人工智能技术的评语分析和使用了人工智能评语分析的教师反馈满意度的对比，从图中可以发现，4个专业老师在使用基于人工智能技术的评语分析后都对教学效果有所提高，这说明人工智能技术能够进一步提升教学评价质量。
4 结 论
在现有课堂评价方法研究的基础上，提出了将人工智能技术运用于当前课堂评价的新思路，强调借助人工智能技术分别对课堂中的学生表情识别以及课堂后的评价文本情绪的分析识别，是对课堂教学行为分析研究领域工作在新的方向上的探索和拓展，能够弥补当前课堂中存在的不足，體现了各大高校力图借助现代化、智能化技术推动教学课堂改革的方略。
参考文献：
[1] 张宝辉，张金磊，黄龙翔.计算机建模在教学评价中的应用研究 [J].中国电化教育，2013（4）：103-109.
[2] 未华倩，邹莉.人工智能实现发展性课堂教学评价的定位与路径 [J].重庆电子工程职业学院学报，2020，29（4）：55-58.
[3] 张苗.“双高建设”背景下高职教师信息化教学评价体系现状 [J].办公自动化，2020，25（22）：28-29+23.
[4] 柏申.“双高计划”下教学质量评价体系优化策略分析——以江苏农林职业技术学院为例 [J].晋城职业技术学院学报，2020，13（6）：8-10.
[5] 李金旭.基于NSCT变换和深度学习神经网络的人脸识别算法研究 [D].哈尔滨：哈尔滨理工大学，2016.
作者简介：陈暄（1979.03—），男，汉族，安徽祁门人，副教授，硕士，研究方向：算法设计、人工智能。