Print

基于课堂视频的学生课堂参与度分析

论文摘要

目的学生课堂行为分析对于评估学生的课堂参与度有重要意义。提出一种新型的学生课堂行为数据的分析和处理模式,用于综合评估学生课堂参与度状况。方法基于课堂视频信息,利用Kinect传感器获取肢体骨骼以及面部特征与可观察到的学生行为之间的相关性,提取相关特征进行深度神经网络(deep neural network,DNN)分类器的构建,对不同等级的注意力集中水平进行分类;利用Kinect传感器的骨骼点信息和音频阵列进行多模态融合,对学生举手和回答问题情况进行统计。结果验证了注意力水平与学生特定行为之间确实存在相关性(等级1、等级2与看黑板相关系数分别为0.63、0.55;等级3与东张西望相关系数为0.78)。使用DNN对注意力等级分类,准确率为91.2%,较支持向量机(support vector machine, SVM)提高12.3%。使用音频阵列对学生定位识别准确率为89.0%。最终得到每个学生每节课的注意力等级图、各个注意力等级的时间占比及学生在课堂上的举手和起立发言次数,形成学生课堂参与度分析表。结论通过评估学生的课堂行为,结合课堂参与度的相关指标,能够全面客观地反映不同学生的课堂表现,并可作为教师教学的参考。

论文目录

  • 1 对象与方法
  •   1.1 软硬件设备
  •   1.2 数据采集与记录
  •   1.3 研究方法
  •     1.3.1 注意力等级与课堂行为特征的相关性分析
  •     1.3.2 特征处理方法
  •     1.3.3 注意力等级分类方法
  •     1.3.4 课堂举手发言姿态定义
  •     1.3.5 学生语音定位
  • 2 结果
  •   2.1 实验数据分析
  •   2.2 课堂注意力与课堂行为的相关性分析
  •   2.3 多模态统计学生举手发言情况
  •   2.4 学生课堂参与度分析表
  • 3 讨论

    • 文章来源

    类型: 期刊论文

    作者: 缪佳,禹东川

    关键词: 传感器,注意力,深度神经网络,课堂参与度

    来源: 教育生物学杂志 2019年04期

    年度: 2019

    分类: 医药卫生科技,社会科学Ⅱ辑,信息科技

    专业: 教育理论与教育管理,计算机软件及计算机应用,自动化技术

    单位: 东南大学儿童发展与学习科学教育部重点实验室

    基金: 国家自然科学基金(61673113)

    分类号: TP18;G434;TP391.41

    页码: 220-226

    总页数: 7

    文件大小: 2611K

    下载量: 183

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/31f6374195389e6f75b57aa4.html