文摘
改善课堂教学行为识别和评估的准确性,提出了一种基于深度学习的新模式。首先,我们通过SVM获得课堂教学行为特征数据是线性可分的初始和确定超平面的特征样本数据之间的关系。然后,我们获得在线学习行为特征的异构支持向量样本数据在支持向量机的超平面并完成数据的提取与卷积神经网络的帮助。然后我们使用决策矩阵分析分层流程,确定课堂教学行为指标的权重,通过计算验证其一致性,并完成评估评价因素的成员。实验结果表明,课堂教学行为的识别和评价方法在本文中可以有效地提高识别精度的课堂教学行为。
1。介绍
在教育领域,认识到课堂教学行为一直是研究重点。教师在传统课堂评估学生学习水平通过观察他们的行为,然后提供教学反馈。然而,这种技术是耗时和劳动密集型的,它不能满足今天的需求的智能为大规模的课堂学习环境分析(1]。结果,关键是研究人工智能技术来自动识别学生的课堂行为。本研究对提高课堂教学质量有着重要的影响和帮助教育决策和管理。大数据时代的到来引起了信息以指数的速度扩张。大数据分析的关键问题之一是如何使用这些数据在合理和高效的方式2]。人工智能技术能有效的屏幕数据并将抽象数据转化为有用的知识。最近流行的深度学习,提供了一个解决这个问题的。深度学习提供了更大的准确性,可以自动提取信息,更具有适应能力,更容易比标准机器学习算法开发。深度学习在教育和深度学习运动的发展稳步上升。教学活动一直是最重要的和基本的活动在学校教育的研究中,以及最重要的组成部分,学校的教学和教育功能。学生的课堂行为会立即反映教学效果。结果,分析学生的课堂行为将有助于改善教学和课堂管理。学生的课堂行为可以分为两类:课堂参与和一般的课堂环境。Nonlearning行为是另一个。 Teachers create an effective appraisal of students in the conventional classroom by watching students’ class status and assignment completion in the classroom. However, because it is impossible for teachers to monitor all pupils in a systematic and comprehensive manner, the teaching impact has not been fed back in time, prompting the development of a recording and broadcasting system. The problem has been alleviated to some extent. The conventional technique of analyzing instructor and student behavior is still a manual observation of instructional films, which is time-consuming, tedious, and inefficient [3]。在这个时候,社会已经进入了一个更聪明的时代。教育部门的转变将是不可避免的,无论它来自外部或内部核心内容组织结构。改革将集中在智能教育和智能管理。技术的话题之一,未来需要研究的是如何利用智能开发有效的课堂教学评价,提高教学质量。它可以帮助教师提高他们的教学解决问题大量的教师发现很难详细观察每个学生的课堂行为(4]。
赵et al。5)提出了一种多维特性fusion-based智能分析技术培训行为。这个方法创建一个多维特征融合智能教学行为分析模式中,有四个核心要素:“视觉听觉基于功能的教学行为分析编码系统、听觉特性识别的教学行为、视觉特征识别的教学行为,教学和视觉呈现的数据分析过程。“然后他们提出三个现实的路径:“视觉特征,”“听觉特征,”和“融合特点。“他们初步分析了43个课堂教学视频,提取视觉特征的教学行为在时间维度,提供教学参考资料的行为智能分析活动,如“一个教师,一个教育学。”这种方法在实行强有力的理论基础和广泛的影响力,但它仍然需要改进。一个后续研究[6)提出了一个复合特性和基于深度学习课堂教学行为识别系统。
为了解决以上技术的局限性,本研究利用卷积神经网络识别和评估课堂教学行为以提高教学质量和促进教育发展。在我们的工作中,我们使用人群为主要对象,提取人群使用前景提取方法的静态信息,获得群众的使用人群运动的变化动态信息,使用CNN模型学习两种不同的群体行为特征,然后结合这两个特征来分析传播。人口行为分析位置和时间间隔的影响人口数据提取。
根据实验结果,这两个人口特征可以更好地描述人口状况的地理维度和时间维度的人口变化。数据间隔时间和地点合理可显著提高表达能力的人群数据。最后,现有群体行为分析方法相比,提出的方法。建议方法的效率是证实了定量和定性的测试结果,证明该方法可以提供更好的混淆矩阵和更高的精度。这种方法提供了一个高水平的准确性时,教学行为的认可。在确定项目仍有一些修改;因此,识别和评估不可能同时完成。
2。课堂教学行为特征的提取和识别
2.1。课堂教学行为的特征提取
教学行为研究已逐步成长为一个截然不同的研究主题自二十世纪中叶。它稳步集中在近年来微程序级的课堂教学。课堂教学行为是一个多层次、复杂的综合主题互动行为的在教室里。与教学的概念和思想的不同之处在于,它是明确的,动态的,个人,故意,和态势,与几个类别7]。它主要包括教学、辅助教学和课堂管理。学者结合几个分类基地创建一个广泛的类别,如表所示1。
分类的基础上,课堂教学行为的分类主要侧重于在课堂上的基本要素,包括教师、学生、教学内容和教学媒体(复杂的媒体和软媒体)。哈贝马斯,社会理论家,曾提出,人类交流活动之间存在两个以上的受试者语言能力和可控诉的情形,还有一个演讲和之间的外部行动主体之间的关系。课堂教学活动是教师和学生之间的互动活动课堂场景。教室,实现共同目标,教学的总和,学习,和其他相关行为互动活动统称为课堂教学行为。因此,作者把课堂教学行为分为教师的教学行为、学生的学习行为和其他行为。
教学行为是教师和学生的行为来实现特定的教学目标在教学过程中。教师课堂教学行为是指所有教室里老师和学生之间的交互和行为相关的教学和学习。以来,教师和学生是教育活动的综合学科(包括教学),基于上述的定义专家,课堂教学行为的和教师的教学、学生的学习,和其他相关行为在课堂环境中实现共同的数学目标(8]。根据上面的分类结果,其特点是提取第一个实现课堂教学行为的识别和评价。
提取的课堂行为,支持向量机(7,9)已广泛应用于现有的文献。课堂教学行为特征数据被视为一组有限样本的二维空间,和数据最初是通过SVM线性分割。假设样本集,一个的特性数据, ,课堂教学行为特征样本数据出现在超平面如下:
的公式,代表的法向量特征数据在这个空间, ,和 , 分别代表两个超平面的支持向量。
确保最大(10课堂教学行为特征数据的超平面,它应该满足
的公式,代表了拉格朗日乘子。
此外,课堂教学行为特征数据中存在SVM超平面,和特征样本数据表示为8] 在哪里 。
由于许多因素,课堂教学行为的特征数据不能始终保持线性可分的状态。因此,我们还应该考虑一些外部因素形成的非线性特征9]。课堂教学行为特性的非线性特征数据可以转化为线性可分的数据,减少数据的维数超平面。计算最小化后获得的非线性数据特性的非线性数据转换功能的课堂教学行为数据最小值;也就是说,
课堂教学行为的特性数据首先获得使用线性可分支持向量机,然后中样本数据特征的关系确定超平面,在线学习行为特性的异构支持向量的样本数据在SVM超平面,完成数据提取和特征。
2.2。基于人工智能的课堂教学行为的识别
人工智能和学习科学崛起了一个新的field-educational人工智能(EAI)。大量的EAI系统集成人工智能技术,如数据挖掘、已经向学校申请有效利用校园内产生的大数据分析和预测学生的学习性能。它为学生提供了更多的个性化和多样化的学习。人工智能技术广泛应用于教育领域包括图像识别、语音识别、语义识别和机器翻译。因此,本文使用基于深度学习方法命名为卷积神经网络识别课堂教学行为(11]。
CNN是最成功的领域之一,在深入学习算法应用程序中,主要由卷积,池,连接层。此外,一些常见的层,如激活功能层,可以显著减少网络的训练时间,提高网络的泛化能力和防止辍学层过度拟合问题。CNN是一个层次模型,首先,原始数据是通过卷积层提取。池层就降维卷积的数据作为输入低,循环卷积和池操作。高层语义信息的原始数据从低到高逐渐传播去年水平。更新相关的参数通过计算实际值和预测值之间的差异,然后与反向传播算法相结合,从而产生一个收敛模型(12]。其基本结构如图1。
课堂教学行为的识别,构建一个卷积神经网络的核心是卷积层。平滑后的输入信号通过卷积内核和过滤器,局部图像特征的提取是有偏见的。每个卷积核的深度与输入数据是一致的,所以卷积核沿高度和宽度地图一个新特性。提取的特征值在前几层主要是指低阶特征,如边缘垂直和水平。后者层结合成高阶的低阶的特性。这些高阶特征可以区分这些数据并将它们映射到类别空间分类操作。在这个时候,数据矩阵映射的课堂教学行为
根据从卷积矩阵获得的数据层,我们确定池层的工艺参数。与卷积层相比,没有参数学习,选择最大值或平均值从目标区域,然后形成这些最大值或意味着值映射到一个新的特性。池是将采样的过程以减少参数的数量,以减少网络的计算复杂度。在某种程度上,它可以防止过度拟合问题[13]。池是减少目标区域的空间操作不改变通道的输入和输出数据的数量。此外,当数据稍有变化,池将返回相同的结果,增强了网络的鲁棒性。在这个时候,识别结果
输入上面的识别结果数据获得的最后一层CNN作为完整的连接层,这是与上一层的所有特性的图像,通常将二维卷积图像输出的转换为一维向量。因为完整的连接层不保留图像的空间信息,它不能保持高维度空间结构,然后更改到低维度通过维度转换,同时保留有用信息。在CNN,完整的连接层的特征向量作为分类器的输入来获取相应类别的输出实现原始数据的识别。此时,输出识别结果优化课堂教学行为的目标函数来获得
的公式,代表了最终获得识别结果,代表了纠正错误值。
在课堂教学行为的识别,我们用卷积神经网络,汇聚层,和完整的连接层的帮助下课堂教学行为的识别目标函数。
3所示。研究课堂教学行为评价
在此基础上确定课堂教学行为,我们开展课堂教学行为的评价分析。首先,课堂教学行为的重量数据通过构造混淆矩阵计算。
层次结构可以反映了因素之间的关系。使用层次分析法来形成决策矩阵量化处理的主观判断是基于定性的判断。这是一个重要的一步从定性到定量分析。因为在标准水平,每个标准占不同的比例在不同决策者的思维。以确保获得的质量指数判断,课堂教学评价问卷和指数得分分布级至7级刻度表上专业的专家,他被邀请去比较和评分指标。问卷调查结果总结和统计结合的专家给出的判断形成一个矩阵(14]。
现在,n比较因素, ,2一个不确定性因素的影响。为研究提供真实可信的数据,我们将建立比较矩阵通过比较这两个因素。两个因素在每个比较和完整的比较结果表示为矩阵:
我们可以代表了混淆矩阵为
根据上面的混淆矩阵构造,我们完成的决心课堂教学行为的重量
的公式,重量是课堂教学行为,代表的数量判断,代表了比例因子。
根据上面的重量值确定课堂教学行为,实现其评估,它需要计算其一致性
课堂教学行为的随机性重量数据
在此基础上,课堂评价分为两个评价对象评价同行教师的课堂评价和专家评价(15]。假如课堂评价的总集合U、同行教师评价 ,和专家评估 ;然后,课堂教学评价可以表示如下:
的评价因素评价集
这时,课堂教学行为的子集构造成员如下: 在哪里代表评价指标的收集和评估代表评价元素的加入。课堂教学行为的最终评价结果可以显示以下方程: 在哪里代表了评估价值,代表的数量因素评估,代表的数量因素评估。
评价的课堂教学行为,我们首先通过层次分析法构建混淆矩阵,然后确定课堂教学行为的重量指标,验证其一致性,和完整的课堂教学评价行为。
4所示。实验分析
验证该方法的科学有效性,在本节中,我们执行各种类型的实验和现在的结果。
4.1。实验环境
在实验中,100名英语学生主修英语在20级的大学被选为实验对象,收集学生的课堂教学行为数据的主要和识别和评估他们的课堂教学行为的学生举手,回答问题的学生人数,学生积极行为的研究数据。操作系统是1050年Nvidia GPU 8 GB的内存。实验的迭代的数量是100,所有处理实验数据通过SPSS数据处理结果。
4.2。实验指标设置
本节比较了我们的方法在本文中的方法(5]和[6]。我们使用课堂教学行为识别的准确性和评估误差比较。
4.3。实验结果分析
通过分析数据中的数据2和3在相同的实验条件下,样品的准确性课堂教学行为识别使用本文的方法进行了分析,赵et al。5],Ya-jun et al。6]。其中,该方法的准确性我们总是高于其他两种方法。当迭代的数量是80,我们建议的方法的识别精度达到最高的价值,约98%。当迭代的数量是80,最高精度的方法5)约为91%。当迭代的数量是40,最高精度的方法6)约为89%。相比之下,我们的方法有最高的精度识别样本课堂教学行为。这是因为我们用卷积神经网络识别课堂教学行为的认可。
为了进一步验证我们的方法的有效性,我们比较样本课堂教学行为的评价结果并进行了实验分析结果。评估错误如图4。
通过分析图4,可以看出有一定的差距的评估误差样本课堂教学行为的评价结果通过使用本文的方法,赵et al。5],Ya-jun et al。6]。当迭代次数为20时,误差的方法对样本的评价课堂教学行为大约是1.9%,赵等人的的错误5)方法对样本的评价课堂教学行为大约是4.1%,和错误的Ya-jun et al。(6)方法对样本的评价课堂教学行为是5.5%左右。当迭代的数量是40,错误的方法对样本的评价课堂教学行为大约是1.5%,赵等人的的错误5)方法对样本的评价课堂教学行为大约是3.5%,和错误的Ya-jun et al。(6)方法对样本的评价课堂教学行为是5%左右。当迭代的数量是60,错误的方法对样本的评价课堂教学行为大约是1.2%,赵等人的的错误5)方法对样本的评价课堂教学行为大约是5%,和错误的Ya-jun et al。(6)方法对样本的评价课堂教学行为是4.1%左右。同样的,当迭代的数量是100,我们的方法的误差样本的评价课堂教学行为是1.8%左右,赵等人的的错误5)方法对样本的评价课堂教学行为大约是3%,和错误的Ya-jun et al。(6)方法对样本的评价课堂教学行为是2.8%左右。相比之下,样本的误差评价该方法的课堂教学行为是最低的,也验证了该方法的有效性。
我们也尝试不同的辍学的水平因为辍学扮演如此重要的角色在任何DL-based模型的收敛时间和性能(16]。辍学的影响见图5。它可以观察到当辍学不是利用,我们的模型优于相同的模型。这也证实了我们需要辍学模型优化工作。
5。结论
本文研究课堂教学行为识别,提出了一个新颖的方法基于卷积神经网络(CNN)。我们首先获得课堂教学行为特征通过线性可分支持向量机的初始数据,确定超平面的特征样本数据之间的关系,获得在线学习行为特征的异构支持向量在SVM超平面样本数据,并完成数据提取的特征。的帮助下卷积,池,完全连接层,我们认识到课堂教学行为。然后,通过层次分析法,我们构建混淆矩阵来确定课堂教学行为的体重指标,验证其一致性,并完成课堂教学行为的评价通过计算评价因素的成员。实验结果表明,课堂教学行为的识别和评价方法在本文中可以有效地改善课堂教学行为的识别精度。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持的2019年北京教育科学规划的一般项目,研究转换和应用程序基于密歇根大学的考古资源模型的背景下京津冀地区(没有。CDDB19237)。