博文
慕课授课中的学生听课行为自动分析系统
|
大规模在线开放课程(Massive open online course, MOOC, 即慕课)授课过程中，学生听课行为自动分析系统，依据视频信息跟踪学生的学习状态，提取学生的行为特征参数，进行D-S融合判决，自动评判学生在授课期间的听课专心程度。
教育部印发的《教育信息化2.0行动计划》指出应大力推进智能教育，开展以学习者为中心的智能化教学支持环境建设，构建网络化、数字化、智能化、个性化、终身化的教育体系。 在信息爆炸的“互联网+”新时代, 随着网络时代的发展, 人类的注意力开始变短, “碎片化”学习成为人类的主要学习模式, 而在线网络课程由于其“微课”的教学模式, 时间相对自由, 成本相对较低等优点迅速受到广大学习者的喜爱。与传统面授教育相比，远程教育已展现出巨大优势。远程教育打破时间和空间限制，具有良好的延伸性与可选择性。 网络化远程教育 虽然目前对人体行为的检测已经取得了较多成果, 并且可以实现人体的跟踪, 但是利用学生听课过程中的视频来判定学生在线网络学习中的专注度这一方面的研究还非常匮乏。针对慕课这一新的应用环境, 我们分析摄像头获取的学生行为信息, 从视频序列中提取出人体轮廓及主要特征信息，再进行特征信息融合与听课专注度的决策推理。 根据学生在学习时可能出现的行为状态, 例如认真学习时的端坐状态, 注意力分散的左顾右盼状态, 非常困倦时可能会出现的埋头状态等, 从人体轮廓中提取四个行为特征信息, 将其定义为人体“四维特征信息模型”。 慕课学习过程中的学生行为状态 D-S证据理论是关于证据和可能性推理的理论，它主要处理证据加权和证据支持度问题, 并且利用可能性推理来实现证据的组合。随着信息融合的发展, 融合的对象不再局限于传感器获取的数据和信息, 而是可拓展至各种方法, 专家经验等。智能教室中学生行为分析与推理决策模型分析的流程图如图所示： 学生行为分析与推理决策流程图 为了解决在线课程授课过程中, 缺乏对于学生学习情况的跟踪与教学效果评估问题, 建立了一套学生专注度自动监测与判定系统。 慕课授课过程中学生专注度自动检测与判定系统 依据视频信息对学生注意力进行建模, 并提出了一种评判学生听课专心程度的行为自动分析算法，有效跟踪学生的学习状态, 提取学生的行为特征参数, 并对这些参数进行D-S 融合判决, 以获得学生的听课专注度，并给出学生对慕课课程学习效果的初步评价。 引用格式：戴亚平, 杨方方, 赵翰奕, 贾之阳, 广田熏. 慕课授课中的学生听课行为自动分析系统. 自动化学报, 2020, 46(4): 681-694 文章链接：http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c170416 作者简介 戴亚平 北京理工大学自动化学院教授. 主要研究方向为图像特征提取与识别，多传感器数据融合与决策诊断技术，人工智能与专家系统. E-mail: daiyaping@bit.edu.cn 杨方方 北京理工大学自动化学院硕士研究生. 2016年获得东北大学学士学位. 主要研究方向为计算机视觉与机器学习. E-mail: neuqyangfangfang@163.com 赵翰奕 华北计算机系统工程研究所(信息产业部电子第六研究所) 研究工程师. 2017 年获得北京理工大学自动化学院硕士学位. 主要研究方向图像处理和深度学习. E-mail: zhao_angus@163.com 贾之阳 北京理工大学助理教授. 2017年在美国康涅狄格大学获博士学位. 主要研究方向为智能制造，生产系统建模与性能分析，优化与决策. 本文通信作者. E-mail: zhiyang.jia@bit.edu.cn 广田薰 北京理工大学自动化学院特聘教授, 1976 年和1979 年分别获得东京工业大学电子工程专业硕士学位、博士学位. 主要研究方向为图像模式识别, 智能机器人, 模糊控制, 人工智能及工业应用. E-mail: hirota@bit.edu.cn
https://blog.sciencenet.cn/blog-3291369-1248677.html
上一篇：【当期目录】IEEE/CAA JAS 第7卷 第5期
下一篇：《自动化学报》46卷8期网刊目录分享
