- $
知識圖譜、專注力分析、情感計算等AI技術如何升級常態化錄播
來源：www.parsonsengineering.net 發布時間：2021年06月24日
錄播系統記錄課堂全過程，是教學資源積累的早期方式。隨著AI視頻分析技術的成熟，技術與教育更深入的融合，教育信息化2.0對常態化錄播系統提出了更高的要求，記錄只是信息技術在課堂教學應用的開始。
將從常態化錄播面臨的挑戰、AI升級錄播的關鍵技術、AI升級錄播的4個方面，闡述AI如何升級常態化錄播，為教育工作者提供參考。
常態化錄播面臨的挑戰
課堂錄播為整堂課的視頻錄制和播放提供支持，但面對數據驅動教學教研的需求，常態化錄播存在以下2點局限：
1、回顧課堂視頻費時費力
一堂課通常有45分鐘，教師或管理者在復盤/回顧課堂視頻時需要花費大量時間，卻得不到直接有效的結果。這使教師使用錄播進行教學研究、學情分析的積極性大打折扣。
2、缺少數據作為教研依據
除了整堂課的視頻沒有標記（如課堂視頻在某個時間段涉及的相關知識點）、回顧費時費力以外，常態化錄播只有錄制和播放功能，不能提供數據分析作為教研、教學管理的依據。
AI升級常態化錄播的關鍵技術
1、基礎教育知識圖譜
知識圖譜一般分成通用知識圖譜和領域知識圖譜，基礎教育知識圖譜屬于領域知識圖譜?；A教育知識圖譜的構建有準確性、全學科、全覆蓋、可用性四個方面的要求。
準確性要求圖譜中的基礎教育知識必須準確，其知識來源必須是教材等權威資源；全學科要求圖譜必須覆蓋中國K12教育的主要九門學科（語文、數學、英語、歷史、地理、政治、生物、物理、化學）；全覆蓋要求每門學科的知識必須覆蓋教育部頒布的學科課程標準中規定的全部知識點；可用性指圖譜中的知識檢索與訪問效率要足夠高。
2、專注力分析
專注力可以反映出學生是否進入學習狀態。傳統課堂，老師通過提高音量、增加互動、改進內容等方式提高學生的專注力，但由于教學任務重、班級人數多、精力有限，老師無法細致地了解每位學生每堂課的專注力情況。
伴隨式采集課堂教學視頻后（不干擾課堂教學），通過頭部姿態估計技術，推斷出學生頭部在三維空間的姿態參數，建立頭部三維空間姿態模型，通過頭部姿態在不同坐標系之間的相互轉換，判斷學生群體的頭部朝向。
再利用頭部姿態追蹤人眼的視線方向，對匯總數據進行二次分析，從而計算出學生的社交專注保持力，這也是目前學習認知領域的分析技術。
3、情感計算
1997年，MIT（麻省理工）媒體實驗室的Rosalind Picard教授提出了“情感計算”的概念，她把“情感計算”定義為：針對人類的外在表現，能夠進行測量和分析并能對情感施加影響的計算。事實證明，情感計算與認知研究密不可分。
在課堂場景中，利用深度學習算法對課堂教學過程進行分析。通過采集設備獲取教學過程的圖像序列，利用深度神經網絡檢測人臉位置區域，進一步識別人臉關鍵點，根據教學場景的特性進行面部表情識別。然后再結合教學方法進行深度分析，幫助學校了解教師授課風格及學生情感狀態變化，在此基礎上進行教學指導，改進教學效果。
AI升級常態化錄播的4個方面
1、從人工檢索到自動標記
錄播完成后，教師通過完整的課堂教學視頻回顧教學內容。但是如果教師想要回顧講到某個知識點時，學生的課堂表現，則需要來回拖動視頻進度條，這是一個人工檢索信息的過程，視頻只完成了記錄的工作，為實際使用帶來了很大的困難。
利用基礎教育知識圖譜技術，將整堂課的關鍵知識點進行自動標記，由計算機代替人工，教師在回顧知識點時就會更加高效。除了標記知識點，課堂專注力、學生情感變化也能直接呈現在視頻中。
2、從回顧視頻到查看數據
在回顧課堂視頻的基礎上，利用AI技術為教師和學校管理者提供課堂專注度、師生發言明細、教師的授課模式、學生的情緒變化等數據，能提高教學復盤的效率，從回顧視頻到查看數據，為教師成長、教學管理提供數據支持。
3、更有效的教學資源積累
完整的課堂視頻是一種教學資源，但是這種教學資源利用難度大。利用AI技術為教師提供課堂教學視頻剪輯，用短視頻替代長視頻，分享更使教學資源得到更有效地利用。
同時，AI技術自動提取板書、整理課堂語音筆記、提取知識點等功能，不僅讓課堂教學資源得到有效積累，還可以直觀、清晰地反映教師的授課邏輯。
4、量化過程性教學評價
常態化錄播視頻也被學校管理者用作教師教學過程的評價，管理者逐一觀看錄制好的課堂視頻，再進行打分和評價。常態化錄播只解決了時間和地點的問題，并沒有從根本上解決過程性評價缺少量化數據的問題。
教育評價是量化評價與質性評價的結合，量化評價是指將評價內容化為可以量化的數據，并通過量化統計方法來分析這些數據，得到結果;而質性評價關注評價主體與客體之間的互動與理解。
過程性評價也應該從量化與質性兩方面進行，AI技術為過程性評價提供了分析框架，可以幫助管理者更好地對課堂錄像進行分析與理解，使過程性評價可用。
返回列表
將從常態化錄播面臨的挑戰、AI升級錄播的關鍵技術、AI升級錄播的4個方面，闡述AI如何升級常態化錄播，為教育工作者提供參考。
常態化錄播面臨的挑戰
課堂錄播為整堂課的視頻錄制和播放提供支持，但面對數據驅動教學教研的需求，常態化錄播存在以下2點局限：
1、回顧課堂視頻費時費力
一堂課通常有45分鐘，教師或管理者在復盤/回顧課堂視頻時需要花費大量時間，卻得不到直接有效的結果。這使教師使用錄播進行教學研究、學情分析的積極性大打折扣。
2、缺少數據作為教研依據
除了整堂課的視頻沒有標記（如課堂視頻在某個時間段涉及的相關知識點）、回顧費時費力以外，常態化錄播只有錄制和播放功能，不能提供數據分析作為教研、教學管理的依據。
AI升級常態化錄播的關鍵技術
1、基礎教育知識圖譜
知識圖譜一般分成通用知識圖譜和領域知識圖譜，基礎教育知識圖譜屬于領域知識圖譜?；A教育知識圖譜的構建有準確性、全學科、全覆蓋、可用性四個方面的要求。
準確性要求圖譜中的基礎教育知識必須準確，其知識來源必須是教材等權威資源；全學科要求圖譜必須覆蓋中國K12教育的主要九門學科（語文、數學、英語、歷史、地理、政治、生物、物理、化學）；全覆蓋要求每門學科的知識必須覆蓋教育部頒布的學科課程標準中規定的全部知識點；可用性指圖譜中的知識檢索與訪問效率要足夠高。
2、專注力分析
專注力可以反映出學生是否進入學習狀態。傳統課堂，老師通過提高音量、增加互動、改進內容等方式提高學生的專注力，但由于教學任務重、班級人數多、精力有限，老師無法細致地了解每位學生每堂課的專注力情況。
伴隨式采集課堂教學視頻后（不干擾課堂教學），通過頭部姿態估計技術，推斷出學生頭部在三維空間的姿態參數，建立頭部三維空間姿態模型，通過頭部姿態在不同坐標系之間的相互轉換，判斷學生群體的頭部朝向。
再利用頭部姿態追蹤人眼的視線方向，對匯總數據進行二次分析，從而計算出學生的社交專注保持力，這也是目前學習認知領域的分析技術。
3、情感計算
1997年，MIT（麻省理工）媒體實驗室的Rosalind Picard教授提出了“情感計算”的概念，她把“情感計算”定義為：針對人類的外在表現，能夠進行測量和分析并能對情感施加影響的計算。事實證明，情感計算與認知研究密不可分。
在課堂場景中，利用深度學習算法對課堂教學過程進行分析。通過采集設備獲取教學過程的圖像序列，利用深度神經網絡檢測人臉位置區域，進一步識別人臉關鍵點，根據教學場景的特性進行面部表情識別。然后再結合教學方法進行深度分析，幫助學校了解教師授課風格及學生情感狀態變化，在此基礎上進行教學指導，改進教學效果。
AI升級常態化錄播的4個方面
1、從人工檢索到自動標記
錄播完成后，教師通過完整的課堂教學視頻回顧教學內容。但是如果教師想要回顧講到某個知識點時，學生的課堂表現，則需要來回拖動視頻進度條，這是一個人工檢索信息的過程，視頻只完成了記錄的工作，為實際使用帶來了很大的困難。
利用基礎教育知識圖譜技術，將整堂課的關鍵知識點進行自動標記，由計算機代替人工，教師在回顧知識點時就會更加高效。除了標記知識點，課堂專注力、學生情感變化也能直接呈現在視頻中。
2、從回顧視頻到查看數據
在回顧課堂視頻的基礎上，利用AI技術為教師和學校管理者提供課堂專注度、師生發言明細、教師的授課模式、學生的情緒變化等數據，能提高教學復盤的效率，從回顧視頻到查看數據，為教師成長、教學管理提供數據支持。
3、更有效的教學資源積累
完整的課堂視頻是一種教學資源，但是這種教學資源利用難度大。利用AI技術為教師提供課堂教學視頻剪輯，用短視頻替代長視頻，分享更使教學資源得到更有效地利用。
同時，AI技術自動提取板書、整理課堂語音筆記、提取知識點等功能，不僅讓課堂教學資源得到有效積累，還可以直觀、清晰地反映教師的授課邏輯。
4、量化過程性教學評價
常態化錄播視頻也被學校管理者用作教師教學過程的評價，管理者逐一觀看錄制好的課堂視頻，再進行打分和評價。常態化錄播只解決了時間和地點的問題，并沒有從根本上解決過程性評價缺少量化數據的問題。
教育評價是量化評價與質性評價的結合，量化評價是指將評價內容化為可以量化的數據，并通過量化統計方法來分析這些數據，得到結果;而質性評價關注評價主體與客體之間的互動與理解。
過程性評價也應該從量化與質性兩方面進行，AI技術為過程性評價提供了分析框架，可以幫助管理者更好地對課堂錄像進行分析與理解，使過程性評價可用。
