基于神经网络的学生学习状态评价实验设计

摘"要：针对课堂教学中对学生学习状态的监督手段较为匮乏等问题，设计基于神经网络的学生学习状态评价实验，通过深度学习算法对学生面部进行实时检测与姿态评估，并结合学习成绩、课堂出勤率等课堂表现数据，利用模糊神经网络算法对其课堂学习状态进行实时评级量化。该算法应用于课堂教学中的学生学习状态评估，有助于教师针对学生学习状态合理调整教学计划。基于大量的测试与优化结果，发现该系统能有效反馈学生的状态信息，为教师提升课堂教学效率和制订后续教学计划提供参考依据，进而使得课堂教学具有较好的简便性、即时性、针对性和有效性。关键词：神经网络；深度学习；学生学习状态评价；课堂教学0"引言随着教学研究内容的逐步细化，教学内容和模式方法不断改进，以学生为教学主体的理念逐步深化。教师实时并有效地掌握学生学习状态，对提升课堂教学质量具有重大意义，其中关注的重点在如何评价学生的课堂学习状态上[1]。传统课堂教学模式缺乏沟通交流，只重视教学内容的传授，忽视了学生的反馈信息。教师能否第一时间获得学生学习状态的信息并有针对性地适时调整教学方式，将影响后续的教学质量。近年来，随着深度神经网络、超大规模数据特征分析等技术的快速发展，计算机视觉识别、图像特征点分析、语音识别和语义情感分析的智能化水平和准确率得到飞速提升，AI（人工智能）聊天、AI翻译、AI课堂等技术和产品已逐步走向商用。各类虚拟仿真实验教学模型、大规模开放在线课堂、小规模限制性在线课程均以人工智能为基础建立，这些系统已应用到教学领域实践教学中[1-2]，并且三维可视化影像、虚拟实景、模拟实验等新型技术手段和教学模式都在一定程度上让传统的教学课堂更加活跃，教师和学生之间的教学反馈更具有灵活性[3-5]。1"学生课堂学习状态智能评价现状近年来，随着深度学习理论和技术的发展，卷积神经网络得到广泛应用，研究人员逐渐将深度学习技术应用到教育领域。例如：赵智鹏等[6]采用BP神经网络（反向传播神经网络）算法评价学生学习指数状态，其算法经过附加动量和自适应学习速率进行优化；王国珲等[7]提出，基于YOLOX深度学习网络的课堂状况分析数据能够准确地反映学生的学习状态，有助于教师及时优化改进教学方式，从而提升教学质量和水平；肖丽平等[8]使用隐马尔可夫算法模型评价课程教学质量，结果具有一定的参考性，可以帮助教师在教学过程中进行针对性改进。生理学和心理学综合研究发现，学生的生理变化和外部行为表现是可以反映学生学习状态的，人在不同的学习状态中会有不同节律的脑电变化[9]。由此，学生课堂学习状态可以根据其课上特定的生理活动反映。学生课堂学习状态智能评价系统通过采集学生的学习行为、个人特征、心理反应等多维度数据，同时结合机器学习和数据分析技术，将学生的学习状态量化分析并评价定级。使用视频传感监控设备连接终端，检测学生课堂行为表现数据，如学生课堂困倦率、学习成绩、积极性等，并与每个时刻课堂教学内容进行关联，经综合分析后得到各方面数据及可视化图表，用来评价学生在每个时间段对知识的理解程度，以及教师的讲解剖析能力，方便教师根据不同时间段数据反馈结果进行教改和辅导。但目前能满足上述功能的系统很少，且在设计上缺乏实时性和实践性，尚不能及时向教师反馈学生状态，以使其更好地调整教学计划。针对以上软件与系统的不足，本实验系统采用基于人脸实时监测的模糊神经网络算法，在课堂环境下对学生的学习状态进行试评级与量化，实现教师与学生间信息反馈无闭塞，进而增强学生状态反馈的实时性，以改善教学品质，增强学生学习效果。学生学习状态评价系统简便性、即时性和有效性的实现如图1所示。2"实验方案设计2.1"系统整体设计流程该系统使用人工智能技术将OpenCV与DeepLearningLibrary（简称Dlib）库相结合，通过摄像传感器检测闭眼和打哈欠两个重要指标，结合其他面部生理活动特征数据检测学生课堂状态信息，并与其他反映学习情况的客观数据共同输入模糊神经网络模型，对学生课堂学习状态进行评价定级，根据模型的综合反馈结果进行针对性辅导和干预，以帮助学生更好地调整学习状态。基于模糊神经网络的学生学习状态评价系统技术实现流程如图2所示。2.2"学生学习状态评价指标学生课堂学习状态评价是反映学生个体化学习情况的重要指标，也是对教师教学方法和教学水平的客观评价。学生课堂学习状态评价以学生为中心，从课堂表现、课下活动、课堂状态等多个层面全面评价学生的课堂学习状态，为改善教学效果提供有效依据。综合上述内容，本实验建立层次化课堂教学质量评价指标体系，如表1所示。3"实验过程3.1"实验环境在Windows1123H2系统中搭建人脸关键点图像检测模型的Dlib环境。CPU型号：11thGenIn-tel（R）Core（TM）i9-11900。GPU显卡：NVIDIAGe-ForceRTX3080。系统内存：32GB。采用Python语言编写，版本号为3.6.13。3.2"模糊神经网络算法设计3.2.1"模糊神经网络结构模糊技术擅长逻辑推理，可以很好地处理高阶信息。将模糊技术引入神经网络后，可以处理更加复杂的信息并且更加高效，二者的结合很好地展现了各自的优势，使用二者结合的模糊神经网络结构处理信息，非常有助于生成隶属函数。模糊神经网络结构如图3所示。选用高斯函数作隶属度函数，如式（1）所示：式中，uij为节点的输出，xi为输入数据，cij为隶属函数的中心点，bij为隶属函数的宽度向量，m为对输入进行模糊分级的个数。模糊神经网络系统一般由两个或两个以上的模糊神经元相互连接构成，该系统结构包含输入层、归一化层、模糊化层、规则生成层、反模糊化层和输出层共六层。其中，在规则生成层，要对每条规则进行适用度计算，该层与模糊规则的前件匹配公式如式（2）所示：αj=∏uij""""""""""""（2）在归一化层，对前一层规则生成层的节点输出数据进行归一化处理，用来统一不同输入的量纲及其单位。为防止梯度爆炸和梯度消失，归一化层的节点数与规则生成层相同，公式如式（3）所示：最后数据在输出层进行加权处理，获得最终输出，计算公式为式（4）：式中，ωj表示输出层的连接权值。在公式中，该权值是在神经网络的输出变量维度为1时设定的，当输出变量的维度增加时，对权值也将进行相应调整。3.2.2"优化及建模过程使用反向传播算法如随机梯度下降法（SGD）对隶属函数的中心点、宽度向量以及输出层的连接权值进行优化。以输出层的权值为例，其更新公式如式（5）所示：模糊神经网络预测模型的建模步骤如图4所示。将传感器监测数据和其他学习状态客观数据从输入层输入，并依次经过归一化层、模糊化层、规则生成层、反模糊化层构成的神经网络，在其中进行反复迭代计算，达到最大迭代后输出最佳结果，并将可视化学生学习状态反馈给教师，使教师能更好地改进教学过程。3.3"人脸实时检测算法设计课堂学生学习状态评价以学生为中心，从课堂表现、课下活动、课堂状态等多个层面全面评价课堂学生的学习状态，为改善教学效果提供有效依据。描述眼睛闭合时间和打哈欠次数的疲劳度数据可以比较客观地反映课堂学生学习状态。本文使用PERCLOS疲劳度检测算法[10]来检测。这里引入疲劳度数值PERCLOS值，该值由单位时间内闭眼的时间与单位时间之比得到，越接近1，表示被检测人当前疲劳可能性越高。本系统闭眼检测算法中用0.24作为判断阈值，哈欠检测算法中用0.4作为判断阈值，在一次评价循环中对PERCLOS值（包含平均闭眼时长、打哈欠频率等数据）进行统计，并分别赋予1.0、0.5的权值来计算疲劳度结果[10]。3.3.1"闭眼检测算法闭眼检测算法核心是判定双眼闭合度。人脸识别库Dlib可检测人脸上的68个特征点，如图5所示。其中特征点37～48为捕捉左右眼的12个特征点，每只眼睛的六个特征点各含两个眼角、两个上眼皮、两个下眼皮的特征捕捉。3.3.2"哈欠检测算法哈欠检测算法核心是判定嘴巴闭合度。在开源库Dlib检测的68个特征点中，特征点49～68为嘴巴的特征点[11]。建立直角坐标系，横轴是x，纵轴是y，将嘴部内嘴皮和眼部的特征点转化为直角坐标系下的坐标。以嘴部为例，利用欧式距离分别计算特征点（62，68）（63，67）和（64，66）的距离，并计算平均距离，作为打哈欠的判断依据，见式（6）：3.4"系统检测结果与分析该系统通过人脸识别获取学生面部状态信息；接着利用OpenCV与Dlib库中眼睛与嘴巴特征点反算出学生的眼睛闭合和嘴巴张合程度等面部姿态Dlib数据；随后将学生面部姿态数据与学生出勤率、学习成绩等相关数据结合，采用模糊神经网络算法对学生课堂学习状态进行评价与定级；教师通过上位机显示的结果，实时了解每个学生的课堂学习状态，并及时对学习状态较差的学生作出提醒，以便提高课堂教学质量。最后，根据班级数据制作数据集，得到最终的学习状态评分与模型准确性评价，教师可以通过实时窗口或前端查看有关学生反馈的情况。表2为四个示例学生的数据结果，指标a描述检测左眼的实时状态数据，指标b描述检测右眼的实时状态数据，指标c为综合双眼张开度数据，指标d为综合嘴巴张开度数据。通过神经网络算法模型计算及数据比对，得到当前学生听课状态情况。样本中的1～3号学生当前状态正常，4号学生当前状态困倦。课堂结束后，通过统计学生上课状态异常频率，同时结合学生平时表现、作业测验成绩和出勤率等，得到学生的过程化综合考核成绩。如图6所示，验证Loss曲线和训练Loss曲线收敛后接近重合，说明模型的泛化能力较好，没有出现过拟合或欠拟合的问题。4"结束语本文针对学生课堂学习状态评价过程中存在的信息反馈不足、存在滞后等问题，设计与实现基于模糊神经网络的学生学习状态评价实验，通过人脸实时检测的模糊神经网络算法对学生课堂学习状态进行评价与定级，增强学生学习状态评价的实效性和针对性。