基于深度卷积神经网络（Deep CNNs）的学生课堂行为特征检测与分析研究

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Research on the Detection and Analysis of Students’ Classroom Behavioral Features Based on Deep CNNs

学生课堂行为特征检测与智能教学管理研究。本研究基于深度卷积神经网络改进YOLOv5s算法，提出Ghost-4D-YOLOv5s模型用于检测学生课堂行为特征，实验表明该模型在精度、召回率等指标上表现优异，有效辅助教师提升教学质量及课堂管理效率。

　　

摘要

人工智能技术的持续发展也促使传统的教育模式开始发生变化。将智能监控设备应用于现代课堂的新教育模式得到了各大高校的青睐，这种模式能够帮助教师更好地教导学生。基于此，本研究试图改进深度学习领域中的目标检测算法，并提出了一种基于深度卷积神经网络来检测和分析学生课堂行为的方法。该方法旨在优化学生课堂行为的检测与分析流程，利用智能监控设备辅助教师进行学生管理，从而提升教学质量。研究首先分析了目标检测算法的核心步骤，随后通过添加特征融合层和重成像模块对YOLOv5s算法进行了改进，最终构建了Ghost-4D-YOLOv5s网络模型。实验结果表明，Ghost-4D-YOLOv5s模型在精确度、召回率、F1值和平均精确度方面表现优异。当测试样本数量为350个时，该模型的精确度达到58.2%，召回率为59.6%，F1值为62.5%，平均精确度为62.8%。这表明本研究构建的模型在检测学生课堂行为特征方面具有良好性能。可以得出结论，该模型在检测学生课堂行为特征方面具有较高的准确性。通过这一模型，教师能够更有效地管理学生，进而提升教学质量。此外，本研究还强调了深度学习在教育领域的潜力，并为智能教育模型的发展做出了贡献。