多教育阶段教师行为理解：TBU数据集的构建与多任务性能评估

为解决现有教师行为数据集在多样性、细粒度标注和多任务支持上的不足，重庆研究人员构建了TBU（Teacher Behavior Understanding）数据集，包含37,026段教学视频片段，支持行为识别（Behavior Recognition）、检测（Behavior Detection）和描述（Behavior Description）任务。该研究通过多维度统计分析和基准模型测试，揭示了不同教育阶段教师行为特征，为智能教育中的教学反思与评估提供了数据基础。

　　

研究背景与意义
在智能教育领域，教师课堂行为分析是理解教学策略、提升教学质量的关键。然而，现有研究面临三大瓶颈：一是公共数据集稀缺，且多数局限于单一场景和固定拍摄模式；二是行为标注缺乏细粒度维度（如空间位置、交互对象）；三是任务支持单一，难以满足行为描述等高阶需求。这些问题严重制约了AI模型对教学过程的深度解析。

为突破这些限制，重庆的研究团队构建了TBU数据集，首次覆盖幼儿园至高中四个教育阶段，通过37,026段视频片段和9,422段精确时间边界标注，实现了对教师行为的多维度刻画。相关成果发表于《Computer Vision and Image Understanding》，为教学行为智能化分析树立了新标杆。

关键技术方法
研究采用多阶段标注框架：1）基于YOLOv5的教师目标检测；2）使用TSN（Temporal Segment Network）进行行为片段分割；3）结合原子动作标签（Atomic Action Labels）描述细粒度行为；4）标注空间位置（如前排、讲台）和交互对象（如白板、学生）。数据来自全国12省市200+课堂，涵盖不同教学环境。

研究结果

1. 教师行为影响因素分析
   通过统计发现，小学教师高频使用手势互动（占比43%），而高中教师更依赖讲台固定位置（72%）。证实了“空间教育学”（Spatial Pedagogy）理论中环境对行为模式的塑造作用。

2. TBU数据集构建
   数据集包含三大任务模块：

• 行为识别：标注21类宏观行为（如提问、板书），准确率最高达89.2%（SlowFast模型）；
• 行为检测：采用ActionFormer模型，mAP_0.5达到76.4%；
• 行为描述：通过CLIP4Clip生成多模态描述，BLEU-4分数较基线提升18%。

1. 跨阶段行为差异
   幼儿园教师移动范围最大（平均覆盖83%教室空间），而高中教师与多媒体设备交互频次最高（每小时28次），揭示了教育阶段与行为模式的强相关性。

结论与展望
TBU首次实现了教学行为的“时空-对象-动作”三元标注体系，其创新性体现在：1）突破单一任务局限，支持从分类到描述的完整分析链条；2）通过细粒度标注揭示行为背后的教学认知逻辑（如空间选择反映教学策略）。研究为教师专业发展提供了量化工具，未来可扩展至学生行为协同分析。

局限性在于未涵盖特殊教育场景，团队计划通过联邦学习（Federated Learning）整合更多隐私敏感数据。这项工作标志着教学视频分析从“单点突破”迈向“系统理解”的新阶段。