温度-湿度暴露与自然通风大学教室中基于视频的行为参与度之间的滞后性及累积性关联

《ENERGY AND BUILDINGS》：Lagged and cumulative associations between thermo-hygrometric exposure and video-derived behavioral engagement in naturally ventilated university classrooms

　　开发了一个基于暴露历史的框架，用于课堂环境监测。基于视频的行为识别技术能够实现持续10分钟的行为参与度测量。温湿度偏差与行为参与度之间存在延迟且累积的负相关关系。在30-60分钟的持续暴露期间，这种关联性的强度比瞬时关联性高出2-5倍。

引言
室内环境质量对居住者的舒适度、健康和表现起着重要作用，特别是在学生需要长时间进行密集学习活动的教育建筑中[1]、[2]。其中，室内热环境被广泛认为是影响热舒适度和认知状态的关键因素[3]，先前的实验室和实地研究表明，温度和湿度的变化会影响学生的认知表现、注意力和任务完成情况[4]、[5]、[6]。然而，现有研究主要集中在学习成果或瞬时认知反应上，而对实际运行条件下课堂行为的连续性和动态性关注较少[7]、[8]。这一局限性与以往研究中常用的评估指标密切相关。大多数研究依赖于学业成绩、认知测试分数或主观问卷，这些方法虽然提供了信息，但不足以捕捉教学过程中学生的实时状态，也无法为实际课堂环境监测提供依据[9]。相比之下，可观察到的课堂行为可以更直观地反映学生在课堂上的行为参与度[10]。本研究中的课堂行为参与度特指课堂上可见的行为表现，而非教育研究中更为广泛的学生参与度多维概念。同时，计算机视觉和人工智能的近期进展为室内环境中行为反应的客观评估提供了新的机会[11]。然而，在教育建筑中，将连续热环境监测与基于行为的课堂行为参与度测量相结合的长期实证研究仍然很少，尤其是在有助于课堂环境评估和运营分析方面[12]、[13]。此外，课堂行为反应不仅取决于瞬时热条件，还可能受到近期暴露历史的影响，而热湿度的延迟和累积效应在真实课堂环境中的研究仍然不足。从建筑运营的角度来看，仅依靠点测量可能无法充分反映与课堂内行为反应相关的近期环境状况，尤其是在季节性变化条件下的自然通风教室中。因此，需要一个纵向的现场框架，能够在实际运行条件下同时捕捉连续的温湿度暴露、可观察的行为参与度及其时间依赖性的关联关系，从而为课堂环境监测和评估提供更实用的参考。

现有研究一致表明，课堂热条件会影响学生的学习舒适度、表现和任务效率，其影响因气候区和教育阶段而异[14]、[15]。定量证据说明了这些影响的程度：将室内温度从30°C降低到20°C可以提升学校任务和心理测试的表现约20%，最佳表现通常出现在22°C以下[16]；在17°C或33°C时，学习表现分别下降了约9.9%和7.0%，而最佳温度估计为25.7°C[17]。通风率和二氧化碳浓度也表现出类似的剂量-反应模式[18]、[19]、[20]、[21]、[22]、[23]。尽管这些研究确认了课堂热条件与学习表现之间的明显关联，但它们存在三个局限性：大多依赖于短期或间歇性测量，而非捕捉学习过程中的热影响动态变化；表现评估侧重于结果指标，对课堂内持续状态的关注不足；且很少有研究明确针对实际课堂条件下的运营监测和评估[24]。相关研究表明，行为指标有助于解决这一局限性。学习参与度通常被视为学生持续参与学习的状态，是连接学习环境和学习成果的重要中介变量，通常被理解为包括行为、情感和认知成分的多维概念。本研究关注行为维度，因为它在真实课堂环境中是可观察和可量化的，因此更适合用于过程导向的环境评估。Fredericks等人指出，行为参与度主要体现在参与课堂活动、完成学习任务和参与课堂互动等显性行为上，这是评估学习投入的重要方法[10]。现有研究表明，课堂物理环境与学生行为参与度之间存在显著关联[2]，室内环境质量通过改变持续注意力、互动频率和任务相关行为来影响参与度[12]。最近的系统评价进一步指出，温度、空气质量及空间条件常常通过影响行为反应间接影响学习，突出了行为指标在环境-学习研究框架中的作用[25]。一些研究通过课堂观察和行为编码详细描述了行为参与度，发现课堂环境特征和气候变化会显著影响注意行为和互动参与度，这些指标可以有效预测参与度水平[8]、[26]。最近，基于深度学习的计算机视觉技术使得从课堂视频中自动且细致地识别这些行为成为可能：YOLO系列对象检测器被用来准确高效地识别举手、使用手机和睡觉等行为[27]、[28]，这一技术得到了SCB-Dataset等大型标注数据集的支持[29]，而基于姿态估计的方法则通过推断身体和头部方向来补充对象检测[30]。与基于问卷或自我报告的方法相比，基于行为的评估能更好地捕捉课堂上学习的实时变化，为持续监测提供更有价值的手段。

与此同时，建筑环境研究越来越多地从评估静态条件转向研究动态使用过程和响应机制。传统的课堂热环境研究往往将室内温度或舒适度指数直接与学习成果联系起来；然而，越来越多的证据表明，环境条件通常通过影响居住者的行为反应来影响学习成果[31]、[32]。传感技术的进步使得热参数和居住者行为的同步监测成为可能，提高了环境-行为分析的解释能力，为更有信息量的课堂监测提供了基础[33]、[34]。数据驱动的建模方法，包括统计和机器学习技术，也被越来越多地应用于表征非线性环境-行为关系[35]、[36]，支持占用检测、行为模式预测和建筑性能研究中的环境-行为关系分析[37]、[38]。与基于结果的指标相比，基于行为的流程指标对短期环境变化更为敏感，能更有效地反映状态的实时变化[39]、[40]。暴露的时间维度同样重要。热应激因素的元分析表明，表现下降不仅取决于暴露强度，还取决于暴露持续时间，包括任务开始前的暴露时长[41]、[42]，并且学生在课堂中的热感知也存在时间变化[7]。分布滞后模型在环境流行病学中已被广泛应用，用于区分即时、延迟和累积暴露效应[43]，但在课堂热湿度和行为反应中的应用仍较少。

然而，将近期课堂热湿度暴露历史与基于行为的或视频衍生的课堂响应指标明确联系起来的研究在真实教育环境中仍然非常有限，尤其是在自然通风的教室中，近期暴露背景可能比单独的点测量提供更多信息。根据上述文献回顾，主要研究不足可以总结如下：
- 大多数关于课堂热条件的研究依赖于静态、离散或基于结果的测量方法，难以捕捉实际教学过程中课堂反应的动态变化，也无法支持实际课堂环境监测和评估。
- 尽管基于行为的客观指标在表示可观察的课堂行为参与度和实现过程导向的环境评估方面具有潜在价值，但在教育建筑的研究中仍十分稀缺。
- 课堂热湿度的延迟和累积效应在真实课堂环境中的研究较少，因此近期暴露历史在塑造短期课堂行为反应中的作用尚不清楚，从而影响运营相关的课堂评估。

因此，仍然缺乏一个纵向的现场框架，能够在实际运行条件下同时捕捉连续的课堂热湿度暴露、视频衍生的行为参与度及其时间依赖性的暴露-响应关联关系，为教育建筑中的课堂环境监测和运营评估提供有用信息。

为了解决上述研究不足，本研究开发了一个基于暴露历史的纵向现场框架（定义为根据近期暴露历史而非仅凭瞬时读数来评估教育建筑中的课堂热湿度条件）。通过整合连续的现场监测、基于计算机视觉的行为识别和时间依赖的暴露-响应建模，该研究探讨了近期热湿度暴露如何与实际运行条件下的课堂行为参与度相关联。本研究的主要贡献包括：
(1) 通过YOLOX检测得到的在任务中、中间状态和任务外的行为构建了一个基于行为的参与度指标（第2.3节），从而提供了一种连续且客观的替代方案，取代了主观报告和基于结果的学术评估方法。
(2) 通过比较10-60分钟时间尺度内的瞬时、延迟和滚动平均暴露指标，并利用多项式分布滞后模型描述这些关联的延迟和累积特性，研究表明近期暴露历史与课堂行为反应的关联比单独的瞬时热条件更为强烈，将课堂热湿度评估从点测量扩展到基于暴露历史的解释。
(3) 研究发现，与季节性和运营条件变化相符的学期阶段中，热湿度与行为参与度的关联存在差异，在学期后期尤为明显，尤其是湿度相关的暴露，这种时间异质性被转化为基于暴露历史的监测视角，有助于在真实教学条件下支持课堂环境监测和运营评估。

总体而言，本研究提出了一种低干扰的、基于暴露历史的监测框架，用于识别自然通风和季节性加热教室中与行为参与度降低相关的课堂热湿度条件。

方法论
本研究提出了一种基于时间依赖性的分析框架，以研究课堂热湿度暴露历史与视频衍生的课堂行为参与度之间的动态关联。整体方法包括三个主要部分：(1) 课堂热湿度条件的连续现场监测和同步视频录制；(2) 使用YOLOX基于计算机视觉的自动提取课堂行为参与度指标(Pe)。

结果
在研究热湿度关联之前，首先分析了Pe的学期尺度演变，以确定是否需要进行阶段分层。目的是确定课堂参与度在整个学期是否保持时间稳定性，或遵循某种结构化的变化模式，从而为后续的热湿度关联分阶段分析提供基础。如图4所示，每日平均Pe显示出明显的非平稳模式。

主要发现与解释
本研究指出，利用近期暴露历史比仅凭瞬时条件更能准确描述课堂热湿度偏差与视频衍生的行为参与度指标(Pe)之间的关联。在不同模型规格下，较大的温度和相对湿度偏差与较低的Pe相关，滞后和滚动平均指标显示出比同时读数更明显的关联。

结论
本研究结合了连续的环境监测和基于计算机视觉的课堂观察，研究了实际教学条件下课堂热湿度偏差与视频衍生的行为参与度指标之间的关联。得出了三个主要结论：
1. 最近的暴露历史对于解释Pe的变化比瞬时条件更具信息价值。无论是温度还是相对湿度偏差，与Pe的负相关通常更为明显。