深度课堂

摘要： 《春江花月夜》是张若虚的一首千古绝唱,笔者从作品出发,探知诗人对外在世界的思考和对内心世界的审视,以追求一种深度的语文课堂。张若虚在诗中表现出对自然的礼赞,对生命的礼赞,文字背后有着诗人美好的情感。笔者从“见天地”“见众生”和“见自己”三个方面引导学生置身诗境,感受诗歌的意境美,情感美,感悟品鉴诗心,从而理解作品的深刻内涵。

摘要： 学生核心素养的真正落地,亟待突破传统教学的困境,实现课堂教学的转型。从学科价值的视域看,深度学习能帮助学生建立系统的认知结构,发展高阶思维,是发展学生核心素养的重要路径,是未来课程教学改革的重要方向。立足核心素养培育,在深度学习理念下,从逆向设计、单元重构、情境创塑等方面可以有效建构深度课堂。

摘要： 当下信息飞速发展的时代,大多数学习者的学习只停留在浅层,没有真正的养成深度学习的习惯,对于信息技术也仅仅将其作为信息呈现的工具,没有更好的利用其优势改变浅层学习的现状达到深度学习的目的,因此对深度学习的研究有着重要的理论和实践意义。本研究为深入了解中职学校“双高”建设背景下深度课堂的情况,对某中职的学生和教师进行问卷调查,通过调查了解深度课堂现状,分析存在的问题,为后续的研究奠定基础。

摘要： 打造深度语文课堂,需要师生共同努力,从合理利用专属知识结构,合理利用教学内容设计,合理利用辩证思维,合理利用课堂预设四个方面入手,师生共同努力。

摘要： 语文深度课堂中的高阶思维活动,应与语言品味、审美体验、文化陶冶同时进行。基于高阶思维的语文深度课堂,应引领学生抛弃固有的思维定式,潜入语言深处,感悟语言神韵;美读鉴赏文本,融入审美体验;挖掘词句底蕴,渗透文化理解;顺势链接拓展,巧掀课堂高潮。

摘要： 本文以《气压带和风带对气候的影响》教学为例,阐述基于情境式教学与问题式教学的设计策略:创设主题情境,精选问题设计;依托主题情境有机整合问题链,让学生在探究真实的情境中发现问题、分析问题和解决问题;深挖情境,开展地理深度课堂评价,形成地理深度课堂教学,落实立德树人根本任务。

摘要： “回头看”教学是教师整体把握教材,深度把握学情的教学方式,也是推动教学走向深度的重要途径。“回头看”出现的时机不同,有的在课堂导入处,有的在概念形成处,有的在回顾总结处,不管出现在何处,学生都能从中学得新的知识。“回头看”的教学作用是明显的,能助推教学走向深度。

摘要： 以生物化学为例,首先对课堂教学中存在的“浅层教学”和“浅层学习”现象进行深刻反思,然后论述了深度课堂的价值意蕴和基本内涵,并提出了深度课堂构建的教学逻辑,即从学情分析、教学目标和教学评价三个方面进行逆向教学设计,在此基础上通过深度教学和深度学习两个维度来构建深度课堂,从而实现核心素养培育目标。最后对深度课堂构建进行了展望。

摘要： 以生物化学为例,首先对课堂教学中存在的"浅层教学"和"浅层学习"现象进行深刻反思,然后论述了深度课堂的价值意蕴和基本内涵,并提出了深度课堂构建的教学逻辑,即从学情分析、教学目标和教学评价三个方面进行逆向教学设计,在此基础上通过深度教学和深度学习两个维度来构建深度课堂,从而实现核心素养培育目标.最后对深度课堂构建进行了展望.

摘要： 随着教育事业的不断进步,在小学数学课堂中融入问题式教学,使得小学数学的教学取得了一定的成果,为构建小学数学深度课堂奠定基础。小学数学问题式教学形式充分尊重以学生为主体的教学地位,能够有效的引导学生养成数学思维,学生在数学问题中主动积极的思考,才能有效的提高学生的学习质量与学习效率。本文就以问题式教学构建小学数学系深度思考展开一系列的讨论与研究。

摘要： 本发明公开了一种基于深度学习的普教课堂答题快速评审方法及装置，涉及智能教学领域，该方法包括基于人脸识别算法对教室内学生人脸进行检测，确定学生身份，并建立学生身份与学生所在位置间的对应关系；基于姿态识别算法，对教室内学生的行为姿态进行识别，得到处于预设姿态的学生，并对处于预设姿态学生的位置进行记录；通过文字识别算法对处于预设姿态的学生的答题结果内容进行识别，得到答题结果；根据学生身份与学生所在位置间的对应关系，将答题结果与学生身份间建立对应关系，并统计所有答题结果以评审。本发明能够实现对教室内所有学生知识掌握情况的自动快速准确统计，且结果统计成本低。

摘要： 本发明公开了基于深度学习的学生课堂行为检测方法、系统及终端，包括：对采集到的学生课堂行为进行提取，将获取的学生异常行为图片作为样本数据集；将样本数据集进行划分为训练集和测试集，根据异常行为所划分的类型对训练集进行标注，得到训练标签数据；基于K‑means++算法对训练标签数据进行处理，获取先验框参数；基于训练集、先验框参数、YOLOv4目标检测算法、CBAM注意力机制和DenseNets，构建YOLOv4‑XS目标检测模型；基于YOLOv3的损失函数和CIOU损失，构建YOLOv4‑XS目标检测模型的损失函数；将训练集输入到YOLOv4‑XS目标检测模型中进行训练，损失函数不断迭代至收敛，获得到最优网络权重，与测试集进行测试验证，识别学生课堂行为。本发明能够对多目标进行识别检测，提高检测的精度和速度。

摘要： 本发明提供了动作识别技术领域的一种基于深度学习的课堂学生动作识别方法及系统，方法包括：步骤S10、对捕获的课堂视频进行剪辑得到若干个课堂子视频；步骤S20、通过人脸检测算法依次检测各课堂子视频中的人脸，进而将课堂子视频剪辑成若干个人脸子视频；步骤S30、分别提取各人脸子视频的静态特征图片以及动态特征图片，基于各静态特征图片以及动态特征图片构建训练数据集；步骤S40、基于深度学习创建一动作识别模型，利用训练数据集对动作识别模型进行训练；步骤S50、利用训练后的动作识别模型对摄像头捕捉的课堂视频进行实时的动作识别。本发明的优点在于：实现实时、准确的识别学生动作，以及时调整教学策略，进而极大的提升了教学质量。

摘要： 本发明提供了一种基于深度学习的转脸检测方法，包括以下步骤：步骤1：训练深度学习目标检测模型，并检测出包围盒；步骤2：创建背景图；步骤3：计算并绘制包围盒的中心点；步骤4：对背景图直线检测；步骤5：过滤提取直线，判断直线不能相交且斜率的范围；步骤6：计算剩下包围盒的中心点；步骤7：中心点拟合直线；步骤8：将包围盒划分到直线上；步骤9：包围盒划分为行，对直线划分为列；步骤10：获取学生头部姿态；步骤11：计算学生头部的偏航角和包围盒对应的直线之间的夹角，判断学生是否转脸；步骤12：将直线、包围盒、行列、夹角绘制在图像上。本发明实现自动定位学生行列信息以及是否转脸，数字化体现课堂学习听讲情况。

摘要： 本发明涉及计算机视觉和行为识别领域，公开了一种一种基于深度学习的学生课堂行为识别方法，包括以下步骤：S1：采集学生课堂视频，制作数据集；S2：进行数据增强，扩大数据集；S3：训练目标检测网络得到学生目标检测模型；S4：训练分类网络得到学生课堂行为分类模型；S5：按照设定间隔帧数对课堂视频进行图像提取，提取后的每帧图像根据目标检测结果构建学生目标框，每个学生目标框对应一种课堂行为。该方法可以识别学生课堂行为，准确率较高，能够帮助教师回顾课堂情况，提升教学水平，改善教学方式。此外，本发明还公开了一种基于深度学习的学生课堂行为识别系统。

摘要： 本发明公开了一种基于深度学习的课堂行为分析系统，属于教学设备技术领域，一种基于深度学习的课堂行为分析系统，包括黑板、安装在黑板上方的摄像头、人脸识别模块、计时器、控制器和提醒组件，所述摄像头与人脸识别模块电性连接，所述人脸识别模块与计时器电性连接，所述计时器与控制器电性连接，它能够通过人脸识别模块，判断该学生是否在观察黑板，并配合计时器和提醒组件的设置，在学生长时间没有看黑板时，判定该学生处于注意力不集中的状态，以此来触发相应的提醒功能，依靠振动来拉回学生的注意力，同时，较小的振动，一方面可避免影响到其他同学听课，另一方面，也可避免对该同学产生心理负担。

摘要： 本发明公开了一种基于YOLO深度网络的课堂环境下人脸检测方法及其检测系统，在原始YOLOX算法上改进，在网络的空间金字塔池化结构中使用更小的池化核，能够帮助模型更轻松地检测到课堂环境下的小尺度人脸并提高整体的人脸检测性能；在网络中加入混合注意力模块，让模型学习抑制无用的背景信息，提升检测精度；在网络中加入自适应空间特征融合操作，解决PAFPN结构中存在的不一致问题；使用EIOU损失函数代替IOU损失函数，使真实框与预测框的宽度差和高度差最小，能加快收敛速度；使用迁移学习预训练操作解决数据不足的问题，提升模型在课堂环境下人脸检测的精度；划分模块，将课堂环境下采集的人脸检测数据集划分为训练集、验证集和测试集。

摘要： 本发明涉及一种基于深度学习的课堂教学质量复盘控制方法，具体包括以下步骤：S1、通过基于时间片的视频采样方式，抽取固定时间段的图像信息和音频信息作为基本单元；S2、基本单元输入课堂教学检测模型，输出学生的面部表情信息、肢体动作信息和语言情感信息；S3、面部表情信息、肢体动作信息和语言情感信息输入教学活跃度评价模型，输出评价结果，根据评价结果，通过滑动窗口技术计算得到课堂教学热点图。与现有技术相比，本发明具有使教师可以直接定位到课堂教学质量高的时间段，查看自己的教学状态，从而更好的指导教师了解具体的教学方式对教学质量的影响，复盘自己的教学方法，更好的提高教学能力等优点。

摘要： 本发明公开了一种基于深度学习的学生课堂行为检测方法，涉及行为识别技术领域，其技术方案要点是：S1、制成数据库；S2、将原始数据集按比例分为训练集、验证集及测试集，利用yolo_v3检测算法获取图像中学生的位置信息，根据学生的位置信息，利用Opencv裁剪学生图像，将图像统一缩放为224×224；S3、通过数据扩容的方式扩大训练集；S4、将ResNet50网络结构作为预训练模型进行训练，并据验证集的验证结果对网络结构进行微调，训练得到分类模型；S5、利用训练的模型结构测试测试集，观察图像分类情况与实际情况的差异，得模型的分类效果，并保存分类结果。该方法可检测识别学生课堂行为，能够帮助教师掌握学生上课状态、调整教学方式，并可作为教学评价的重要依据。

摘要： 本发明属于计算机视觉技术领域，具体涉及基于深度学习的行为识别方法。一种基于深度学习的学生课堂行为识别方法，包括：建立真实课堂环境下的学生课堂行为数据库；构建深度卷积神经网络模型，在所述的学生课堂行为数据库中进行训练；利用训练完成的模型，预测学生的课堂行为。本发明的方法基于深度学习的超分辨率模型可以有效地提升课堂中学生图像质量。针对深度学习需要以大量的数据为训练样本的问题，使用数据增强的方法最大化利用现有数据，保证识别效果的有效性和可扩展性；设计11层卷积神经网络的结构，在保证较高准确率的前提下，减少模型训练时间以提高算法的性能。