以下文章來源于計算機教育 ，作者張宇超 薛筱茜 等

計算機教育.

《計算機教育》雜志是由國家教育部主管，清華大學主辦，面向國內外發(fā)行的直接面向中高端計算機教育事業(yè)的國家級期刊，也是目前國內計算機教育界唯一一本專業(yè)期刊。

0 引 言

數字化轉型下教師教學能力的新模式從數字化教學能力、人機協(xié)同能力和成長協(xié)同能力 3 個方面開展。數字化轉型下教師教學能力提升須引入大數據、人工智能等技術，生成教師數字畫像，以需求為導向精準推送培訓資源，助力教師在職業(yè)能力方面持續(xù)提升。高校智慧體育解決方案是基于 AI 人工智能、大數據等新興技術的賦能方案。通過運用AI視覺技術實現(xiàn)體育項目的智能化測試分析，同時結合部分傳統(tǒng)電子測試儀器設備，形成了完整的體育項目測試體系，還可根據體測結果及分析報告，提供科學運動鍛煉指導，提升學生身體素質和運動技能，打造建設智慧化的高校體育校園，是數字化教學轉型的具體范例實踐[1]。

1 相關研究

隨著人工智能、大數據等相關技術的快速發(fā)展，可將人工智能相關技術運用到教育行業(yè)中，輔助傳統(tǒng)教育教學推進和發(fā)展勢在必行，具體方式包括豐富數字化教育資源、完善數字化教育制度，這種數字化教學新環(huán)境和新模式，不僅可以推進教師的數字化教學業(yè)務能力，而且能夠培養(yǎng)學生的終身學習能力[2-4]。

在數字化教學能力體系方面，數字化教師教學能力提升圍繞著各種教師教學的影響因素。比如數字化政策引領、數字化教學機制、數字化教學任務、數字化教學方式[5]等。除此之外另有多舉措推進教育數字化轉型，借助互聯(lián)網平臺共享優(yōu)質數字化資源，開展數字信息化賽事提升教師能力，深化數字信息技術與教學管理融合[4]。據此，教師可以及時發(fā)現(xiàn)自身的優(yōu)勢與不足，揚長補短，為職業(yè)生涯發(fā)展做好規(guī)劃；學?？梢葬槍徫话l(fā)展需求和在崗教師的能力素質現(xiàn)狀定期組織培訓。

在數字化教學平臺實施方面，已有研究將人工智能技術結合在體育教學中，這類應用大多基于人體姿態(tài)估計方法[6-8]，結合具體應用場景，在體育、健康和教育領域產生了重要的影響。本篇文章擬基于谷歌開發(fā)的輕量級卷積神經網絡架構 BlazePose[5]，在移動設備上實時檢測 33 個人體骨骼關鍵節(jié)點，并作為動作評判和計數依據。BlazePose 適用于檢測目標運動自由度較大的場景，具有端到端、易部署、實時性強、計算速度快以及開源等優(yōu)勢和特點，非常貼合體育考試場景的需求。我們借助 MediaPipe Pose 平臺，實現(xiàn)一種高保真人體姿態(tài)跟蹤和識別的機器學習解決方案,其中動作識別方案基于有監(jiān)督機器學習算法 KNN 實現(xiàn)，該算法提供了一個有標記的訓練數據集，其中數據點被分為不同的類別，根據數據集可以預測未被標記數據所屬的類別。在分類技術中，不同的特征決定了未標記數據所屬的類別,算法根據給定區(qū)域內最近或鄰近的訓練示例對數據進行分類?；谝陨舷嚓P研究，本文在體考場景下，設計了基于人體姿態(tài)識別的體育測試智能評測系統(tǒng)，并開發(fā)手機客戶端軟件，作為本文研究的案例實施。

2 數字化教育教學方法思路框架

數字化課程建設是教育教學能力提升的重要方面，在當前數字化轉型的大背景下，結合新情況、新問題、新目標，對數字化教學體系進行梳理。數字化課程建設總體思路框架如圖 1 所示。在教育數字化轉型背景下的教育教學方法研究和實踐主要包含以下 3 個方面：數字化轉型的教學思維新模式構建、教學新模式下教師教學能力提升方法研究、數字化教學轉型實踐范例。

2.1 基于數字化轉型的教學思維新模式

數字化轉型在教育領域中的教學思維新模式，以數據支撐為基礎，結合數據支撐 +AI 的技術手段，促進線上線下融合教學。新模式圍繞教師數字化教學能力、人機協(xié)同能力和成長協(xié)同能力展開教學。從對教育數字化轉型的支撐來看，數字化教學能力是以“學”為中心的前提和保障，是教師在數字化轉型中的核心素養(yǎng)，教師需要掌握數字化教學平臺和工具的操作技巧，靈活運用數字資源，為學生提供豐富多樣的學習機會和個性化支持；人機協(xié)同能力是智能化環(huán)境下教師 ICT 能力的轉型方向，是指教師與人工智能技術的有效合作能力，以此獲得更準確的學生學習數據和智能化的教學建議，從而更好地滿足學生的學習需求；成長協(xié)同能力是數字化生存的目的與手段，是指教師在數字化轉型中與學生、教育同行和專業(yè)發(fā)展機構等進行合作與協(xié)同的能力。通過合作學習和專業(yè)交流，教師可以不斷豐富自身的教學經驗和教育知識，不斷提升教學水平和專業(yè)素養(yǎng)。

2.2 數字化教學模式下的教學能力提升方法

數字化轉型下教師教學能力提升的方法結合新的數字化教學模式，有針對性開展相關培訓工作，可提升數字化課教師的教學能力及水平，生成教師數字畫像，以需求為導向精準推送培訓資源。測評系統(tǒng)，充分整合學校各業(yè)務系統(tǒng)的數據，包括教務系統(tǒng)、人事管理系統(tǒng)、科研系統(tǒng)、學工系統(tǒng)等，開展全域數據采集、處理和展現(xiàn)，從數據采集到數據治理，再到數據價值挖掘與可視化呈現(xiàn)，讓教師工作變得可描述、可對比、可分析、可跟蹤。教師可以根據數字化能力測評結果及教師畫像及時發(fā)現(xiàn)自身的優(yōu)勢與不足，揚長補短，為職業(yè)生涯發(fā)展做好規(guī)劃；學校可以針對崗位發(fā)展需求和在崗教師的能力素質現(xiàn)狀定期組織培訓。

2.3 數字化賦能的高校體育測試的實踐范例

以體育測試場景作為數字化教學轉型的范例實踐，本文擬設計的學生體育測試智能評測系統(tǒng)測試過程如圖 2 所示。檢測開始后，首先選擇目標檢測項目，選定之后通過調取移動端設備的攝像頭監(jiān)測體測學生的動作，將捕捉到的視頻流傳入基于BlazePose 實現(xiàn)的關鍵點識別模塊，獲得 33 個人體骨關節(jié)點，將關節(jié)點序列輸入關鍵點處理模塊，根據置信度等關鍵信息篩選出可用于檢測的關鍵點，對關鍵點序列表示的動作進行檢測和評估，及時提示關鍵動作建議，在檢測的過程中控制測試時間，測試完成后計算動作得分，最終將檢測結果和建議反饋給測試人員。

3 數字化教育教學實踐案例——數字化體測平臺與算法

3.1 關鍵點識別模塊

MediaPipePose 的核心神經網絡架構為 BlazePose，采用熱圖、偏移和回歸組合的方法，僅在訓練階段使用熱圖和偏移損失，有效地使用熱圖來監(jiān)督輕量級 embedding，以便隨后被回歸編碼器網絡使用。并且積極利用網絡所有階段之間的跳躍連接來實現(xiàn)高級和低級功能之間的平衡。這不僅可以改善熱圖預測，還可以顯著提高坐標回歸的準確性[5]。

3.2 關鍵點處理

本系統(tǒng)針對單人體育測試場景設計，采用自頂向下的姿態(tài)估計方法。考慮到體測過程中場景的復雜性以及人體骨骼關鍵點存在被遮擋的現(xiàn)象，有時候識別出的關鍵點并非是可信的，也不能用于隨后的動作評估。因此衡量關鍵點識別模塊計算出的骨骼點是否可信是必要的。我們通過判斷每一個關鍵點及它周圍的背景與前序幀的差異，評價該關鍵點的置信度，并為每一個場景單獨設置了置信度的閾值。如果體測過程中識別出的關鍵點置信區(qū)間小于閾值，關鍵點處理模塊就會將代表此幀信息的關鍵點序列從判別邏輯中移除，從而使系統(tǒng)更為健全和可靠。

3.3 動作評估

如圖 3 所示，為了建立一個好的 KNN 分類器，首先應該收集適當的動作樣本作為訓練集，根據每個體測動作的關鍵姿勢，將樣本分為不同的姿勢類別，即姿勢簇；接著在給定圖像上運行 BlazePose 模型，并將預測得到的 landmarks，即關鍵點序列存儲為 CSV 文件；然后獲取特征向量：對預定義的姿勢關節(jié)列表之間的成對距離進行歸一化處理以得到軀干尺寸和軀干方向，預測時根據運動特點選擇所要計算的距離對。

用于姿勢分類的 KNN 算法需要每個樣本的特征向量表示和一個度量，計算這兩個向量之間的距離，以找到最接近目標的姿勢樣本，距離計算公式如下：

為了獲得更好的分類結果，我們使用不同的距離度量調用兩次 KNN 搜索算法，首先過濾掉與目標樣本幾乎相同但在特征向量中只有幾個不同值的樣本，使用最小坐標距離作為距離度量，然后使用平均坐標距離在第一次搜索中找到最近的姿勢簇。最后，我們應用指數移動平均平滑來平衡來自姿勢預測或分類的任何噪聲。為此，我們不僅搜索最近的姿勢簇，而且計算每個姿勢簇的概率，并將其用于隨著時間的推移進行平滑處理。以引體向上為例，當人體向上運動時，若“上”位姿態(tài)的概率第一次通過某個閾值，算法標記進入“上”位姿勢類別。向下運動時，若一旦“上”位姿態(tài)的概率下降到閾值以下，標記“向下”姿勢類別，退出并增加計數。

4 實驗與討論

4.1 實驗數據

在學生體育測試智能評測系統(tǒng)的設計過程中，需要廣泛收集每項動作的標準范例和錯誤示范的視頻數據集。我們對多個項目的測試規(guī)則、成績判定規(guī)則和關鍵動作評判標準做了詳細的調研和規(guī)范，包括俯臥撐、引體向上、仰臥起坐、立定跳遠、坐位體前屈、雙杠臂屈伸、斜身引體、一分鐘跳繩和原地縱跳摸高。在建立 KNN 分類器時，根據相應的動作標準和評定準則，為訓練集提供適當的樣本。樣本涵蓋不同的攝像機角度、環(huán)境條件、體態(tài)和運動變化，既包含符合正確計數要求的視頻數據集，也包含常見錯誤動作的視頻數據集。數據來源為賓夕法尼亞動作數據集、HMDB51 數據集以及實地拍攝的動作視頻。數據集的來源豐富，包含動作類型廣泛，符合數字化體育教學轉型的使用

場景。

4.2 測試環(huán)境

4.2.1 硬件環(huán)境需求

（1）使用 Android 操作系統(tǒng)的智能終端運行體測應用（運行內存大于等于8GB）。

（2）拍攝過程中手機不可以有明顯的晃動，建議放在一個平穩(wěn)的支架上使用。

4.2.2 自然環(huán)境要求

（1）要求視頻中只能出現(xiàn)體測者本人，不能有 2 個及 2個以上的人同時出現(xiàn)在視頻中。測試期間不允許有人走過。

（2）體測者身穿衣服顏色應盡量與背景顏色存在較大差別，不應同色或相近顏色。

（3）應盡量選擇光源充足的場地且不能出現(xiàn)光線過亮導致無法看清人物的情況。

（4）檢測過程中需要將所需身體關鍵點全部露出，不得遮擋。

4.3 平臺效果

4.3.1 效果評估

針對以下 3 個體測項目進行準確率評估，使用每個項目相應的測試集進行測試，采用準確率 Accuracy 作為各個體測項目動作評估算法的性能評價指標，其計算公式如下：

式 2 中各符號含義見表 1，將計算所得結果制作成柱狀圖，如圖 4 所示。

4.3.2 結果展示

圖 5 為部分體測項目實際計數效果：左上角顯示“計數X”即為檢測到的標準動作次數。

5 創(chuàng)新點討論

（1）數字化轉型的教學思維新模式構建。以數字化轉型為指導，以構建教師教學思維、提升數字化素養(yǎng)為目標，面向數字化轉型教育攻關方向，探索數字化轉型教育教學體系，優(yōu)化已有的專業(yè)實踐課程體系，形成具有數字化特色的教育教學新模式建設方案，創(chuàng)新性探索數字化轉型教育教學模式。

（2）數字化教學能力提升的方法探索。影響教師數字化教育教學能力的因素多種多樣，完善教學機制、構建評測系統(tǒng)逐步顯得愈加重要。本文將以教師數字畫像為基礎，精準推送培訓資源，探索數字化教學流程的每一環(huán)節(jié)，打造沉浸式數字化教學環(huán)境，展開全域數字化培訓制度的構建，探索數字化教育教學的全新模式。

（3）數字化賦能的新型教學體系優(yōu)化升級。本文利用計算機視覺、視頻處理、大數據、人工智能等新興技術對校園體育測試進行數字化升級實踐，針對當前智慧課堂在體育測試中的實際應用需求，利用當前視頻采集、人體姿態(tài)估計方法、機器學習算法等先進技術，構想了一種人體姿態(tài)跟蹤和動作識別的機器學習解決方案，設計并實現(xiàn)了數字化體育測試智能評測系統(tǒng)。該系統(tǒng)對常見的多個體測項目進行檢測，實地測試時，在確保測試準確率的同時對學生動作提出針對性改進建議，能夠很好地輔助學校推行數字化教育轉型工作，更有助于完善和提升教學內容，推動數字化轉型教學策略。

6 結 語

該系統(tǒng)不僅幫助智慧教師團隊完善和提升教學內容，還對學校推行體育健康工作起到了有力的輔助作用。展望未來，我們將繼續(xù)不斷探索推動教育數字化轉型的新模式和新方法，并將其應用于實際服務場景中，充分發(fā)揮AI技術在教育教學中的潛力，為構建具有中國特色的高等教育數字化轉型新范式貢獻我們的力量和智慧。

參考文獻：

[1] 李思穎, 王露瑩. 人工智能在高中教育領域應用的研究熱點與展望[C]. 第二十六屆全球華人計算機教育應用大會, 2022: 305-306.

[2] 楊杰明, 劉志穎. 面向智慧教育的計算機專業(yè)人才培養(yǎng)模式探討與實踐[J]. 電腦知識與技術, 2019, 15(35): 116-117.

[3] 原芳. 高校教師數字化教學能力影響因素及提升策略: 以S大學為例[J]. 西部素質教育, 2022, 8(21): 112-115.

[4] 郭詩夢. 西安: 構建智慧教育新生態(tài)[N]. 陜西日報, 2023-04-03(4).

[5] Bazarevsky V, Grishchenko I, Raveendran K. Blazepose: On-device real-time body pose tracking[J]. arXiv preprint, 2006(10): 204.

[6] Chen Y, Shen C, Wei X. Adversarial posenet: A structure-aware convolutional network for human pose estimation[C]. In Proceedings of the IEEE International Conference on Computer Vision, 2017: 1212-1221.

[7] Tang W, Yu P, Wu Y. Deeply learned compositional models for human pose estimation[C]. In Proceedings of the European conference on computer vision (ECCV), 2018: 190-206.

[8] Toshev A, Szegedy C. Deeppose: Human pose estimation via deep neural networks[C]. In Proceedings of the IEEE conference on computer vision and pattern recognition, 2014: 1653-1660.

基金項目：北京郵電大學2023年教育教學改革項目（2023YB14）；國家自然科學基金面上項目（62172054，62072047）；北京市科技新星項目（2023140）。

第一作者簡介：張宇超，女，北京郵電大學副教授，研究方向為人工智能，[email protected]。

引用格式：張宇超,薛筱茜,張一帆,等.AI助力的數字化教育教學方法研究與實踐[J].計算機教育,2024(5):118-122.

文章頭圖由“智譜清言”繪制而成。

END

更多精彩文章請點擊下面“藍字”標題查看：

CALL FOR PAPERS｜《物理與工程》征稿量子世紀年烏云里的常數——4.14話h2024年全國高等學校物理基礎課程教育學術研討會 征稿通知2024年全國高等學校物理基礎課程教育學術研討會 第二輪會議通知2023版《理工科類大學物理課程教學基本要求》內容細化修訂解讀中國大學物理教育MOOC聯(lián)盟2023年工作會議（擴大）暨典型案例交流會 會議紀要2023年全國高等學校物理基礎課程教育學術研討會 會議紀要2023 年全國高等學校物理基礎課程青年教師講課比賽在喀什大學舉辦全國大學物理實驗教學對口支援（智力援疆）研討會在新疆師范大學舉辦王青教授：理解王中林院士“拓展的麥克斯韋方程組”“碰瓷”麥克斯韋：伽利略協(xié)變和洛倫茲協(xié)變電磁場論趣談熱點：運動介質洛倫茲協(xié)變電磁理論2021年《物理與工程》優(yōu)秀論文、優(yōu)秀審稿專家、優(yōu)秀青年學者名單王青教授：源自蘇格拉底的問題驅動式教育——在互動中共同學習和成長讀后感：教育中的現(xiàn)實和遠方王青教授：昨晚（6月9日），清華電動力學期末考試朱邦芬院士：“減負”誤區(qū)及我國科學教育面臨的挑戰(zhàn)《物理與工程》2023年第6期目錄樂永康：新冠肺炎疫情防控下美國物理實驗教學及中美情況對比顧牡：對于重新制定的《非物理類理工學科大學物理課程教學基本要求》的認識和體會朱邦芬院士：從基礎科學班到清華學堂物理班朱邦芬院士：對培養(yǎng)一流拔尖創(chuàng)新人才的思考李學潛教授：物理是一種文化李學潛教授：如何幫助物理系學生邁過從高三到大一這個坎穆良柱：物理課程思政教育的核心是科學認知能力培養(yǎng)穆良柱：什么是物理及物理文化？穆良柱：什么是ETA物理認知模型穆良柱：什么是ETA物理教學法吳國禎教授：我的國外研究生經歷印象——應清華大學物理系“基科班20年·學堂班10年紀念活動”而寫

陳佳洱，趙凱華，王殖東：面向21世紀，急待重建我國的工科物理教育王亞愚教授：清華物理系本科人才培養(yǎng)理念與實踐葛惟昆教授：關于中外人才培養(yǎng)的幾點思考安宇教授：為什么傳統(tǒng)的課堂講授模式需要改變安宇教授：其實教學就是積累的過程劉玉鑫教授：關于本科生物理基礎課程教學和教材編著的一些思考沈乾若：重創(chuàng)理科教育的美加課程改革Henderson C：美國研究基金支持下的物理教育研究及其對高等物理教育的影響《物理與工程》期刊是專注于物理教育教學研究的學術期刊，是中國科技核心期刊，1981年創(chuàng)刊，歡迎踴躍投稿，期刊投審稿采編平臺：

http://gkwl.cbpt.cnki.net

歡迎關注

《物理與工程》微信公眾號

繼續(xù)滑動看下一個輕觸閱讀原文

物理與工程向上滑動看下一個

原標題：《AI助力的數字化教育教學方法研究與實踐》

閱讀原文