AI助力的数字化教育教学方法研究与实践

数字化转型下教师教学能力的新模式从数字化教学能力、人机协同能力和成长协同能力 3 个方面开展。数字化转型下教师教学能力提升须引入大数据、人工智能等技术，生成教师数字画像，以需求为导向精准推送培训资源，助力教师在职业能力方面持续提升。高校智慧体育解决方案是基于 AI 人工智能、大数据等新兴技术的赋能方案。通过运用AI视觉技术实现体育项目的智能化测试分析，同时结合部分传统电子测试仪器设备，形成了完整的体育项目测试体系，还可根据体测结果及分析报告，提供科学运动锻炼指导，提升学生身体素质和运动技能，打造建设智慧化的高校体育校园，是数字化教学转型的具体范例实践[1]。

随着人工智能、大数据等相关技术的快速发展，可将人工智能相关技术运用到教育行业中，辅助传统教育教学推进和发展势在必行，具体方式包括丰富数字化教育资源、完善数字化教育制度，这种数字化教学新环境和新模式，不仅可以推进教师的数字化教学业务能力，而且能够培养学生的终身学习能力[2-4]。

在数字化教学能力体系方面，数字化教师教学能力提升围绕着各种教师教学的影响因素。比如数字化政策引领、数字化教学机制、数字化教学任务、数字化教学方式[5]等。除此之外另有多举措推进教育数字化转型，借助互联网平台共享优质数字化资源，开展数字信息化赛事提升教师能力，深化数字信息技术与教学管理融合[4]。据此，教师可以及时发现自身的优势与不足，扬长补短，为职业生涯发展做好规划；学校可以针对岗位发展需求和在岗教师的能力素质现状定期组织培训。

在数字化教学平台实施方面，已有研究将人工智能技术结合在体育教学中，这类应用大多基于人体姿态估计方法[6-8]，结合具体应用场景，在体育、健康和教育领域产生了重要的影响。本篇文章拟基于谷歌开发的轻量级卷积神经网络架构 BlazePose[5]，在移动设备上实时检测 33 个人体骨骼关键节点，并作为动作评判和计数依据。BlazePose 适用于检测目标运动自由度较大的场景，具有端到端、易部署、实时性强、计算速度快以及开源等优势和特点，非常贴合体育考试场景的需求。我们借助 MediaPipe Pose 平台，实现一种高保真人体姿态跟踪和识别的机器学习解决方案,其中动作识别方案基于有监督机器学习算法 KNN 实现，该算法提供了一个有标记的训练数据集，其中数据点被分为不同的类别，根据数据集可以预测未被标记数据所属的类别。在分类技术中，不同的特征决定了未标记数据所属的类别,算法根据给定区域内最近或邻近的训练示例对数据进行分类。基于以上相关研究，本文在体考场景下，设计了基于人体姿态识别的体育测试智能评测系统，并开发手机客户端软件，作为本文研究的案例实施。

数字化课程建设是教育教学能力提升的重要方面，在当前数字化转型的大背景下，结合新情况、新问题、新目标，对数字化教学体系进行梳理。数字化课程建设总体思路框架如图 1 所示。在教育数字化转型背景下的教育教学方法研究和实践主要包含以下 3 个方面：数字化转型的教学思维新模式构建、教学新模式下教师教学能力提升方法研究、数字化教学转型实践范例。

2.1 基于数字化转型的教学思维新模式

数字化转型在教育领域中的教学思维新模式，以数据支撑为基础，结合数据支撑 +AI 的技术手段，促进线上线下融合教学。新模式围绕教师数字化教学能力、人机协同能力和成长协同能力展开教学。从对教育数字化转型的支撑来看，数字化教学能力是以“学”为中心的前提和保障，是教师在数字化转型中的核心素养，教师需要掌握数字化教学平台和工具的操作技巧，灵活运用数字资源，为学生提供丰富多样的学习机会和个性化支持；人机协同能力是智能化环境下教师 ICT 能力的转型方向，是指教师与人工智能技术的有效合作能力，以此获得更准确的学生学习数据和智能化的教学建议，从而更好地满足学生的学习需求；成长协同能力是数字化生存的目的与手段，是指教师在数字化转型中与学生、教育同行和专业发展机构等进行合作与协同的能力。通过合作学习和专业交流，教师可以不断丰富自身的教学经验和教育知识，不断提升教学水平和专业素养。

2.2 数字化教学模式下的教学能力提升方法

数字化转型下教师教学能力提升的方法结合新的数字化教学模式，有针对性开展相关培训工作，可提升数字化课教师的教学能力及水平，生成教师数字画像，以需求为导向精准推送培训资源。测评系统，充分整合学校各业务系统的数据，包括教务系统、人事管理系统、科研系统、学工系统等，开展全域数据采集、处理和展现，从数据采集到数据治理，再到数据价值挖掘与可视化呈现，让教师工作变得可描述、可对比、可分析、可跟踪。教师可以根据数字化能力测评结果及教师画像及时发现自身的优势与不足，扬长补短，为职业生涯发展做好规划；学校可以针对岗位发展需求和在岗教师的能力素质现状定期组织培训。

2.3 数字化赋能的高校体育测试的实践范例

以体育测试场景作为数字化教学转型的范例实践，本文拟设计的学生体育测试智能评测系统测试过程如图 2 所示。检测开始后，首先选择目标检测项目，选定之后通过调取移动端设备的摄像头监测体测学生的动作，将捕捉到的视频流传入基于BlazePose 实现的关键点识别模块，获得 33 个人体骨关节点，将关节点序列输入关键点处理模块，根据置信度等关键信息筛选出可用于检测的关键点，对关键点序列表示的动作进行检测和评估，及时提示关键动作建议，在检测的过程中控制测试时间，测试完成后计算动作得分，最终将检测结果和建议反馈给测试人员。

3.1 关键点识别模块

MediaPipePose 的核心神经网络架构为 BlazePose，采用热图、偏移和回归组合的方法，仅在训练阶段使用热图和偏移损失，有效地使用热图来监督轻量级 embedding，以便随后被回归编码器网络使用。并且积极利用网络所有阶段之间的跳跃连接来实现高级和低级功能之间的平衡。这不仅可以改善热图预测，还可以显著提高坐标回归的准确性[5]。

3.2 关键点处理

本系统针对单人体育测试场景设计，采用自顶向下的姿态估计方法。考虑到体测过程中场景的复杂性以及人体骨骼关键点存在被遮挡的现象，有时候识别出的关键点并非是可信的，也不能用于随后的动作评估。因此衡量关键点识别模块计算出的骨骼点是否可信是必要的。我们通过判断每一个关键点及它周围的背景与前序帧的差异，评价该关键点的置信度，并为每一个场景单独设置了置信度的阈值。如果体测过程中识别出的关键点置信区间小于阈值，关键点处理模块就会将代表此帧信息的关键点序列从判别逻辑中移除，从而使系统更为健全和可靠。

3.3 动作评估

如图 3 所示，为了建立一个好的 KNN 分类器，首先应该收集适当的动作样本作为训练集，根据每个体测动作的关键姿势，将样本分为不同的姿势类别，即姿势簇；接着在给定图像上运行 BlazePose 模型，并将预测得到的 landmarks，即关键点序列存储为 CSV 文件；然后获取特征向量：对预定义的姿势关节列表之间的成对距离进行归一化处理以得到躯干尺寸和躯干方向，预测时根据运动特点选择所要计算的距离对。

用于姿势分类的 KNN 算法需要每个样本的特征向量表示和一个度量，计算这两个向量之间的距离，以找到最接近目标的姿势样本，距离计算公式如下：

为了获得更好的分类结果，我们使用不同的距离度量调用两次 KNN 搜索算法，首先过滤掉与目标样本几乎相同但在特征向量中只有几个不同值的样本，使用最小坐标距离作为距离度量，然后使用平均坐标距离在第一次搜索中找到最近的姿势簇。最后，我们应用指数移动平均平滑来平衡来自姿势预测或分类的任何噪声。为此，我们不仅搜索最近的姿势簇，而且计算每个姿势簇的概率，并将其用于随着时间的推移进行平滑处理。以引体向上为例，当人体向上运动时，若“上”位姿态的概率第一次通过某个阈值，算法标记进入“上”位姿势类别。向下运动时，若一旦“上”位姿态的概率下降到阈值以下，标记“向下”姿势类别，退出并增加计数。

4.1 实验数据

在学生体育测试智能评测系统的设计过程中，需要广泛收集每项动作的标准范例和错误示范的视频数据集。我们对多个项目的测试规则、成绩判定规则和关键动作评判标准做了详细的调研和规范，包括俯卧撑、引体向上、仰卧起坐、立定跳远、坐位体前屈、双杠臂屈伸、斜身引体、一分钟跳绳和原地纵跳摸高。在建立 KNN 分类器时，根据相应的动作标准和评定准则，为训练集提供适当的样本。样本涵盖不同的摄像机角度、环境条件、体态和运动变化，既包含符合正确计数要求的视频数据集，也包含常见错误动作的视频数据集。数据来源为宾夕法尼亚动作数据集、HMDB51 数据集以及实地拍摄的动作视频。数据集的来源丰富，包含动作类型广泛，符合数字化体育教学转型的使用
场景。

4.2 测试环境

4.2.1 硬件环境需求

（1）使用 Android 操作系统的智能终端运行体测应用（运行内存大于等于8GB）。

（2）拍摄过程中手机不可以有明显的晃动，建议放在一个平稳的支架上使用。

4.2.2 自然环境要求

（1）要求视频中只能出现体测者本人，不能有 2 个及 2个以上的人同时出现在视频中。测试期间不允许有人走过。

（2）体测者身穿衣服颜色应尽量与背景颜色存在较大差别，不应同色或相近颜色。

（3）应尽量选择光源充足的场地且不能出现光线过亮导致无法看清人物的情况。

（4）检测过程中需要将所需身体关键点全部露出，不得遮挡。

4.3 平台效果

4.3.1 效果评估

针对以下 3 个体测项目进行准确率评估，使用每个项目相应的测试集进行测试，采用准确率 Accuracy 作为各个体测项目动作评估算法的性能评价指标，其计算公式如下：

式 2 中各符号含义见表 1，将计算所得结果制作成柱状图，如图 4 所示。

4.3.2 结果展示

图 5 为部分体测项目实际计数效果：左上角显示“计数X”即为检测到的标准动作次数。

（1）数字化转型的教学思维新模式构建。以数字化转型为指导，以构建教师教学思维、提升数字化素养为目标，面向数字化转型教育攻关方向，探索数字化转型教育教学体系，优化已有的专业实践课程体系，形成具有数字化特色的教育教学新模式建设方案，创新性探索数字化转型教育教学模式。

（2）数字化教学能力提升的方法探索。影响教师数字化教育教学能力的因素多种多样，完善教学机制、构建评测系统逐步显得愈加重要。本文将以教师数字画像为基础，精准推送培训资源，探索数字化教学流程的每一环节，打造沉浸式数字化教学环境，展开全域数字化培训制度的构建，探索数字化教育教学的全新模式。

（3）数字化赋能的新型教学体系优化升级。本文利用计算机视觉、视频处理、大数据、人工智能等新兴技术对校园体育测试进行数字化升级实践，针对当前智慧课堂在体育测试中的实际应用需求，利用当前视频采集、人体姿态估计方法、机器学习算法等先进技术，构想了一种人体姿态跟踪和动作识别的机器学习解决方案，设计并实现了数字化体育测试智能评测系统。该系统对常见的多个体测项目进行检测，实地测试时，在确保测试准确率的同时对学生动作提出针对性改进建议，能够很好地辅助学校推行数字化教育转型工作，更有助于完善和提升教学内容，推动数字化转型教学策略。

该系统不仅帮助智慧教师团队完善和提升教学内容，还对学校推行体育健康工作起到了有力的辅助作用。展望未来，我们将继续不断探索推动教育数字化转型的新模式和新方法，并将其应用于实际服务场景中，充分发挥AI技术在教育教学中的潜力，为构建具有中国特色的高等教育数字化转型新范式贡献我们的力量和智慧。

参考文献：

基金项目：北京邮电大学2023年教育教学改革项目（2023YB14）；国家自然科学基金面上项目（62172054，62072047）；北京市科技新星项目（2023140）。

第一作者简介：张宇超，女，北京邮电大学副教授，研究方向为人工智能，yczhang@bupt.edu.cn。

引用格式：张宇超,薛筱茜,张一帆,等.AI助力的数字化教育教学方法研究与实践[J].计算机教育,2024(5):118-122.

来源|计算机教育公众号