第３５卷第６期２０２１年１１月
兰州文理学院学报(自然科学版)
J o u r n a l o fL a n z h o uU n i v e r s i t y o
fA r t s a n dS c i e n c e (N a t u r a l S c i e n c e s )V o l ．３５N o ．６
N o v ．２０２１
收稿日期:２０２１Ｇ０６Ｇ１０
基金项目：国家自然科学基金(８１７７４１８９)；安徽省高校自然科学重点项目K J ２０２０A ０４４３
)；安徽省级教学研究重点项目(２０２０j y x m １０１８)；安徽省高校优秀青年骨干人才国外访问研修项目(g x g w f x ２０１９０２６)；安徽中医药大学自然科学重点项目(２０２０z r z d １７)；安徽中医药大学教学研究重点项目(２０１８x j j y _z
d ００６)；安徽中医药大学校级质量工程项目２０２１z l g
c ０４６)作者简介：金力(１９７４Ｇ)，男，安徽合肥人，副教授，硕士，研究方向：医学诊疗数字化．E Ｇm a i l :１２５７２５９９５＠q q
．c o m．㊀㊀文章编号:２０９５Ｇ６９９１(２０２１)０６Ｇ００６２Ｇ０５
金㊀力１，金正贤２，卢海妹３，许欢庆１，黄方亮１
(１．安徽中医药大学医药信息工程学院，安徽合肥２３００１２;２．西北工业大学公共政策与管理学院，陕西西安７１０１２９;
３．安徽医科大学基础医学院，安徽合肥２３００３２
)摘要：针对创新型人才培养与课堂教学质量之间的紧密联系，在对面部表情与课堂教学效果进行关联分析的基础上，利用深度学习技术，重点构建出切实可行的课堂教学效果评价模型并应用于教学实践．借助神经网络学习软件T e n s o r F l o w ，对日本女性表情数据集模型进行了训练和测试，并将R e s N e t ５０算法和R a n d o m F o r e s t 等 ４种机器学习算法进行对比分析．实验结果表明R e s N e t ５０算法在训练集和测试集中的效果最优，
在R O C 曲线图中，表现效果也最好，能够有效区别J a f f e 数据库中的７种不同表情．本文提出的模型能够获取课堂教学中学生面部表情的变化，从而促进课堂教学质量的提高，由此提供了一种课堂教学质量评价的新方法．关键词：课堂教学；深度学习；评价模型中图分类号:T P ３９１㊀㊀㊀文献标志码:A
㊀㊀２０１５年１０月,
国务院出台的«统筹推进世界一流大学和一流学科建设总体方案»中明确提出：培养拔尖创新人才是 双一流 建设的核心任务之
一[１]．高等教育学研究表明，创新型人才的培养除了与课堂教学的授课质量密切相关[２
]，还取决于
授课过程中学生面部表情所反映出的听课专注程
度[３]
．
鉴于此，在对面部表情与课堂教学效果进行关联分析的基础上，利用深度学习技术构建出课堂教学效果评价模型已成为目前高等教育学领域研究的热点问题．
1㊀面部表情识别技术与课堂教学效果的相关性研究
㊀㊀面部表情识别一般是指通过颜面㊁
眼部及口部肌肉的变化来表征各种情绪状态，它是一种非常重要的非语言交往手段．艺术家们往往会通过对人物面部表情的描绘来表现人物内心的情感,
从而能够栩栩如生地展现人物的精神风貌．有 人面教皇 之称的美国著名的心理学家保罗 埃克曼长期致力于面部表情与内心真相的研究，他发现不自主的反应是真感情的最佳指标，若被测者
的面部表情与其真实想法不一致时，总会露出相应的破绽；此外，梅拉宾法则也明确指出：人们交往过程中约有５５％的信息是通过面部表情进行传达，通过交谈传递的信息不足７％．鉴于此，国内相关高校采用深度学习等技术对被测者的面部表情与课堂教学效果进行了较为深入的研究．刘全明团队[４
149aa]以F E R ２０１３人脸数据集为研究对象,
针对小尺寸的人脸检测问题构建了一种改进的多尺度特征融合算法，并在此基础上提出了基于轻量级卷积神经网络的面部表情识别方法，最终的实验结果表明该方法识别的准确率最高可达７３ ６６９％．
华中师范大学的石奕等[５]
提出了一种基于改进V G G 网络模型的表情专注度和抬头率相结合的课堂教学效果评价系统，并通过实际的课堂教学实验可推知很多有意思的教学规律．例如上课前十分钟左右班级的整体关注度会缓慢上升，同样在下课前五分钟左右该关注度会急速下降．这就要求授课教师在不同的授课时段采取不同的授课方式，通过提升学生的学习兴趣以达到令人满意的教学效果．
Copyright©博看网 www.bookan. All Rights Reserved.
重庆师范大学的唐康等[６]提出了一种基于深度学习的面部表情检测方法．首先，在优化融合F a c e B o x e s和MT C N N的基础上构建人脸检测模
型；其次，应用网络开源的人脸数据库集F D D B 对该模型进行测试与优化；最后在统计学生抬头率的基础上构建基于面部表情的课堂教学评估标准．
目前基于面部表情识别的课堂教学效果评价模型识别的准确率还较低，尚未达到商用化水平，因此本
文在现有研究的基础上，针对人脸检测与课堂教学效果评价的内在联系，重点构建出切实可行的课堂教学效果评价模型并应用于教学实践．
2㊀课堂教学效果评价模型的构建2.1㊀卷积神经网络
为了提高模型识别的效果，传统的神经网络模型需要大量的参数，因而很容易造成梯度爆炸和模型无法训练等情况[７]，而C N N(C o n v o l u t i o nＧa lN e u r a lN e t w o r k s)模型通过局部连接和网络参数共享权值等方式，降低了模型的复杂度和网络参数的数量，提高了模型的执行效率，故本文采用卷积神经网络技术进行面部表情的测试和训练．C N N模型一般有卷积层㊁池化层和全连接层组成[８]．(
１)卷积层
卷积层主要负责对输入的图形进行卷积运算，由不同的卷积单元组成，主要负责提取图像的相关特征．
x l j＝f(ðiɪM j x l－１i∗k l i j＋b l j)．(１)
公式(１)中,x l j表示第l层输出的第j个卷积特征;M j表示l层输出的卷积特征的总数;k l i j为第l层中第j个卷积权值;b l j表示l层在输出卷积特征产生的偏置．
(２)池化层
池化层主要通过降采样方法来压缩数据量和减少模型参数量，提高模型执行效率，一般常用M a x p o o l i n g(最大池化)方法．
y l＋１j＝d o w n(y l j)．(２)公式(２)中,d o w n()为下采样函数,y l＋１j为l ＋１层第j个池采样输出．
(３)全连接层
全连接层中的每个神经元与其上一层的所有神经元进行全连接．全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息．假设x１㊁x２㊁x３为全连接层的输入,a１㊁a２㊁a３为输出,
则:
a１＝W１１∗x１＋W１２∗x２＋W１３∗x３＋b１,
(３) a２＝W２１∗x１＋W２２∗x２＋W２３∗x３＋b２,
(４) a３＝W３１∗x１＋W３２∗x２＋W３３∗x３＋b３．
(５)大多情况下，采用R e l u函数作为神经元的激励函数，采用S o f t m a x函数作为输出层的分类函
数．
2.2㊀ResNet50算法
为了解决因网络深度加深导致的梯度爆炸和学习效率降低的问题，本文采用基于R e s N e t算法的深度残差网络结构，即将前面若干层的数据输出直接引入后面数据层的输入部分．为有效缓解网络层加深导致的梯度消失问题，残差网络结构如图１所示．
图１㊀残差网络结构图
㊀㊀由于R e s N e t５０算法是在V G G１９网络的基础上优化形成的，网络深度由１９层变为５０层，其中包括４９个卷积层和１个全连接层，其中s t a g e２至s t a g e５阶段中I DB L O C K表示不改变维度的残差块，输入和输出维度相同，用来加深网络结构深度，可以串联;C O N VB L O C K表示添加维度的残差块，主要用来改变网络结构的维度，输入和输出维度不同，无法直接进行串联操作，该算法结构如图２所示[９]．
2.3㊀课堂教学效果评价的构建步骤
(１)根据某次课堂教学表情的识别结果，将每位学生的面部表情分为以下７类并赋以相应的分值:A n g r y(１０)㊁D i s g u s t(２０)㊁F e a r(３０)㊁S a d(５０)㊁
３６
第６期金力等：基于R e s N e t算法的课堂教学效果评价模型
Copyright©博看网 www.bookan. All Rights Reserved.
N e u t r a l (６０)㊁S u r p r i s e (８０)㊁H a p p y (
１００)，该分值即为此次该生课堂教学效果的评价分值;
图２㊀R e s N e t ５０算法结构图
㊀㊀(２
)将某门课程学生每次课堂教学效果的评价分值累加后除以相应的次数，即为该生在该课程中的课堂教学效果评价分值．需要指出的是，若某学生未出席某次课堂教
学，则该生该次的课堂教学效果评价分值直接认
定为０分．
3㊀表情识别的实验对象及结果分析
3.1㊀实验对象
调浆桶本文采用的J a f f e (T h e J a p
三板模a n e s eF e m a l eF a Ｇc i a l E x p
r e s s i o nD a t a b a s e )数据库共有２１３张不同表情的图片，如表１所列．该数据库由１０位女性的７种表情组成，图３给出了J a f f e 数据库中的部分表情示例．
表１㊀本文采用的J a f f e 数据库中
面部表情分布情况
A n g r y D i s g u s t F e a r H a p p y S a d S u r p r i s e N e u t r a l ３０
２９
截瘫支具３２
３１
３１
３０
３
０
图３㊀本文采用的J a f f e 数据库中部分表情示例图
㊀㊀本面部表情识别模型测试与训练的环境如测试网页游戏
下．
软件环境:W i n d o w s ７下的T e n s o r F l o w
１ ４．０版本;
硬件环境:I n t e l (R )C o r e (T M )i ７Ｇ４５９０C P U ＠３．３０G H z ；内存:１２．０G B ．
3.2㊀实验结果分析
本文分别采用R e s N e t ５０㊁R a n d o m F o r e s t ㊁L o g i s t i cR e g
r e s s i o n ㊁D e c i s i o nT r e e 和K _N e a r e s t ５种算法进行了对照训练，迭代１００次后，上述５种算法的收敛程度㊁模型识别的准确率和损失值
的变化曲线分别如图４(a )和图４(b )所示[１０Ｇ１１
]．
(a )模型训练a c c (％)
(b )模型训练l o s s (％)
图４㊀５种算法在训练集中的比较曲线
４
６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀兰州文理学院学报(自然科学版)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３５卷Copyright©博看网 www.bookan. All Rights Reserved.
㊀㊀为了评价模型的实际性能,
分别用上述５种算法对测试集进行训练，各算法的模型准确率和损失值的变化曲线如图５(a )和图５(b
)所示．(a )模型测试a c c (％
)
(b )模型测试l o s s (％)
图５㊀５种算法在测试集中的比较曲线
㊀㊀通过分析图４和图５,
发现上述５种算法在训练集和测试集中的表现各不相同，其中R e s Ｇ
N e t ５０算法在训练集和测试集中的表现最好,
而R a n d o m F o r e s t 算法在训练集和测试集中的表现最差．
㊀㊀为了进一步分析上述５种算法的效果,
本文绘制了R O C 曲线,
如图６所示．图６㊀５种算法的R O C 曲线图
㊀㊀R O C 曲线图是显示分类效果真正率和假正率之间折中的图形化显示方法，真正率沿y 轴绘制，假正率沿x 轴绘制．在R O C 曲线图中，靠近左上角的模型，表示模型效果较好．在图６中，左上角的模型是R e s N e t ５０模型，适合表情识别；表现最差的模型是D e c i s i o n T r e e ，离左上角最
远．另外,R O C 曲线图面积表示另一个分类器标准，模型所占面积越大，表示模型预测型更优．从总面
积来看,R e s N e t ５０模型面积最大,
模型性能最好,D e c i s i o nT r e e 所占面积最小，模型性能效果最差．
4㊀结论
本文以安徽中医药大学２０２０~２０２１学年第
一学期«大学英语»课程为例，给出了部分专业班级面部表情识别信息一览表，具体信息如表２所列．
表２㊀２０２０－２０２１学年第一学期部分专业班级«
大学英语»课堂教学面部表情识别信息一览表面部表情识别模型授课对象学生数授课次数
关注度识别率平均关注度课堂学习效果平均得分学生的平均总评成绩D e c i s i o nT r e e １９中药
５８６０．６４２９０．２６８．６８６．８R a n d o m F o r e s t １９中医１６１６０．８８４８９．６７４．８８６．２K _N e a r e s t １９针推１６０６０．９０６８８．４７５．８８５．６L o
g i s t i cR e g
r e s s i o n １９信管５５６０．９１８８８．２７６．２８４．８R e s N e t ５０１９医信５８
６
０．９３６８７．８７９．２８４．６R e s N e t ５０１９生医１２２３６０．９５２８８．８８１．６８５．２R e s N e t ５０
１９医软
２３８７２０．９８６
８６．２
８２．４
８３．６
５
６第６期金力等：基于R e s N e t 算法的课堂教学效果评价模型
Copyright©博看网 www.bookan. All Rights Reserved.
㊀㊀由表２可看出，本文提出了基于R e s N e t５０算法的课堂教学效果评价模型有如下规律:①基于R e s N e t５０算法的面部表情识别准确率明显高于其他５种算法;②学生对于某门课程的课堂教学专注度越高，则该门课程的得分也越高;③若某门课程的课堂教学次数越多，则学生的课堂学习效果评价分值越接近学生在该门课程的总评成绩．笔者依据本成果先后获得安徽省教学成果三等奖１项(成果奖名称：高校学生网上评学系统的研发与实践，证书号为２０１７j x c g j５８２)和安徽省教学成果二等奖１项(成果奖名称：中医药院校工科类创新人才培养模式的研究与实践，证书号为２０１９j x c g j８２１)．随着系统功能的进一步完善，该模型将在课堂教学效果评价方面发挥着越来越重要的作用．
参考文献:
[１]方芳，钟秉林．在建设一流学科的进程中着力加强创新人才的培养[J]．江苏高教,２０１７(１):１４Ｇ１７．[２]高莉彬，高云贵．创新人才培养的高校课堂教学研究[J]．教育现代化,２０１９(９８):２１Ｇ２３．
[３]钟马驰，张俊朗，蓝扬波，等．基于人脸检测和模糊综合评判的在线教育专注度研究[J]．计算机科学,２０２０,４７(１１A):１９６Ｇ２０３．[４]张璟．基于表情识别的课堂关注度分析的研究[D]．太原：山西大学,２０２０．
[５]石奕．基于人脸识别技术的学生课堂专注度评价模型研究[D]．武汉：华中师范大学,２０２０．
[６]唐康，先强，李明勇．基于人脸检测的大学课堂关注度研究[J]．重庆师范大学学报(自然科学版),２０１９,３６(５):１２３Ｇ１２９．
[７]Z HA N G K,HU A N G Y,D U Y,e ta l．F a c i a l e x p r e sＧs i o nr e c o g n i t i o n b a s e d o n d e e p e v o l u t i o n a ls p a t i a lＧt e m p o r a l n e t w o r k s[J]．I E E E T r a n s a c t i o n so nI m a g e P r o c e s s i n g,２０１７,２６(９):４１９３Ｇ４２０３．
[８]P E I W,D I B E K L I OĜL U H,B A L T R U S A I T I S T,e t a l．A t t e n d e de n dＧt oＧe n da r c h i t e c t u r ef o ra g ee s t i m aＧt i o n f r o mf a c i a l e x p r e s s i o nv i d e o s[J]．I E E E T r a n s a cＧt i o n s o n I m a g eP r o c e s s i n g,２０１９,２９:１９７２Ｇ１９８４．[９]王恒，李霞，刘晓芳，等．基于R e s N e t５０网络的乳腺癌病理图像分类研究[J]．中国计量大学学报,２０１９,３０(１):７２Ｇ７７．速记教程
[１０]章思远，肖世明，张蓬，等．图像生成和深度度量学习的身份感知面部表情识别方法[J]．计算机辅助设计
与图形学学报,２０２１,３３(５):７２４Ｇ７３２．
[１１]高婷婷，李航，殷守林．一种基于面部纹理特征融合的人脸表情识别方法[J]．河北科技大学学报,２０２１,４２(２):１１９Ｇ１２６．
[责任编辑：李㊀岚]
E v a l u a t i o n M o d e l o fC l a s s r o o mT e a c h i n g E f f e c t B a s e do nR e s N e tA l g o r i t h m
J I N L i１,J I N Z h e n gＧx i a n２,L U H a iＧm e i３,X U H u a nＧq i n g１,HU A N GF a n gＧl i a n g１(１．S c h o o l o fM e d i c i n e a n d I n f o r m a t i o nE n g i n e e r i n g,A n h u iU n i v e r s i t y o fC h i n e s eM e d i c i n e,H e f e i２３００１２,C h i n a;
２．S c h o o l o fP u b l i cP o l i c y a n dA d m i n i s t r a t i o n,N o r t h w e s t e r nP o l y t e c h n i c a lU n i v e r s i t y,X i a n７１０１２９,C h i n a;
３．S c h o o l o fB a s i cM e d i c a l S c i e n c e,A n h u iM e d i c a lU n i v e r s i t y,H e f e i２３００３２,C h i n a)
A b s t r a c t:I nv i e wo f t h e c l o s e r e l a t i o n s h i p b e t w e e n t h e c u l t i v a t i o no f i n n o v a t i v e t a l e n t s a n d t h e q u a l i t y o f c l a s s r o o mt e a c h i n g,o n t h eb a s i so f a n a
l y z i n g t h e r e l a t i o n s h i p b e t w e e n f a c i a l e x p r e s s i o na n dc l a s sＧr o o mt e a c h i n g e f f e c t,u s i n g d e e p l e a r n i n g t e c h n o l o g y,c o n s t r u c t i n g af e a s i b l ee v a l u a t i o n m o d e lo f c l a s s r o o mt e a c h i n g e f f e c t a n d a p p l y i n g i t t o t e a c h i n g p r a c t i c ew e r e s t u d i e d i n t h i s p a p e r．T h em o d e l o f J a p a n e s e f e m a l e f a c i a l e x p r e s s i o n d a t a s e tw a s t r a i n e d a n d t e s t e dw i t h t h e h e l p o f n e u r a l n e t w o r k l e a r nＧi n g s o f t w a r eT e n s o r F l o w,a n d f o u rm a c h i n e l e a r n i n g a l g o r i t h m s s u c h a sR e s N e t５０a l g o r i t h ma n dR a nＧd o m F o r e s tw e r ec o m p a r e da n da n a l y z e d．T h ee x p e r i m e n t a l r e s u l t ss h o w e dt h a t t h ee f f e c to fR e sＧN e t５０a l g o r i t h m w a s t h eb e s t i nt r a i n i n g s e ta n dt e s ts e t,a n di tw a sa l s ot h eb e s t i n R O Cc u r v e, w h i c hc a ne f f e c t i v e l y d i s t i n g u i s h７d i f f e r e n t e x p r e s s i o n s i n J a f f e d a t a b a s e．T h em o d e l p r o p o s e d i n t h i s p a p e r c a no b t a i nt h ec h a n g e so fs t u d e n t s f a c i a le x p r e s s i o n s i no n l i n ec l a s s r o o m,p r o m o t et h e i mＧp r o v e m e n t o f c l a s s r o o mt e a c h i n gq u a l i t y,a n d p r o v i d e an e w m e t h o d f o r c l a s s r o o mt e a c h i n gq u a l i t y eＧv a l u a t i o n．
K e y w o r d s:c l a s s r o o mt e a c h i n g;d e e p l e a r n i n g;e v a l u a t i o nm o d e l
６６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀兰州文理学院学报(自然科学版)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀
㊀㊀㊀㊀第３５卷Copyright©博看网 www.bookan. All Rights Reserved.
