文章目录

• 前言
• 一、教育全息系统内涵
• 二、教育全息系统的组成
• • 1.空间信息系统是支撑
  • 2.业务逻辑是灵魂
  • 3.数字化要素是内容
• 三、教育感知

前言

《智慧教育系统理论、方法与实践》读书笔记二 ——教育全息系统
介绍了教育全息系统的内涵、组成、教育感知的案例。

一、教育全息系统内涵

教育全息系统是教育信息系统发展的高阶产物，“全息”原指存储物体全方位信息的技术，借助信息载体发射的衍射光，可以获得与实物完全一致的三维表达。教育全息系统中特指教育复杂系统全过程、全方位感知和逼真表达。教育全息系统是现实系统的逼真表达、信息重现，借助教育全息系统，方便对现实系统进行结构优化、行为预测和智能调控，教育全息系统可以实现教育场景中空间位置、师生体态、群体状态、学习状态等信息的感知和分析，进而对教学进行精准分析，比如对教师在教室空间位置的分析可以分析出老师与学生的互动状态，在讲台上多为讲授，在学生中多为巡视或者个别指导；对教师在教室中的体态分析可以看出教师是面对学生、背对学生还是侧对学生进而推测教师是在直接讲授、板书；群体状态，比如对班级学生疲劳状态的分析；学生状态更是种类繁多，比如对学生专注程度、学生行为的分析；除了这些单独的分析，还能将这些状态综合起来做多模态的分析，得到的信息更加全面、真实、可靠。

二、教育全息系统的组成

教育全息系统外在表现为软硬件系统，实质是教育系统的信息逻辑模型。教育全息系统就是客观世界中教育系统在计算机世界中的反映。

1.空间信息系统是支撑

完整的教育全息系统必须包括实时感知、信息传输、系统软件、状态数据、系统模型以及硬件支持。硬件除了必备的服务器及其外围设备，还包括传感器、 络等。系统软件包括操作系统、云平台、开发平台、专用的空间信息系统软件等。

2.业务逻辑是灵魂

缺乏模型的教育全息系统不是真正的信息系统，业务逻辑能够对现实教育系统忠实刻画，同时，借助规律发现和模型构建，还可以加深对系统的认识，提高系统的调控能力。具体来讲，就是信息收集的模型，比如我们要收集教师的体态信息，那么我们就需要一个模型能够识别并且判断教师体态信息的类型，如何识别并且判断就是这个模型能够做的事情，这个模型的训练需要借助人工智能技术中的图像识别、语音识别技术。

3.数字化要素是内容

数字是教育全息系统的血液，利用这些数据可以辅助教育决策的制定，优化教育资源的配置，促进教学和教务流程再造，推动管理人才和人才培养质量的提升。主要包括教学资源、教育主体、教学过程、教育设施和教育管理等方面的深度信息化。（1）教育资源的数字化.，教育资源包括教材、案例、 课件、教具、实验仪器等，对于基础教育而言，教材和课件的数字化是重点，对于高等教育而言，实验仪器和设备的虚拟化是需要直面的挑战，比如虚拟人体解剖实验室对于医学或者生物专业的学生具有重要作用。（2）教育主体的数字化。主要指教师和学生的学习状态及其延伸状态的信息化，比如阅读速度、做题速度、书写过程等数据，对于优化学习过程具有比较高的价值。（3）教学过程的数字化，就是获取教师和学生以及互动的全过程信息，比如教师的讲授、指导、板书、巡视、提问等行为，学生的听讲、记笔记、阅读、提问、展示、回答等数据（4）教育设施的数字化，教育活动长的场所和活动辅助设备系统统称为教育设施，需要获取教育设备的外观、属性、、地理位置等信息，方便使用和查询，比如图书馆书籍的查询。（5）教育管理的信息化，教育管理的信息化是当前教育信息化交涉中比值比较大的一个领域，教育管理信息化可以有效的采集、加工、组合和整合信息，进而规范管理、优化业务，提高效率。

三、教育感知

教育感知就是对教育系统核心要素的状态，包括要素位置、学习状态、师生状态、群体状态等信息进行感知。由于状态信息的复杂性，部分信息需要借助相关信息进行推测，比如教师的行为需要借助教师的空间位置、身体姿势、面部表情等进行预测。
（1）位置信息感知
教育系统包括教师、学生、教育设施等，这些组成要素的位置信息对于教学安排、教育管理具有重要的意义。比如定位技术可以感知学生大致的活动范围；红外线技术和雷达定位可以进行精确定位，将其应用在教师中可以分析师生的位置移动、
（2）师生体态感知
课堂中教师的体态、手势携带有丰富的教学辅助信息，它的得体与否 、与讲解内容的契合程度可以成为教师教学评价的依据，学生的体态和行为，是判断学生学习状态的重要因素。
（3）学习状态感知
学习状态是生理和心理的综合反映，学生生理体征数据主要有心电、体温、心率、眼动、脑电波等，面部表情是观察学生心理和身体状态的最佳窗口，根据学生的微表情可以判断学生的学习兴趣、投入程度、疲劳状态、情感状态等，根据教师的面部表情可以推测教师的教学疲劳程度、亲和力等。
（4）群体状态感知
学生内部群体活动状态是学校总体运行情况的直接反映，基于视频的人体行为检测近年来成为一个热点话题，深度卷积神经 络的图像目标检测为实现这一目标提供了可能性，借助监控视频提高校园内部安全预警，避免群体事件的发生，成为备受教育管理部门关注的课题；借助监控视频来判断大型考场中学生异常行为检测，将学生的考场不当行为分为疑似作弊行为、影响考场严肃性行为、求助行为等，进而实现智能化考场建设，这将节省大量的人力、物力和财力。

参考文献：
1.窦刚,刘荣华,范诚.基于卷积神经 络的考场不当行为识别[J].中国考试,2021,(02):56-62.
2.刘荣华,范诚.基于深度学习的教师注意力识别与应用[J].智能计算机与应
用,2020,10(06):180-182.
3.屈梁浩. 基于深度学习的学生课堂疲劳状态的分析与研究[D]. 重庆: 重庆师范大学, 2019.
4.高阳. 基于双流卷积神经 络的监控视频中打斗行为识别研究[D]. 西安: 西安理工大学, 2018.
5.陈靓影，罗珍珍，徐如意． 课堂教学环境下学生学习兴趣智能化分析［J］． 电化教育研究，2018， 39(8):91－96．
6.郭晓旭． 基于微表情识别的学生课堂专注度分析系统研究［D］．云南师范大学，2019．

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能机器学习工具包Scikit-learn211223 人正在系统学习中