1.一种基于课堂言语文本分析的教师教学行为分类方法,其特征在于,包括以下步骤:步骤1.根据课堂言语文本构建教师教学行为数据集
在课堂自然环境场景下采集教师授课视频,以语句为单位,从原始视频中剥离出音频信息,通过语音识别得到教师言语文本数据,将教师言语文本数据中的每一语句根据教师教学行为标注上相应的类别标签,形成教师教学行为数据集,类别标签由课堂讲授类别、课堂互动类别、教师评价类别、课堂管理类别组成,将教师教学行为数据集随机按照9:1划分为训练集和测试集,在每次运行过程中,随机从训练集中抽取90%的数据用于训练模型,其余数据组成验证集;
步骤2.构建教师教学行为分类网络
教师教学行为分类网络由两层图卷积神经网络和两层图注意神经网络并联后进行插值构成,图卷积神经网络由第一层图卷积层、dropout层以及第二层图卷积层依次串联构成,图注意神经网络由第一层dropout层、第一层注意力层、第二层dropout层、第二层注意力层依次串联构成,第一层注意力层有8个注意力模块,第二层注意力层有1个注意力模块,两个网络共享参数,且m为插值系数,m∈[0,1];
步骤3.构建文本图
将教师教学行为数据集中的语句D用图G表示,图G中包含文档节点Dn、词节点Wn、词节点之间的边We以及词节点和文档节点之间的边De,使用逐点互信息算法计算词节点之间边We的权重,利用词频-逆文档频率算法计算词节点和文档节点之间边De的权重,每次迭代时计算词的置信度将置信度高于0.9的词作为关键词加入到图G中,形成文本图,作为教师教学行为分类网络的输入;
步骤4.训练教师教学行为分类网络
步骤4.1.教师教学行为分类网络初始化
用Xavier方式初始化教师教学行为分类网络参数;
步骤4.2.设置教师教学行为分类网络的超级参数
在训练过程中,批量大小为64,学习率为0.01,逐点互信息窗口为10,dropout率为0.5;
步骤4.3.训练教师教学行为分类网络
将训练集中的所有文本输入教师教学行为分类网络,进行前向传播,确定损失函数L,使用Adam优化器最小化损失,并更新所有的参数,直至损失函数收敛,训练结束,得到训练好的教师教学行为分类网络;
步骤5.用测试集检测教师教学行为分类网络
先将验证集输入到训练好的教师教学行为分类网络中,调整教师教学行为分类网络的参数,从而得到最优的教师教学行为分类网络,再将测试集输入到教师教学行为分类网络中,输出教师教学行为分类结果。
2.根据权利要求1所述基于课堂言语文本分析的教师教学行为分类方法,其特征在于,所述步骤1中课堂讲授类别包含教师就课堂内容向学生提供教师个人见解、权威人士见解及客观事实的行为;
所述课堂互动类别包含教师在授课过程中师生互动、生生互动的行为,具体包括面向单个学生提问、面向全班学生提问及参与学生讨论;
所述教师评价类别包含教师对授课过程中学生的表现予以评价的行为,具体包括肯定或否定学生的回答、表扬学生的行为;
所述课堂管理类别包含所有与课堂内容无关的行为,具体为维护纪律、安排学生分组的行为。
3.根据权利要求1所述基于课堂言语文本分析的教师教学行为分类方法,其特征在于,所述步骤3中词的置信度按照下式确定:式中,c为类别标签,qc为标记文档中包含单词wi的第c类文档数量,n为类别数。
4.根据权利要求1所述基于课堂言语文本分析的教师教学行为分类方法,其特征在于,所述步骤2中对两层图卷积神经网络和两层图注意神经网络进行插值操作的方法为:将文本特征X和自循环邻接矩阵分别输入至图卷积神经网络和图注意神经网络中,按下式确定模型的最终预测结果P:P=mP1+(1-m)P2
式中,m为插值系数,m∈[0,1],P1是图卷积神经网络的预测结果,P2是图注意神经网络的预测结果,log_softmax(·)是对归一化指数函数进行对数运算,GC(1)(·)为第一层图卷积神经网络,GC(2)(·)为第二层图卷积神经网络,ReLU(·)为线性整流激活函数;GA(1)(·)为第一层图注意神经网络,GA(2)(·)为第二层图注意神经网络,I为单位矩阵,A为图的邻接矩阵。