人工智能视域下护理专业课堂教学行为分析与评价系统设计

Design of analysis and evaluation system of classroom teaching behavior of the specialty of nursing from the perspective of artificial intelligence

摘要

随着人工智能技术的不断演进，其在智慧教育领域的应用日渐深化。文章旨在探究在人工智能视域下，如何有效构建护理专业课堂教学行为分析与评价系统，进一步挖掘护理专业教学中教学行为的发生、发展规律及内在联系。通过运用人工智能技术，构建针对护理专业课堂教学行为的分析与评价系统，为提升护理教学质量、推动护理教育智能化、现代化提供参考和借鉴。

Abstract

With the advancement of artificial intelligence (AI) technology, its application in the field of intelligent education has become increasingly deepened. This study aims to effectively develop an analytical and evaluation system of classroom teaching behavior of the specialty of nursing from the perspective of AI, and further uncover the existence, law of development and intrinsic relations of teaching behavior in the teaching of the specialty of nursing. Through the application of AI technology, the analysis and evaluation system of classroom teaching behavior of the specialty of nursing was constructed, providing reference for improving the teaching quality of nursing, promoting the intelligentization and modernization of nursing education.

Graphical abstract

关键词

人工智能 / 护理专业 / 课堂教学行为 / 行为分析 / 深度学习

Key words

artificial intelligence / the specialty of nursing / classroom teaching behavior / behavior analysis / deep learning

人工智能（artificial intelligence，AI）在中国信息技术发展历程中占据重要地位，尤其在教育领域，通过现代技术创新教育评价工具并探索智能时代的教学规律^[1]。智慧教育通过数据分析和智能推荐满足学习者需求，提升教学成果。随着信息化技术的快速发展，人工智能在智慧教育领域的应用正推动教育评价体系的变革^[2]。因此，运用智能资源开展教学成为护理学本科教育的主要研究方向之一^[3]。教学行为分析是教学过程研究与评价的核心，对教学行为进行分析有助于推动教师专业发展、学生个性化成长，以及教育教学改革^[4]。现代信息技术在护理教育领域的应用推动了教学工作的信息化、科学化发展^[5]。然而，当前教师课堂教学评价缺乏科学、量化依据^[6]。文章将探讨在人工智能视域下如何对护理专业课堂教学行为进行科学准确的分析与评价，以期为护理智慧教育提供新思路和方法。

1 人工智能在护理教育中的应用概述

目前，人工智能在护理教育领域的运用已逐渐拓展至个性化学习、智能评估、智慧教育等多个维度。在个性化学习方面，重点关注学生的个体差异，利用先进的大数据挖掘技术，全面收集并分析学生的行为数据^[7]，从而与护理教学体系的智能性、迁移性及分布性特点相契合，使学习资源利用最大化，为每位学生提供量身定制的学习条件^[8]。在智能评估领域，护理教育学习者可借助人工智能技术，通过数据挖掘建模，深入剖析学习结果与教学行为、学习资源、学习内容等关键变量之间的内在联系，进而精准预测学习趋势，为教学决策提供有力支持^[9]。智慧教育则是借助人工智能技术推动学习环境、教学方式及教学管理向智慧化转型，为普及化的学校教育提供多样化、个性化的学习机会，构建精准、个性、灵活的教育服务体系，以满足学生成长过程中的多元化需求。尽管近年来人工智能技术在护理教育领域的应用价值日益凸显，但其在护理教育教学实践中的推广与应用仍相对滞后，尚需进一步加强探索与实践^[10]。

2 人工智能教学行为分析相关理论

人工智能教学行为分析系统相关理论研究的核心在于探讨人工智能如何理解、模拟及分析人类或其他智能实体的行为^[11]。这一领域的研究对于提高人工智能的自主决策能力、加强人机交互体验以及优化复杂系统的管理具有深远影响。

2.1 人工智能理论

人工智能是对人类意识与思维信息过程的模拟，这一理论基础源于1956年麦卡锡（John McCarthy）等^[12]对“人工智能”概念的提出，旨在深入探讨智能的本质及产生机制。人工智能理论对护理教育的影响是深远的，它可以促进教学模式的创新、教育资源的优化、自主学习能力的提升，以及教学质量的评估等多方面发展。

2.2 数据挖掘理论

在课堂教学行为分析领域，数据挖掘是指从实践过程所产生的海量、模糊和随机数据中，挖掘并处理潜在信息，并对所提取、处理的数据进行系统性分析与处理，以揭示数据间的关联性^[13]。数据挖掘理论可以帮助护理教育者更好地了解护理实践的发展趋势和患者的需求变化，优化教育内容，提供个性化的教学方案，评估教学质量，以及预测未来趋势。

2.3 行为分析理论

行为分析理论主要由巴甫洛夫的经典条件反射理论^[14]、斯金纳^[15]的操作条件作用理论和罗杰斯^[16]的人本主义心理学理论构成，该理论主要关注个体或群体的外显行为，通过观察、记录和分析行为数据，理解和预测行为背后的原因和意义。在护理专业课堂教学行为分析中，行为分析理论不仅为课堂教学行为分析提供了有力的理论支撑，而且为护理专业领域的教学与实践提供了宝贵的指导价值^[17]。

2.4 教育评价理论

1989年，著名美国教育评估专家库巴与林肯^[18]提出了“第四代评价理论”。该理论以建构主义哲学为出发点，主张评估并非“纯客观”的“外在于人”的过程，而是评估各方，尤其是评估者与评估对象在平等关系基础上经过协商，通过交互式沟通达成共同心理建构的过程。这一理论为教育活动评价提供了坚实的理论基础，它强调评价主体的多样性、评价关系的平等性、评价方法的多元性，并重视评价结果的使用。通过设定明确的评价标准、系统地收集与分析信息，形成科学的评价结论。该理论致力于促进教育质量的提升。在护理专业的课堂教学评价中，这一理论有助于指导我们确立合理的评价目标、制定全面的评价内容以及选择适当的评价方法。

3 人工智能视域下护理专业课堂教学行为分析与评价系统的设计

为进一步推动教育信息化的发展，人工智能技术已广泛应用于高等教育课堂教学行为的分析和评估中^[19]。该技术的应用不仅提升了教学效果，还为教师提供了更加多元化的教学策略和工具，进一步推动了高校的教学评价体系改革^[20]。本研究结合护理专业高等教育的实际状况，运用人工智能技术，构建针对护理专业课堂教学行为的分析与评价系统。

3.1 需求分析和框架设计

针对护理专业课堂行为分析与评价系统的构建，借助先进的人工智能技术，并确保该系统具备多样化的功能。鉴于护理专业的实践操作和人文关怀特点，在设计行为分析系统时，应着重关注学生在模拟环境或实际案例中的表现^[21]。此外，考虑到护理工作的特性，团队合作、沟通能力和应急反应等因素应被视为核心功能需求。

首先，该系统应具备实时监控与行为识别能力，准确记录学生参与状况、教师教学行为等信息；其次，系统须配备强大的数据分析和评估功能，对收集到的数据进行处理，为教学提供科学依据；此外，结果可视化反馈亦为关键，以直观方式呈现分析结果，便于用户管理。

本研究在充分满足需求的基础上，设计了护理专业课堂教学行为分析与评价系统的分层架构（如图1所示）。该架构主要由数据采集层、数据处理层和应用层构成。数据采集层负责实时监控课堂教学行为并收集相关数据；数据处理层通过运用人工智能技术，整合实时数据生成教学质量分析报告；应用层则提供数据可视化、教学质量分析及评估反馈等功能。

3.2 数据收集与标注

数据采集层依据数据挖掘理论，通过相关设备进行数据收集。因为在学习环境中，师生的表情具有空间性、时序性和持续性等特点^[22]，且护理专业课堂教学涵盖理论讲授、模拟实验、临床实习等多种教学环境，为了确保课堂教学不受干扰并获取真实数据，数据采集须具备适应各种教学环境的能力，同时能精准分析师生在不同环境中的行为表现。通过采用智能视频采集设备进行非侵入式、伴随性数据收集，同时在预处理视频过程中运用灰度转换、裁剪和增强等创新技术手段，所获取的数据将被存储至相应数据库，以提高特征提取效率，全面掌握教学行为及互动信息^[23]。在此基础上，运用人脸检测技术（Viola-Jones）对关键帧进行标注，排除中立帧，从而提高课堂行为记录与统计的准确性，并通过对不同环境的视频关键帧标注分类，进一步提升表情识别的准确性^[24]。

对于特定的护理技能和操作，如静脉采血、心肺复苏等，系统应具备识别执行过程中标准与偏差的能力^[25]。在数据收集与分析过程中，务必确保系统具备识别和理解与护理专业相关行为和操作的能力，从而真实、全面地展现课堂教学的复杂性和动态性，确保数据的有效性。通过人工智能技术分析学生上课状态，为全面教育评价提供有力依据，同时为模型训练提供高质量数据集，以支持后续处理与分析^[26]。

3.3 模型构建与训练

数据处理层中行为识别与计算模型的构建及训练过程，依赖于高质量训练集与测试集的支撑^[27]。在数据收集的基础上，必须确保算法能够充分挖掘护理领域相关的特征与行为模式。构建模型时，需将护理专业教育评估标准融入训练优化过程，以确保评估的准确性，提高对教学行为分析的评估精度，实现行为识别与分析目标。

当前，深度学习算法在计算机视觉识别领域占据了主导地位^[28]，特别是在学生面部表情的识别上，展现了在光照变化、部分遮挡等外界因素干扰下依然保持识别效果的优势^[29]。本研究将深入探讨如何利用人工智能技术在护理专业教学中对已有数据集进行模型构建。据相关文献显示，可利用深度学习框架（如Kerase，Tensor Flow）构建神经网络架构有效提取局部、遮挡后及整体特征；通过卷积神经网络（convolutional neural networks，CNN）对关键帧特征进行精确提取，并经过多次迭代训练，使模型得以不断地优化以适应数据集^[30]。在训练过程中，各支路网络由相同的卷积神经网络组成，末端接入全连接层和激活函数，确保各支路网络权重的准确捕获。为优化各支路权重，本研究引入约束性损失函数与优化器，并动态调整学习率，进一步微调各支路权重^[31]。通过综合比较，选择最大概率的表情类别作为最终输出，为后续目标检测、跟踪和行为识别提供重要数据支持^[32]。因此，深度学习模型能够精确检测护理专业教学行为中的关键信息，以提升教学质量和效率，为后续的目标检测、跟踪和行为识别提供重要数据支持。

3.4 行为识别与分析

在数据处理层面，行为识别与分析模块通过深度学习算法对原始数据集进行处理。在行为识别与分析过程中，运用相关目标检测算法（如YOLO v5^[33]），依据输入的特征信息，对护理专业教学行为进行类别判别和精确识别，进而展开分析。此过程涵盖了护理操作、沟通技巧以及患者护理等多个维度，旨在提升课堂行为分析与评价系统的检测精度和效率。

目标检测算法运用教学行为的多模态数据作为输入变量进行计算，将所提取的图像特征信息和分类结果作为输入，训练并评估分类器，以获取针对特定数据集的最优分类器^[34]。通过该分类器分析视频帧的变化，同时涵盖教学策略、课堂管理及教学态度等多个方面，关注学生的学习状态、进度和效果，进行目标检测和行为识别，输出相应的教学行为状态结果，从而实现对行为和事件的精准识别^[35]。目标检测算法通过全面而精确地分析课堂教学行为，提取出护理专业的核心特征，如操作规范性和沟通流畅性。这对教育管理者而言，是评估学生行为、确保分析结果与护理教育目标紧密结合、提供精准指导和支持的重要手段，有利于推动学生的优化与进步。同时，也支持教师深入探究教学风格和学生学习需求，为教学评价及反馈机制的建立奠定基础。

3.5 教学行为评价与反馈

在基于行为识别与分析的应用层设计中，对教学行为进行可视化与量化解析具有重要意义。因此，需要构建一套既科学又有效的评估与反馈机制。这一策略将有助于学习者利用数据挖掘模型深入洞察学习成果、教学行为、资源以及内容之间的深层联系，并预测学习发展趋势^[36]。在护理专业教育的教学行为评估和反馈机制设计中，必须综合多维度进行周密考量。

在评价方面，学生可借助教学平台实现实时评估与反馈，推动师生之间的互动。双向评估有助于教学相长，优化教学质量评价体系^[37]。教师可根据学生的反馈，针对性地优化教学内容，提升教学质量。智能反馈机制在数据采集与分析方面具有关键作用，通过该机制，生成课堂分析报告（如图2所示），为管理者、教师和学生提供可视化评价反馈，助力各项教学工作。增进学习者与教育情境的融合，明确学习机制，调整教学情境相关要素，提供个性化学习支持，以提升护理学专业教学质量和成效^[38]。

在护理专业教学中，持续优化和完善系统应用，定期根据实际反馈情况进行性能评估和优化，结合用户反馈与实际应用场景进行迭代升级，以满足教学需求，提高其精确性和实效性。为确保一系列优化和改进措施的持续推进及实效性，将人工智能护理专业行为分析系统的评价反馈机制与护理专业教育的评价体系相结合，通过制定专业的评价标准与方法来实现。例如，根据系统提供的学生学习数据，对学生的学习效果进行量化评价，从而为教育者提供决策支持。

4 结束语

在智慧教育背景下，深入探讨人工智能在护理专业课堂教学行为分析的实施路径，旨在提升护理教学行为的分析与评估效果，为构建全面、科学的护理教育评价体系提供优化途径。通过智慧化课堂系统的实时反馈和针对性学习支持，教师可以准确分析学生学习状况和需求，优化教学内容和方法，从而全方位提升护理课堂教学的质量。然而，在系统实施过程中，必须正视并解决一系列挑战和问题，包括但不限于数据安全性与隐私保护、模型准确性与可靠性提升，以及系统与现有教学管理系统的集成等^[39]。当前，信息技术与教育的深度融合已成为推进智慧教育快速发展的关键，通过实现评价效果的动态化，发展公平而有质量的教育，对于解决中国教育发展中长期存在的难点和痛点问题具有重要的战略意义^[40]。智慧教育作为教育信息化领域的重要研究方向，在中国护理领域的智慧教育尚处于探索阶段，智慧教育课程和教学模式的理论研究尚需深入，相关技术、设备、条件尚未成熟，相关制度和规范尚待完善^[41]。因此，期待未来有更多的研究者能够深入开展人工智能与智慧教育的研究，共同推动中国护理教育的智能化和现代化。

参考文献

[1] 闫志明, 唐夏夏, 秦旋, 等. 教育人工智能(EAI)的内涵、关键技术与应用趋势: 美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J]. 远程教育杂志, 2017, 35(1): 26-35.

[2] 陈鹏. 共教、 共学、 共创: 人工智能时代高校教师角色的嬗变与坚守[J]. 高教探索, 2020(6): 112-119.

[3] 王丹丹. 大数据背景下智慧教育在我国护理教育中的应用现状研究[D]. 延吉: 延边大学, 2019.

[4] 张文梅, 祁彬斌, 范文翔. 数据驱动的教学行为分析: 现状、 逻辑与发展趋向[J]. 远程教育杂志, 2021, 39(1): 84-93.

[5] 李文明, 李兰菊, 冯杰, 等. 智慧教育在我国护理教育领域的应用进展[J]. 中国临床护理, 2022, 14(7): 456-460.

[6] 王运武, 李雪婷, 王藤藤, 等. 人工智能助推教师队伍建设: 新诉求、 潜能与应用场域[J]. 数字教育, 2022, 8(6): 13-20.

[7] 陈长玉, 李明, 罗力佳. 基于人工智能的个性化学习模型建构[J]. 重庆第二师范学院学报, 2021, 34(3): 118-121.

[8] 张菁, 徐家华, 施莉, 等. 人工智能技术在护理领域的应用现状与发展趋势[J]. 第二军医大学学报, 2018, 39(8): 939-941.

[9] del BLANCO Á, TORRENTE J, FERNÁNDEZ-MANJÓN B. Using a Videogame to Facilitate Nursing and Medical Students’ First Visit to the Operating Theatre: A Randomized Controlled Trial[J]. Nurse Education Today, 2017, 55: 45-53.

[10] 吴砥, 饶景阳, 王美倩. 智能教育: 人工智能时代的教育变革[J]. 人工智能, 2019, 6(3): 119-124.

[11] 宋志海. 基于深度学习的课堂教学行为识别系统的研究与实现[D]. 北京: 北京邮电大学, 2018.

[12] GUILHERME A. AI and Education:The Importance of Teacher and Student Relations[J]. AI Society, 2019, 34(1): 47-54.

[13] 欧萍, 贺电. 数据挖掘理论在数据采集中的运用[J]. 电子技术与软件工程, 2015(20): 191.

[14] 梅镇彤. 关于巴甫洛夫条件反射学说的新思考[J]. 科学, 2022, 74(4): 30-32.

[15] 车文博. 西方心理学史[M]. 杭州: 浙江教育出版社, 1998: 389.

[16] 张春兴. 教育心理学:三化取向的理论与实践[M]. 杭州: 浙江教育出版社, 1998: 528.

[17] 侯睿, 陆虹, 胡寅初. 智慧教育背景下护理慕课建设与学习行为分析[J]. 全科护理, 2023, 21(15): 2152-2155.

[18] 冯晖. 第四代教育评估理论及其应用效应: 以上海高校高峰高原学科建设方案论证工作为例[J]. 上海教育评估研究, 2015, 4(5): 29-34.

[19] 张志高, 李晶. 人工智能视域下的教学行为分析方式研究[J]. 信息记录材料, 2021, 22(2): 214-215.

[20] 张秀霞, 彭琳, 张晓清. 高校护理专业技能培训综合评价指标体系构建[J]. 全科护理, 2024, 22(1): 6-10.

[21] 武秀敏. 基于技能大赛的高职护理专业建设和教学研究探索[J]. 佳木斯职业学院学报, 2024, 40(5): 190-192.

[22] 杨晓哲, 任友群. 教育人工智能的下一步: 应用场景与推进策略[J]. 中国电化教育, 2021(1): 89-95.

[23] 周鹏霄, 邓伟, 郭培育, 等. 课堂教学视频中的S-T行为智能识别研究[J]. 现代教育技术, 2018, 28(6): 54-59.

[24] CRUZ A C, RINALDI A. “Video Summarization for Expression Analysis of Motor Vehicle Operators” Universal Access in Human-Computer Interaction[J]. Design and Development Approaches and Methods, 2017, 14: 313-323 .

[25] 龚道雄, 裴梦瑶, 于建均. 传染病房护理机器人的应用现状与展望[J]. 北京工业大学学报, 2021, 47(5): 540-550.

[26] 林帅男, 赵瑞, 张伟. 基于深度学习的学生表情识别研究综述[J]. 信息技术与信息化, 2023(11): 188-194.

[27] BLÜHER T, BILLIET H, STARK R. Model Building for Better Transfer of AI Systems Using Reinforcement Learning from Simulation to the Physical World[J]. Procedia CIRP, 2022, 109: 113-118.

[28] 唐梦瑶, 黄江涛. 基于盒注意力机制和Transformer的人脸微表情识别方法[J]. 人工智能科学与工程, 2023(9): 57-67.

[29] 侯帆星. 基于视频的学生课堂行为分析算法研究[D]. 石家庄: 河北科技大学, 2023.

[30] ZENG N Y, WANG Z D, ZHANG H, et al. An Improved Particle Filter With a Novel Hybrid Proposal Distribution for Quantitative Analysis of Gold Immuno Chromato Graphic Strips[J]. IEEE Transactions on Nanotechnology, 2019, 18: 819-829.

[31] 于婉莹, 梁美玉, 王笑笑, 等. 基于深度注意力网络的课堂教学视频中学生表情识别与智能教学评估[J]. 计算机应用, 2022, 42(3): 743-749.

[32] ANG G L, LIU Z J, XIONG J. Distinctive Image Features from Illumination and Scale Invariant Key Points[J]. Multimedia Tools and Applications, 2019, 78(16): 23415-23442.

[33] 赵婉月. 基于YOLO v5的目标检测算法研究[D]. 西安: 西安电子科技大学, 2021.

[34] 徐文豪, 盖宁, 张晨. 基于深度学习的目标检测与跟踪的方法研究[J]. 江苏通信, 2023, 39(4): 116-120.

[35] 刘清堂, 何皓怡, 吴林静, 等. 基于人工智能的课堂教学行为分析方法及其应用[J]. 中国电化教育, 2019(9): 13-21.

[36] FANG Y M, GUO X X, CHEN K, et al. Accurate and Automated Detection of Surface Knots on Sawn Timbers Using YOLO v5 Model[J]. BioResources, 2021, 16(3): 5390-5406.

[37] 刘琳. “互联网+”背景下高校信息化教学质量评价研究[J]. 科教导刊, 2023(29): 12-14.

[38] 张兆钰. 基于“互联网+教育”的智慧型课堂研究[J]. 现代交际, 2021(15): 209-211.

[39] 韩玉晓. 人工智能对传统信息处理软件的影响与改进[J]. 软件, 2023, 44(11): 82-84.

[40] 王繁, 刘永强, 周天华. 人工智能引领高等教育数字化创新发展[J]. 中国高等教育, 2024(Z1): 9-12.

[41] 彭娜, 肖志勇. 基于CiteSpace对我国近10年关于智慧护理研究热点及趋势的可视化分析[J]. 中国当代医药, 2023, 30(35): 158-164.

基金资助

广东省教育科研项目（高等教育专项）(2023GXJK435)

广东省研究生教育创新计划项目(2023JGXM_109)