SCI论文（www.lunwensci.com）
摘要：文章首先论述了思政课堂加强学风建设的必要性，然后分析了智能化与思政课堂学风建设融合 的可行性，最后基于人脸识别的学生课堂点名系统设计，进行了智能化与思政课堂学风建设融合的实 证分析。
关键词：学风建设,思政课堂,智能化
学风建设是高校工作的灵魂，是高校师生知、情、 意、行在学习问题上的综合表现，更是高校整体形象 对外的“名片”展示。思政课堂的出勤率一直是高校在 学风建设方面关注的重点，而其课堂点名几乎是所有 高校在学风建设方面都必不可少的一个环节 。 目前， 高校思政课堂学生出勤率考核主要采取三种方式：一 是教师根据班级学生的照片与学生本人进行人工比 对;二是教师通过学号先后顺序，依次点名进行考勤 确认;三是采用二维码签到方式，即教师在多媒体大 屏幕上投放一个签到二维码，上课的学生拿自己的手 机进行扫码签到 。 比较上述三种考勤方式可以发现， 前两种方法虽可保持准确率， 但比较浪费时间和精 力，而第三种方式虽然方便快捷，但是缺乏准确率，在 实际操作中会有迟到、早退、旷课的学生借助同宿舍 同伴拍的签到二维码，实现“非上课地点云签到”。
基于此，本文设计了一种学生人脸识别课堂签到 方式，既可以节省课堂点名时间，也能够杜绝未到课 堂学生弄虚作假的现象 。随着人脸识别技术的成熟， 将该技术运用在思政课堂点名方面具有很大的优势， 在一定程度上强化了高校学风建设。
一、思政课堂加强学风建设的必要性
习近平总书记主持召开学校思想政治理论课教 师座谈会强调，思想政治理论课是落实立德树人根本 任务的关键课程[1] 。近年来，随着高校不断扩招，思政 课堂呈现出学生覆盖面广、人数众多，以及不同学院、 不同专业学生交叉上课等特点，导致教师很难点对点 地认识了解每一位学生，这增加了思政课堂管理的难 度 。一些学生上课的积极主动性较差，出现了迟到早 退现象，更有甚者企图蒙混过关、让他人代替上课签 到，实施逃课行为。《21世纪人才报》曾有这样一组调查数据：当前各高校学生各专业的逃课率如下，专业课 20%左右，基础课 25%左右，哲学、思想道德修养等公 共课为50%左右[2]。高校思政课堂出勤率较低等问题， 在一定程度上影响了课堂秩序，不利于师生间的良性 互动，弱化了学风建设，成为横亘在思政课堂教改面 前的一道必须跨越的“屏障”，不利于打造和谐课堂。
解决高校思政课堂出勤率偏低的问题，需要多措 并举，一是从受教学生群体来看，学校和教师需要重 点关注学生学习的内生动力， 激发学生学习的兴趣， 培养并增强学生主观能动性，真正让学生发自内心地 爱上课堂教学;二是从教师主体来看，教师需要努力 提高教师教学质量，丰富教学理论和实践内容，将教 学内容与学生兴趣、学生实际生活、弘扬社会主义核 心价值观、宣传社会正能量紧密结合，同时思政课教 师需要增强课堂实施环节的吸引力， 让学生想上课、 爱上课;三是从宏观环境来看，学校和院系需要强化 组织领导，成立学风督察专项小组，强化课堂阵地、宿 舍阵地和考场阵地建设，强化学风环境等 。本文主要 以学风建设为切入口，以太原科技大学(以下简称“我 校”) 市场营销专业基于人脸识别的学生上课点名系 统设计为例，该系统由学生人脸数据采集、数据训练 和学生识别认证三部分组成，在学生人脸数据采集时 能够采集班级学生图像、自动检测人脸区域，提取人 脸特征，并将全部学生的人脸信息保存到本地，进而 试图通过具体实证分析实现上课人数核对和身份认 证，解决高校思政课堂出勤率偏低的问题 。学风建设 关系到一所高校整体的“软实力”，是高校的形象“名 片”，也是学生工作的主要任务，是学生工作的基础， 必须持之以恒，常抓不懈 。加强学风建设，实施学风督 察，有利于进一步端正学生的学习态度，增强其思想认识，以奋发有为、开拓进取的精神投入学习生活，从 而营造严谨、求实、进取的学习氛围。
二、智能化与思政课堂学风建设融合的可行性
人工智能是近年来快速发展的一 门学科，人脸识 别作为人工智能的一个重要应用， 受到了诸多关注。 从 20 世纪 60 年代开始，人脸识别的应用研究就已经 提上日程 。那时的识别方式比较简单，就是单纯通过 人脸的几何结构分析人脸器官特征点之间的拓扑关 系，从而进行识别，后期如若人脸的姿态或表情发生 改变，那么识别的准确度就会急剧下降。一直到20 世 纪 90 年代， 特征脸方法由于第一次将主成分分析和 统计特征技术引入人脸识别，因而在识别效果上获得 了很大的提升。进入 21 世纪，伴随机器学习理论和方 法的完善，部分学者陆续提出了支持向量机(SVM) 、 AdaBoost、流形学习，以及随机森林等算法，并且将机 器学习算法真正应用于实际生活 。近年来，随着深度 学习的发展日益成熟， 以及云计算的大范围普及，使 得人工智能技术发展加快，继而带动了人脸识别技术 的发展和应用。
2019 年 8 月，中共中央办公厅、国务院办公厅印 发的《关于深化新时代学校思想政治理论课改革创新 的若干意见》明确提出，“大力推进思政课教学方法改 革，提升思政课教师信息化能力素养，推动人工智能 等现代信息技术在思政课教学中应用”[3] 。随着技术 的快速发展，人工智能在社会发展中占据的地位越来 越重，其作为一种工具，最终要服务于人本化，即智能 化与人本化的和谐融合[4] 。加强学风建设的人本化目 标是致力于关注学生的综合发展，而人脸识别是人工 智能中一个重要的应用研究，可以作为高校学风建设 一个强有力的工具，二者的结合应用体现了智能化与 人本化的高效结合。
智能化与学风建设相互融合，丰富了学校和院系 进行学风建设的有效手段，进一步推动了学风建设扎 实落地，提高了课堂尤其是覆盖人员广泛的思政课堂 的学生出勤率 。 目前，人脸识别与思政课堂学风建设 的融合有三个优势。首先，减少人力资源成本，提高工 作效率 。智能化查课系统让学生到课情况一 目了然， 可有效减轻教师查课额外负担， 也可避免学生出现 “非上课地点云签到”;其次，人脸识别适用范围广，能 够进行大范围应用，不仅可以应用于思政课堂，而且 可以应用于专业课课堂，从整体技术上进行课堂出勤 优化整合;最后，通过将新型技术引入课堂，在一定程度上能够调动学生参与课堂活动的积极性，激发学生 对知识学习的兴趣与动力，营造轻松愉悦的课堂学习 氛围。
三、智能化与思政课堂学风建设融合的实证分析
基于人脸识别的学生课堂点名系统设计主要借 助 Python 的第三方图像识别库 Cv2.通过调取电脑摄 像头进行班级学生人脸信息采集并保存人脸照片，然 后再通过 Cv2 中的人脸识别算法训练工具对保存的 学生人脸照片进行训练，通过训练班级学生的人脸照 片实现课堂点名。
(一)总体设计
本系统由学生人脸数据采集模块、数据训练模块 和学生识别认证模块三部分组成。在启动学生人脸数 据采集模块后，系统首先调用本地摄像头作为班级学 生人脸采集的输入端，将班级学生的全部人脸进行采 集并保存到本地备用。之后数据训练模块将采集到的 全部人脸照片进行训练，通过人脸提取特征点的对应 信息和学生本人一一匹配。学生识别认证模块则是通 过将当前摄像头中的人脸与训练好的数据库中人脸 进行比对，若比对成功则学生身份认证正确 。最后系 统将输出结果反作用于数据训练模块，以此使系统获 得更高的识别准确率 。系统结构如图 1 所示。
(二)软件设计
1.代码运行环境。软件使用 Windows 系统中的 Py- Charm，它支持 Python 3.6 版本。该系统设计在PyCharm 软件中主要使用两个区域，一个是代码编辑和调试运 行区，用来完成 Python 代码的编写和运行;另一个是 名为 QT designer 的窗口，该窗口通过 GUI 界面设计， 直接进行交互，大大加快了开发者的设计过程 。Py- Charm 软件对本系统的开发具有友好性，其中包含很 多适合 Python 学习编程的功能， 如 Run、Debug、Stop 等，开发者可以在调试窗口对设计代码进行分析修改 和功能的实现。
2.人脸识别算法 。人脸识别算法是任何人脸检测和识别都必不可少的一部分， 是一种建立生物特征人 脸模型以供进一步分析和识别人脸过程的方法。目前， 图像识别处理最普遍和最成功的方法是人工神经网 络，以下算法就是其典型应用。本系统是基于开源计算 机视觉库(OpenCV) 中的 LBPH 方法设计的，当下基于 OpenCV 开源库的人脸识别主要算法有以下三种。
第一，Eigenfaces(特征脸) 方法 。这是一种人脸检 测和识别方法[5]，该方法首先确定图像数据集中的人脸 方差， 进而使用这些方差通过深度学习对人脸进行编 码和解码。这种方法不使用数字图片，而是使用统计数 据库，因此面部特征被分配了数学值，这些数学值以不 同百分比的组合构成不同的面部人脸。
第二，Fisherfaces(费希尔脸) 。这是特征脸方法的 改进，该方法的主要优点在于它能够对光照和面部表 情变化进行内插和外推[6]。有研究表示，在预处理阶段 与 PCA(主成分分析) 方法结合时，Fisherfaces 方法的 准确度高达 93%。
第三，LBPH 方法 。LBPH (Local Binary Patterns Histogram，局部二值模式直方图) 是基于 LBP(局部二 值模式) 算法的一种方法[7]，通过 LBPH 方法实现学生 人脸识别的基本原理如下：首先以像素点 X 为中心， 比较 X 值与周围像素值的大小， 对像素点 X 进行二 进制编码，依此类推，便得到整张照片的 LBP 编码;再 通过 LBP 编码构成的图像获取整幅图像的 LBP 编码 直方图;最后在识别阶段通过比较不同学生人脸照片 的 LBP 编码直方图实现学生人脸照片区分的目的，该 方法的好处是学生人脸识别阶段不易受到光照、旋转 和缩放的影响。
该系统在调用 OpenCV 库的过程中，首先可以用 函数 cv2.face.LBPHFaceRecognizer_create( )生成LBPH 识别器的实例模型， 然后使用 cv2.face_FaceRecogniz- er.train( )函数在数据训练模块完成训练，最后用 cv2. face_FaceRecognizer.predict( )函数在学生识别认证模 块完成人脸识别。
3.Haar 分类器的应用。Haar Cascade(Haar 级联分
类) 是一种在图像上用于定位对象的对象检测方法。 该算法从大量正样本和负样本中学习获取相应的特 征值，正样本含有图像中有用的信息，负样本则是图 像 中 无 用的 信 息 [8] 。 本系统的程序 设计就是应 用 OpenCV 自带的 Haar 特征分类器进行学生人脸检测。 Haar 特征分类器其实是一个 XML 文件， 此文件描述 人脸 、眼睛等身体各部位的 Haar 特征值， 它存放于OpenCV 安装目录中的 \data\haarcascades 下， 如本系 统设计的人脸识别应用程序， 就是将分类器 haarcas- cade_frontalface_alt2.xml 文件移动到该系统项目的可 运行文件夹内。
(三)系统测试
以我校经济与管理学院市场营销专业学生为例， 实验前期将某一班级的 36 名学生的人脸信息录入， 确保数据采样的真实性 。通过人脸数据采集模块，每 名学生的人脸按不同的姿态(正脸、侧脸) 录入 800 张 照片，以确保人脸数据的充分性，并为后续的人脸数 据训练做足准备[9]。
数据训练模块是将保存到目录下的图片转化为 数组，获取每张图片中的人脸数据并保存到事先创建 好的列表中，同时获取每张图片的 ID，也保存在之前 创建好的列表中，最后将训练好的数据进行保存 。之 后全部数据被写入训练模块进行训练， 生成 trainner. yml 文件，数据训练完毕，可以准备进行课堂测试。
课堂实验测试中，学生一般提前十分钟进入教 室，此时运行学生识别认证模块，摄像头开启进行 视频捕捉，学生从教室门口进入，只要保持走路抬 头的姿势，即可被摄像头捕捉，进行人脸识别认证， 如此可快速统计出本次课堂的上课人数， 且不占用 课堂时间。
每名学生的人脸图像训练数据是 800 张，按照步 行 1 m/s 的速度走路，摄像头的帧率是 5 帧/s，在学生 上课前的 10 分钟测试范围内， 班级整体学生识别成 功的概率可达 91.67% 。本次实验测试的数据场景为 学生从室外进入室内，保持面朝摄像头且正常走路即 可， 同时系统将学生信息和对应采集时间记录保存。 后续实验中，在其他条件相同的情况下，随着摄像头 帧率的不断提高，班级整体学生的识别成功率可达到 100.00%。
(四)系统效果评价
本文主要从学生头部姿态和视频捕捉帧率两方 面对基于人脸识别的点名系统进行评价，并在此基础 上对其进行整体效果评价。
1.点名效果与学生头部姿态分析 。 由于该系统是 在学生走路过程中完成的识别测试，因此学生走路时 头部的姿态对于系统的识别成功与否至关重要。如果 头部处于正常抬起且目视前方的走路姿态，那么个人 识别成功率可达 95.00%以上 。如果学生处于边走路 边看手机的低头姿态，那么此时摄像头无法检测出人脸，会标明“unknow”，表示系统无法确定该生是谁。
2.点名效果与视频捕捉帧率不同分析 。帧率是以 帧为单位的图像连续出现在显示器上的速率，视频捕 捉帧率即摄像头在单位时间内捕捉到图像的次数。例 如，帧率为 5 帧/s，即摄像头获得空间图像的数据间隔 为 200 ms 。经测试，在学生走路速度为 1 m/s 和头部 姿态均为抬起的状态下，视频捕捉帧率与班级全部学 生识别成功率的关系如图 2 所示， 当帧率为 5 帧/s 时，班级全部学生识别成功的概率为 91.67%;依此类 推，当帧率超过 50 帧/s 时，班级全部学生识别成功的 概率为 100.00%。
3.课堂点名效果整体评价 。本系统实现了由以往 占用课堂时间点名转变为课前学生进教室阶段已完 成点名的效果，验证了前文提到的人脸识别与学风建 设相结合带来的三个优势：一是节约了教师课堂点名 时间，大大提高工作效率;二是人脸识别适用范围广， 能够进行大范围应用; 三是学生学习兴趣明显提高， 在专业学习之外对科技发展的探究明显产生了兴趣， 实现了智能化与人本化的有效结合。
此外，该点名系统也存在一定的场景限制，这与 学生的参与度和学生个体因素相关 。由于该系统应用 场景为课堂点名，故在摄像头开启阶段，务必将本节 课的全部学生识别，那么就要求前期的数据训练阶段 有足够充分的学生人脸信息 。实验研究表明，在学生 走路速度为 1 m/s 且头部姿态均为抬起的状态下，同 时系统摄像头的采集帧率超过 50 帧/s 时， 此时系统 整体课堂点名效果最佳，达到 100.00%。因此，为了节约 时间，教师可在课前提前告知学生人脸识别点名系统 操作的注意事项，从而有针对性地采取不同应对措施。
总之，人脸识别对高校学风建设有一定的助推作 用，能够辅助教师做好课堂点名工作，加强课堂管理， 整体上有利于高校开展“学风整顿检查”活动。与此同时，教师可以借助该系统，实现师生之间的良性互动， 集中学生的注意力，提高自身的教学效率。概括来说， 推动人工智能等现代信息技术在思政课教学中的应 用是未来思政课堂教学改革的大势[10]。
结合该系统应用的延伸启示主要有三点。一是从 学校角度来看，引进现代化高科技，实现智能化与人 本化的“硬件”结合，成为高校实践发展中必不可少的 环节 。例如，目前全国大部分高校已经逐渐与互联网 企业深化合作，使用企业微信、学习通，安装自助打印 机，优化图书馆一体化查阅等，这些举措的本质还是 回归到学生本身、教师本身，服务于师生教学互动。二 是从教师角度来看，在现代化社会中，实现信息化与 教师教学能力的有效结合，已成为教师职业能力提高 的一个关键点。教师要秉持“学到老、活到老”的观念， 树立终身学习理念，主动学习最新的科技知识，进而 更好地服务于教学实践 。对于老教师来说，需要敢于 突破自我，跳出“舒适圈”，主动向他人请教信息化教 学的实施方法，拉近与学生的距离 。三是从学生的角 度来看，基于人脸识别的课堂点名系统一方面能够不 分专业、年级，及时了解、跟踪学生到课情况，起到学 业预警作用，另一方面也能从侧面鼓励学生了解当前 科技知识发展情况，鼓励感兴趣的学生自主设计研发 程序等，真正通过思政课堂的载体实现育人目的。
参考文献：
[1] 习近平主持召开学校思想政治理论课教师座谈会强调 用新时 代中国特色社会主义思想铸魂育人 贯彻党的教育方针落实立德 树人根本任务[N].人民日报,2019-03-19(1).
[2] 部春凤.提高高校思想政治理论课堂出勤率的有效策略探析[J]. 襄阳职业技术学院学报,2021.20(2):56-61.
[3] 中共中央办公厅 国务院办公厅印发《关于深化新时代学校思想 政治理论课改革创新的若干意见》[EB/OL].(2019-08-14)[2022-04- 19].http://www.gov.cn/zhengce/2019-08/14/content_5421252.htm.
[4] 李忠华,蔡丽华.智能化与人本化融合:人工智能+高校思政课教 学的发展趋向[J].未来与发展,2022.46(2):45-49.
[5] 陈勇,林颖.基于特征脸的主成分分析人脸识别[J].计算技术与自 动化,2017.36(2):122-124.
[6] 余文星.基于深度学习的数字信号自动调制识别方法研究[D].西 安:西安电子科技大学,2019.
[7] 高翔,朱秋煜.智能会议系统中的人脸识别[J].工业控制计算机, 2016.29(7):111-113.
[8] 单存杰.教室场景中学生定位与身份识别[D].武汉:华中师范大 学,2016.
[9] 韩丽,李洋,周子佳,等.课堂环境中基于面部表情的教学效果分 析[J].现代远程教育研究,2017(4):97-103.112.
[10] 李忠华.人工智能发展背景下高校思政课教学的变化趋势 探析[J].未来与发展,2020.44(1):69-73.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jiaoyulunwen/56967.html
