数字技术与应用杂志社

摘要：<正>随着教育信息化的发展，课堂教学行为的自动化检测成为提升教学质量的关键。传统人工观测方法存在主观性强、效率低等问题，且通用深度学习模型难以适配数学课堂的特殊场景。为此，本文提出一种多模态融合检测框架，结合改进的CG-YOLO算法与语音增强Transformer模型，实现板书书写、师生互动等数学特有行为的精准识别，并量化分析学生专注度与教师授课质量。实验结果表明，行为检测平均精度达94.0%，表情识别准确率达86.2%，学科思政关键词提取准确率达92.3%。该系统为教学评估科学化提供了技术支持，推动教育智能化进程。教育信息化背景下，课堂教学质量评估需兼顾客观性与效率。数学课堂因其特有的板书推导、公式演算等行为，对检测技术提出更高要求。现有研究多聚焦通用教学场景，缺乏针对数学学科特性的算法优化，且视觉与语音数据的协同分析不足。近年来，YOLOv8等目标检测模型在行为识别领域取得进展，但小目标（如学生手势）检测精度仍有待提升。小目标检测技术在多领域有应用需求，王睿等[1]指出，在安防监控、工业检测等领域，小目标检测技术不断发展，但仍面临挑战。数学课堂作为... 更多

基金资助： 南京工程学院大学生创新创业训练计划“基于深度学习的数学课堂教学行为检测”（202511276327X）；

专辑： 信息科技;社会科学Ⅱ辑

专题： 教育理论与教育管理;计算机软件及计算机应用;自动化技术

分类号： TP18;TP391.41;G434