如今,伴随着互联网和智能终端的广泛应用,教学模式也随之发生了巨大的变化,在线教育受到了越来越多人的青睐。在网络学习的环境下,受到网速等因素的影响,学生无法保持老师当面授课那样的专注度。而课堂专注度是评估学习质量的重要指标,代表着学生对知识的接受程度和感兴趣程度。另外,在传统的教学模式下,教师可以时刻观察学生的课堂表现。但是在线教育由于空间的限制,教师无法及时获取到学生的学习情况。所以在线上授课的过程中,如何监测和分析学生的学习状态,对于在线教育领域十分重要。对于课堂专注度的分析,大多数研究者都是基于单一指标来进行研究的。例如,通过分析学生在听课时的面部表情,可以获知学生对教学内容的接受程度,从而判断专注度。建立在单一指标基础上分析得来的专注度,往往不够准确、客观。在分析完学生的专注度后,对于专注程度不够的学生,也缺少相应的教学辅助手段。结合上述观点,本文设计并实现了基于多维度专注度分析的学习资源推送系统。系统对于专注度的评估是通过多维度专注度评估模型实现的,该模型中的评估指标包含了表情、头部姿态和疲劳度。在系统的表情识别模块中,首先利用FER2013数据集训练Inception-Res Net-V2模型,然后使用训练好的模型来识别学生听课时的表情。在头部姿态识别模块中,使用几何方法来分析学生的头部姿态,进而判断学生此刻是否在注视着屏幕。在疲劳度检测模块中,使用PERCLOS算法来判断学生的眼睛是否处于闭合状态。在获取到这三个指标的数据之后,通过层次分析法确定它们的权重值,然后利用模糊综合评价法计算出学生的专注度得分,进而判断学生的专注程度。为了验证多维度专注度评估模型能否准确评价学生的专注度,本文还加入了教师评分的方法作为对比,结果表明该模型能够准确、全面地反映学生的课堂专注度。在确定了学生的课堂专注度之后,如果学生在听课过程中不够专注,就对其推送相应的优质网络学习资源。学习资源是在网络上爬取的相关慕课和博客资源,在推送时是根据标签将相关课程的学习资源链接推送给学生。这样可以弥补学生未专心听课的缺陷,有助于改善其学习效果。