“它可以洞察課堂上的一切。通過這套系統，可以看到哪些同學是在專注聽課，哪些同學是在開小差”。
近日，浙江省杭州市某中學課堂上多了一個神奇的新“朋友”——智慧課堂行為管理系統。
雷鋒網了解到，這套系統俗名為“天眼”，內置三個攝影頭，用以捕捉同學們的面部表情和動作，然後進行一系列大數據分析，最終計算出課堂實時考勤數據、課堂專注度偏離分析、課堂行為記錄數據以及課堂表情數據，並將結果反饋給校園管理方。
該校負責人表示，系統每隔30秒就會進行一次掃描，針對學生們閱讀、舉手、書寫、起立、聽講、趴桌子等6種行為，再結合面部表情是高興、傷心，還是憤怒、反感，分析出學生們在課堂上的狀態。
目前僅趴桌子一項為負分行為。若此類不專注行為達到一定分值，系統就會向顯示屏推送提醒，任課教師可根據提醒進行教學管理。日後還會與學校醫務室等其他後台的數據打通，若學生因身體不舒服，可列入“白名單”。
簡單來說，學生每天8節課，一共320分鐘，學生有幾分鐘是在專注聽課的？不專注的時候在幹什麽？孩子在學校過得開心嗎？通過這套系統提供的數據分析結果，都可一目了然地得以展示。
對於該系統的落地、應用，某教育工作者黃老師表示：“華而不實。學生有沒有開小差，老師在講桌前看得一清二楚”。
在他看來，如何能將‘學’作為主動權緊緊握在學生手中已成教育管理者需要思考的問題。學習從來都是一種自主性過程，教育的核心突破不是靠教具形式的更新，學生在課堂的認真程度取決於授課老師的魅力，強行監督只會讓很多學生成為“面具人”。
與此同時，該系統的應用也遭到了大多數網友的無情痛擊：
作為科技媒體，雷鋒網不在道德社會層面對於該技術的落地作太多評說。單從技術角度出發，該技術落地應用是否真的可行？
從上文來看，該套系統稱在課堂應用能夠發揮兩項功用：
一、課堂實時考勤數據
由於教室學生基數不大；另外教室範圍也不大。目前很多人臉識別技術廠商都能夠很好滿足此項需求，不作詳敘。
二、課堂專注度偏離分析（微表情數據）
從系統運行流程來說，它在安裝、通電之後會進行兩大類操作：
一是人臉檢測，通過人臉相機檢測到同學們的臉部，從而完成第一點所說的實時考勤；
二是基於這些人臉數據做實時的深度分析，通過微表情識別來判斷學生們是否分神、開小差。
人臉表情由若乾條細微的小肌肉控制，與常見人們發出的較為誇張或者平常的表情不同，微表情持續時間很短、動作幅度很小；另外，微表情是一種自發式的表情，在人試圖掩蓋內在情緒時產生,?既無法偽造也無法抑製。
與其他生物識別技術的研發相比，微表情識別因為太過細微，一直是電腦視覺領域一個具有挑戰性的技術難題，該技術的研發門檻較高，技術難點主要體現在三個方面：
數據收集，這裡的數據必須是動態的影片數據；
肌肉單元很難做標注，每個人對表情的定義都不相同，“微笑”“難過”等標準難以判定；
微表情識別必須在五分之一秒內抓取到情緒變化，也就是要做到一秒鐘處理五幀以上畫面，讓數據做到實時。
雷鋒網了解到，目前這一技術最多地是用在金融領域。
以信貸行業為例，如今騙貸行為頻發。當涉及大額的貸款申請時，金融機構在批放貸款之前都會讓面審員與用戶進行一個十到十五分鐘的問答。起初會核對用戶的基本資訊，在用戶回答的過程中，會為用戶進行一個微表情的側寫，記錄一個用戶回答問題的習慣。
隨著面審員問題的深入，用戶在回答之後地問題時，如果出現了違反他之前的回答習慣（例如眼睛從直視螢幕轉為眼睛往上瞟或往腳下看），系統則會為其標記一個異常，當整個面審環節結束後，系統會根據之前記錄的異常次數、等級進行一個綜合評估反饋給面審員。
如果前後差距過大，就意味著從基礎問題到追問環節，此人的情緒、心理變化較大，如此就可提醒面審員此人有一定風險，要做更多地調查，以更好地降低風險。
從這來看，這項技術應用的前提還得配合面審員問題的逐步深入而出現的細微面部表情變化。回到主題，學生們在上課過程中，沒有任何言語上的思考及負擔，也就意味著所有的面部表情都是自然狀態下而產生的，斷不可從單一的面部表情的變化去判斷他的心理活動或者是否分心（缺乏標準）。
宇視科技智能算法開發部專家楊治昆直言，“對於這套系統的可操作性，我持懷疑態度”。
在他看來，這套系統在實際應用過程中，會存在以下幾個問題：
楊治昆表示，這些年AI技術發展迅速，教育市場也的確成為未來AI安防落地的重點拓展方向之一，如今各大安防廠商都在緊盯這塊市場。
但從產業界角度來看，相關技術不能盲目落地。人工智能應用要保證識別率、誤識率、魯棒性，唯有滿足這三點，技術的落地才會具有意義。目前來看，比較容易落地的場景包括門禁、人臉考勤等等，而該系統提出的微表情分析，就目前AI發展水準來看，還存在很長一段距離。
在他看來，“一個產品的落地，除了要考慮客戶的需求也要考慮到閱聽人人群的體驗”。
香港九龍灣馬來街興發大廈15樓D室