日前，在国家教育数字化转型的战略背景下，由上海师范大学音乐学院联合学校分析测试与超算中心、教育大数据与教育决策实验室共同研发的“智身课堂（EPBEA）”（Embodied Perception & Behavior Evaluation/Assessment，具身知觉行为智能测评）大模型系统阶段性成果正式发布。该系统以“以身体为语言、以数据为桥梁的艺术教育智能测评”为核心定位，将行为计算技术深度融入舞蹈艺术教育领域，标志着国内艺术教育智能评价迈入“数据驱动”新阶段。

多方协同推进

学科交叉打造创新引擎

“智身课堂（EPBEA）”大模型系统的诞生，源于上海师范大学多学科团队的深度协同。

音乐学院从学院发展顶层设计出发，率先提出以智能化手段赋能艺术教育教学改革的战略构想，牵头整合校内外优质资源，为项目的启动与推进提供了坚实的组织保障；音乐学院教师卯雨菲博士长期深耕舞蹈教育与智能技术融合领域，从教学一线的真实需求出发，将课程实践经验转化为技术研发的具体场景驱动，持续推动项目从理念走向落地；分析测试与超算中心与教育大数据与教育决策实验室团队，为系统研发提供高性能计算平台、多模态数据采集设施与算法优化支持，确保了复杂行为计算模型的高效训练与稳定运行，并从教育数字化转型的宏观视角出发，对系统的教育价值定位、评价理论框架与应用推广路径进行战略把控，确保技术研发始终服务于教育本质。

多方力量各展所长、紧密协作，形成了“艺术需求牵引—技术平台支撑—教育理论引领—组织资源保障”的良性研发生态。

破解行业痛点

从“经验主观”到“数智驱动”

长期以来，舞蹈、形体等以身体运动为核心表达形式的艺术教育，高度依赖老师的“口传心授、言传身教”与个人经验判断。其教学评价存在两大根本困境：一是动作的“瞬时性”与“不可逆性”导致课堂表现难以被完整记录和长期追踪；二是评价标准主观性强，教师往往只能凭感觉给出“这个动作不太对、还差一点”的模糊反馈，学生也难以精准定位自身问题。

“智身课堂（EPBEA）”系统的推出，正是对这一行业痛点的系统性回应。依托学校前期研发的核心数字教育转型成果——“智元课堂（MetaClass）”大模型系统技术底座，“智身课堂（EPBEA）”大模型系统将行为计算、计算机视觉与多模态认知科学深度融合，首次实现了对高动态、非结构化艺术教学场景中师生身体运动的精准采集、智能理解与量化评价，填补了国内艺术教育智能化评价领域的技术空白。

四大核心能力

全链条智能化教育支持

“智身课堂（EPBEA）”大模型系统具备“采—训—评—导”四大核心能力模块，形成覆盖教学全流程的闭环支持：

行为精确采集：常态化实训无感记录。依托普通单路视频源，无需穿戴任何设备，不改变原有教学环境，即可在排练厅、练功房、舞台等真实场景中高精度提取师生肢体轨迹、空间朝向、动作幅度和发力控制等具身行为序列，将瞬时的身体运动转化为可量化、可长期追踪的数字画像。

多模态模型训练：多模态语义与行为理解。系统后台融合“教师言语语义+三维肢体骨架序列+课堂时序节奏”等多模态数据进行专用模型训练，构建舞蹈与体育教育的精准行为评价模型，实现对艺术教学场景的深度语义理解。

智能比对评价：精准诊断。系统自动生成覆盖身体技术、动作规范、协调控制、艺术表现四大维度的可视化评价报告，将传统主观的“感觉教得好”转化为包含关键技能短板的过程性数据证据。

课程智能指导：精准干预。在“无感、无束缚”的常态化教学前提下，当系统检测到动作偏移、重心失稳或节奏错位时，实时给予反馈提示，实现非侵入式的“实时行为纠偏”，精准提升具身知觉能力。

技术突破

视觉动捕让AI“理解”身体语言

与传统动捕技术需要穿戴传感器、依赖专业光学场地不同，“智身课堂（EPBEA）”大模型系统采用先进的视觉动捕技术路线。系统依托通用视频感知设备，即可基于视觉算法从教学影像中高精度提取三维骨架序列，大幅降低应用门槛，使行为计算技术真正走进日常教学场景。

在技术实现层面，系统首先通过教师示范动作的智能分析建立包含关节角度、运动轨迹、速度曲线和发力节奏等多维参数的“数字标准模板”；随后在师生自然练习状态下进行无感化的教学行为数据提取，逐帧构建同维度骨架数据；最终通过时空对齐算法将师生动作序列精确匹配，计算关节角度偏差、肢体延展差异、重心偏移量、节奏契合度等量化指标，精准识别学生动作中的具体短板。这一技术路径实现了从“看见动作”到“理解动作”的跨越，让机器真正“读懂”身体语言。

从“模糊反馈”到“精准处方”

一段视频背后的教学变革

一堂中国民族民间舞课结束后，上海师范大学音乐学院大二学生小婷回到宿舍，打开手机将自己在练功房录制的练习视频上传至“智身课堂（EPBEA）”系统——这是老师布置的课后作业。几分钟后，一份综合评价报告自动生成：综合得分73.6分，评语写道“你已经能跟住大体流程，但不少动作还停留在‘做到了’而不是‘做到位’。建议先慢速拆解，再回到音乐速度。”没有穿戴设备，没有专业场地，仅凭一段手机拍摄的视频，她就获得了远比以往“这个动作幅度还不够”更为具体、可操作的教学反馈。

报告以四大维度雷达图直观呈现了小婷的强项与提升方向：协调控制82.0分、艺术表现83.8分是她值得继续保持的亮点；身体技术73.6分、动作规范73.3分则是下一步精进的空间。这份报告并非冰冷的数据罗列——系统在指出问题的同时，也以鼓励性的语言给予正向引导：“你的技术动作得分为85.7分，特别是在跳转方面表现较好，落点准确、重心稳定，身体轴线没有塌陷”“你的动作衔接流畅，没有明显的停顿，对动作的连贯性有很好的掌握”。对于需要改进之处，报告同样给出温和而清晰的指引：“柔韧性得分59.8分，根据髋、膝、肩部角度差和动作幅度接近度判断，你的动作幅度与老师示范有较大差距。不要只追求更大幅度，先追求和老师同一拍点达到同一幅度，再逐步加大。”此外，系统进一步将问题拆解到可执行的层面——练习视频第13.5秒处，右膝弯曲角度与老师示范存在偏差；第1.5秒处，左肘抬起高度不足，上肢轨迹偏离达15.9厘米。这些精确到“秒”和“厘米”的诊断，在过去仅凭肉眼观察几乎不可能实现。

更让小婷感到实用的是系统自动生成的“优先训练目标”和渐进式训练建议。系统为她梳理出最需要优先关注的四个方向——柔韧性/软开度、基本规范/手位脚位、下肢能力/腿直脚绷、身体协调/上下身协调——并为每一项配备了循序渐进的练习路径：先以5到10度的微小幅度对关键动作进行慢速定格校准，再针对第13.5秒的右膝弯曲和第1.5秒的左肘偏差进行分段跟练，逐步将单个修正点串联到连贯动作中，最终回到音乐速度完成合乐练习。“以前老师说我腿伸不直，我总觉得自己已经伸直了，现在系统告诉我到底是第几秒、哪个关节差了多少度，还告诉我下一步怎么改，我第一次真正‘看见’了自己的身体。”小婷表示。

对授课教师而言，这份报告同样意义重大。全班学生的训练数据汇聚后，教师能够迅速识别出“柔韧性不足”“手位和脚位偏差”等共性问题和“个别学生身体协调性待提升”的个体差异，课堂讲评从泛泛而谈转为精准施策。对于学院课程建设而言，海量的动作数据正在沉淀为宝贵的课程资源库和标准化评价基准，为舞蹈教育的数字化转型奠定了坚实基础。

“人机协同”

数据赋能，艺术为本

“智身课堂（EPBEA）”大模型系统在设计上始终坚守“人机协同”原则——机器负责捕捉可量化的动作过程，教师负责解释动作背后的艺术要求、人文素养、情感表达和审美风格。系统不会将舞蹈简化为机械分数，而是为教师和学生提供更清晰、更客观的行动依据。

对学生而言，“智身课堂（EPBEA）”大模型系统是一面“数字镜子”，让其看到身体在空间中的真实状态，减少“自己感觉做到了、实际没有做到”的认知偏差，明确知道“哪里需要改进”。对教师而言，系统积累的学生长期训练数据，帮助更快识别共性问题和个体差异，显著提升课堂讲评的针对性和教学效率。对课程建设而言，动作数据可沉淀为课程资源、动作案例库和行为评价标准，为数字化教学平台和智能训练系统的持续优化提供坚实基础。

项目负责人指出：“技术进入艺术教育的终极目标，不是取代教师，而是以数据支撑教学、以智能促进创造。‘智身课堂（EPBEA）’大模型系统是教育数字化转型在艺术教育领域的深度实践，也是新质生产力推动学科交叉创新的典型范例。”

学校供稿