El compromiso real de los estudiantes con el aprendizaje en clase, al que llamamos atención al aprendizaje, es un indicador importante utilizado para medir los resultados del aprendizaje. Obtener y analizar de manera precisa la atención de los estudiantes en clases presenciales es una investigación empírica importante que puede mejorar los métodos de enseñanza de los profesores. Este documento propone un método para obtener y medir la atención de los estudiantes en clase aplicando una variedad de modelos de aprendizaje profundo y divide de manera proactiva toda una clase en una serie de duraciones de tiempo, que se categorizan en cuatro estados: exposición, interacción, práctica y transcripción. Después de que se capture información de video y audio con tecnología de Internet de las cosas (IoT) en clase, se utiliza Retinaface y el modelo Vision Transformer (ViT) para detectar rostros y extraer los parámetros de la postura de la cabeza de los estudiantes. Se utilizan modelos de reconocimiento automático del habla (ASR) para dividir una clase en una serie de cuatro estados. Combinando la secuencia de estados de la clase y los parámetros de la postura de la cabeza de cada estudiante, la atención al aprendizaje de cada estudiante puede calcularse con precisión. Finalmente, se realizan análisis de atención al aprendizaje individuales y estadísticos que pueden ayudar a los profesores a mejorar sus métodos de enseñanza. Este método muestra un valor de aplicación potencial y puede implementarse en escuelas y aplicarse en diferentes programas de educación inteligente.