基于人工智能的課堂教學分析

孫眾 呂愷悅 駱力明 陳美玲 許林 施智平

摘要：傳統課堂教學分析，多以時間取樣的手工編碼為主，存在過度依賴專家、分析效率低、難以規模化服務等難題。基于人工智能技術的課堂教學分析要突破困境，需經歷從全人工、弱人工智能、強人工智能發展到人機協同的進化路徑;需建立由多源數據支持的教學案例庫、文本視頻為主的分析維度集、教學事件與時間取樣相結合的多元分析方法而形成的分析框架;在實踐層面，以計算機視覺為主的課堂行為分析，以自然語言理解和大數據為主的教學事件分析和評語分析等，可成為基于人工智能技術的課堂教學分析突破口，以期逐步達成人機協同、規模化、高效率開展課堂教學分析的目標。

關鍵詞：人工智能;課堂教學分析;人機協同;事件分析法

中圖分類號：G434

文獻標識碼：A

一、回溯傳統課堂教學分析

課堂是教育教學改革的主陣地，課堂教學分析是提升課堂教學質量的重要依據。上世紀70年代，課堂教學量化分析迎來一輪發展高潮，相繼出現了S-T師生行為分析、Flanders（Flanders InteractionAnalysis System）言語交互分析、古德和布羅菲的雙向互動系統、卡茲登的課堂言語IRE序列（Initiation-Response-Evaluation）等為代表的研究方法。尤其是S-T行為分析和FIAS言語分析法問世后，以課堂教學視頻為主要研究對象，采用“時間取樣法”，由人工編碼量化師生的行為和言語交互，成為課堂分析的代表性方法。

但是以FIAS與S-T為代表的分析技術，存在著相似的困境：過度依賴專家、編碼復雜、分析低效。以一節40分鐘的課為例，S-T法按15秒來切割行為，FIAS按3秒來切割言語，會產生160個或800個編碼，且只能由經過培訓的研究人員進行手工分析，費時低效。近年來有多國學者對FIAS加以改進，開發出了相應的技術分析工具，甚至改造編碼體系，來提高分析效率。比如基于FIAS的分析軟件，可以在研究人員手工輸入編碼后，自動生成師生言語比率和學生課堂參與率的動態特征曲線[1]，也有學者提出基于信息技術的互動分析系統（Information Technology-based Interaction AnalysisSystem，ITIAS）等改進版FIAS編碼[2]，以及支持改進版FIAS的分析平厶[3]。但總體來看，課堂教學交互分析還處于人工編碼、工具統計的技術路線中，在研究思路和效率方面，均未能取得突破性進展。

上世紀末，隨著人種志研究對教育領域影響加深，從質性研究角度對課堂事件行為進行記錄和解釋，進入到課堂教學分析的視野之中。布拉姆菲爾德和米勒等人提出的趣聞逸事記錄、進展紀錄法，日本佐藤學提出的課例研究法（Lesson Study）、我國學者王鑒提出的課堂人種志方法等，均是通過分析課堂現象原始紀錄的參與性觀察，對課堂教學內容、師生交互行為等課堂教學事件，進行觀察記錄和意義解釋的質性研究范式。加涅根據人類認知機制，提出課堂教學中的九大教學事件，成為教學設計學科的重要理論基礎。在此之后，以教學活動或教學事件為切人點，成為課堂質性分析的常見分析思路。例如以色列學者提出課堂觀察六棱鏡框架，是以學習任務和教學活動為對象[4]：TEAMS象限編碼，是分析課堂中11項教學內容和學生表現[5];我國學者提出的關鍵教學事件分析[6][7]、課堂切片診斷[8][9]等均以教學事件為分析單位。

然而已有的研究方法，無法對以下問題給出令人滿意的答案：以“時間取樣”為主的量化分析，指標繁瑣僵化，標準化分析偏于復雜，費時費力，效率較低;以“事件分析”為主的質性分析，主觀性偏強、對分析者專業水平要求高、規模化分析能力弱等。

經過半個多世紀的發展，課堂教學分析的重要地位已得到了教育界的普遍認可。進入到20世紀90年代，一些大型的教育質量監控體系將課堂過程變量納入到分析范疇之后，課堂教學交互研究就不只服務于課堂本身，而是進入教育體制問責、人才培養質量監控體系中，并開始應用于項目評估、政策干預、國際比較等方面[10]。尋求大數據、人工智能等技術支持，實現高效率、智能化、規模化的課堂教學研究，成為時代發展的必然訴求。

二、教育人工智能領域的興起

近年來，人工智能開始將教育作為重要應用領域之一[ll]，已經形成了跨學科的新興研究領域：教育人工智能（Artificial Intelligence in Education，簡稱AIED）。比如Springer New York于2013年創辦的教育人工智能學術期刊International Journal of ArtificialIntelligence in Education，從創辦初期的關注用戶界面、人機交互等主題，發展到近幾年關注課堂教學環境中的自然語言理解、眾包評價等研究[12][13]。2017年Nature雜志子刊Nature Human Behavior，發表了基于人工智能評估學生課堂學習表現的研究成果[14]。人工智能教育領域國際學術會議AIED，將課堂學習中的交互活動序列和對話交互的分析與表征，作為2019年芝加哥會議議題之一。

國際上已有運用人工智能技術輔助課堂教學的多項成果。例如基于自適應技術，根據學生學習興趣推薦個性化的智能教學系統[15]，基于推理模型推測學生人格特征的學習系統[16]，根據認知與元認知序列探究隱性知識掌握情況的智能教學系統[17]，以及基于感知數據、實現自適應學習的移動學習同伴系統[18]等。我國學者在基于人工智能的課堂教學分析方面也開展了多項頗有成效的研究，如基于地圖的教育大數據可視分析方法[19]、課堂教學視頻智能識別系統[20]等。由此可見，課堂教學分析已開啟了融人人工智能的探索之路。

三、基于人工智能的課堂教學分析進化路徑

當前人工智能技術雖已進入第三次發展浪潮，但總體來看，仍處于弱人工智能階段[21]。而且，已有課堂教學分析理論和方法，也需要時間進行轉化與完善，才能較好地發揮人工智能技術的作用。因此基于人工智能的課堂教學分析，很難一蹴而就，需要經歷相當一段時間的進化。總體思路是先由人類專家完成課堂教學中的全部量化和質性分析，再通過機器學習算法，承擔其中復雜繁瑣而低效的量化分析工作，再由人類專家根據分析結果，發現課堂教學新特征與新規律，并對應提出教學改進機制與策略。具體路徑如圖1所示。

1.全人工分析階段

傳統課堂教學分析里，無論是時間取樣為代表的量化研究，還是事件分析為代表的質性研究，雖然研究思路不盡相同，但共性是由人類專家承擔全部工作。

2.弱人工智能分析階段

隨著計算機視覺、自然語言理解等技術遷移至教學場景，可以在S-T行為分析、Flanders言語分析等較為成熟穩定的量化分析中，把動作識別、語音識別、語音轉換文本等規則化、可計算的工作，交由弱人工智能完成，部分替代傳統分析里耗時最多的人工編碼和機械統計。

3.強人工智能分析階段

技術發展到強人工智能階段時，不僅可以把行為交互、言語交互等工作，全部由計算機批量完成，還可以把教學活動識別、教學事件歸類、言語情感分析、事理判斷等部分質性分析，交由強人工智能技術完成。

4.人機協同分析階段

此階段，課堂分析中的量化和質性分析可全部由計算機完成。借助于機器分析結果和挖掘出的課堂教學新特征和新規則，人類專家可專注于提煉課堂教學問題，發現教學智慧，提出課堂教學改進策略與機制，再把新形成的特征與策略配對后，返送到計算機，持續迭代優化，達到人機協同分析的理想階段。

至此，基于人工智能的課堂教學分析系統，會具備客觀性、準確性、規模化的分析能力，以及從數據中發現新規律，反哺教學改進，幫助人類教師形成課堂教學診斷與洞察能力，完成如圖1所示的人工智能協同課堂教學分析進化歷程。雖然目前人工智能技術仍在發展初期，但是教育界多是對新技術持開放與主動適應的態度，并呈現出越來越緊密的人工智能融合教育的發展趨勢[22][23]。基于人工智能的課堂教學分析，正在進入課堂教學主場景，積極探尋新的解決方案。

四、基于人工智能的課堂教學分析框架

基于人工智能的課堂教學分析框架，要有多源數據支持的教學案例庫、文本視頻為主的分析維度集、教學事件分析與時間取樣相結合的多元分析方法組合而成，如圖2所示。

1.建立教學案例庫

課堂教學，不僅指在一課時里的全部師生活動，還包括由課前教學設計、課中現場生成和課后反思改進組成的教學連續體。課前設計是教學實施的預設骨架，教學設計方案成為常見的表現形式;課中現場生成是教學的靈魂，常以課堂錄制的視頻形式，或轉換成課堂實錄文本的形式加以記錄;而課后的個人教師、集體評課以及專家點評是鏡子，用以幫助教師提升課堂教學能力。單純分析其中的一種形式，例如課堂視頻，有可能出現“完全依靠觀察者所建立的外部框架”[24]，使得聽課者無法充分理解教學思路，限制了課堂分析的有效性和可靠性。因為孤立存在的教學設計方案或視頻，就像“一幅快照，因為它被剝離于真實情境之外，因此只能提供有限的信息”[25]，因此包括了課前的教學設計方案、課中的教學視頻或實錄文本、課后的教學反思和評語等，才能構成較為完整的教學案例，進而匯集有意義的、成體系的課堂教學案例庫，成為后期人工智能參與分析的資源儲備中心和數據聚合中心。

2.形成分析維度集

人工智能技術在課堂教學分析中發揮更大作用的前提，是教育界已在課堂教學分析中已形成了較為成熟的研究基礎。

對于課前的教學設計方案編寫，常會從教學目標編寫是否規范合理、學習者特征分析是否明確、教學各要素之間是否存在系統性關聯等方面進行整體分析。教學目標編寫得是否恰當，可從行為動詞、情境信息[26]和敘述方式[27]等角度出發;學習者特征分析得是否合理，可從知識背景、認知水平、策略方法和主動意識等維度加以分析[28][29];課堂教學整體設計，可以從教師的知識和經驗、學生需求、教學內容、教學方法和手段五個維度展開評價[30][31]。

對于課中的教學實施，多會通過現場觀察或教學視頻編碼，從師生行為、言語和教學事件等維度，分析課堂教學模式與特征。如S-T法分析師生的行為交互分;Flanders法分析師生言語交互;ITIAS法同時分析課堂行為和言語;關鍵事件法、課堂切片法則是分析教學事件[32]。這些都是較為成熟的分析維度。

對于課后的評語和反思，可從教學價值、教學實踐和教學環境等維度分析教學反思內容[33]，從情感、認知、元認知等維度分析教學評語[34]等，還可以從教學實施效果、教學設計與實施的差異等方面加以分析。

雖然不存在適用于所有課堂的通用或唯一分析方法，但是整理出課堂教學分析目標和分析方法的維度集，會為人工智能技術施展所長奠定基礎。

3.運用多元分析方法

可用于課堂教學分析的資源里，教學設計方案、教學反思、評語多以文本為主，課堂教學實錄多以視頻為主，因此文字和視頻是課堂教學分析資源的主要格式。

傳統課堂教學的視頻分析，多采用時間取樣法，由經過訓練的研究人員，根據專家提前預置的量表，順序播放視頻，手工統計，逐個編碼，給出描述性統計。文本分析多采用內容分析法，由研究人員根據分析目標，通過反復閱讀、建立類屬編碼、細化編碼和提取典型示例開展分析。

隨著以大數據、知識圖譜等新興技術快速發展，教育和許多領域一樣，經歷了從經驗科學到理論科學到計算機科學，再發展到數據密集型科學的過程。從問題假設驅動到算法驅動的研究范式轉型，也正在對教育研究產生影響。因此課堂教學分析，一方面要利用傳統教育研究已積累的經驗，另一方面引入大數據、自然語言理解、計算機視覺等技術，運用多元分析方法進行課堂教學分析。

五、基于人工智能的課堂教學分析實踐

本團隊已初步建立起由638個課例組成的數據庫，均為參加2017年全國某信息化課堂教學大賽、來自全國各地，在信息技術環境下的小學四年級數學課例。每個課例包含一段40分鐘的完整課時教學視頻、一個按照組委會提供的模板編寫的教學設計方案、一份教學反思、一份專家根據組委會提供的課堂教學評價量表給出的評分結果和一段評語。所有課例根據專家評分，被劃分為一、二、三等獎和未獲獎四個等級，占比分別為5%、15%、30%和50%。下面結合本團隊的三個研究項目，說明基于人工智能技術課堂教學分析框架的實踐應用。

1.項目1：基于計算機視覺的課堂教學行為分析

課堂教學視頻中的師生行為交互，是課堂教學中的重要組成，也是傳統分析里最費時費力的部分。近幾年，人工智能領域的計算機視覺技術發展迅速。隨著ImageNet識別比賽推動CNN快速發展，深度學習方法的效果遠超傳統方法，于是視頻中的特征提取與特征識別大量采用深度卷積神經網絡（Deep Convolutional Neural Networks，簡稱DCNN）加以實現。不同CNN對視頻識別的效果不斷提高[35][36]，2D卷積神經網絡已擴展到3D卷積用于視頻動作識別分析[37]。

我國已有研究團隊，分別用人臉檢測法識別課堂教學視頻中S-T行為[38]、人體骨架信息提取法識別學生課堂行為[39]。由于課堂教學里，師生的位置變化較大，面部背對、側對攝像機的情況時有發生，而課堂行為又需要與課堂場景相結合，如學生低頭有可能是閱讀課本、手寫練習冊、使用手持學習設備等行為，教師講解有可能是板書、操作電子白板等行為，所以只通過人臉識別或者動作本身進行識別，效率不高，與真實情況存在一定偏差。

本團隊的研究項目之一是基于計算機視覺的課堂教學行為分析，通過先對課堂視頻中的教學場景分類，區分關鍵交互設備如電子白板和手持平板，再實現自動地、批量地對課堂師生行為進行識別與計算。

第一步：根據視頻靜態幀對場景初步分類。從638個完整的課堂教學視頻中，隨機挑選出10000幀靜態圖像，根據提前定義好的教師教學、師生互動和學生學習三類場景，先由人工分類部分場景數據，這些數據作為訓練集訓練場景分類神經網絡模型，然后計算機完成批量場景分類。

第二步：通過目標檢測方法檢測視頻中的關鍵互動設備。場景分類完成后，再識別影響師生動作交互的關鍵互動設備，如黑板、電子白板、臺式機、手持學習終端等。

第三步：基于深度卷積神經網絡的動作行為識別。在課堂教學視頻中，行為分析的主體是人，人的動作可以看做一系列骨骼關鍵點的運動集合。本項目基于OpenPose框架分析骨骼關鍵點序列特征，實時骨骼關鍵點人體姿態預測算法。在靜態圖像動作識別算法的基礎上，圍繞著課堂場景，在視頻中對學生動作進行識別和統計。

課堂行為分析系統實現了關鍵幀提取、學生跟蹤、動作識別和動作統計等模塊，如圖3所示。課堂行為分析系統可以通過客戶端上傳一段課堂教學視頻，服務端獲取視頻后在云端進行運算，并把識別結果返回給客戶端，對師生動作進行識別和統計，以輔助課堂教學分析。

2.項目2：基于自然語言理解的教學事件分類及SPS分析

教學設計方案和教學視頻實錄文本里，直觀的教學進程就是活動。然而并非所有的活動都有教學意義。教學活動只有與學習者的內部心理過程相吻合，才能促進認知的發生。教學設計學科的開拓者羅伯特·加涅（R.M.Gagne）[40]把影響學習者心理的活動視為有效外部刺激，提出九大教學事件[41]：引起注意、告知目標、刺激回憶先前舊知、呈現刺激材料、提供學習指導、引出行為、提供反饋、評價行為和促進保持與遷移。與教學活動相比，教學事件與促進學習的目的關聯更為緊密。

以加涅“九大教學事件”為分析框架，可以對教學設計方案或者教學視頻實錄文本進行要素評價和關系評價。要素評價主要考查的是，教學設計各要素所依據原理的科學性與敘寫的準確性;關系評價主要考查的是，教學事件及事件之間關系的結構序列。

本團隊開展的第二個研究項目，是用自然語言理解技術進行關系評價，分析教學事件及序列，學習并部分替代傳統手工編碼，以協助人類專家進行課堂教學分析。

第一步：對教學事件的標簽劃分和文本標注。本研究從總樣本中選取了80個課例，通過視頻聲音提取和語音轉文字的方法，生成超過48萬字，內含2萬多個句子的文本文件。要提取出文本中的教學事件，并對事件進行分類，需要由人工先對教學事件加以理解，包括劃分標簽和文本標注。在劃分標簽階段，主要完成對每個教學事件的特征分析，對一句話或幾句話給出標簽，注明屬于哪個教學事件。在文本標注階段，對劃分標簽進行標注，標注后的數據將用于分類器的訓練。

第二步：基于GRU循環神經網絡的事件分類器。本團隊采用深度學習模型Word2vec，訓練得出詞向量的權重矩陣，輸入循環神經網絡Embedding層中進行模型訓練，每層網絡用平均隱狀態，輸出分類結果最后通過訓練集與測試集正確率，判斷模型訓練是否成功。根據事件分類結果，結合劃分事件的起止時間點，生成每一個課例的教學事件類型及時間分布圖，如圖4所示。

第三步：分析課堂教學法結構的排序。何克抗認為“教學結構是指在一定的教育思想、教學理論和學習理論指導下的、在某種環境中展開的教學活動進程的穩定結構形式，是教學系統四個組成要素（教師、學生、教學內容和教學媒體）相互聯系、相互作用的具體體現”[42]。教學結構是指導課堂教學的重要理論基礎，落實在教學法上，可以通過分析教學法結構的序列，幫助教師掌握并落實雙主結構。Jacobson等學者依據不同教學法中教師指導比重的高低，將教學法分為高結構化和低結構化，提出教學法結構的排序，或譯為教學結構序列（Sequencing of Pedagogical Structure， SPS）[43]。 國內學者對SPS進一步完善，新增時序特征，用于智慧課堂教學分析[44]。本研究以何克抗教授提出的教師主導一學生主體的雙主教學結構為理論基礎，參考SPS分類，結合小學數學的學段和學科特點.把教學事件歸人到不同階段，對“主導一主體”教學結構下的教學法結構進行分析，教學事件與教學階段對應表如表1所示。

根據每個階段里教師指導所占比例不同，標注為高結構化教學H、低結構化教學L、學生活動為主教師指導為輔的低高結構化教學L+h、教師指導為主學生活動為輔的高低結構教學H+l。通過對高低結構化劃分結果統計，輔助人類專家判斷，課堂中教師主導一學生主體的教學結構落實情況。

下頁表2是同一主題不同課例的SPS分析結果。根據對教學事件識別、教學階段劃分、教學法結構排序后的結果可知，從一等獎到未獲獎課例，教師指導的比重從1H，2H增加到3H，未獲獎課例里教師把控課堂的比例最大，一等獎課例里學生自主學習的比重最大，達到3L，而其他課例的統計結果表明，教師發言代替學生思考的情況在增加，課堂中學生的聲音越來越弱，自主學習空間也越來越少。當然本項目受限于特定的樣本，后續會擴展學科、學段和樣本總量，以使結論更具普適性。

3.項目3：基于主成分分析法的教學評語分析

教學評語里，不僅包括著課堂教學優缺點的詳細解讀、蘊含著教學改進的思路和建議，還能體現出課堂教學質量的判斷依據。由于教學評語多是偏向于主觀化、經驗化的表述，因此與教學設計方案和教學視頻分析相比，尚未形成較為穩定的研究方法。

近幾年，隨著大數據技術的發展，基于評語的課堂教學反向分析法，已得到了國內外學者的關注。Bruno等人探究了教師對學生作業的評語，發現評語可以使學生意識到自己學習能力的不足，從評語中提取相應的策略，從而提高學習效率[45];Akpe等人分析學生對課程的評語據此改進課程[46];Alhija等人統計并分析了學生評語中最常被提及的教學維度和學生給予的正向、負向內容的評語，以改善教學質量[47];馬志強等人以網絡同伴互評的反饋評語文本作為分析對象，綜合運用內容分析、回歸分析等方法，得出學生對情感、認知與元認知三類評語的反饋方式，給出了教師引導同伴互評評語的策略[48];劉智通過情感傾向識別與話題挖掘技術，探究在線課程評語中反映出來的學生情感信息，并根據學習者的反饋信息為教學決策提供支持[49]。由此可見，通過評語反向審視課堂教學質量，已成為大數據技術應用于課堂教學分析的新思路。

本團隊開展的第三個研究項目，就是用因子分析、主成份分析法等，分析課堂教學案例評語，反向提取專家普遍認可的信息化課堂教學判斷標準，再與已有的課堂教學評價量表權重與維度對比，為后續的課堂教學分析提供新視角。

第一步：評語按照句子劃分，歸類到原始量表的不同維度。從案例庫一、二、三等獎和未獲獎課例里，隨機選取30個。將120份評語全部拆分成句子，每句中的關鍵詞與初始量表中的關鍵詞匹配后，歸人到原始量表中的6個一級維度和14個二級指標（如表3a所示）。

第二步：降維處理后，重新計算指標及權重，生成新量表。統計每個維度里不同類別頻次，運用因子分析法進行降維，再用主成分分析法，算出全部指標權重，逆向生成基于評語的課堂教學改進版評價量表（如表3b所示）。

第三步：對比新舊量表，將評語中隱藏的課堂教學分析標準顯性化。新舊量表對比后發現：課堂教學效果、分層教學策略等，不應單獨存在于量表的判斷指標里，可歸人到教學過程;創設教學氛圍和信息技術實踐創新，可歸人一級指標“教師素養”，成為信息化課堂教學里教師能力的必要組成;專家點評重點多放在課堂教學里的技術應用，而創新實踐的表現并不多，因此在評語里反映出來的權重相對較少;這就說明，新量表中分值較低的維度如僅占2分的Fl項等，并非不重要，而是由于當前課例中體現較少，尚未形成課堂案例中的主流。未來要加強信息技術實踐創新的比重，使技術創新體現在常態化的課堂教學里，成為比“技術應用”更為重要的一級指標，占有更大的權重值，將是驗證教育信息化2.0時代深化課堂教學改革的參考指標之一。

六、人工智能在課堂教學分析中的應用場景

結合以上分析，本研究提出人工智能助力課堂教學分析的三個應用場景：教學診斷、教學設計和教學評價。

1.教學診斷：高效分析和可解釋的結果

教學診斷對于發現課堂教學中的問題、提高課堂教學質量以及促進教師專業發展具有重要作用[50]。傳統的課堂教學分析，多是通過自我報告法、人工觀察手動編碼等方法來進行數據采集和分析，存在著編碼主觀性強，費時費力，難以規模化開展等缺點，不利于發現普遍的教學規律[51]。這會導致中小學教師不得不依賴專家、教研員和骨干教師等人的他診，自行診斷的人力成本高、機會少，高效且易用的診斷平臺匱乏、工具稀缺、制約教師專業成長的速度和水平。

本文提出的人工智能課堂教學分析框架和技術，為解決以上困境提供了可能。教師提供常規課堂的教學視頻和教學設計方案等素材，由診斷平臺自動且快速地識別，對課堂中的教學言語和行為等交互數據給出分析結果，并結合不同分析意圖，提供可解釋的診斷結果。

2.教學設計改進：教學事件和教學法結構分析

教學診斷是要服務于教學改進。傳統的“時間取樣”量化分析，重在統計師生行為和言語交互的頻次或比例等。雖然提供了客觀的分析結果，但用于教學改進時，會存在把教學行為從情境中剝離出來的失真現象，導致行為背后所蘊含的教育意義缺失等問題[52]。

本文運用人工智能技術，重構了以“教學事件分析法”為主的量化研究思路，由計算機參與課堂教學事件與教學法結構序列的識別與歸類。這樣的分析結果，不僅能幫助教師檢驗，將雙主教學理念落實在真實教學中的程度，還幫助教師發現，到底是哪些教學事件，哪些教學法里，可以改進主導和主體的比例和時序關系，在改進的理念和方法上都具有可行性。

3.教學評價：通過教學評語反向提取評價標準

評價教師的課堂教學，通常有幾種表現形式，一是根據評價指標賦值打分的量化評價，二是根據課堂觀察給出的質性評語[53]，三是兩者的結合。但無論是哪種形式，都是“自上而下”的研究思路，即先定預設評價標準，再打分和給評語。這種分析方式，容易掩蓋許多預設標準中沒有考慮到的方面[54]，也不利于提取零散的評語中，隱藏的教學改進策略和寶貴建議。

本文提出利用人工智能技術逆向分析評語，采用的是“自下而上”的評價思路，通過挖掘大量評語中的共性因素，不僅能為課堂教學評價量表修訂提供證據，還可以讓教學評價里零散的教學經驗和智慧得以聚集，讓教學評語中的共識通過“眾籌”的方式浮現出來，為課堂教學評價提供新視角。

七、結語

人工智能融人教育已成為發展趨勢。本文梳理人工智能助力課堂教學分析的進化路徑后，從教學案例庫、分析維度集、多元分析方法等方面構建起基于人工智能的課堂教學分析框架，并將人工智能技術應用到實踐應用中。

然而必須認識到，將人工智能技術運用于課堂教學分析時，仍面臨以下困難：第一，對于課堂教學特征的分析指標、參考閾值，學界尚未形成統一的評價標準;第二，課堂教學分析多聚焦于“教”，且多針對單一學科，對聚焦于“學”、適用于多學科、多課型的分析技術還有待探索;第三，缺少公開、已標注的教學數據集，導致課堂教學自動化分析的探索囿于大量的數據分類與統計。后續研究需要進一步結合自然語言理解、計算機視覺、教育大數據的最新研究成果，提高教學數據采集的全面性和精準度，期待能為人工智能支持教學分析提供新思路和新方法。

參考文獻：

[1]寧虹，武金紅.建立數量結構與意義理解的聯系——弗蘭德互動分析技術的改進運用[J].教育研究，2003，（5）：23-27.

[2]顧小清，王煒.支持教師專業發展的課堂分析技術新探索[J].中國電化教育，2004，（7）：18-22.

[3]方海光，高辰柱等.改進型弗蘭德斯互動分析系統及其應用[J].中國電化教育，2012，（10）：109-113.

[4]章勤瓊，譚莉.課堂錄像促進教師專業研修：框架、應用及反思[J].全球教育展望，2019，48（1）：103-112.

[5] Stein M K，Correnti R，et al.Using Theory and Measurement to SharpenConceptualizations of Mathematics Teaching in the Common Core Era[J].AERA Open，2017，3（1）：361-379.

[6]孫眾，馬玉慧.視頻案例多元分析法促進新手教師專業發展研究[J].電化教育研究，2013，34（8）：104-109.

[7]郁曉華，黃沁.學習分析視角下的數字化課堂互動優化研究[J].中國電化教育，2018，（2）：12-20.

[8]魏宏聚.教學切片分析課堂診斷的新視角[J].教育科學研究2019，（2）：63-67.

[9]劉海生，李清臣.試析基于教學切片診斷的課堂研究[J].當代教育科學，2015，（20）：27-30.

[10]夏雪梅.以學習為中心的課堂觀察[M].北京：教育科學出版社，2012.

[11]余勝泉.人工智能教師的未來角色叨.開放教育研究201824（1）：16-28.

[12] Easterday M W，Rees Lewis D，et al.Designing Crowd critique Systems forFormative Feedhack[J].Intemational Journal of Artificial Intelligence inEducation，2017，27（3）：623-663.

[13] Beigman Klehanov B，Burstein J，et al.Reflective Writing Ahout theUtility Value of Science as a Tool for Increasing STEM Motivationand Retention-Can AI Help Scale Up？ [J].International Journal ofArtificial Intelligence in Education，2017，（27）：791-818.

[14] Luckin，Rose.Towards artificial intelligence-hased assessmentsystems [J].Nature Human Behaviour，2017，1（28）：1-3.

[15] Walkington C，Bernacki M.Personalizing Algebra to Students'Individual Interests in an Intelligent Tutoring System：Moderatorsof ImpaCt [J].International Journal ArtifiCial IntelligenceEducation，2019，（29）：58-88.

[16] Wu W，Chen Let aLInferring Students+Personality fiom Their CommunicationBehaviorin Web-based LP，arrung Systems[J].I ntemational Joumal of AItificialIntelligence in Education2019，（29）：189-216.

[17] Tauh M，Azevedo R.How Does Prior Knowledge Influence EyeFixations and Sequences of Cognitive and Metacognitive SRLProcesses during Learning with an Intelligent Tutoring System？ [J].International Joumal Artificial Intelligence Education，2019，（19）：1-28.

[18]劉智，劉三蟲牙等.物理空間中的智能學伴系統：感知數據驅動的學習分析技術——訪柏林洪堡大學教育技術專家Niels Pinkwart教授[J].中國電化教育，2018.（7）：67-72.

[19]劉三玡，周東波等.基于地圖的教育大數據可視分析方法探討[J].電化教育研究，2018，39（7）：49-56.

[20]程云，劉清堂等.基于視頻的改進型S-T分析法的應用研究[J].電化教育研究，2016，（6）：90-96.

[21]劉凱，胡祥恩等.機器也需教育？論通用人工智能與教育學的革新[J].開放教育研究，2018，24（1）：10-15.

[22]呂愷悅，施智平等.人工智能時代下的教師教育發展“2019人工智能+教師教育國際研討會”在北京舉行[J].現代教育技術，2019，（7）：1.

[23]張學軍，董曉輝.人機共生：人工智能時代及其教育的發展趨勢[J].電化教育研究，2020，41（4）：35 -41.

[24] Walker R，Adelman C.Interaction analysis in informal classrooms：Acritical comment on the Flanders' system[J].British Journal ofEducational Psychology，201 1，45 （1）：73-76.

[25] Amidon E J，Casper I G，et al.The role of the teacher in the classroom：Amanual for understanding and improving teacher classrcx）m behavior [M].MN：Paul S.&Associates，lnc，1985.

[26]鄭隆威，馮園園等.學習成果可測了嗎：基于學習分析方法的認知分類有效性研究[J].電化教育研究，2019，40（1）：77-86.

[27]李善良課堂教學目標的確定—基于美國中小學教材的考察[J].教育理論與實踐，201 1，31（25）：53-56.

[28]馮茹，馬云鵬.基于真正學習的教學設計三維要素分析[J].教育理論與實踐，2019，39（10）：58-62.

[29]徐夢杰，曹培英.精準針對學生差異的學情分析研究[J].課程.教材.教法，2016，36（6）：62-67.

[30]陳佑清，陶濤.“以學評教”的課堂教學評價指標設計[J]課程.教材.教法，2016，36（1）：45-52.

[31] Davis E A，Beyer C，et al.Understanding pedagogical designcapacity through teachers' narratives [J].Teaching and TeacherEducation，2011，27（4）：797-810.

[32]黃寶權.基于課堂教學切片診斷的課堂觀察[J].教育科學研究，2017，（9）：46-49.

[33]郝琦蕾，郭彩利等.中學教師教學反思現狀的質性研究[J].教學與管理，2017，（3）：21-24.

[34][48]馬志強，王靖等.網絡同伴互評中反饋評語的類型與效果分析[J].電化教育研究，2016，37（1）：66-71.

[35] Karpathy A，Toderici G，et al.Large-Scale Video Classificationwith Convolutional Neural Networks[A].Proceedings of the 2014IEEE Conference on Computer Vision and Pattern Recognition[C].Columhus：IEEE，2014.

[36] Dai W，Chen Y，et al.Two-Stream Convolution Neural Network withVideo-stream for Action Recognition[A].Proceedings of the 2019International Joint Conference on Neural Networks（IJCNN） [C].Budapest：IEEE.2019.

[37] Tran D，Bourdev L，et al.Learning Spatiotemporal Features with 3DConvolutional Networks [A].Proceedings of the 2015 IEEE InternationalConference on Computer Vision（ICCV） [C].Santiago：IEEE，2015.

[38]周鵬霄，鄧偉等.課堂教學視頻中的S-T行為智能識別研究[J].現代教育技術，2018，28（6）：54-59.

[39]徐家臻，鄧偉等.基于人體骨架信息提取的學生課堂行為自動識別[J].現代教育技術，2020，30（5）：108-113.

[40] Gagne，R.The Conditions of Learning（4th.）[M].New York：Holt，Rinehart&Winston.1985.

[41] R.M.加涅.皮連生，王映學等譯.學習的條件和教學論[M].上海：華東師范大學出版社，1999.

[42]何克抗.教學結構理論與教學深化改革（上）[J].電化教育研究，2007，（7）：5-10.

[43] Jacohson M J，Kim B，et al.To guide or not to guide：lssues in thesequencing of pedagogical structure in computational model-basedleaming[J].Interactive Learning Environment，2013，23（6）：715-730.

[44]王冬青，劉歡等.智慧課堂教師行為數據的分析方法與應用驗證[J].中國電化教育，2020，（5）：120-127.

[45] Inas Bruno，Leonor Santos.Written comments as a form of feedhack [J].Studies in Educational Evaluation，2010，36（3）：111-120.

[46] C.S.Akpe.Using Respondents' Free Comments To ImproveCollege Curricula：A Case Study of Rivers State College ofEducation NCE Primary Programme [J].Studies in EducationalEvaluation，1989，（15）：183-191.

[47] Alhija N A，Fresko B.Student evaluation of instruction：What can belearned from students' written comments'？[J].Studies in EducationalEvaluation，2009，35（1）：37-44.

[49]劉智.課程評論的情感傾向識別與話題挖掘技術研究[D].武漢：華中師范大學，2 014.

[50]岳欣云，董宏建.教師教學診斷能力：內涵、價值及提升策略[J].教育理論與實踐，2015，35（26）：3-5.

[51]劉清堂，何皓恰等.基于人工智能的課堂教學行為分析方法及其應用[J].中國電化教育，2019，（9）：13-21.

[52]江毅，王煒等.基于行為序列分析的師生互動效果研究[J].現代遠距離教育，2019，（6）：53-61.

[53]羅祖兵，郭超華.新中國成立70年課堂教學評價標準的回顧與展望[J].中國教育學刊，2020，（1）：55-61.

[54]陳振華.教學評價中存在的問題及反思[J].教育發展研究，2009，（1 8）：84-87.

作者簡介：

孫眾：教授，博士，碩士生導師，研究方向為技術支持的教師專業發展（sunzhong@cnu.edu.cn）。

呂愷悅：在讀碩士，研究方向為教師教育、學習分析（2224760241@qq.c om）。

駱力明：教授，碩士生導師，研究方向為計算機教育學（luolm@cnu.edu.cn）。

陳美玲：實驗師，研究方向為教育信息化（CML221@163.c om）。

許林：編審，研究方向為教育信息化（xutingxing@263.net）。

施智平：教授，博士，博士生導師，研究方向為計算機視覺、形式化驗證（5959@cnu.edu.cn）。

收稿日期：2020年4月20日

責任編輯：李雅瑄

*本文系國家自然科學基金項目“基于人工智能的課堂教學交互分析關鍵技術研究”（項目編號：61977048）階段性研究成果。

①施智平為本文通訊作者。