面向智慧課堂的靈活深度學習設計框架研制

彭紅超 祝智庭

摘要：深度學習是智慧教育的核心支柱，但目前尚缺少智慧課堂專屬的深度學習設計方案。如何針對深度學習的靈活性訴求，研制一種智慧課堂賦能的靈活深度學習設計框架，是推進深度學習實踐落地的關鍵所在。基于深度學習架構理念、采用教育設計研究范式研制的面向智慧課堂的靈活深度學習設計框架，遵循逆向設計邏輯，包括課堂環境分析、明確目標、確定評估、學生分析、任務設計、編列制定、繪制分布和決策預設等8個步驟，既體現了智慧課堂精準把脈、互動支持、適性推送、即時反饋等四大特色功能，也為智慧課堂中的學習任務、學習活動、學習進程和教學決策等四個方面的靈活性設計提供了詳細的方案支持，并且還能夠可視化學生深度學習的個性化進程。該框架經過高質量評估標準錨定下的專家校驗與迭代修訂，已達到可交付實施的質量要求。這一框架在智慧課堂中的應用有助于促使學生深度參與學習，引導學生采用高級學習方略，促進高階知能的發展，加深概念理解及其遷移應用。

關鍵詞：智慧課堂;深度學習;設計框架;學習架構;逆向設計;靈活性

中圖分類號：G434? ?文獻標識碼：A? ? 文章編號：1009-5195（2021）01-0038-11? ?doi10.3969/j.issn.1009-5195.2021.01.004

基金項目：2018年度國家社會科學基金重大項目“信息化促進新時代基礎教育公平的研究”（18ZDA335）。

作者簡介：彭紅超，博士，助理研究員，華東師范大學開放教育學院（上海 200062）;祝智庭（通訊作者），終身教授，博士生導師，華東師范大學開放教育學院（上海 200062）。

教育領域中的深度學習自1976年誕生以來，歷經蟄伏期、萌動期、新興期，于2016年前后進入迅發期（重要導火索是AlphaGo戰勝李世石事件）（彭紅超等，2020a）。再次受寵的深度學習（第一次發生在萌動期）受到學術界以及大眾的廣泛關注（何克抗，2018），他們相信深度學習是面向未來教育變革之大趨勢，處在變革主體末端的中小學校也意識到其蘊含的巨大潛在價值（Johnson et al.，2014）。

縱觀深度學習的發展史，其經歷了兩次重大轉變，第一次是從索求理解到追求遷移，第二次是從注重過程到側重結果（彭紅超等，2020a）。當前的深度學習與智慧教育目標高度吻合，并成為智慧教育的核心支柱（祝智庭等，2017），但對于設計智慧課堂中深度學習的方法論，國內少有學者進行研究，只發現學者張瑋基于翻轉課堂框架提出了智慧英語課堂設計思路（張瑋，2019），以及張屹教授團隊建構了促進深度學習的智慧課堂教學交互框架（陳蓓蕾等，2019）。為此，本研究基于本團隊構建的深度學習架構，按照教育設計研究方法，嘗試構建智慧課堂賦能的靈活深度學習設計框架。

一、深度學習概述

1.深度學習的靈活性訴求

歷經兩次重大轉變，深度學習現已發展成為一種基于理解、追求遷移應用的有意義的學習，它通過促使學生深度參與學習、適性地采用高級學習方略來促進高階知能的發展，并實現這些知能在全新情境中的應用或新的高階知能的生成（彭紅超等，2020a）。容易發現，深度學習目標對于初學者而言具有相當的難度，它要求學習者在意義構建過程中，能夠根據自己的情況，隨時回顧、反復深思、修正甚至重構已有的想法。回顧所學的差異性和反思的不確定性造就了學習進程的靈活多樣。

在這種靈活多樣的學習進程中，教師的引導不可或缺，因為初學者容易由于缺乏解決問題的專家圖式而遭遇失敗（Bransford et al.，2000）。學生的自主也必不可少，已有研究表明，自主會讓學生更加偏好于富有挑戰性的任務，更愿意付出更多的努力（Grolnick et al.，1989）。需要謹記的是，教師的引導與學生的自主不能涇渭分明，Green等人研究的失敗案例已證明了這點（Green et al.，2013）。因此，能夠滿足此需求的教學模式應為靈活交互式的“師導探究型”模式，這種模式與“學主師導型”模式（鄭福勝等，2017）不同，它更加關注學生的個性需求，并且學習過程中的主導主體性也更加靈活多變。

相比傳統課堂，智慧課堂能夠更好地賦能深度學習的這些靈活性需求：在先進技術的支持下，智慧課堂通過敏捷感知情境、全程記錄過程、精準配送服務、實時反饋學情（Zhu et al.，2016），可以為學習者的學習新知、了解動態和回顧反思提供實時事適的學習體驗;同時提供服務的智能系統一般由基于自適應控制理論（Widrow，1987）的自適應動力機制來驅動，其提供服務的強度會隨學生的需求或能力改變而進行自動調節。隨著學生能力的發展，智能系統提供服務的強度將逐步減弱，最終將學習的主動權完全歸還給學生，本研究團隊將此現象命名為“動力機制的支架消減效應”。

2.靈活深度學習設計的導向

學習架構（Learning Architecture）是深度學習的靈活性表達（彭紅超等，2020b），并且能夠顯化學習的深度（Scanlan，2013）。與教學結構不同，學習架構關注影響學與教的四大要素（任務、活動、進程、決策），對學習過程和結果的靈敏度較高。學習架構正是這四大要素相互聯系、相互作用而形成的學與教模式的靈活框架，為靈活深度學習設計提供了指導理念（彭紅超等，2020b）。

學習架構的邏輯起點是學習任務，作為深度學習的主要內容與支架，它包括有效性和趣味性兩個屬性。前者保障學習效率，以便課堂教學有更多的時間用于培育深度學習側重的高階能力及其遷移應用;后者促進深度參與，已有研究表明，趣味性能促使學生感知內容的內在價值、激發內在動機，由此而促進學習者深度參與（Hulleman，2007）。

學習架構的第二個要素是學習活動，即學生完成任務的行為，包括自主性和引導性兩個屬性。前者旨在保障學生主動、能動的學習機會，促進學生采用深度學習策略（Harter，1978）;后者旨在讓教師和智能學習系統為學生深度學習護航，降低學習失敗的概率。

學習架構的第三個要素是學習進程，即學習活動的編列構成，涵蓋無序性和有序性兩個屬性。前者是學生個性化適性學習的必然，后者是教師統一化教育教學的需求。對于教師而言，學習進程的無序性會顯著增加教學難度，而智慧課堂中的智能學習系統及設備能夠為教師分擔此方面的部分挑戰。

學習架構的第四個要素是教學決策，它能夠對深度學習的狀況做出判定，其關注智能系統的數據驅動決策和教師的數據啟發決策，二者靈活協調、相互優化（彭紅超等，2019），共同實現人機共教、人機幫學。

綜上，構成學習架構四大要素的各個二元屬性均相互獨立，且能夠按照學生的需求進行自我調節，每對二元屬性像左右聲道一樣，靈活協調地為學生提供立體式的深度學習體驗。

二、研究問題與方法

學習架構為靈活深度學習提供了設計藍圖和導向，但并沒有給出指導教師進行教學設計的具體解決方案，本研究試圖研制一種面向智慧課堂的靈活深度學習設計框架來解決此問題。教育設計研究是研制設計框架的系統性研究方法（Design-Based Research Collective，2003），按此方法的要求，框架的研制需要探究以下兩個子問題：

子問題1：靈活深度學習的設計框架包括哪些部分，各部分包括哪些步驟？

子問題2：如何確保靈活深度學習設計框架的質量？

本研究借鑒國內外已有的相關研究成果，按照教育設計研究的Klerk研制策略組織研究過程（De Klerk et al.，2018）：（1）文獻檢索。檢索涉及深度學習的文獻資料，與兩位志愿者一同梳理出有參考價值的論斷。（2）原型構建。依據本研究團隊前期研制的深度學習架構模型，結合梳理出的參考論斷，構建靈活深度學習設計框架的原型，該過程咨詢了3位信息化教學設計專家并采納了其建議。（3）原型校驗。對5位信息化教學設計專家進行半結構化訪談（不含上一步的3位專家），校驗所構建的設計框架原型。（4）確定框架。按照專家校驗反饋的結果修正原型，得到高質量、可交付實施的設計框架。

三、研究參與者

本研究共招募了2名志愿者，邀請了8位信息化教學設計專家，其相關信息如表1所示。其中，2名志愿者均為本專業博士生，且有CSSCI期刊論文成果發表。8位專家中前3位是構建靈活深度學習設計框架原型的咨詢對象，他們均有5年以上信息化教學設計方面的專業經驗;后5位是校驗設計框架原型的受訪對象，他們均具有11年以上專業經驗，并且具有豐碩的深度學習理論與實驗研究成果。根據Klerk等人的觀點，接受咨詢與采訪的專家人數能夠滿足框架設計的信度要求，而表1所示的參與者的專業性可以很好地確保框架設計的效度。

四、研究過程設計

1.文獻檢索

中文文獻以“深度學習”“深層學習”和“教學設計”“學習設計”為主題詞，檢索中國知網、萬方、維普數據庫中的北大核心與CSSCI期刊論文;英文文獻以“deep（er） learning”“deep approach（es）”“deep strateg（y/ies）”和“learning/teaching by design”“learning/teaching design”“design for learning/teaching”“instructional design”為主題詞，檢索Web of Science和ERIC中的期刊論文。檢索規則為：主題詞用“""”邏輯符分組，不同主題詞間用AND邏輯符，相同主題詞間用OR邏輯符，英文“（）”及其內部的字符用“*”邏輯符代替。對于無法獲得全文的文獻，嘗試采用Google學術和百度學術進行檢索。

剔除重復條目與無法獲得全文的條目后，按照Petticrew和Roberts策略（Petticrew et al.，2006），制定出如下文獻遴選原則：剔除技術領域的文獻;剔除主題不是教學或學習設計的文獻;剔除沒有關注深度學習架構任何要素或其屬性的文獻;剔除從智慧課堂環境與資源設計方面來促進深度學習的文獻（原因在于本研究關注其教學應用而非設計）。

筆者與2名志愿者依循以上原則共同遴選文獻，梳理其中的參考論斷，其中僅保留2人及以上認為符合條件的文獻，以確保遴選精度;同時保留1人及以上認為有參考價值的論斷，以得到盡可能多的參考依據。

2.原型構建

原型構建包括三個階段，一是確定靈活深度學習設計框架草圖及其各個設計部分，二是確定各設計部分可能的步驟及其聯系，三是界定并說明設計部分及其步驟。

原型構建過程中，通過面對面與微信語音方式，咨詢3位專家的建議，特別是參考論斷中相互矛盾的觀點，如深度學習目標是布魯姆認知領域教育目標分類的后三層還是后四層。第一次咨詢前，筆者向3位專家詳細介紹了深度學習及其架構理念。每次咨詢后，即刻整理專家建議，并修正框架的設計步驟。

3.原型校驗

該階段采用半結構化訪談形式對受邀的5位專家進行訪談，提綱依據高質量評估標準（Nieveen，2013）設計而成（每個問題均通過了專家1至專家3的審核），方式采用微信語音通話。每次訪談前5～8分鐘向專家介紹所構建的靈活深度學習設計框架原型，以保證受訪者深入理解其理念與思路。

高質量評估標準適用于評估產品和過程等各類教育干預原型，可以對原型的總目標和各個設計部分進行價值判定（Plomp et al.，2007）。該評估標準包括相關性、一致性、實用性和有效性四大準則，其界定如表2所示。按照此標準進行校驗和完善后便可形成高質量、可交付實施的框架。

采訪后，按照以下規則挑選出所有與高質量評估標準有關的反饋條目（De Klerk et al.，2018）：一是筆者與2名志愿者各自獨立挑選;二是保留同被3人挑選出的條目;三是對于其中1人或2人挑出的條目，經過集體研討后決定是否保留。

4.確定框架

根據專家返回的條目，修正靈活深度學習設計框架原型，將形成的新框架再次發郵件給5位專家，并附上各位專家對應的反饋意見，以方便其判定自己提出的意見是否得到完善。如此往復，直至通過所有專家的校驗評估。

五、研究結果

1.文獻檢索結果

依據以上文獻遴選標準進行篩選后，得到有效文獻43篇，其中36篇被3人同時選中，7篇被2人同時選中。從這些文獻中，共梳理出有效的參考論斷158條，其中有87條被3人選中（55.1%），22條被2人選中（13.9%），49條被1人選中（31%）。這些參考論斷中也有命中文獻的理論基礎或依據（只保留3人均認為有價值的），如Wiggins和McTighe的逆向設計（Backward Design）理論（Wiggins et al.，2005）。對于觀點相悖的參考論斷，僅做如實記錄，如何取舍在“原型構建”時由3位專家來決定。

2.原型構建結果

（1）深度學習架構的靈活性表達

按照深度學習架構理念，結合梳理得到的參考論斷，本研究團隊確定了如圖1所示的深度學習架構的靈活性表達方案，并得到3位專家的認可。此方案主要關注兩方面的工作：一是靈活性設計，即圖中的螺旋路徑（由里向外）;二是智慧課堂、教師、學生的行為支持，即圖中的三角形。前者創設靈活深度學習的條件，后者促使任務、活動、進程、決策的靈活性得以體現。

具體來講，學習任務靈活性表達需包括方略設計、學習任務設計、學習要求、編列制定4個設計環節。方略設計為學生完成任務提供參考性行為支架。學習任務設計注重有效性和趣味性，前者關注目標與評估設計，后者關注情境與行為活動設計，二者之間的靈活性即為學習任務的靈活性。學習要求界定任務是否選做，為學生選擇自適任務提供可能。編列制定呈現符合認知發展的學習順序，促使學生正確選擇任務。歷經此4個環節設計好的學習任務，經由智慧課堂的智能學習系統適性配送或教師人工推送給學生，學生可根據實際需求選擇自己需要的學習任務。任務不同，其有效性和趣味性亦不同，這種靈活性由學生自己把控。

學習活動靈活性表達需有學習支持的設計，包括教師為保證學生順利完成任務所給予的提示與指引，以及智能學習系統提供的提醒、推薦和警示。前者教師可通過監督學習過程來實現，后者可通過數據把脈來實現，最后由學生自主掌控是否接受，如此學習活動的指引性與自主性之間的靈活性便得以體現。

學習進程靈活性表達需有反思任務的設計，它是學生深入理解概念、實現深度學習的有效手段（Haller et al.，2007）。反思任務的設計應以多角度和啟發性為關鍵，讓學生每次完成反思任務后都會產生新的認知。將這樣的反思任務作為冗余任務，可以增大學生成功學習的概率。設計好的任務經由智能學習系統個性化地推薦給學習者，雖然這會增加進程的無序性，但教師可以通過控制反思任務的數量而調控學習進程的有序性。如此便可實現學習進程無序性和有序性間的靈活性，且互不沖突。

教學決策靈活性表達需經過人機協同方案的設計，以便發揮智能學習系統與教師各自的決策優勢。方案大致的理念是智能學習系統承擔教育大數據驅動的決策，教師審核后進行基于數據啟發的決策。教師決策的數據源來自系統即時反饋的即席報表或學習儀表盤。教學決策的數據驅動與數據啟發間的靈活性的核心在于教師的審核，這決定了學生可自主挑選的決策服務來自于教師、智能學習系統還是二者兼有。

（2）靈活深度學習的設計框架原型

受咨詢的專家一致贊同，融入了圖1表達方案的深度學習設計框架大致有三個基礎部分（還有兩個專有部分），并遵循逆向設計理念：即先明確學習目標，再確定評估證據，最后設計學習任務（依次對應圖2中的虛線方框內容）。這種理念有助于提高學習任務的有效性（Wiggins et al.，2005）。按照專家們的建議，“明確學習目標”部分應著重目標的表述與深度判定工作;“確定評估證據”部分應在兼顧傳統證據（如測驗、習題等）的基礎上，著重績效評估證據的確定工作;“設計學習任務”部分應著重體現深度學習架構的任務、活動、進程、決策四方面的靈活性。此面向智慧課堂的靈活深度學習設計框架如圖2所示，其所有步驟均是由3位專家協商后確定的。

①明確學習目標

目標為評估和學習提供導向，目標是否具體、明確關系到深度學習是否在正確的方向上前進。此部分包括4個步驟（即步驟1～4）。

第1步是“列出課標要求”。課標一般以單元甚至整個學段為單位，因此，一堂課的課標要在分析學習內容和知識結構的基礎上進行篩選得到。

第2步是“細化目標并表述”。對于知能層次結構清晰的課標要求進行細化（如數學學科的知能），可采用“整體—部分”策略;對于知能層次結構不清晰的課標要求進行細化（如語文學科的知能），可采用“演繹”策略。對于細化好的目標，采用教學目標制定ABCD法（即Audience、Behavior、Condition和Degree 4個英文單詞首字母的縮寫）或內外結合法表述即可。

第3步是“歸類目標”。參考論斷中提及的布魯姆教育目標分類和SOLO目標分類理論進行歸類，前者采用“動賓結構”，具有任務色彩，更有利于深度學習任務的設計;后者采用“動詞匹配”方式，即將第2步中的行為動詞B與布魯姆教育目標中的19類動詞或39種替代詞進行匹配。

第4步是“判定目標深度”。Anderson等人（2001）明確指出，布魯姆教育目標中第一層強調保持、后五層強調遷移，但“理解”有助于遷移而并非是遷移。按照原著與專家建議，本研究將布魯姆教育目標（針對認知領域）的前兩層判定為淺表目標，后四層判定為深度目標。

②確定評估證據

評估不僅能估計學生的能力水平，而且能提供反饋和促進參與（MacFarlane et al.，2006），更能判定深度學習任務的有效程度，這是實現任務靈活性的基礎。此部分包括3個步驟（即步驟5～7）。

第5步是“確定評估標準”。標準可確保無論采取何種評估形式，其衡量的尺度均為一致。績效評估標準采用McTighe提出的包括內容、過程、質量、影響四個維度的績效評估通用標準（McTighe，2016），其他評估標準借用DOK評估標準（Darling-Hammond et al.，2013），即當DOK水平為3及以上時表示深度學習。

第6步是“確立績效評估證據”。深度學習必須有績效評估成分，其評估的指向即是深度學習（周文葉，2018）。智慧課堂均會隱式記錄下全部的績效證據，但特定一節課究竟需要哪些證據，則需根據預期目標來確定。績效任務是獲取績效證據的重要途徑，其可借用G.R.A.S.P.S.工具進行設計（McTighe，2015），設計時需將師生置于智慧情境中。

第7步是“確立其他評估證據”。此類評估證據是績效之外的傳統或標準化的評估證據（如作業、期中測試等），目前此類評估在高階能力評估方面做得很差，而太過側重基本智能評估（周文葉等，2017）。

③推薦學習環境與資源

第8步是“推薦學習環境與資源”。技術賦能的智慧環境可以促進深度學習（何克抗，2018），教師可以運用經由數據啟發的教學智慧向學生推薦適切的線上環境（學習空間）、線下環境（創客空間）、混合環境（未來課堂）。資源的推薦可采用“自動推薦+人工補充”的策略，即智能學習系統的自動推薦先行，教師可補充系統無力推薦的資源。目前，智能學習系統的推薦算法主要有4種：協同過濾推薦、基于內容的推薦、基于知識的推薦、混合推薦。其中，第一種存在冷啟動問題;第二種除冷啟動問題外，還難以推薦潛在風格偏好的資源;第三種需要學生與系統頻繁交互，對于無需交互的學習情況并不適用;第四種難以把握“混合點”。為此，本研究提出如下策略，即先明確系統采用的算法，確定推薦的薄弱點，然后重點關注系統在薄弱點上的表現，如果需要，則通過人工方式進行補充。

④設計學習任務

設計學習任務部分放在明確學習目標和確定評估證據之后，可避免單純為做任務而做任務。此部分是深度學習四大靈活性的集中體現，與評估任務不同，學習任務旨在向學生提供學習支架，方略、活動、提示是其重要組成部分（Wickersham et al.，2008），其設計包括6個步驟（即步驟9～14）。

第9步是“確定學習任務類別”。深度學習的任務要有梯度、有層次（Mitchell et al.，2011），可設計為基礎任務、挑戰任務、本真任務（Authentic Task）三層。挑戰任務可分為挑戰Ⅰ型和Ⅱ型，前者側重知能深度，后者側重知能廣度。鑒于“理解”是遷移應用的必要條件（Griffith et al.，2000），因此另設特殊學習任務——反思任務。在確定學習任務類別時，先判定學習目標中是否涉及核心概念（即大觀點或基本概念），如果是則設計成反思任務，否則就設計成學習任務。此處，反思任務還擔當冗余任務角色，作為調整學習進程靈活性的基礎。

第10步是“設計學習方略”。參考論斷顯示，明智的設計原則強調聚焦特定智慧環境優勢，對準學習目標需求，重視多方略并用。另外，也可以采用“思考—互論—分享”（Think-Pair-Share）框架（Morgan，2010）快速設計深度學習方略。設計好的策略只是建議，學生可自行決定是否采用，這是學習活動靈活性的體現。

第11步是“設計學習/反思任務”。學習/反思任務分別承擔學習任務靈活性和學習進程靈活性的重任，也是實現學習活動靈活性的基礎。設計學習任務需從確定主題、設計情境、描述行為、表征要求入手。主題應與目標及其包含的知能對應，并挑選貼近生活與社會的、有意義的話題或問題，以在提高任務有效性的同時，建立內容與經驗之間穩固的認知連接（Choi et al.，1995）。設計情境時需至少體現以下特點之一：情感性、真實性、交互性、與自身相關、能引起認知沖突。它們可有效增加任務靈活性所需的趣味性，并激發深度參與的欲望。任務行為可從與機器、教師、學生、內容四方面的交互/互動角度進行描述。描述的行為應明確且具有操作性，可參考本研究團隊對操作層行為的相關研究（彭紅超等，2016）。任務要求需對應評估證據，其表征應可觀測、可操作，此方面可借鑒ABCD目標表述中的B和D的表征規范。對于反思任務的設計，應重點關注兩種，即行動中反思與行動后反思。前者可通過在四類學習任務中巧設障礙、陷阱或認知沖突來實現;后者需設計獨立的任務，即先從盡量多的角度把同一概念情境化，然后提出能引起學生回憶、梳理、概括、總結、分析、綜合、評價等認知活動的問題。另外，同一核心概念的反思任務需設計多個，以期通過冗余來實現學習進程的靈活性。

第12步是“給予指引/提示”。指引/提示須指令明確且清晰，并用明確的行為/操作動詞表述，同時采用隱式的方式呈現，即智能學習系統中的指引，點擊才顯示;紙質的指引，刮開才顯示。

第13步是“標注學習要求”。當對任務有要求時，學生才有主動選擇的機會，學習路徑才會呈現出個性化的無序狀態。按照專家建議，將任務設置為必做、選擇性必做、選做三類，其中選擇性必做既可保證教師的基本教學要求，又能滿足學生的個性需求。鑒于目前智能技術不能很好地滿足自動標注的要求，因此在設計任務時，教師需根據目的和任務性質進行人工標注。

第14步是“確定決策方案”。按照圖1靈活性表達方案中人機協同策略執行即可，一般來說，如果發現個別學生出現問題，則往往是由于任務不適合該學生;而如果發現多數學生出現相同問題，則往往根源在于任務本身，因此需重新設計任務（彭紅超等，2019）。

⑤繪制任務分布

第15步是“繪制任務分布”。該步驟旨在將靈活的學習進程進行可視化呈現，便于師生了解學習狀況。可采用二維坐標系實現，其中橫坐標表示知能廣度，縱坐標表示知能深度。教師可按照完成此任務所需的知能廣度和深度將各個任務繪制到坐標系中，讓智能學習系統自動或學生人工把自己完成任務的順序繪制出來，便可形成可視化進程圖譜。該圖譜既能幫助教師判定本堂課的任務難度是否合理，也有助于學生了解各個任務的難易程度，以便其做出更自適的選擇。

（3）原型校驗結果

訪談得到的有用反饋條目共有29條，其中來自3人、2人、1人的數量分別有22條、4條、3條。研討后決議刪除來自1人的2條條目后，最終得到27條反饋條目，如表3所示，其中的百分比為專家反饋此觀點的比例。使用這些步驟，可以確定靈活深度學習設計框架如何修正完善。

（4）框架的修訂

根據專家的反饋意見，最終形成的靈活深度學習設計框架如圖3所示。修訂后的框架圖步驟縮減至8個，流程做了大幅度簡化，4個方面的靈活性也聚焦到了對應的步驟，以便教師清晰了解哪些步驟對應體現哪個靈活性。另外，表3中的1-1、1-2、1-3、1-4、2-1、4-2、5-1、5-2等反饋，均因缺少說明所致，修訂版亦一一做了補充說明。

“課堂環境分析”是新增加的步驟，放在第1步便于教師在后續設計中，充分利用智慧課堂的精準把脈、互動支持、適性推送、即時反饋等4個方面的功能特性。其中，精準把脈主要分析智慧課堂可以感知和分析學生的認知、情感、動作三方面的哪些數據，以了解智慧課堂可以為自己的設計提供哪些數據支持。互動支持主要分析智慧課堂對學生與機器（交互方式、簡易程度）、教師（互動類型、互動途徑、通信方式、可互動的人數）、學生（同前者）、內容（互動類型、互動策略）等方面互動的支持程度，以便教師事先思考后面如何設計富有成效的學習任務。適性推送主要分析智慧課堂可以推送的內容（如建議、警示、資源、活動等）、時機（事前、即時、事后）、策略（生成性推送、整套推送），這關乎學習任務中指引/提示以及決策方案的設計。即時反饋主要分析智慧課堂可以反饋的內容（學習進度、作業成績等）與呈現方式（即席報表、學習儀表盤），這兩方面會影響教師的監督能力以及學生對自己學習進度與表現的了解。

第2步“明確目標”并未作較大變動，只是對淺表目標和深度目標的界限作了修訂：將布魯姆認知領域教育目標應用層的“執行”及以下部分視為淺表目標，將“實施”及以上部分視為深度目標，這是因為深入研究后發現，“實施”對應遷移中的新情境應用，其上部分對應高階知能的生成。

第3步“確定評估”作了一定增補，為提高其操作性和直觀性，增補了McTighe通用標準界定與指標樣例、DOK評估標準說明、G.R.A.S.P.S.工具模板以及Darling-Hammond高質量評估標準圖譜。

第4步是新增加的“學生分析”。這是設計學習任務的第一個環節，旨在促使后面設計的任務貼合學生個體的情況，包括屬性層、學習層、愿景層3個層面的分析。屬性層主要分析學生的基本特征與體征、學習風格與偏好、學習效能感等，學習層主要分析學生的學習行為和能力水平等，愿景層主要分析課程目標和個性學習需求。在智慧課堂中，智能學習系統會提供部分分析結果，其他部分由教師根據系統呈現的各種報表或其感知記錄的數據進行分析（彭紅超等，2019），以便設計符合班級/小組/個人需求的學習任務。

第5步是“任務設計”。這是設計學習任務的第二個環節，包括類型判定、方略設計、要素設計、學習支持、屬性確定5個設計步驟。鑒于專家反饋“核心概念”不好把握，類型判定中的判定依據改為：先判定目標是否為“理解層”目標，如果是則設計反思任務;如果不是，再判定是否為深度目標，如果是且知能數量眾多，則設計本真任務;如果是但知能數量少，則設計挑戰Ⅰ型任務;如果不是深度目標但知能數量眾多，則設計挑戰Ⅱ型任務;如果不是且知能數量少，則設計基礎任務。方略設計由整節課的方略修改為當前學習任務的方略，并增加了不同類型任務的設計原則。要素設計（即主題、情境、行為、要求）是對“設計學習/反思任務”的修訂。為增強可操作性，為教師提供了各類任務和各個要素設計的原則和描述行為環節可能會用到的具有可操作性的行為樣表。對于反思任務，未作變動。學習支持中對學習環境與資源的推薦進行了細化并聚焦到了學習任務，也融入了“給予指引/提示”的內容。具體來講，主要關注學習任務需要智慧課堂提供的情境、工具、資源、指引四方面的支持。情境方面，關注學習任務需要何種設備、網絡、場所;工具方面，關注需要提供何種工具的支持，如認知、檢索、交流等工具;資源方面，關注需要哪些學習材料;引導方面，即為原型中的第12步，未作變動。屬性確定除了針對學習要求外，還增加了難度系數、時間限制、學習條件等，它們用于智能學習平臺個性化推薦時的屬性匹配。

第6步是“編列制定”。這是設計學習任務的第三個環節。雖然學生可以按照自己的偏好和需求選擇任何順序完成任務，但為了便于學生更容易地發現任務間的關系，并做出更為合適的選擇，依然建議教師按照“從簡到難”或“從難到簡”的順序排列設計好的學習任務。反思任務的編列則關注該概念的反思任務之數量與分布。數量越大，則迭代順序越強，如果將其按照從簡到難（或從難到簡）的順序排列，并規定完成反思任務的順序，還可以限定學生的認知發展路徑。

第7步是“繪制分布”。這是設計學習任務的第四個環節，表3中未列出此步驟的問題，因此未作變動。

第8步是“決策預設”。即針對學生在學習過程中可能遇到的問題預設決策方案，因此調整到了最后一步。針對決策應更具操作性的專家建議，此處引入了本研究團隊早期的研究成果，即人機協同決策原則（祝智庭等，2018）和決策流程（祝智庭等，2020）。

六、結束語

本研究基于深度學習架構理念，采用教育設計研究方法，研制了一種面向智慧課堂的靈活深度學習逆向設計框架。該框架共有八大步驟，能夠通過學習任務、學習活動、學習進程、教學決策四方面的靈活性促使學生深度參與學習、引導學生采用高級學習方略、促進高階知能的發展、加深概念理解及其遷移應用。經過高質量評估標準錨定下的專家校驗與迭代修訂，此框架已達到可交付實施的質量要求。但專家校驗時的實用性與有效性均是根據自己的經驗做出的判定，至于實際的實用性與有效性如何，還需要本研究團隊在后續研究中進一步驗證。

參考文獻：

[1]陳蓓蕾，張屹，楊兵等（2019）.智慧教室中的教學交互促進大學生深度學習研究[J].電化教育研究，40（3）：90-97.

[2]何克抗（2018）.深度學習：網絡時代學習方式的變革[J].教育研究，39（5）：111-115.

[3]彭紅超，祝智庭（2016）.面向智慧學習的精準教學活動生成性設計[J].電化教育研究，37（8）：53-62.

[4]彭紅超，祝智庭（2019）.人機協同決策支持的個性化適性學習策略探析[J].電化教育研究，40（2）：14-22.

[5]彭紅超，祝智庭（2020a）.深度學習研究：發展脈絡與瓶頸[J].現代遠程教育研究，32（1）：41-50.

[6]彭紅超，祝智庭（2020b）.學習架構：深度學習靈活性表達[J].電化教育研究，41（2）：17-24.

[7]張瑋（2019）.基于深度學習的智慧英語課堂設計[J].教育學術月刊，（10）：99-104.

[8]鄭福勝，趙永春（2017）.關于“學生主體， 教師主導”論的辨正與芻議[J].黑龍江高教研究， （9）：30-33.

[9]周文葉（2018）.表現性評價：指向深度學習[J].教育測量與評價，（7）：1.

[10]周文葉，陳銘洲（2017）.指向深度學習的表現性評價——訪斯坦福大學評價、學習與公平中心主任Ray Pecheone教授[J].全球教育展望，46（7）：3-9.

[11]祝智庭，彭紅超（2017）.深度學習：智慧教育的核心支柱[J].中國教育學刊， （5）：36-45.

[12]祝智庭，彭紅超（2020）.技術賦能智慧教育之實踐路徑[J].中國教育學刊，（10）：1-8.

[13]祝智庭，彭紅超，雷云鶴（2018）.智能教育：智慧教育的實踐路徑[J].開放教育研究，24（4）：13-24.

[14]Anderson， L. W.， Krathwohl， D. R.， & Airasian， P. W. et al. （2001）. A Taxonomy for Learning， Teaching， and Assessing： A Revision of Blooms Taxonomy of Educational Objectives[M]. White Plains， NY： Longman.

[15]Bransford， J. D.， Brown， A. L.， & Cocking， R. R. （2000）. How People Learn： Brain， Mind， Experience， and School[M]. Washington， D.C.： National Academy Press.

[16]Choi， J.， & Hannafin， M. （1995）. Situated Cognition and Learning Environments： Roles， Structures， and Implications for Design[J]. Educational Technology Research and Development，43（2）：53-69.

[17]Darling-Hammond， L.， Herman， J.， & Pellegrino， J. et al. （2013）. Criteria for High-Quality Assessment[M]. Stanford， CA：Stanford Center for Opportunity Policy in Education.

[18]De Klerk， S.， Veldkamp， B. P.， & Eggen， T. J. （2018）. A Framework for Designing and Developing Multimedia-Based Performance Assessment in Vocational Education[J]. Educational Technology Research and Development，66（1）：147-171.

[19]Design-Based Research Collective （2003）. Design-Based Research： An Emerging Paradigm for Educational Inquiry[J]. Educational Researcher，32（1）：5-8.

[20]Green， G. P.， Bean， J. C.， & Peterson， D. J. （2013）. Deep Learning in Intermediate Microeconomics： Using Scaffolding Assignments to Teach Theory and Promote Transfer[J]. The Journal of Economic Education，44（2）：142-157.

[21]Griffith， B. A.， & Frieden， G. （2000）. Facilitating Reflective Thinking in Counselor Education[J]. Counselor Education and Supervision，40（2）：82-93.

[22]Grolnick， W. S.， & Ryan， R. M. （1989）. Parent Styles Associated with Childrens Self-Regulation and Competence in School[J]. Journal of Educational Psychology，81（2）：143-154.

[23]Haller， C.， Fisher， R.， & Gapp， R. （2007）. Reflection as a Means of Understanding： Ways in Which Confucian Heritage Students Learn and Understand Organisational Behaviour[J].Multicultural Education & Technology Journal，1（1）：6-24.

[24]Harter， S. （1978）. Pleasure Derived from Optimal Challenge and the Effects of Extrinsic Rewards on Childrens Difficulty Choices[J]. Child Development，49：788-799.

[25]Hulleman， C. S. （2007）. The Role of Utility Value in the Development of Interest and Achievement[D]. Madison， WI： University of Wisconsin-Madison：147.

[26]Johnson， L.， Adams Becker， S.， & Estrada， V. et al.（2014）. The NMC horizon report： 2014 K-12 edition[R]. Austin， Texas： The New Media Consortium.

[27]MacFarlane， G. R.， Markwell， K. W.， & Date-Huxtable， E. M. （2006）. Modelling the Research Process as a Deep Learning Strategy[J]. Journal of Biological Education，41（1）：13-20.

[28]McTighe， J. （2015）. How Can Educators Design Authentic Performance Tasks？ （Part 3）[EB/OL]. [2019-02-01]. https：//blog.performancetask.com/how-can-educators-design-

authentic-performance-tasks-part-3-5817561ae422.

[29]McTighe， J. （2016）. Designing Cornerstone Tasks to Promote Meaningful Learning and Assess What Matters Most[EB/OL]. [2019-02-01]. https：//dpi.wi.gov/sites/default/files/imce/ela/resources/McTighe_Handout_2%5B1%5D.pdf.

[30]Mitchell， I.， & Carbone， A. （2011）. A Typology of Task Characteristics and Their Effects on Student Engagement[J]. International Journal of Educational Research，50（5-6）：257-270.

[31]Morgan， L. （2010）. Teacher Professional Transformation Using Learning by Design： A Case Study[J]. E-learning and Digital Media，7（3）：280-292.

[32]Nieveen， N. （2013）. A Four-Year Design Research Study Improving Curriculum Developers Formative Evaluation Through an Electronic Performance Support System （EPSS）[M]// Plomp， T. et al. Educational Design Research （Part B）： Illustrative Cases. Enschede， the Netherlands： SLO：1101-1123.

[33]Petticrew， M.， & Roberts， H. （2006）. Systematic Reviews in the Social Sciences： A Practical Guide[M]. Malden， MA：Blackwell： 57-58.

[34]Plomp， T.， & Nieveen， N. （2007）. An Introduction to Educational Design Research[C]// Proceedings of the Seminar Conducted at the East China Normal University. The Netherlands： SLO·Netherlands Institute for Curriculum Development： 93， 95.

[35]Scanlan， M. （2013）. A Learning Architecture： How School Leaders Can Design for Learning Social Justice[J].Educational Administration Quarterly，49（2）：348-391.

[36]Wickersham， L. E.， & Mcgee， P. （2008）. Perceptions of Satisfaction and Deeper Learning in an Online Course[J].Quarterly Review of Distance Education，9（1）：73-83.

[37]Widrow， B. （1987）. Adaptive Inverse Control[J]. IFAC Proceedings Volumes，20（2）：1-5.

[38]Wiggins， G.， & McTighe， J. （2005）. Understanding by Design（2nd ed）[M]. Alexandria， VA： Association for Supervision and Curriculum Development.

[39]Zhu， Z.， Yu， M.， & Riezebos， P. （2016）. A Research Framework of Smart Education[J]. Smart Learning Environments，3：4.

收稿日期 2020-12-20 責任編輯 劉選

A Design Framework of Flexible Deep Learning for Smart Classroom

PENG Hongchao， ZHU Zhiting

Abstract： Although deep learning is the core pillar of smart education， there is currently a lack of deep learning design solutions dedicated to smart classrooms. Furthermore， how to develop a design framework empowered by smart classroom， with a focus on the need for the flexibility of deep learning， is the key to promoting deep learning practice. In this regard， this study develops a design framework of flexible deep learning for smart classrooms， guided by learning architecture ideas and using an educational design research paradigm. The developed design framework following the logic of Backward Design consists of eight steps， that is， classroom environment analysis， setting goals， determining the criteria and evidence of assessment， student analysis， tasks design， making a sequence of learning activities， drawing the task distribution and decision-making pre-design. It not only embodies the four characteristic functions of the smart classroom， such as diagnosing and analyzing accurately， supporting interaction， pushing adaptively， and instant feedback， but also provides detailed solutions of flexible design in four aspects： learning tasks， learning activities， learning paths， and teaching decision-making supported by four smart classroom functions. In addition， it also can visualize the personalized path of students deep learning. With rigorous expert verification and iterative revision to the framework， the developed framework meets the quality requirements for implementation. The application of this framework in a smart classroom helps to promote students deep engagement in learning， guide students to adopt advanced learning strategies， promote the development of higher-level knowledge and abilities， and deepen the understanding of concepts as well as their transferring and application.

Keywords： Smart Classroom; Deep Learning; Design Framework; Learning Architecture; Backward Design; Flexibility