人工智能賦能課堂教學的實踐研究

吳秀峰

人工智能是利用數字計算機或者由數字計算機控制的機器，模擬、延伸和擴展人類的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術和應用系統。這里所說的人工智能賦能課堂教學是指利用弱人工智能或者教學人工智能方向的研究應用或軟件來助力課堂教學，從計算機視覺、個性化學習、智能測評、機器人學習等人工智能技術角度去賦能課堂教學，在課堂教學各個環節的解析過程中充分運用這些人工智能的手段，讓課堂教學突破傳統教學的固定模式，更有力地助力學情分析，更好地引導學生反饋，更高效地提煉課堂作業，更精準地進行個性化學習和輔導分析。

一、人工智能賦能課堂教學的意義

人工智能賦能課堂教學，可以從以下三個維度展開。

一是基于計算機視覺分析的課堂行為探測反饋，主要是通過智能錄播設備等對整節課師生的教與學行為、生理情緒狀態進行分析，以更好地幫助教師提高教學質量，幫助學生提升課堂專注程度。

二是基于個性化學習的學情分析。學情分析是教與學的起點，是課堂教學中一切活動設計的落腳點，借助人工智能中線上測評進行診斷性學情分析，或是通過線下的機器學習引導建立的個性化建模，來評估學生的學習狀態，通過智能分析得到各個階段學生的學習參數，以此作為判斷學生學情的基礎，從而有針對性地進行課堂教學布局和設計操作。

三是基于機器學習的課堂測評，通過機器命題和自動評分，記錄學習過程中的行為數據，以便通過數據分析，調整下一次的學習和測試。

二、設計思路

本文以教科版高中信息技術選擇性必修6“開源硬件項目設計”第二單元實驗模擬型項目設計2.4“聲光檢測”為例，以智能傳感器為大概念，用聲音傳感器、光線傳感器、熱傳感器三個中概念串聯，用人工智能技術手段支持導學、測評、反饋等課堂教學過程。

根據教材，筆者設計了“智能樓道燈”一課，將解決問題的過程項目化。在模擬項目過程中，充分運用人工智能技術來打造智能課堂，在學情分析、課堂測評、課堂行為探測反饋三個方面來建構一個有別于傳統教學的人工智能課堂，研究人工智能如何在學情分析、課堂測評、課堂行為探測反饋三個方面賦能課堂教學，通過三個方面的實踐運用和經驗總結，更好地讓人工智能技術服務于現代化課堂教學。

三、人工智能賦能課堂教學的實踐過程

1.計算機視覺分析的課堂行為探測反饋

計算機視覺分析的課堂行為探測反饋主要是指利用多臺攝像頭、傳感器構建的計算機視覺和有監督機器學習的方法，針對師生課堂出現的行為和生理數據進行分析，用來提升教學質量、糾正學生的學習行為。

本節課的視覺分析中，發現教師的走動位置、個人姿態和學生的注意力有很大的關聯，教師來回巡檢要比教師坐在講桌前監控更能讓學生的注意力集中起來，學生上肢肢體端正要比趴臥姿勢更能提高學習專注度。

2.個性化學習的學情分析

筆者把這節課的學情分析分為兩部分：一是課前的學情分析，作用是摸清學生的學習現狀，稱為“摸底學情分析”，主要是用在線平臺來檢查前置知識的掌握程度。二是基于微課導學的智能導學系統中機器學習反饋的“教后學情分析”，在課堂中前10分鐘進行，作用是檢查學生微課導學之后的學習效果，了解學生在課堂上接受知識的能力、掌握知識的程度，以便教師在課堂上有針對性地挑選知識點進行講解。

如果講解的章節內容不適合用微課導學開展教學，也可以在教師講解結束后利用自動評分的線下軟件，挑選出海量題庫中的相似題目，進行基于自動評分的個人學習力建構，建立個性化學習模型。

3.智能測評下的課堂測驗

人工智能應用于智能測評的技術一般是機器命題和自動評分。本文提到的智能測評是指自動評分，泰州智慧云平臺的課堂檢測自動評分應用，是一種以專家預設標準答案為前提的評分工具，就目前而言，是檢測學生課堂學習效果的一大利器。用智能測評的方法可以區分出學生掌握知識的多少和層次，我們的設想是在智能測評的基礎上進行個人建模，分層學習，讓學優生學習有深度，讓后進生夯實基礎，逐步提升，讓每一個學生都能享受課堂。

四、人工智能融入課堂教學需要注意的地方

一是課堂中對人工智能技術的選擇要有“火眼金睛”。目前利用人工智能技術實現的個性化學習，相對成熟的應用多見于智能導學。市場上流行的多個導學或個性化測評應用良莠不齊，其主題性不夠系統，較為分散，學科分布也不均衡，對題目的分析能力有限，解釋大多依賴于人工專家，難免會出錯。這需要讓實踐和市場去考驗這些產品，應用的第三方測評機構也應該將其提上日程，用優良淘汰劣質，讓政府、教育權威、技術組成適合于教育的人工智能應用評價機構。

二是要注意人工智能應用中的數據倫理問題。人工智能離不開大數據，教師的教、學生的學帶來的行為數據，攝像頭的行為探測，課堂智能測評的數據分析，大多涉及隱私問題，如果缺乏統一、明確的數據保護機制，學生或家長有可能會抵制。所以，建立完善的數據保護機制是未來保障教學人工智能開展的基礎。

五、對人工智能賦能課堂教學的反思

盡管目前人工智能應用于教學、賦能于教學已取得很多進展，但仍然可能面臨以下問題。

一是依賴的判斷大多來自技術設計或專家判斷，過于主觀。比如在行為探測中對學生專注度的判斷，學生的姿勢并不足以說明學生的學習狀態，可能會誤判;在智能測評環節，自動評分方面的機器學習評分標準來自不同的設計者，本身存在不一致性，會導致結果的差異化。二是成本較高。研究中的硬件比如攝像頭、傳感器，很多都價值不菲，導致很難推廣和應用。三是適用的課型較少，研究的樣本有限，代表性不足，研究的通用性難以保證和推廣。