人工智能与未来教育前沿研究｜邓伟 杨晓丹 高倩倩 张思 刘清堂：人工智能支持下的课堂教学评价模型研究
引用格式
邓伟 杨晓丹 高倩倩 张思 刘清堂.人工智能支持下的课堂教学评价模型研究[J].中国教育信息化,2023,29(8):003-014.DOI: 10.3969/j.issn.1673-8454.2023.08.001
人工智能与未来教育前沿研究
人工智能支持下的课堂教学评价模型研究
邓伟 杨晓丹 高倩倩 张思 刘清堂
摘 要： 随着人工智能技术的飞速发展及其在课堂教学中的广泛应用，传统的课堂评价模式已不能满足需求，而融合人工智能的相关评价方法仍然存在精确度有偏差、评价内容单一等问题，亟待综合多种因素，开展人机协同以促进课堂教学评价向智能化方向发展。依托人工智能技术构建的课堂教学评价模型，包括智能课堂教学环境、课堂观察方法与技术、课堂数据采集、人工智能支持的课堂教学分析与可视化、教研员解读、教师反思等六个要素，涵盖人工智能课堂教学评价的环境、数据、角色与流程，具备机器、人为参与或反馈等多回路特征，以及促进人工智能技术成长的可行模式，广泛适用于多种智能化教学环境。该模型在实际课堂教学中得以验证，实现课堂智能化教学评价，为课堂教学评价与教师研修评价新范式的提出提供参考。
关键词： 课堂教学评价；人工智能；评价模型；人机协同中图分类号： G434文献标志码： A文章编号： 1673-8454（2023）08-0003-12作者简介： 邓伟、张思，华中师范大学人工智能教育学部副教授，博士（湖北武汉 430079）；杨晓丹、高倩倩，华中师范大学人工智能教育学部硕士研究生（湖北武汉 430079）；刘清堂，华中师范大学人工智能教育学部教授，博士（湖北武汉 430079）
基金项目： 2020年度国家自然科学基金面上项目“面向大规模在线教育的学习者协作会话能力评估模型及干预机制研究”（编号：62077016）；2020年度教育部人文社科基金“基于远程课堂学习情绪计算的同步课堂教学干预机制研究”（编号：20YJA880009）；2021年度华中师范大学国家教师发展协同创新实验基地建设研究项目“智能教师研修平台及案例库建设”（编号：CCNUTEIII 2021-09）一、引言 课堂是教育信息化的主阵地。随着人工智能技术的广泛应用，教学分析、课堂教学评价发生深刻变化。《教育信息化2.0行动计划》强调：“要以人工智能、大数据、物联网等新兴技术为基础，依托各类智能设备及网络，积极开展智慧教育创新研究和示范，推动新技术支持下教育的模式变革和生态重构。”相较于传统人工观察、记录的方式，人工智能技术在提供持续性反馈、过程性评价等方面具备明显优势。[1]人工智能技术能够为课堂分析和教师教学反思提供丰富的数据与量化分析支持，因此，人工智能技术支持下的课堂观察与评价受到研究人员广泛关注。 课堂教学评价的目的是提升教学质量。自新课改启动以来，我国的课堂教学评价逐渐从以“教”为中心向以“学”为中心转变，从基于结果的评价逐渐转向基于过程的评价。教育信息化2.0呼吁新型课堂教学评价应用于教育教学，即从传统的基于经验的课堂教学评价转向基于经验与数据结合的课堂教学评价。[2]课堂评价综合考虑课堂教学行为、教学方法、教学策略等多种因素，通过评价促进教师专业发展，诊断教师的教学工作，改进教学实践，提升其信息化教学能力和核心素养，以及培养教师进行教学反思的能力。课堂教学过程中会产生各种各样的大数据，评价的维度增多，传统的教师教学反思难以应对。 新的技术环境呼唤新的课堂教学评价方式，利用人工智能技术辅助教师进行数据分析与教学反思是目前课堂教学评价中的有效手段。[3]二、相关研究
(一)课堂评价变革 我国的课堂评价变革总的来说是从总结性评价过渡到形成性评价和发展性评价的过程，也是基于经验的评价过渡到基于经验与数据相结合的评价过程。[4] 20世纪20至30年代，自然科学中的观察、心理实验室中的观察，以及在社会学和人类学研究中对特定群体对象的观察研究，影响教育领域的研究者，课堂观察作为一种方法被引入教育研究领域。[5]20世纪50 至70年代，受教育研究中科学化思潮的影响，定量化、系统化、结构化的课堂观察方法不断出现，研究者不断探索系统性的观察记录体系，并运用到课堂研究中。美国学者于1950年提出“互动过程分析”理论，旨在开发人际互动的12类行为编码，并以此作为课堂中小组讨论、人际互动过程的研究框架。[6]该学者的研究拉开比较系统的课堂量化研究的序幕。还有国外学者于20世纪60年代提出“互动分析系统”，即运用一套编码系统，记录课堂中的师生语言互动，分析、改进教学行为，标志着现代意义的课堂观察的开始。[7]自20世纪70年代中后期以来，课堂观察方法和技术围绕有效教学的探讨深入发展，课堂观察被大量应用到课堂教学研究中。随着科学研究方法，尤其是教育科学研究方法的不断完善，编码表、项目清单等科学量化研究工具的引入，录音机、录像机等媒体技术的发展，课堂观察手段与技术日益丰富，使课堂观察更具可操作性。 我国在对课堂教学评价进行研究初期，课堂教学主要关注学生知识的掌握程度和教师教学内容的进度，课堂教学评价的目标也就仅限于判定学生的优良等级。[8]随着计算机技术与人工智能技术的迅速发展，课堂教学评价过程也从教师的主观经验评价，过渡到基于课堂观察量表、与信息技术相结合的阶段。有学者基于人工智能技术构建课堂教学自动评价理论，在学生注意力分析、自动考勤、基于对话文本的师生对话与互动评价等方面都取得一定的研究成果。[9]有学者基于改进型的S-T分析量表对课堂实录视频进行时间采样分析，优化课堂观察方法。[10] 综上所述，课堂评价沿着科学化的轨道，从单一走向多元，从定性到定量，再到定量与定性相结合。[11]随着技术的不断发展，我国的课堂教学评价理论体系由以学生成绩与教师进度为评价对象的总结性评价，发展到包含课堂师生多维度信息的形成性或发展性评价，同时，由教师的主观经验性评价发展到主客观相结合的课堂教学评价体系。 (二)教师专业发展 随着科学技术的进步与发展，以及教师自我提高需求的不断增长，教师的专业发展途径从个人研修、校本研修、网络研修到智慧研修，也在不断发生变革。 个人研修关注教师的个人教学反思活动，是教师对课堂教学的解读与实践之间的自我对话，[12]而教师的个人反思活动需要同侪互助以及专家点拨或批判。 校本研修也特别关注教师的反思活动，通过同侪互评、专家引领，促进教师的反思活动进一步深化，创新教师专业发展模式。 网络研修打破传统校本研修的时空局限以及资源交流的限制，将面对面研修活动与远程研修活动紧密结合，给教师更为多元、自由发展的研修方式。有学者在认知学徒制理论指导下形成的教师工作坊研修模式，为教师混合式培训提供一种新的方式。[13] 随着大数据、人工智能等新技术在教师教育的应用，教师教育正走向数据驱动、精确化、个性化的“智能研修”新阶段。[14]有学者运用基于大数据的知识发现方法与技术对教学行为大数据进行深入分析，发现7条典型的教师成长行为路径，为教师专业发展提供更精准的知识服务。[15]智能学习终端与无线网络在校园中的普及为收集教师教学活动中产生的大量数据提供可能，挖掘并有效利用教育大数据，服务于教师的专业成长，成为教师专业发展的新途径。 综上所述，教师专业发展方向是基于数据决策驱动、基于教学实践、具有持续性、关注反思知识、线上线下结合的混合式培训。然而，教育大数据、人工智能技术还处于发展阶段，基于数据分析的课堂教学行为反馈仍然存在精确度有偏差等问题。有学者提出，人工智能还需要以人类参与/反馈等人在回路(类似于人机互助系统)的模式驱动机器更快达到期望的精确度，并让人的工作更加有效率，[16]将人的经验分析与教育大数据分析结合，可为教师专业发展提供新思路。 (三)人工智能课堂分析现状 近年来，涉及不同教学场景、数据形式、应用方法、设计模式的人工智能教育应用研究呈现逐年增加的趋势。同时，这些新技术提供更为多元的教学数据，[17]给课堂评价提供新的观察和分析的维度，也带来新的挑战和方向。 在课堂学生行为识别方面，有学者建立包含板书、纸上写字、长时注视学生、坐下、使用手机、讲授投影仪、讲话、操作计算机、翻阅资料在内9类教师行为的数据库；[18]有学者提出一种基于时间上下文推荐算法的二级递推课堂异常行为识别方法，对睡觉、趴在桌子上等异常行为有较好的检测效果；[19]有学者利用在线MOOC课程收集学生的视频点击数据，将是否获得证书作为标签，训练KNN、SVM、ANN模型来预测学生是否可以获得好的学习成果，准确率达到95%以上。[20]在课堂学生生理信息识别方面，有学者建立一个包含愉快、困惑、中立、分心、疲劳5种情感的表情视频库，识别准确率达到90%以上。[21]有学者基于课堂评价的需求，构建课堂教学自动评价的理论，使用人脸识别实现考勤监测和情感分析，并识别空间位置、头部姿态、面部法线以分析学生的注意力情况。[22]在课堂言语识别方面，黄山云借助声纹识别，获取每段发言的起始时间与时长、说话人的发言序列，实现语音向文字的转化。[23] 综上所述，课堂教学分析正朝着分析内容多样化、指标精细化、评价深入化的方向发展。基于人工智能技术的课堂教学自动分析方法，为个性化、数字化、智能化的智慧教室建设提供创新思路，为教学分析领域注入新鲜的血液。但是，现阶段人工智能在课堂教学中较多停留在数据采集和状态识别上，对课堂教学过程以及课堂教学实际问题的分析较少，人工智能在教育教学中的作用仍然有限。此外，人工智能支持的课堂教学评价与分析正处于起步研究阶段，缺少实际案例的实践与检验，其分析方式和内容尚缺乏理论指导。针对以上问题，本文基于现阶段较为成熟的人工智能视频教学行为识别技术，针对课堂教学互动行为，构建人工智能课堂教学评价模型，并以真实案例进行实践验证。
三、人工智能支持的课堂教学评价模型设计
(一)模型构建 智慧教室已经具备通过人工智能等多种技术优化课堂教学内容、便利学习资源获取、促进课堂交互开展，以及具有情境感知和环境管理等多种功能。[24]智慧教室环境一般具备拾音麦克、摄像头、体域网传感器等设施，这些基础设施为人工智能课堂观察提供技术与硬件基础，可采集课堂教学中的师生语音、视频、生理信号等多模态数据。在使用人工智能技术对课堂进行分析时，先针对具体的教学评价目标，选择评价方法及其对应的评价维度；基于确定的教学分析维度和指标，利用视频分析、音频分析、自然语言处理等人工智能技术，对采集到的信息进行特征抽取、识别和数据统计，以实现对以上教学分析指标的全过程采集、量化和分析，并输出可视化数据报告。由于现阶段基于人工智能数据分析的课堂教学评价还存在结果精确度有偏差、评价内容较为单一，以及无法准确地评估师生状态、情感等现状，因此，还需要以人为参与或反馈等多回路的模式，[25]对机器输出的数据进行解读与分析，其中包括教研员与教师对机器输出的数据、报表进行解读与分析，为课堂教学观察提供全过程量化评价与人工反馈。 基于以上对课堂教学评价过程的梳理，本文设计的人工智能技术支持下的课堂教学评价模型由6个要素组成，如图1所示。表1 课堂观察方法
其中，S-T分析法是对课堂教学进行定量分析的典型方法之一， 能够较为客观地反映教学情况、直观地量化分析课堂教学模式， 最终为教师课堂教学给出科学合理的指导。现有的课堂分析技术可实现利用这些行为分类编码方法对课堂教学进行自动量化，为了减少对实际课堂的干扰，通常是对录制的课堂教学视频进行自动化分析。
3.课堂数据采集 智慧课堂教学模式中，会产生大量的结构化、非结构化教学数据。结构化数据包括教师、学生的考勤课程数据，学生基本信息、成绩，计算机操作日志等；非结构化数据包括图片、音视频、教学案、作业等文字文本、作品信息。而动态生成性数据主要指教师与学生在教学活动中产生的过程性数据，包括教师教学行为数据与学生学习经历数据(如学生的学习行为、学习活动、学习进程等数据，学生与学习环境交互产生的数据，学生操作各种资源产生的数据，以及上述各类因素之间的关系数据等)。 智慧课堂数据的采集硬件主要包括电脑、手机、录音摄像设备、扫描仪、理科实验传感器、智慧课堂系统的答题器和输入器等。在人工智能环境下，课堂教学评价需要采集的数据类型主要包括视频、音频、文字、生理数据等，数据的采集工具主要依附于教室内安装的基础设施。其中，视频数据来自教室内安装的摄像机，音频数据来自教室内安装的拾音设备，如麦克风，文字数据来自于教师的教案与教室内白板的使用，生理数据来自一些可穿戴设备等。 4.人工智能支持的教学分析与可视化 课堂观察是一种连续的行为。[33]它由确定观察目的、选择观察对象、聚焦观察行为、记录观察情况、处理观察数据、呈现观察结果等一系列多个阶段的连续行为构成。课堂观察也是一种工作流程。它包括课前准备、课中观察、课后信息处理分析3个阶段，形成“发现问题—确定问题—分析问题—处理问题—解决问题”的面向问题解决的工作流程。基于课堂观察，教师认识、理解和把握课堂教学事件，澄清教学实践的焦点问题，并在数据分析的基础上反思教学行为，寻求新的教学改进策略与方式。 利用人工智能技术对课堂实施教学评价是依据评价的维度对课堂进行数据采集，再利用相关的课堂教学分析理论对采集到的数据进行数据处理、特征识别、统计与分析，最终生成相应的评价结果。 在人工智能环境下，课堂教学评价需要采集的数据类型主要包括视频、音频、文字、日志信息、生理数据等等。之后对采集到的数据进行处理，处理的过程主要包括数据清洗、数据转化、数据抽取、数据合并和数据计算。基于课堂分析的维度与行为编码标准，采用人工智能语音识别、图像识别等技术，将处理后的视频、音频、日志数据中的非结构化数据转化为课堂教学行为、状态等结构化信息。 学习分析是利用人工智能等技术对课堂教学进行评价，是课堂数据分析中的重要技术，为课堂教学服务。目前，学习分析技术主要集中在数据挖掘算法上，包括“分类与回归”“聚类”“潜在知识评估”“文本、语音挖掘”“社会网络分析”“序列模式挖掘”等。学习分析的结果最后以可视化数据报表的形式呈现。 5.教研员解读 教研员这一角色对促进教师专业发展及提高教学质量有着不可估量的作用。他们习惯以定性与定量相结合的方式进行课堂观察。教研员在听课后会与教师进行深入的交流，凭借自己头脑中的实践性经验和知识，能非常准确地抓住课堂中的问题和亮点，并向教师提出一些改进建议，这是定性的课堂观察方法，标准大多源于教研员自身的教学经验。随着信息技术的发展，课堂观察开始借助录音、录像设备记录课堂的全过程，通过一些专用的分析软件或者分析平台，对课堂做影像化、可视化的分析。如课堂教学模式、课堂教学结构、课堂互动质量、课堂行为数据，以及它们所组成的迁移矩阵等，以此来丰富课堂观察的途径、方法和技术，这是定量的课堂观察方法。 在本课堂评价模式中，由教研员参与数据报表解读，形成“人在回路”的解读范式。人在回路是指计算问题的求解需要人的参与或引入人的参与以提升问题求解的效果，在人和机器的相互作用中，驱动机器达到更高的精确度的同时，使人的工作更加有效率。[34]在本模型中，由机器输出课堂的数据报表，教研员根据提供的评价量规进行主观和客观上的综合解读，将数据分析结果与教研员个人教学经验结合，进而生成一份更为全面和精准的分析报表。教研员可以将整体的分析结果进行横向和纵向的对比，对课堂进行综合评价，并提供相关提升建议。教研员的解读结果还可以对机器输出的结果进行反馈、校准，提高机器输出数据的精准度，形成人为参与或反馈等多回路的课堂评价模式。 6.教师反思 教师反思是课堂教学中重要的一环，是改变教师实践的重要因素，教师反思被看成教师协调其信念与实践之间矛盾的关键。[35]有研究显示，反思及反思性实践对实践中的问题具有重要的潜在作用，一些研究也支持这个结论，认为对教学进行反思的教师来说，鼓励通常能改变他们的实践。[36]教师从个人反思发展到集体反思直到总结反思的流程如图2所示。以上对人工智能课堂教学评价模型涉及的环境、理论、方法、数据、角色、流程进行了解读。与传统的课堂评价相比较，本模型中增加人工智能的机器角色，以及由智能识别数据带来的数据采集、分析与数据可视化功能，实现课堂教学客观评价与量化评价；与已有的人工智能课堂教学分析相比，模型中增加教研员解读与教师反思过程，起到人机优势互补、相互促进以及专家引领的作用。
四、课程实施与评价实践 (一)评价目标与方法 研究团队基于“XXX课堂学情感知”以及“XXXX教师研修”项目，综合对课堂教学行为、教学方法、教学策略等多种因素进行观察和评价，旨在通过评价来促进教师专业发展，诊断教师的教学工作，改进教学实践，提升其信息化教学能力和专业素养，以及培养教师进行及时教学反思。 在课堂的评价维度方面，研究团队基于教师和学生两类行为主体，以及言语和活动两类行为方式，提出4大类、16种行为的课堂教学分析云模型。本文从现阶段视频教学行为识别的方法和技术水平出发，选取云模型16个维度中的9个维度用于课堂教学行为分析。学生的行为方面包括生生互动、听讲、举手、应答、读写5个维度，教师的行为包括板书、师生互动、巡视、讲授4个维度。系统每隔30秒进行采样，对课堂情况进行S-T行为的记录、绘图和统计，生成S-T记录表、S-T图，以及包含课堂的教师行为占有率(Rt值)、学生行为占有率、行为转换率(Ch)的Rt-Ch图，进而得出课堂类型与整体分析结果。 (二)评价工具 本文采用的智慧教室安装有前后两台2K摄像机、具备常态化课堂录播功能的终端，能够提供清晰的课堂实录、支持多种互动形态，保证音视频互动同步。深度学习视频分析软件能够实现对教师和学生智能定位，识别人脸和表情，精细分类9种师生课堂教学互动行为；课堂分析系统能够对识别到的课堂教学行为数据进行自动采集和分析，提供可视化的课堂分析报告和诊断分析结果。 (三)数据分析与报表呈现 系统提供的课堂观察分析报告主要提供课堂师生行为报告、课堂参与度数据图、S-T与Rt-Ch行为分析报告这3个部分，如图3、4、5所示。课堂师生行为报告包含教师与学生行为两个维度9种行为的数据占比，并将这些数据使用饼状图的形式进行可视化展示。课堂参与度数据图，以及S-T与Rt-Ch行为分析报告将数据进行结构化呈现，根据记录的学生课堂参与情况生成课堂参与度数据图，即散点图和折线图，可以直观地看到学生个体以及总体参与度随着课堂教学的变化趋势。另外报告会记录课程的基本信息，以及教师与教材的具体信息。 本文展示案例的课程具体信息为一年级的数学概念课。
(四)教研员解读
机器输出报表的分析解读，需要教师具备较高的教学素养、较强的教学经验与反思能力，以及对机器分析相关维度的解读能力。本课堂评价模型中安排教研员解读环节来帮助教师反思。图3 课堂师生行为报告
图3为课堂师生行为报告。在右上角的同心圆中，教师行为(大圈)中占比78.67%是讲授，只有3.56%的是教师与学生进行课堂互动；而在学生的行为(小圈)中，读写和听讲所占比例较为平均，读写占41.37%，听讲占32.48%，而生生互动只占1.53%。由此可以简单推测出该课堂教师占主导地位，且教学过程中多为教师讲、学生听和做笔记，很少有师生互动或者生生互动环节，学生主观能动性没有得到很好的体现。图4 课堂参与度数据
图4呈现的是课堂参与度数据，从图中可以看出，在课堂开始第2分钟时，学生的参与度迅速达到一个峰值，接近80%。在第10分钟时，学生的参与度处于一个极小值，而就在第12分钟左右，学生的参与度又开始缓慢提升，并在第18分钟达到第二个极大值。之后在第20分钟左右处于第二个极小值，两分钟内学生参与度急速下降。第20分钟后，学生参与度逐渐回升，并迅速在两分钟内达到第3个极大值。这两分钟内学生参与课堂积极性明显得到提升。第22分钟后，学生参与度又呈现下降的趋势，这段时间内多为教师讲授、学生听讲，学生参与度逐渐降低，直至课堂结束。图5 S-T与Rt-Ch行为分析报告
图5中呈现的是S-T与Rt-Ch行为分析报告，S-T图表示的是课堂中师生行为随时间变化的曲线，课堂前22分钟左右，多为教师讲或者学生练习，极少有师生互动环节；而在课堂剩下的18分钟，S-T折线出现多处转折。而S-T图中曲线转折越多，说明师生行为的转移次数越多，师生之间的交互也越多。该课堂横纵轴比例较为居中，基本没有出现教学行为的断层，教师对学生的引导合理，对课堂管理收放较为自如。在Rt-Ch图中，Rt值约为0.55，Ch值约为0.24，属于师生活动比例相当，但师生活动交互程度较低的混合型课堂教学模式。 综上，该课堂为数学概念课，存在教师讲授占比过多、师生互动较少的问题。而且，从学生的参与度与课堂S-T图可以得出，学生的课堂参与度变化幅度大，学生课堂积极性不稳定。通常情况下，教师以讲授为主的概念课是比较常见的教学模式，但教学对象为一年级的小学生，为了提高讲授的效果和效率，建议这位教师在概念课教学中可以继续提高Ch值，在课程中增加更多的对话设计；建议教师在学生完成读写之后参与度回升期间，尽可能抓住这段时间有效解决教学问题。建议教师注意师生互动的质量和时间分配，尽可能顾及全体学生的感受，在互动时保障全体学生的参与度与注意力，从而增加一些学生自主学习活动的时间。 (五)教师反思与评价 教育是一个复杂多变的实践。在课程改革的进程中，提高教师反思能力是推动教师专业发展的一条路径。针对某一节课，教师可以通过报表来对该节课堂进行反思，根据S-T图曲线转折态势来判断课堂互动和教师主导的情况，通过得出的教学模式来反思和改进自己的教学，并改进教学方式。机器提供的报表加上教研员的经验能够满足教师实际的课堂需要，动态化帮助教师成长。教师参与教学实践，通过报表对课堂进行反思，不局限于个人的经验，借助机器的结果对自身的教学经验进行批判和重构，从而提高教师的实践性知识，获得对实践的感悟。 课堂教学应以良好的教学效果为目标导向，要注重学生的主体地位、教师的主导地位。报表能够帮助教师了解自己的课堂教学情况。例如，当教师自我感觉为对话型课堂，但报表结果是讲授型课堂时，教师要依据报表对这节课堂进行评价和反思，在下一次课堂教学中注重提升和改进，多给学生学习的空间。 教师反思能够帮助教师专业发展和成长。在当前教育实践中，教师由于时间和理论知识缺乏的原因并没有充分利用教学反思。通过人工智能技术支持下的课堂教学评价分析能够促进和帮助教师反思，促进自我诊断和评价，提高反思意识和能力，使其成为一名技术经验型和反思研究型教师。 (六)案例总结 相对于传统课堂上基于经验的评价，案例中对课堂行为的分析是基于过程和证据的，通过课堂教学行为的量化分析能够得出较为客观的结论，这使评价结果具有一定的可解释性和意义，对教师教学起到导向作用。机器能够自动化收集和统计课堂行为数据，课堂结束就能迅速得出课堂分析的结果，具有一定的时效性，同时能够实现大规模在线课堂行为的自动分析和评价，减轻人工分析的负担。机器评价加人工评价能实现主观和客观评价的结合，使评价结果更加客观。机器自动评价课堂不受时空限制，课堂评价者根据提供的量表通过移动设备对课堂进行全面和客观评价，有助于教师的发展。 对于机器评价生成的结果，存在一些教师不满意的情况。存在精度不高的问题，如对教师的多次提问或学生多次应答的情况识别不够精确。存在行为分类还不够明确的问题，如教师和学生的行为往往是同时发生的，可能教师讲授的时候学生正在听讲，教师在板书的时候学生在读写。还有教师认为自己的课堂为混合型课堂，机器判定为讲授型课堂，等等。 课堂教学是一个复杂的场景，会遇到多种多样的教学情况，机器分析目前不能覆盖到教学的全部场景。目前，对课堂行为的分类只是从Rt-Ch值、参与度、S-T图，以及课堂的类型对其进行判定，在更深层次的问题上机器并没有给出相应的解释。机器不能对课堂教学进行质性分析，如判定教学方法的有效性、识别教学活动、分析言语和情感、归类教学事件等。而在行为的分类上还需要进行更为准确的分类和描述、制定更全面的行为分类维度。 现有的理论和方法还需要进一步完善以实现人工智能分析。在课堂评价目标上，针对基于机器识别的数据和过程信息，要考虑可能还有哪些新型的评价应用；为了适应人工智能数据采集与识别，需要对评价维度与评价方法做针对性的适配与修改。以上理论和技术上的不成熟，使人工智能评价的精度和深度都还有待改进。在评价模式上，人工智能评价还需要教学专家的辅助与引领。
五、总结与展望
基于人工智能技术的课堂评价符合国家课程改革的要求，能满足国家教育信息化发展的需要，既能达到课程与信息技术融合的目的，又能实现提升课堂教学质量的目的。 本文构建人工智能技术支持下的课堂教学评价模型：首先，在明确课堂评价任务后，确定人工智能课堂评价的方法与指标维度；其次，在智慧学习环境下，采用音频视频、体域网等多模态数据采集手段，对课堂上的教学互动行为进行信息识别与指标特征抽取；再次，基于识别到的指标维度数据与评价方法，计算生成机器评价数据报表；最后，教研员和教师针对数据报表进行课堂教学解读与反思。该模型涵盖人工智能课堂教学评价的环境、数据、角色与流程，并基于实际课堂案例进行实践验证，达到课堂评价初始目标。 在人工智能技术的支持下，课堂教学评价有着广泛的应用前景，但目前还需要在以下方向继续探索和改进：①人工智能技术及其评价方式对未来教师和教学管理者提出新的要求。如教师在掌握教学的同时，应该加强自己的理论基础，才能更好地适应人工智能时代课堂教学评价分析的发展。②随着人工智能课堂评价理论与技术的完善与扩充，模型在数据来源、特征维度、信息类型、处理方式上也会进一步丰富，以对课堂教学进行全景描述。③人工智能评价应与人的经验相结合，以人的经验为主、机器识别数据为辅。在强人工智能技术还未实现的情况下，机器评价和人工反思相互反馈和促进将是课堂教学自动评价的主要形式。参考文献：
[1]吴永和,刘博文,马晓玲.构筑“人工智能+教育”的生态系统[J].远程教育杂志,2017,35(5):27-39.
[2][4]许娜,高巍,郭庆.新课改20年课堂教学评价研究的逻辑演进[J].教育研究与实验,2020(6):49-55.
[3]谢幼如,邱艺,刘亚纯.人工智能赋能课堂变革的探究[J].中国电化教育,2021(9):72-78.
[5]陈瑶.课堂观察研究指导[M].北京:教育科学出版社,2002.
[6]BALES R F. Interaction process analysis: a method for the study of small groups[M]. Reading,MA.AddisonWesley, 1950.
[7]FLANDERS N A. Analyzing teacher behavior[M].Addison-Wesley P.C, 1970.
[8]刘志军,徐彬.我国课堂教学评价研究40年:回顾与展望[J].课程·教材·教法,2018,38(7):12-20.
[9][22]骆祖莹,张丹慧.课堂教学自动评价及其初步研究成果[J].现代教育技术,2018,28(8):38-44.
[10]程云,刘清堂,王锋,等.基于视频的改进型S-T分析法的应用研究[J].电化教育研究,2016,37(6):90-96.
[11]吴立宝,曹雅楠,曹一鸣.人工智能赋能课堂教学评价改革与技术实现的框架构建[J].中国电化教育,2021(5):94-101.
[12]牛冬梅.深入开展校本研修 促进教师专业成长[J].教育理论与实践,2007(4):21-22.
[13]张思,刘清堂,熊久明,等.教师混合式培训中的同侪互助模式与支持策略研究[J].电化教育研究,2015,36(6):107-113.
[14]李栋.人工智能时代的教师发展：特质定位与行动哲学[J].电化教育研究,2020,41(12):5-11.
[15]王陆,彭玏,马如霞,等.大数据知识发现的教师成长行为路径[J].电化教育研究,2019,40(1):95-103.
[16][25][34]祝智庭,韩中美,黄昌勤.教育人工智能(eAI):人本人工智能的新范式[J].电化教育研究,2021,42(1):5-15.
[17]侯成坤.基于多模态融合的课堂教师教学行为自动识别研究[D].武汉:华中师范大学,2020.
[18]张晓龙,刘剑飞,郝禄国.基于特征密集计算与融合算法的教师课堂行为分析[J].激光与光电子学进展,2019,56(16):163-168.
[19]王明芬,卢宇.融合时序相关性的课堂异常行为识别[J].计算机系统应用, 2020,29(3):173-179.
[20]YU C H, WU J, LIU A C. Predicting learning outcomes with MOOC clickstreams[J]. Education Sciences, 2019,9(2):104.
[21]BIAN C, ZHANG Y, YANG F, et al. Spontaneous facial expression database for academic emotion inference in online learning[J]. IET Computer Vision, 2018,13(3):329-337.
[23]黄山云.基于声纹识别的课堂交互行为分析[D].武汉:华中师范大学,2020.
[24][27]黄荣怀,胡永斌,杨俊锋,等.智慧教室的概念及特征[J].开放教育研究,2012,18(2):22-27.
[26]孙众,吕恺悦,施智平,等.TESTII框架:人工智能支持课堂教学分析的发展走向[J].电化教育研究,2021,42(2):33-39,77.
[28]崔允漷,周文叶.课堂观察:为何与何为[J].上海教育科研,2008(6):51-53.
[29]单迎杰.以S-T分析法分析教育技术专业课课堂教学问题[J].现代教育技术,2008(10):29-31.
[30][31]方海光,高辰柱,陈佳.改进型弗兰德斯互动分析系统及其应用[J].中国电化教育,2012(10):109-113.
[32]傅德荣,章慧敏.教育信息处理[M].北京:北京师范大学出版社,2001.
[33]孙亚玲.课堂教学有效性标准研究[D].武汉:华东师范大学,2004.
[35]BETH A, HERBAL-EISENMANN M, LYNN BREYFOGLE. Questioning our “patterns” of questioning[J]. Mathematics Teaching in the Middle School, 2005,10(9).
[36]KENNETH TOBIN, NANCY DAVIS, KENNETH SHAW, et al. Enhancing science and mathematics teaching[J]. Journal of Science Teacher Education, 1991,2(4).
（Faculty of Artificial Intelligence In Education, Central China Normal University, Wuhan 430079, Hubei）
编辑：王天鹏 校对：王晓明
往期目录｜超链接版
期刊简介
《中国教育信息化》创刊于1995年8月，是由中华人民共和国教育部主管，教育部教育管理信息中心主办，面向国内外公开发行的国家级学术期刊。期刊内容力求全面深入地记录我国教育信息化的建设进展、研究与应用成果和行业发展状况，开展我国教育信息化发展状况调研和教育信息化国际比较研究，服务于国家教育宏观决策；力求全面准确地把握教育信息化相关的方针政策和标准规范，及时追踪ICT前沿技术的发展趋势及其与教育的融合，深度挖掘教育信息化建设与应用的体制、机制创新，服务于我国教育信息化实践。
●RCCSE中国核心学术期刊
●中国人文社会科学（AMI）扩展期刊
●中国期刊全文数据库收录期刊
●中文科技期刊数据库收录期刊
●国家哲学社会科学学术期刊数据库收录期刊
●中国核心期刊（遴选）数据库收录期刊
●龙源期刊网收录期刊
一年12期，每月20日出版
20元 / 期，邮发代号：82-761
编辑部邮箱：mis@moe.edu.cn
通讯地址：北京市西城区华远北街2号921室