炕留一等 | 基于多维数据的课堂教学行为评价研究

摘要：教学行为数据的多样化、海量化及多维化，将教学行为评价从单向度和浅表化的蛰伏中唤醒，构建多维数据支持下的课堂教学行为评价模型成为冲出“藩篱”的关键。文章通过对比传统时代和智能时代的课堂教学行为研究，在弗兰德斯互动分析系统的基础上，增添动作、情感等心理和生理行为指标，设计了基于多维数据的课堂教学行为评价指标体系。在此基础上，文章融合多元主体参与的全方位评价理念，构建了基于多维数据的课堂教学行为评价模型，并从评价轨迹和评价结果两个方面验证了此模型的有效性，其实践结果表明：基于多维数据的课堂教学行为评价有助于评价信息的多元化，让评价的本真意蕴得以显现，是融合课堂教学行为和话语分析的探索与尝试。文章通过研究多维数据视阈下的课堂教学行为评价模型，旨在为创新课堂教学评价提供参考。

关键词：人工智能；多维数据；课堂教学行为；情感识别

随着智能技术在课堂教学行为评价中得到广泛应用，教与学之间的区隔逐渐消解，进而促使多维数据的价值在智能时代日益凸显。2019年，《加快推进教育现代化实施方案（2018-2022年）》提出要通过大数据的应用来推动教育教学改革^[1]。2020年，《深化新时代教育评价改革总体方案》也明确指出：要充分利用智能技术和大数据，注重过程性评价，促进评价方法多元化^[2]。在智能时代，依托多维数据开展课堂教学行为评价将成为未来教育发展的重要转向。课堂是教学的主要场域，课堂教学行为既包括师生的共性行为，又涵盖师生的个性化行为，存在多样性、多维价值和大容量的特点^[3]。课堂教学过程中生成的教学行为数据具有多元化、海量化、动态生成性等特征，多维数据的生成为课堂教学行为评价提供了可靠的保障，通过从多个角度或多重层面对多种数据进行观察与分析，可以深入剖析并挖掘教学行为数据背后蕴含的信息与规律。大数据的应用为教学研究提供了新的研究范式^[4]，大数据技术推动教育评价中数据驱动决策的实现，助力教育策略的数据化治理^[5]。基于多维数据对课堂教学行为进行评价，更易感知和理解师生行为^[6]，实现对行为的数字画像和数字写真^[7]，能够本真地反映教学行为状态，既是创新教学评价的内在需求，也是提升教育质量的重要举措。基于此，本研究探究多维数据视阈下的课堂教学行为评价模型，以期为创新教育评价提供理论支撑和实践指导。

一 课堂教学行为评价研究的发展

随着教育技术的发展，课堂教学行为分析的数据样态、技术环境、评价理念等都在不断变化^[8]，这些变化带来了工具理性和价值理性的冲突。要想促进课堂教学行为评价中的工具理性和价值理性有效融合，还需从传统时代和智能时代的对比中，探求教育与技术深度融合的方法和理念。基于此，本研究对传统时代与智能时代进行对比，从数据样态、关键技术和评价理念三个维度对课堂教学行为评价的相关研究成果进行梳理，从而为探究多维数据课堂教学行为评价方法奠定基础。

1 数据样态

课堂教学是由教师与学生相互作用的一项复杂活动，课堂教学行为涵盖教师行为、学生行为和互动行为。随着教学环境和学习方式的转变，教学数据需由简单的数据转向复杂的数据^[9]，使数据来源趋于多维化、全面化：①传统时代的课堂教学行为数据以单一的量表、问卷数据为主。研究者需走进教室，通过肉眼观察师生行为，手工填写量表和问卷，对学习者整体情况的记录不够全面；所观察的师生行为多以师生言语为主，存在数据来源单一、主观性强等弊端。此外，传统课堂的教学行为评价以专家与同行的现场观察为主，以鉴定与甄别为导向^[10]，缺乏教学过程伴随性数据的支持。②智能时代的课堂教学行为数据包含言语、交互、情绪等多维样态。已有研究表明，情感、行为、认知等与深度学习存在直接关系^[11]；从学习者的认知、情感和交互等多维度层面评估学习状态，有助于发现教育中存在的问题^[12]，探究教学行为蕴含的机制，为师生行为表达提供数据决策支持^[13]。因此，为了确保全面性，在课堂教学行为评价中需包含情绪、动作、心理等多维教学行为指标，在数据样态上要由单一的量表和问卷数据向言语、交互、行为、情绪等多维数据转变。

2 关键技术

要实现课堂教学行为评价的便捷、高效和准确，技术支撑是不容忽视的因素。随着技术的发展与应用，课堂教学行为评价技术已实现从传统手工技术向智能技术的转变：①传统时代的技术以手工为主。观察者需走进课堂，手工填写评价量表以实现对课堂教学行为的记录与分析。而手工填写评价量表存在主观性较强的特点，使评价结果失真、不可靠。②智能时代的技术以人工智能与大数据等新兴技术为主。智能技术有助于变革课堂教学生态^[14]，重构教学环境^[15]，为智能化、自动化的数据采集与分析奠定了基础。而基于多维数据的教学行为评价，可优化课堂师生行为的分析维度，提升教学评价的便捷性、高效性和准确性^[16]。因此，课堂教学行为评价以人工智能、大数据等技术为支撑，借助技术感知多维教学行为，可实现数据采集、获取及处理的自动化及智能化，有效推动了课堂教学评价。

3 评价理念

课堂教学评价理念是指引课堂教学改革的指示牌和方向标：①传统时代的课堂教学追求知识本位的价值取向，与以单向度的教师讲授为主的教学形态高度吻合^[17]。传统教学采用以督导为主的专家型评价，存在一定的片面性。为了获得公正、准确的评价结果，体现过程性评价理念，融入全方位的反馈评价为实现课堂教学评价的客观性、全面性和过程性提供了契机。②智能时代的课堂教学体现了多元主体参与全方位的过程性评价理念。就评价者而言，主要包括学生评价、教师同伴互评、教学督导评价和教师自我评价四个层面，基本涵盖了主要教学相关者；就信息类型而言，既包含量化数据，又包含质性数据，两者结合既可发挥客观数据优势，又可保留主观分析经验；就数据维度而言，包含师生动作、师生情绪、师生互动、师生话语等维度，融合了言语、情绪、身体动作等指标。

通过对已有研究的梳理，可以发现课堂教学行为评价已呈现出数据化、智能化和自动化的趋势。为此，国内外相继出现了多种具有影响力的课堂教学行为评价模型。例如，弗兰德斯互动分析系统（Flanders Interaction Analysis System，FIAS）将教学行为划分为教师言语、学生言语、静止或混乱等3个维度、10个行为种数；该系统以师生言语为主，以量化的方式对师生显性行为进行统计、分析与处理。S-T（Student-Teacher）课堂教学分析法从教师行为和学生行为两个方面对教学过程进行定量分析，但因为仅涉及两大行为，故存在数据分析颗粒度较大的弊端。而多维数据在课堂教学行为评价中的应用促进了两个转向：①从显性的课堂教学行为评价转向隐性行为与显性行为相结合的评价；②从粗粒度的评价数据向细粒度的评价数据转变。弗兰德斯互动分析系统的应用，也有助于课堂教学行为评价的两个转向。基于此，本研究将基于弗兰德斯互动分析系统构建评价指标体系，为设计多维数据的课堂教学行为评价模型奠定基础。

二 基于多维数据的教学行为

评价指标体系构建

本研究以弗兰德斯互动分析系统为依托，从多维数据编码和多维数据获取两个层面构建基于多维数据的教学行为评价指标体系，既涵盖身体动作等可以观察的显性行为，又包含情绪、师生交互等不易观察的隐性行为，以实现行为分析的全面性、客观性与有效性，使数据分析精细化。

1 多维数据编码

课堂是教育教学的关键场域，对课堂教学行为进行多维分析可以实现评价的精准化。而多维数据呈散状分布的特点，需要相关的指标体系用于学习过程中行为、动作、情感等数据的统一编码与建模，以实现对学习真实发生过程的探究^[18]。弗兰德斯互动分析系统是课堂言语和交互行为量化分析的典型代表，而人工智能和大数据等技术的应用，为动作、情感等行为数据的收集与分析提供了可能。因此，本研究结合基于人工智能的课堂教学评价中的师生数据划分^[19]，增添动作、情感等心理和生理行为指标，构建了基于多维数据的课堂教学行为评价指标体系，如表1所示。

表1  基于多维数据的课堂教学行为指标体系

课堂教学数据分为行为数据和话语数据两种。其中，行为数据可以加深教师对教学过程的理解与描绘，但存在纯技术的缺陷；而话语数据可以再现课堂全貌，但存在主观判断不足的问题，因此需结合这两种数据来分析课堂教学行为，以相互补其不足。在基于多维数据的课堂教学行为评价指标体系中，行为数据设有7个一级指标，包括：教师动作、教师情绪、教师音量、教师语速、学生动作、学生情绪、师生交互。话语数据主要是课堂真实情境中的师生话语——在课堂中，可以采用人工智能技术，借助摄像头、脑电波、眼动仪等设备实时采集课堂中的师生行为，且每3秒对课堂教学过程中的真实数据（包含音频、视频、动作和面部表情等数据）进行采样，并按编码指标体系生成对应的编码码号，作为教学行为观察记录，形成课堂行为的序列数据。为了便于处理，本研究将基于多维数据的课堂教学行为评价指标体系的一级指标进一步细化至二级指标，并完成对应编码。基于智能技术的编码过程可以取代重复性的人工编码工作，并在技术迭代优化的过程中逐步提高编码精度，使智能技术赋能教学行为的评价过程。

2 多维数据获取

教学过程行为数据主要来源于课堂教学情境、教学视频、教学语音、教学图像、在线教育平台的教学过程（文本或平台的其他数据）等，因此利用传统的单一数据较难对教学状态与教学效果进行精准化、全面性的诊断。此外，教师在课堂情境下快速捕捉学习者的情绪比较困难^[20]，尤其是面对整个班级的学生时更是难上加难。而智能技术的发展，丰富了课堂教学行为观察的方法与技术，使多维数据的获取与分析具有了可行性和可操作性。

利用计算机视觉（Computer Vision，CV）、智能语音识别（Intelligence Speech Recognition，ISR）、面部识别技术（Facial Recognition Technology，FRT）、自然语言处理（Natural Language Processing，NLP）等智能技术分析课堂教学行为，可以实现对教学过程中行为数据的伴随性采集，形成精准的课堂教学行为分析结果^[21]。基于此，本研究借助图像识别技术、语音识别技术、自然语言处理、可穿戴设备等技术进行动作检测和情绪行为识别来获取行为数据，借助语音识别技术、文本挖掘技术和语义分析技术获取话语数据，同时利用自然语言处理技术定位课堂管理、口语表述、内容讲授和师生问答等环节，提高了教学过程评价的精准度。运用智能技术对课堂多维数据进行分析、开展人机智能协作，既可发挥客观数据优势，又保留了主观分析经验，有助于实现教学过程和教学结果的动态统一。

三 基于多维数据的课堂

教学行为评价模型设计

多维数据课堂教学行为评价指标体系可以客观、全面、细粒度地评价课堂教学行为。基于此，本研究从数据层、主体层与实施层三个层面设计了基于多维数据的课堂教学行为评价模型，并从量化结果与质性结果两个方面阐释了评价的实现机理。

1 课堂教学行为评价模型构建

人工智能技术正重塑教育样态，并为教育领域提供了机遇与挑战。传统的教学评价通过教学督导和专家获取丰富的经验与有价值的建议，但是会耗费较多的时间和人力资源，影响教学评价结果的客观性、及时性。基于人工智能技术的课堂教学评价则通过获取与分析教学过程中的师生动作、师生交互、师生情绪和师生话语等多维数据，弥补传统评价方法的主观性和经验依赖性，并根据记录的师生课堂行为，实现个性化指导和精准化教学。本研究构建的基于多维数据的课堂教学行为评价模型包括数据层、主体层与实施层，其中数据层主要综合师生的行为数据和话语数据，主体层体现多元主体参与的全方位评价理念，而实施层表征教育评价的开展过程，具体如图1所示。

 图1  基于多维数据的课堂教学行为评价模型

（1）数据层：评价数据的采集与处理

多维数据是开展全面性教学评价的关键与核心。教学过程的数字化，使教学行为分析的数据化成为可能。随着智能技术在数据采集中的应用，采集方式由传统的课堂观察、回放视频录像等形式转变为集常态化和伴随性采集于一体的智能化形式。结合基于多维数据的课堂教学行为指标体系，可以采取AI视频分析技术对教学过程进行自动化分析研究^[22]，依托信息技术自动化、智能化获取量化结果，同时依托语义分析批量处理话语数据获得质性结果。质性结果和量化结果经过折合，得到最终的评价结果。在数据采集与分析的基础上，要实现对教学过程数据分析与结果报告的数字化呈现^[23]，以弥补传统呈现形式的不便与弊端，助力教学活动。借助技术对课堂中的师生动作、师生话语、师生情绪等多维数据进行分析，可以在一定程度上克服传统评价的主观性和经验依赖性，实现课堂行为的实时监测与优化，打开显性行为和隐性行为背后的“黑箱”，帮助师生精准获取自身发展特质，实现教学评价的精准化。

（2）主体层：多元主体参与的全方位评价

通过不同的评价主体开展教学评价，发现教学过程中存在的问题并及时反馈，是教学评价的初衷，也是提高教学质量的重要途径。基于多元主体参与的全方位评价理念，不断提高评价结果的真实性，是教育评价改革的主要趋势。为了提高评价的全面性，评价主体不仅包括教师和学生，还需教师同伴和教学督导等专家提供指导意见与建议。可见，评价者是由学生、教师同伴、教学督导和教师本人构成，共同对课堂教学进行全面评价。其中，学生作为教学的直接对象和参与者，是教学评价的重要信息来源，学生评价有助于了解教学的整体情况；教师同伴评价是由同一学科、同一专业的其他教师对教学开展评价，更易获得对教学体系安排、内容设置、重难点处理、知识更新等方面较为科学、合理的评价数据；教学督导评价是由专业人员开展的评价，更易获得教师共性方面的数据；教师自我评价则属于一种教学反思范畴，通过对教学目标、教学计划、教学内容、教学效果等方面的反思，提高教师的专业发展能力。评价主体的多元化，有利于提高评价结果的全面性和真实性。

（3）实施层：评价轨迹的形成

在智能时代，多维教学行为数据通过评价轨迹展示了最直接的教学过程。评价轨迹是对评价者实施评价过程的可视化呈现，可以实现评价过程的全域、立体展示。通过评价轨迹对师生课堂教学进行画像，能够实现内隐机理与外显表征的连结，帮助师生进行教与学反思。随着大数据技术和人工智能技术的发展，基于多维数据的评价将会提高课堂教学评价的全面性和客观性。不同颜色的中心圈表示不同的评价结果，本研究分别赋予其很差、较差、合格、良好、优秀等5个评价等级，并用由深至浅的5种颜色表示，详见图1中数字1、2、3、4、5所代表的深浅颜色不同的中心圈。在评价实施的过程中，不同的评价主体针对不同的评价行为将会产生不同的评价结果，形成不同的评价轨迹。评价轨迹错综交叠，形成复杂的网络结构，详见图1中的八边形虚线区域。随着智能技术的发展，可借助计算机完成评价轨迹的批量处理，并深度挖掘其蕴含的规律，从而高效地分析教学过程。

2 评价结果的实现机理

评价主体的多元性和数据采集的多维性，符合全方位的评价理念。借助人工智能技术实现对数据的追踪、记录和分析，获得及时、准确、有效的评价反馈，为教师有效利用课堂资源提供了契机。人工智能技术的应用、科学量化工具的引入和教学录音录像设备的优化，丰富了课堂教学行为观察的方法和技术，并使其具有可操作性。随着技术的发展，智能技术可实现对数据的批量记录与处理。人工智能算法已能解决很多复杂的问题，运用人工智能算法获得的量化结果和质性结果经过折合后，得到最终的评价结果。

（1）量化结果

课堂教学过程中的师生行为按照表1进行编码，并借助人工智能技术转换成相应的特征序列。其中，图像和语音识别是利用智能技术分析计算机摄像头采集的图像，把声音转换成文字^[24]。借助可穿戴设备（如智能眼睛）和植入设备（如脑接口），可实现对情感和神经脑网络的识别，以及对师生情绪和表情的自动采集、编码、处理。自然语言处理是将人类学习和机器推理相结合，通过虚拟实体自动分析和表达人类语言，完成对师生话语的自动响应、文本翻译和语音识别等操作^[25]。相关技术的发展，为量化结果的获取奠定了基础。

如前文所述，评价者包括学生、教师同伴、教学督导和教师本人。公式（1）定义了所有评价者对被评价对象开展评价的特征序列，以描述每个评价者对师生行为的评价概况。其中，C_N×M是所有评价者对师生行为进行评价的特征矩阵，N表示评价者的人数，M表示师生行为的特征数，Cji代表第j个评价者对第i个指标的评价值。

另外，本研究用U_j表示特征向量，代表各因素的相对重要性；用S_j表示第j个评价者，用ω_i(S_j)表示第j个评价者的权重。Score_quan表示最终量化结果，通过公式（2）计算得出。

（2）质性结果

采用量化的形式对课堂教学行为进行观察记录，可以获取相对客观的数据，但是存在纯技术的缺陷，因此需要对课堂过程中的话语文本进行质性分析。完整的话语文本能准确反映课堂实录，两者结合可以提高课堂教学评价的准确性和全面性。话语分析是采用一定的技术，分析教学过程中的师生文本数据并发现主题之间的关系^[26]。借助计算机语义分析批量处理，得到参考得分，用Score_C表示。为了尽量避免学生、教师同伴、教学督导和教师本人的盲目主观打分，以保证评价结果的公平性，评价者得分需在参考得分上下浮动（上下浮动值可根据学校或者课程的实际情况而定）。也就是说，在上下浮动范围内的值被视为有效值，而超过上下浮动范围的值被视为无效值、予以剔除处理。本研究用数值d表示设置的上下浮动值常量，其中S_i表示第i个评价对象的质性得分，S_m表示所有评价者的质性得分总和。Score_qual表示所有评价者的最终质性结果。当S_i∈[Score_C(1-d)Score_C(1+d)]，其中m≤N，通过公式（3）计算出最终质性结果。最后，通过对量化结果与质性结果赋值权重进行折合计算，得到最终的评价结果。

四 基于多维数据的课堂

教学行为评价模型实践

为了验证评价模型的效果，本研究依托华中地区A大学“人工智能+教师专业发展”实验室开展基于多维数据的课堂教学行为评价模型（下文简称“评价模型”）实践。该实验室涵盖水平诊断、听评教研和培训发展三重功能，可满足数据的常态化采集、智能化分析、可视化呈现、便捷化存储等目标。该实验室借助智能环境下的VR/AI音视频终端设备、音视频处理技术等手段，可以全方位采集师生课堂教学过程数据，为教学行为分析提供数据支持，实现集教、评、学、管于一体的总体画像。2021年，本研究在该实验室进行了小规模的实验，邀请5名教育技术学领域专家组成测评小组，采用非形式化的专家评审法对不同学科的6门课程进行评价，依据评价模型生成30份测评报告，同时评价系统自动生成6份评测报告。本研究主要从评价轨迹和评价结果两个方面，进行评价模型实践效果的验证。

1 评价轨迹分析

为了清晰地呈现评价轨迹，本研究选取2020级师范生校级公选课“现代教育技术”课程，以其第三章“智能化教学环境应用”中“智能技术的发展历程”的内容讲解为分析对象；同时，随机选取专家A、专家B和系统C对课堂教学中师生行为的20个二级指标进行分析，最后采用Python中的matplotlib和scikit-learn等工具包对评价轨迹进行可视化表征，结果如图2所示。

图2  评价轨迹可视化表征

本研究将20个二级指标生成的数据集进行模型训练及分类，用横坐标表示行为指标的数字化表征1（Digital Representation 1，DR1）、纵坐标表示行为指标的数字化表征2（Digital Representation 2，DR2）；不同的形状表示不同评价者对教学行为的评价情况，其中圆形代表专家A，三角形代表专家B，五角星形代表系统C。由图2可以看出，A、B、C的分布情况相对一致，仅少数轨迹存在一定的差异，生成的评价轨迹在正常可接受范围内，故从评价轨迹来看评价模型具有一定的可行性。

2评价结果分析

为验证评价模型的有效性，本研究通过专家测评和系统的最终成绩进行表征。根据公式（4），本研究计算出专家测评结果值与系统测评结果值的决定系数R²值=0.658。其中，y_i表示专家测评结果值，y_i^‘表示系统测评结果值，y表示专家测评值的平均值。决定系数R²值在指标的最优范围内，初步验证了评价模型的合理性。

综上，通过对评价轨迹的一致性和评价结果的决定系数进行分析，本研究初步验证了评价模型的有效性。后续研究将持续优化评价模型并扩大实验规模，使基于多维数据的课堂教学行为评价趋于常态化。基于多维数据的课堂教学行为评价模型可作为师生专业成长的数据档案，用于师生能力优化评估；可成为师生能力的发展图谱，系统性、结构化地促进师生的专业发展；可满足教育教学的实时监测，实现教育教学的过程化管理。

五 结语

本研究从多维数据视角，探讨了如何对课堂教学行为进行全面、客观的评价，旨在通过课堂教学的行为数据和话语数据分析，实现基于多维数据的伴随性采集和及时有效的监测评价，为教学行为评价提供理论参考。然而，师生教学行为数据具有多样性、多维价值、大容量等特点，且数据的采集与获取涉及伦理问题。基于此，后续研究将持续推进基于多维数据的教学行为评价相关研究，做好师生隐私保护的同时，满足教学评价的常态化，实现教学行为数据的深度挖掘与测评诊断，以提升教学评价的个性化、准确化和高效化，并为推动课堂教学评价改革提供新思路。

参考文献

[1]中共中央办公厅,国务院办公厅.加快推进教育现代化实施方案(2018-2022年)[OL].

[2]中共中央国务院.深化新时代教育评价改革总体方案[OL].

[3]王陆,李瑶.课堂教学行为大数据透视下的教学现象探析[J].电化教育研究,2017,(4):77-85.

[4]张文梅,祁彬斌,范文翔.数据驱动的教学行为分析:现状、逻辑与发展趋向[J].远程教育杂志,2021,(1):84-93.

[5]艾兴,张玉.从数字画像到数字孪生体:数智融合驱动下数字孪生学习者构建新探[J].远程教育杂志,2021,(1):41-50.

[6]牟智佳,符雅茹.多模态学习分析研究综述[J].现代教育技术,2021,(6):23-31.

[7]张治,戚业国.基于大数据的多源多维综合素质评价模型的构建[J].中国电化教育,2017,(9):69-77、97.

[8]赵丽,贺玮,王洋.人工智能支持的课堂教学行为分析:困境与路径[J].电化教育研究,2022,(1):86-92.

[9]于方,刘延申,郝明睿,等.基于多源履职数据的大学院系画像构建与应用[J].现代教育技术,2021,(6):119-126.

[10]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.

[11]王丽英,何云帆,田俊华.在线学习行为多模态数据融合模型构建及实证[J].中国远程教育,2020,(6):22-30、51、76.

[12]黄涛,赵媛,耿晶,等.数据驱动的精准化学习评价机制与方法[J].现代远程教育研究,2021,(1):3-12.

[13]朱珂,张思妍,刘濛雨.基于情感计算的虚拟教师模型设计与应用优势[J].现代教育技术,2020,(6):78-85.

[14]顾小清,王超.打开技术创新课堂教学的新窗:刻画AIoT课堂应用场景[J].现代远程教育研究,2021,(2):3-12.

[15]朱珂,张莹,李瑞丽.全息课堂:基于数字孪生的可视化三维学习空间新探[J].远程教育杂志,2020,(4):38-47.

[16]刘清堂,何皓怡,吴林静,等.基于人工智能的课堂教学行为分析方法及其应用[J].中国电化教育,2019,(9):13-21.

[17]陈佑清,陶涛.“以学评教”的课堂教学评价指标设计[J].课程·教材·教法,2016,(1):45-52.

[18]胡航,杨旸.多模态数据分析视阈下深度学习评价路径与策略[J].中国远程教育,2022,(2):13-19、76.

[19]Guo J, Bai L, Yu Z, et al. An AI-application-oriented in-class teaching evaluation model by using statistical modeling and ensemble learning[J]. Sensors, 2021,(1):3-20.

[20]刘智,方常丽,刘三女牙,等.物理学习空间中学习者情绪感知研究综述[J].远程教育杂志,2019,(2):33-44.

[21]教育部.人工智能助力教师教学创新[OL].

[22]骆祖莹,赵琦琦,段福庆.基于教师近场语音的课堂教学过程自动分析[J].现代教育技术,2021,(8):76-84.

[23]赵刚,朱文娟,胡碧灵,等.多维度特征融合的教学行为智能分析模式构建[J].电化教育研究,2020,(10):36-44.

[24]Tongu G, Ozkara B O. Automatic recognition of student emotions from facial expressions during a lecture[J]. Computers & Education, 2020,148:103797.

[25]Rico-Juan J R, Gallego A J, Calvo-Zaragoza J. Automatic detection of inconsistencies between numerical scores and textual feedback in peer-assessment processes with machine learning[J]. Computers & Education, 2019,140:103609.

[26]张瑾,张夷楠,叶海智,等.教师在线学习社区中会话主题发现及演化分析[J].远程教育杂志,2021,(2):85-94.