中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

課堂是教育教學(xué)改革的主陣地，課堂教學(xué)分析是提升課堂教學(xué)質(zhì)量的重要依據(jù)。上世紀70年代，課堂教學(xué)量化分析迎來一輪發(fā)展高潮，相繼出現(xiàn)了S-T師生行為分析、Flanders（Flanders Interaction Analysis System）言語交互分析、古德和布羅菲的雙向互動系統(tǒng)、卡茲登的課堂言語IRE序列（InitiationResponse-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(xué)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(shù)，存在著相似的困境：過度依賴專家、編碼復(fù)雜、分析低效。以一節(jié)40分鐘的課為例，S-T法按15秒來切割行為，F(xiàn)IAS按3秒來切割言語，會產(chǎn)生160個或800個編碼，且只能由經(jīng)過培訓(xùn)的研究人員進行手工分析，費時低效。近年來有多國學(xué)者對FIAS加以改進，開發(fā)出了相應(yīng)的技術(shù)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(xué)生課堂參與率的動態(tài)特征曲線[1]，也有學(xué)者提出基于信息技術(shù)的互動分析系統(tǒng)（Information Technology-based Interaction Analysis System，ITIAS）等改進版FIAS編碼[2]，以及支持改進版FIAS的分析平臺[3]。但總體來看，課堂教學(xué)交互分析還處于人工編碼、工具統(tǒng)計的技術(shù)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(lǐng)域影響加深，從質(zhì)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(xué)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(xué)提出的課例研究法（Lesson Study）、我國學(xué)者王鑒提出的課堂人種志方法等，均是通過分析課堂現(xiàn)象原始紀錄的參與性觀察，對課堂教學(xué)內(nèi)容、師生交互行為等課堂教學(xué)事件，進行觀察記錄和意義解釋的質(zhì)性研究范式。加涅根據(jù)人類認知機制，提出課堂教學(xué)中的九大教學(xué)事件，成為教學(xué)設(shè)計學(xué)科的重要理論基礎(chǔ)。在此之后，以教學(xué)活動或教學(xué)事件為切入點，成為課堂質(zhì)性分析的常見分析思路。例如以色列學(xué)者提出課堂觀察六棱鏡框架，是以學(xué)習(xí)任務(wù)和教學(xué)活動為對象[4]；TEAMS象限編碼，是分析課堂中11項教學(xué)內(nèi)容和學(xué)生表現(xiàn)[5]；我國學(xué)者提出的關(guān)鍵教學(xué)事件分析[6][7]、課堂切片診斷[8][9]等均以教學(xué)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(fù)雜，費時費力，效率較低；以“事件分析”為主的質(zhì)性分析，主觀性偏強、對分析者專業(yè)水平要求高、規(guī)?；治瞿芰θ醯取?/p>

經(jīng)過半個多世紀的發(fā)展，課堂教學(xué)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(zhì)量監(jiān)控體系將課堂過程變量納入到分析范疇之后，課堂教學(xué)交互研究就不只服務(wù)于課堂本身，而是進入教育體制問責(zé)、人才培養(yǎng)質(zhì)量監(jiān)控體系中，并開始應(yīng)用于項目評估、政策干預(yù)、國際比較等方面[10]。尋求大數(shù)據(jù)、人工智能等技術(shù)支持，實現(xiàn)高效率、智能化、規(guī)?；恼n堂教學(xué)研究，成為時代發(fā)展的必然訴求。

近年來，人工智能開始將教育作為重要應(yīng)用領(lǐng)域之一[11]，已經(jīng)形成了跨學(xué)科的新興研究領(lǐng)域：教育人工智能（Artificial Intelligence in Education，簡稱AIED）。比如Springer New York于2013年創(chuàng)辦的教育人工智能學(xué)術(shù)期刊International Journal of Artificial Intelligence in Education，從創(chuàng)辦初期的關(guān)注用戶界面、人機交互等主題，發(fā)展到近幾年關(guān)注課堂教學(xué)環(huán)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(fā)表了基于人工智能評估學(xué)生課堂學(xué)習(xí)表現(xiàn)的研究成果[14]。人工智能教育領(lǐng)域國際學(xué)術(shù)會議AIED，將課堂學(xué)習(xí)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(shù)輔助課堂教學(xué)的多項成果。例如基于自適應(yīng)技術(shù)，根據(jù)學(xué)生學(xué)習(xí)興趣推薦個性化的智能教學(xué)系統(tǒng)[15]，基于推理模型推測學(xué)生人格特征的學(xué)習(xí)系統(tǒng)[16]，根據(jù)認知與元認知序列探究隱性知識掌握情況的智能教學(xué)系統(tǒng)[17]，以及基于感知數(shù)據(jù)、實現(xiàn)自適應(yīng)學(xué)習(xí)的移動學(xué)習(xí)同伴系統(tǒng)[18]等。我國學(xué)者在基于人工智能的課堂教學(xué)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(shù)據(jù)可視分析方法[19]、課堂教學(xué)視頻智能識別系統(tǒng)[20]等。由此可見，課堂教學(xué)分析已開啟了融入人工智能的探索之路。

當前人工智能技術(shù)雖已進入第三次發(fā)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(xué)分析理論和方法，也需要時間進行轉(zhuǎn)化與完善，才能較好地發(fā)揮人工智能技術(shù)的作用。因此基于人工智能的課堂教學(xué)分析，很難一蹴而就，需要經(jīng)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(xué)中的全部量化和質(zhì)性分析，再通過機器學(xué)習(xí)算法，承擔(dān)其中復(fù)雜繁瑣而低效的量化分析工作，再由人類專家根據(jù)分析結(jié)果，發(fā)現(xiàn)課堂教學(xué)新特征與新規(guī)律，并對應(yīng)提出教學(xué)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(tǒng)課堂教學(xué)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(zhì)性研究，雖然研究思路不盡相同，但共性是由人類專家承擔(dān)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(shù)遷移至教學(xué)場景，可以在S-T行為分析、Flanders言語分析等較為成熟穩(wěn)定的量化分析中，把動作識別、語音識別、語音轉(zhuǎn)換文本等規(guī)則化、可計算的工作，交由弱人工智能完成，部分替代傳統(tǒng)分析里耗時最多的人工編碼和機械統(tǒng)計。

3.強人工智能分析階段

技術(shù)發(fā)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(xué)活動識別、教學(xué)事件歸類、言語情感分析、事理判斷等部分質(zhì)性分析，交由強人工智能技術(shù)完成。

4.人機協(xié)同分析階段

此階段，課堂分析中的量化和質(zhì)性分析可全部由計算機完成。借助于機器分析結(jié)果和挖掘出的課堂教學(xué)新特征和新規(guī)則，人類專家可專注于提煉課堂教學(xué)問題，發(fā)現(xiàn)教學(xué)智慧，提出課堂教學(xué)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(xù)迭代優(yōu)化，達到人機協(xié)同分析的理想階段。

至此，基于人工智能的課堂教學(xué)分析系統(tǒng)，會具備客觀性、準確性、規(guī)?；姆治瞿芰Γ约皬臄?shù)據(jù)中發(fā)現(xiàn)新規(guī)律，反哺教學(xué)改進，幫助人類教師形成課堂教學(xué)診斷與洞察能力，完成如圖1所示的人工智能協(xié)同課堂教學(xué)分析進化歷程。雖然目前人工智能技術(shù)仍在發(fā)展初期，但是教育界多是對新技術(shù)持開放與主動適應(yīng)的態(tài)度，并呈現(xiàn)出越來越緊密的人工智能融合教育的發(fā)展趨勢[22][23]。基于人工智能的課堂教學(xué)分析，正在進入課堂教學(xué)主場景，積極探尋新的解決方案。

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

1.建立教學(xué)案例庫

課堂教學(xué)，不僅指在一課時里的全部師生活動，還包括由課前教學(xué)設(shè)計、課中現(xiàn)場生成和課后反思改進組成的教學(xué)連續(xù)體。課前設(shè)計是教學(xué)實施的預(yù)設(shè)骨架，教學(xué)設(shè)計方案成為常見的表現(xiàn)形式；課中現(xiàn)場生成是教學(xué)的靈魂，常以課堂錄制的視頻形式，或轉(zhuǎn)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(xué)能力。單純分析其中的一種形式，例如課堂視頻，有可能出現(xiàn)“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(xué)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(xué)設(shè)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(xué)設(shè)計方案、課中的教學(xué)視頻或?qū)嶄浳谋?、課后的教學(xué)反思和評語等，才能構(gòu)成較為完整的教學(xué)案例，進而匯集有意義的、成體系的課堂教學(xué)案例庫，成為后期人工智能參與分析的資源儲備中心和數(shù)據(jù)聚合中心。

2.形成分析維度集

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

對于課前的教學(xué)設(shè)計方案編寫，常會從教學(xué)目標編寫是否規(guī)范合理、學(xué)習(xí)者特征分析是否明確、教學(xué)各要素之間是否存在系統(tǒng)性關(guān)聯(lián)等方面進行整體分析。教學(xué)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(fā)；學(xué)習(xí)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(xué)整體設(shè)計，可以從教師的知識和經(jīng)驗、學(xué)生需求、教學(xué)內(nèi)容、教學(xué)方法和手段五個維度展開評價[30][31]。

對于課中的教學(xué)實施，多會通過現(xiàn)場觀察或教學(xué)視頻編碼，從師生行為、言語和教學(xué)事件等維度，分析課堂教學(xué)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(guān)鍵事件法、課堂切片法則是分析教學(xué)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(xué)價值、教學(xué)實踐和教學(xué)環(huán)境等維度分析教學(xué)反思內(nèi)容[33]，從情感、認知、元認知等維度分析教學(xué)評語[34]等，還可以從教學(xué)實施效果、教學(xué)設(shè)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(xué)分析目標和分析方法的維度集，會為人工智能技術(shù)施展所長奠定基礎(chǔ)。

3.運用多元分析方法

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

傳統(tǒng)課堂教學(xué)的視頻分析，多采用時間取樣法，由經(jīng)過訓(xùn)練的研究人員，根據(jù)專家提前預(yù)置的量表，順序播放視頻，手工統(tǒng)計，逐個編碼，給出描述性統(tǒng)計。文本分析多采用內(nèi)容分析法，由研究人員根據(jù)分析目標，通過反復(fù)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(shù)據(jù)、知識圖譜等新興技術(shù)快速發(fā)展，教育和許多領(lǐng)域一樣，經(jīng)歷了從經(jīng)驗科學(xué)到理論科學(xué)到計算機科學(xué)，再發(fā)展到數(shù)據(jù)密集型科學(xué)的過程。從問題假設(shè)驅(qū)動到算法驅(qū)動的研究范式轉(zhuǎn)型，也正在對教育研究產(chǎn)生影響。因此課堂教學(xué)分析，一方面要利用傳統(tǒng)教育研究已積累的經(jīng)驗，另一方面引入大數(shù)據(jù)、自然語言理解、計算機視覺等技術(shù)，運用多元分析方法進行課堂教學(xué)分析。

本團隊已初步建立起由638個課例組成的數(shù)據(jù)庫，均為參加2017年全國某信息化課堂教學(xué)大賽、來自全國各地，在信息技術(shù)環(huán)境下的小學(xué)四年級數(shù)學(xué)課例。每個課例包含一段40分鐘的完整課時教學(xué)視頻、一個按照組委會提供的模板編寫的教學(xué)設(shè)計方案、一份教學(xué)反思、一份專家根據(jù)組委會提供的課堂教學(xué)評價量表給出的評分結(jié)果和一段評語。所有課例根據(jù)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(jié)合本團隊的三個研究項目，說明基于人工智能技術(shù)課堂教學(xué)分析框架的實踐應(yīng)用。

1.項目1：基于計算機視覺的課堂教學(xué)行為分析

課堂教學(xué)視頻中的師生行為交互，是課堂教學(xué)中的重要組成，也是傳統(tǒng)分析里最費時費力的部分。近幾年，人工智能領(lǐng)域的計算機視覺技術(shù)發(fā)展迅速。隨著Image Net識別比賽推動CNN快速發(fā)展，深度學(xué)習(xí)方法的效果遠超傳統(tǒng)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(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks，簡稱DCNN）加以實現(xiàn)。不同CNN對視頻識別的效果不斷提高[35][36]，2D卷積神經(jīng)網(wǎng)絡(luò)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(xué)視頻中S-T行為[38]、人體骨架信息提取法識別學(xué)生課堂行為[39]。由于課堂教學(xué)里，師生的位置變化較大，面部背對、側(cè)對攝像機的情況時有發(fā)生，而課堂行為又需要與課堂場景相結(jié)合，如學(xué)生低頭有可能是閱讀課本、手寫練習(xí)冊、使用手持學(xué)習(xí)設(shè)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(xué)行為分析，通過先對課堂視頻中的教學(xué)場景分類，區(qū)分關(guān)鍵交互設(shè)備如電子白板和手持平板，再實現(xiàn)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(jù)視頻靜態(tài)幀對場景初步分類。從638個完整的課堂教學(xué)視頻中，隨機挑選出10000幀靜態(tài)圖像，根據(jù)提前定義好的教師教學(xué)、師生互動和學(xué)生學(xué)習(xí)三類場景，先由人工分類部分場景數(shù)據(jù)，這些數(shù)據(jù)作為訓(xùn)練集訓(xùn)練場景分類神經(jīng)網(wǎng)絡(luò)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(guān)鍵互動設(shè)備。場景分類完成后，再識別影響師生動作交互的關(guān)鍵互動設(shè)備，如黑板、電子白板、臺式機、手持學(xué)習(xí)終端等。

第三步：基于深度卷積神經(jīng)網(wǎng)絡(luò)的動作行為識別。在課堂教學(xué)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(guān)鍵點的運動集合。本項目基于Open Pose框架分析骨骼關(guān)鍵點序列特征，實時骨骼關(guān)鍵點人體姿態(tài)預(yù)測算法。在靜態(tài)圖像動作識別算法的基礎(chǔ)上，圍繞著課堂場景，在視頻中對學(xué)生動作進行識別和統(tǒng)計。

課堂行為分析系統(tǒng)實現(xiàn)了關(guān)鍵幀提取、學(xué)生跟蹤、動作識別和動作統(tǒng)計等模塊，如圖3所示。課堂行為分析系統(tǒng)可以通過客戶端上傳一段課堂教學(xué)視頻，服務(wù)端獲取視頻后在云端進行運算，并把識別結(jié)果返回給客戶端，對師生動作進行識別和統(tǒng)計，以輔助課堂教學(xué)分析。

2.項目2：基于自然語言理解的教學(xué)事件分類及SPS分析

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

以加涅“九大教學(xué)事件”為分析框架，可以對教學(xué)設(shè)計方案或者教學(xué)視頻實錄文本進行要素評價和關(guān)系評價。要素評價主要考查的是，教學(xué)設(shè)計各要素所依據(jù)原理的科學(xué)性與敘寫的準確性；關(guān)系評價主要考查的是，教學(xué)事件及事件之間關(guān)系的結(jié)構(gòu)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(shù)進行關(guān)系評價，分析教學(xué)事件及序列，學(xué)習(xí)并部分替代傳統(tǒng)手工編碼，以協(xié)助人類專家進行課堂教學(xué)分析。

第一步：對教學(xué)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(zhuǎn)文字的方法，生成超過48萬字，內(nèi)含2萬多個句子的文本文件。要提取出文本中的教學(xué)事件，并對事件進行分類，需要由人工先對教學(xué)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(xué)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(xué)事件。在文本標注階段，對劃分標簽進行標注，標注后的數(shù)據(jù)將用于分類器的訓(xùn)練。

第二步：基于GRU循環(huán)神經(jīng)網(wǎng)絡(luò)的事件分類器。本團隊采用深度學(xué)習(xí)模型Word2vec，訓(xùn)練得出詞向量的權(quán)重矩陣，輸入循環(huán)神經(jīng)網(wǎng)絡(luò)Embedding層中進行模型訓(xùn)練，每層網(wǎng)絡(luò)用平均隱狀態(tài)，輸出分類結(jié)果最后通過訓(xùn)練集與測試集正確率，判斷模型訓(xùn)練是否成功。根據(jù)事件分類結(jié)果，結(jié)合劃分事件的起止時間點，生成每一個課例的教學(xué)事件類型及時間分布圖，如圖4所示。

第三步：分析課堂教學(xué)法結(jié)構(gòu)的排序。何克抗認為“教學(xué)結(jié)構(gòu)是指在一定的教育思想、教學(xué)理論和學(xué)習(xí)理論指導(dǎo)下的、在某種環(huán)境中展開的教學(xué)活動進程的穩(wěn)定結(jié)構(gòu)形式，是教學(xué)系統(tǒng)四個組成要素（教師、學(xué)生、教學(xué)內(nèi)容和教學(xué)媒體）相互聯(lián)系、相互作用的具體體現(xiàn)”[42]。教學(xué)結(jié)構(gòu)是指導(dǎo)課堂教學(xué)的重要理論基礎(chǔ)，落實在教學(xué)法上，可以通過分析教學(xué)法結(jié)構(gòu)的序列，幫助教師掌握并落實雙主結(jié)構(gòu)。Jacobson等學(xué)者依據(jù)不同教學(xué)法中教師指導(dǎo)比重的高低，將教學(xué)法分為高結(jié)構(gòu)化和低結(jié)構(gòu)化，提出教學(xué)法結(jié)構(gòu)的排序，或譯為教學(xué)結(jié)構(gòu)序列（Sequencing of Pedagogical Structure，SPS）[43]。國內(nèi)學(xué)者對SPS進一步完善，新增時序特征，用于智慧課堂教學(xué)分析[44]。本研究以何克抗教授提出的教師主導(dǎo)-學(xué)生主體的雙主教學(xué)結(jié)構(gòu)為理論基礎(chǔ)，參考SPS分類，結(jié)合小學(xué)數(shù)學(xué)的學(xué)段和學(xué)科特點，把教學(xué)事件歸入到不同階段，對“主導(dǎo)-主體”教學(xué)結(jié)構(gòu)下的教學(xué)法結(jié)構(gòu)進行分析，教學(xué)事件與教學(xué)階段對應(yīng)表如表1所示。

根據(jù)每個階段里教師指導(dǎo)所占比例不同，標注為高結(jié)構(gòu)化教學(xué)H、低結(jié)構(gòu)化教學(xué)L、學(xué)生活動為主教師指導(dǎo)為輔的低高結(jié)構(gòu)化教學(xué)L h、教師指導(dǎo)為主學(xué)生活動為輔的高低結(jié)構(gòu)教學(xué)H l。通過對高低結(jié)構(gòu)化劃分結(jié)果統(tǒng)計，輔助人類專家判斷，課堂中教師主導(dǎo)-學(xué)生主體的教學(xué)結(jié)構(gòu)落實情況。

下頁表2是同一主題不同課例的SPS分析結(jié)果。根據(jù)對教學(xué)事件識別、教學(xué)階段劃分、教學(xué)法結(jié)構(gòu)排序后的結(jié)果可知，從一等獎到未獲獎?wù)n例，教師指導(dǎo)的比重從1H，2H增加到3H，未獲獎?wù)n例里教師把控課堂的比例最大，一等獎?wù)n例里學(xué)生自主學(xué)習(xí)的比重最大，達到3L，而其他課例的統(tǒng)計結(jié)果表明，教師發(fā)言代替學(xué)生思考的情況在增加，課堂中學(xué)生的聲音越來越弱，自主學(xué)習(xí)空間也越來越少。當然本項目受限于特定的樣本，后續(xù)會擴展學(xué)科、學(xué)段和樣本總量，以使結(jié)論更具普適性。

3.項目3：基于主成分分析法的教學(xué)評語分析

教學(xué)評語里，不僅包括著課堂教學(xué)優(yōu)缺點的詳細解讀、蘊含著教學(xué)改進的思路和建議，還能體現(xiàn)出課堂教學(xué)質(zhì)量的判斷依據(jù)。由于教學(xué)評語多是偏向于主觀化、經(jīng)驗化的表述，因此與教學(xué)設(shè)計方案和教學(xué)視頻分析相比，尚未形成較為穩(wěn)定的研究方法。

近幾年，隨著大數(shù)據(jù)技術(shù)的發(fā)展，基于評語的課堂教學(xué)反向分析法，已得到了國內(nèi)外學(xué)者的關(guān)注。Bruno等人探究了教師對學(xué)生作業(yè)的評語，發(fā)現(xiàn)評語可以使學(xué)生意識到自己學(xué)習(xí)能力的不足，從評語中提取相應(yīng)的策略，從而提高學(xué)習(xí)效率[45]；Akpe等人分析學(xué)生對課程的評語據(jù)此改進課程[46]；Alhija等人統(tǒng)計并分析了學(xué)生評語中最常被提及的教學(xué)維度和學(xué)生給予的正向、負向內(nèi)容的評語，以改善教學(xué)質(zhì)量[47]；馬志強等人以網(wǎng)絡(luò)同伴互評的反饋評語文本作為分析對象，綜合運用內(nèi)容分析、回歸分析等方法，得出學(xué)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(dǎo)同伴互評評語的策略[34]；劉智通過情感傾向識別與話題挖掘技術(shù)，探究在線課程評語中反映出來的學(xué)生情感信息，并根據(jù)學(xué)習(xí)者的反饋信息為教學(xué)決策提供支持[49]。由此可見，通過評語反向?qū)徱曊n堂教學(xué)質(zhì)量，已成為大數(shù)據(jù)技術(shù)應(yīng)用于課堂教學(xué)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(xué)案例評語，反向提取專家普遍認可的信息化課堂教學(xué)判斷標準，再與已有的課堂教學(xué)評價量表權(quán)重與維度對比，為后續(xù)的課堂教學(xué)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?wù)n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(guān)鍵詞與初始量表中的關(guān)鍵詞匹配后，歸入到原始量表中的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(quán)重，生成新量表。統(tǒng)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(quán)重，逆向生成基于評語的課堂教學(xué)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(xué)分析標準顯性化。新舊量表對比后發(fā)現(xiàn)：課堂教學(xué)效果、分層教學(xué)策略等，不應(yīng)單獨存在于量表的判斷指標里，可歸入到教學(xué)過程；創(chuàng)設(shè)教學(xué)氛圍和信息技術(shù)實踐創(chuàng)新，可歸入一級指標“教師素養(yǎng)”，成為信息化課堂教學(xué)里教師能力的必要組成；專家點評重點多放在課堂教學(xué)里的技術(shù)應(yīng)用，而創(chuàng)新實踐的表現(xiàn)并不多，因此在評語里反映出來的權(quán)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F1項等，并非不重要，而是由于當前課例中體現(xiàn)較少，尚未形成課堂案例中的主流。未來要加強信息技術(shù)實踐創(chuàng)新的比重，使技術(shù)創(chuàng)新體現(xiàn)在常態(tài)化的課堂教學(xué)里，成為比“技術(shù)應(yīng)用”更為重要的一級指標，占有更大的權(quán)重值，將是驗證教育信息化2.0時代深化課堂教學(xué)改革的參考指標之一。

結(jié)合以上分析，本研究提出人工智能助力課堂教學(xué)分析的三個應(yīng)用場景：教學(xué)診斷、教學(xué)設(shè)計和教學(xué)評價。

1.教學(xué)診斷：高效分析和可解釋的結(jié)果

教學(xué)診斷對于發(fā)現(xiàn)課堂教學(xué)中的問題、提高課堂教學(xué)質(zhì)量以及促進教師專業(yè)發(fā)展具有重要作用[50]。傳統(tǒng)的課堂教學(xué)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(shù)據(jù)采集和分析，存在著編碼主觀性強，費時費力，難以規(guī)?；_展等缺點，不利于發(fā)現(xiàn)普遍的教學(xué)規(guī)律[51]。這會導(dǎo)致中小學(xué)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(yè)成長的速度和水平。

本文提出的人工智能課堂教學(xué)分析框架和技術(shù)，為解決以上困境提供了可能。教師提供常規(guī)課堂的教學(xué)視頻和教學(xué)設(shè)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(xué)言語和行為等交互數(shù)據(jù)給出分析結(jié)果，并結(jié)合不同分析意圖，提供可解釋的診斷結(jié)果。

2.教學(xué)設(shè)計改進：教學(xué)事件和教學(xué)法結(jié)構(gòu)分析

教學(xué)診斷是要服務(wù)于教學(xué)改進。傳統(tǒng)的“時間取樣”量化分析，重在統(tǒng)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(jié)果，但用于教學(xué)改進時，會存在把教學(xué)行為從情境中剝離出來的失真現(xiàn)象，導(dǎo)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(shù)，重構(gòu)了以“教學(xué)事件分析法”為主的量化研究思路，由計算機參與課堂教學(xué)事件與教學(xué)法結(jié)構(gòu)序列的識別與歸類。這樣的分析結(jié)果，不僅能幫助教師檢驗，將雙主教學(xué)理念落實在真實教學(xué)中的程度，還幫助教師發(fā)現(xiàn)，到底是哪些教學(xué)事件，哪些教學(xué)法里，可以改進主導(dǎo)和主體的比例和時序關(guān)系，在改進的理念和方法上都具有可行性。

3.教學(xué)評價：通過教學(xué)評語反向提取評價標準

評價教師的課堂教學(xué)，通常有幾種表現(xiàn)形式，一是根據(jù)評價指標賦值打分的量化評價，二是根據(jù)課堂觀察給出的質(zhì)性評語[53]，三是兩者的結(jié)合。但無論是哪種形式，都是“自上而下”的研究思路，即先定預(yù)設(shè)評價標準，再打分和給評語。這種分析方式，容易掩蓋許多預(yù)設(shè)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(xué)改進策略和寶貴建議。

本文提出利用人工智能技術(shù)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(xué)評價量表修訂提供證據(jù)，還可以讓教學(xué)評價里零散的教學(xué)經(jīng)驗和智慧得以聚集，讓教學(xué)評語中的共識通過“眾籌”的方式浮現(xiàn)出來，為課堂教學(xué)評價提供新視角。

人工智能融入教育已成為發(fā)展趨勢。本文梳理人工智能助力課堂教學(xué)分析的進化路徑后，從教學(xué)案例庫、分析維度集、多元分析方法等方面構(gòu)建起基于人工智能的課堂教學(xué)分析框架，并將人工智能技術(shù)應(yīng)用到實踐應(yīng)用中。

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

參考文獻：

[1]寧虹，武金紅.建立數(shù)量結(jié)構(gòu)與意義理解的聯(lián)系--弗蘭德互動分析技術(shù)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(yè)發(fā)展的課堂分析技術(shù)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(tǒng)及其應(yīng)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(yè)研修：框架、應(yīng)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 Sharpen Conceptualizations 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(yè)發(fā)展研究[J].電化教育研究，2013，34（8）：104-109.

[7]郁曉華，黃沁.學(xué)習(xí)分析視角下的數(shù)字化課堂互動優(yōu)化研究[J].中國電化教育，2018，（2）：12-20.

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

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

[10]夏雪梅.以學(xué)習(xí)為中心的課堂觀察[M].北京：教育科學(xué)出版社，2012.

[11]余勝泉.人工智能教師的未來角色[J].開放教育研究，2018，24（1）：16-28.

[12]Easterday M W，Rees Lewis D，et al.Designing Crowd critique Systems for Formative Feedback[J].International Journal of Artificial Intelligence in Education，2017，27（3）：623-663.

[13]Beigman Klebanov B，Burstein J，et al.Reflective Writing About the Utility Value of Science as a Tool for Increasing STEM Motivation and Retention-Can AI Help Scale Up？[J].International Journal of Artificial Intelligence in Education，2017，（27）：791-818.

[14]Luckin，Rose.Towards artificial intelligence-based assessment systems[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：Moderators of Impact[J].International Journal Artificial Intelligence Education，2019，（29）：58-88.

[16]Wu W，Chen L，et al.Inferring Students’Personality from Their Communication Behavior in Web-based Learning Systems[J].I nternational Journal of Artificial Intelligence in Education，2019，（29）：189-216.

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

[18]劉智，劉三等.物理空間中的智能學(xué)伴系統(tǒng)：感知數(shù)據(jù)驅(qū)動的學(xué)習(xí)分析技術(shù)--訪柏林洪堡大學(xué)教育技術(shù)專家Niels Pinkwart教授[J].中國電化教育，2018，（7）：67-72.

[19]劉三，周東波等.基于地圖的教育大數(shù)據(jù)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(yīng)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(xué)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(fā)展“2019人工智能 教師教育國際研討會”在北京舉行[J].現(xiàn)代教育技術(shù)，2019，（7）：1.

[23]張學(xué)軍，董曉輝.人機共生：人工智能時代及其教育的發(fā)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 of Educational Psychology，2011，45（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 classroom behavior[M].MN：Paul S.&Associates，Inc，1985.

[26]鄭隆威，馮園園等.學(xué)習(xí)成果可測了嗎：基于學(xué)習(xí)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(xué)目標的確定--基于美國中小學(xué)教材的考察[J].教育理論與實踐，2011，31（25）：53-56.

[28]馮茹，馬云鵬.基于真正學(xué)習(xí)的教學(xué)設(shè)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(xué)生差異的學(xué)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(xué)評教”的課堂教學(xué)評價指標設(shè)計[J].課程·教材·教法，2016，36（1）：45-52.

[31]Davis E A，Beyer C，et al.Understanding pedagogical design capacity through teachers’narratives[J].Teaching and Teacher Education，2011，27（4）：797-810.

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

[33]郝琦蕾，郭彩利等.中學(xué)教師教學(xué)反思現(xiàn)狀的質(zhì)性研究[J].教學(xué)與管理，2017，（3）：21-24.

[34][48]馬志強，王靖等.網(wǎng)絡(luò)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 Classification with Convolutional Neural Networks[A].Proceedings of the 2014IEEE Conference on Computer Vision and Pattern Recognition[C].Columbus：IEEE，2014.

[36]Dai W，Chen Y，et al.Two-Stream Convolution Neural Network with Video-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 International Conference on Computer Vision（ICCV）[C].Santiago：IEEE，2015.

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

[39]徐家臻，鄧偉等.基于人體骨架信息提取的學(xué)生課堂行為自動識別[J].現(xiàn)代教育技術(shù)，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(xué)等譯.學(xué)習(xí)的條件和教學(xué)論[M].上海：華東師范大學(xué)出版社，1999.

[42]何克抗.教學(xué)結(jié)構(gòu)理論與教學(xué)深化改革（上）[J].電化教育研究，2007，（7）：5-10.

[43]Jacobson M J，Kim B，et al.To guide or not to guide：Issues in the sequencing of pedagogical structure in computational model-based learning[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(shù)據(jù)的分析方法與應(yīng)用驗證[J].中國電化教育，2020，（5）：120-127.

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

[46]C.S.Akpe.Using Respondents’Free Comments To Improve College Curricula：A Case Study of Rivers State College of Education NCE Primary Programme[J].Studies in Educational Evaluation，1989，（15）：183-191.

[47]Alhija N A，F(xiàn)resko B.Student evaluation of instruction：What can be learned from students’written comments？[J].Studies in Educational Evaluation，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(shù)研究[D].武漢：華中師范大學(xué)，2014.

[50]岳欣云，董宏建.教師教學(xué)診斷能力：內(nèi)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，何皓怡等.基于人工智能的課堂教學(xué)行為分析方法及其應(yīng)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(xiàn)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(xué)評價標準的回顧與展望[J].中國教育學(xué)刊，2020，（1）：55-61.

[54]陳振華.教學(xué)評價中存在的問題及反思[J].教育發(fā)展研究，2009，（18）：84-87.

作者簡介：

孫眾：首都師范大學(xué)信息工程學(xué)院，教授，博士，碩士生導(dǎo)師，研究方向為技術(shù)支持的教師專業(yè)發(fā)展（sunzhong@cnu.edu.cn）。

呂愷悅：首都師范大學(xué)信息工程學(xué)院，在讀碩士，研究方向為教師教育、學(xué)習(xí)分析（2224760241@qq.com）。

駱力明：首都師范大學(xué)信息工程學(xué)院，教授，碩士生導(dǎo)師，研究方向為計算機教育學(xué)（luolm@cnu.edu.cn）。

陳美玲：全國中小學(xué)計算機教育研究中心北京研究部，實驗師，研究方向為教育信息化（CML221@163.com）。

許林：中央電化教育館，編審，研究方向為教育信息化（xutingxing@263.net）。

施智平：首都師范大學(xué)交叉科學(xué)研究院，教授，博士，博士生導(dǎo)師，研究方向為計算機視覺、形式化驗證（5959@cnu.edu.cn）。

基金項目：

國家自然科學(xué)基金項目“基于人工智能的課堂教學(xué)交互分析關(guān)鍵技術(shù)研究”（項目編號：61977048）階段性研究成果。