数据智能支撑的课堂教学管理跃迁研究

詹青龙　杨晶晶

[摘   要] 作为数字土著的学生特别是中高职学生，在课堂中表现为低头族、手机族、睡觉族等现象较为普遍，但目前的课堂教学管理大多停留在经验和直觉层面，难以作出精准的调控和管理。因此，亟须凭借智能信息技术来改善，而数据智能的出现则为其提供了契机。文章在分析数据智能支撑的课堂教学管理优势的基础上，探讨数据智能型课堂管理跃升的三步进阶法即教师主控、师生共促、自律检测，建立学生 “行为改善、习惯养成、能力提升、持续成长”等课堂教学管理目标的四重境界，构建涵盖课堂内容、活动、时间、问题行为和评价五个维度的精准管理策略，强调“教、学、管”统整，彰显精准教学和智慧管理的价值，希冀提高课堂教学效果，有效地促进学生全人的发展。

[关键词] 数据智能; 课堂教学; 智慧管理

[中图分类号] G434            [文献标志码] A

[作者简介] 詹青龙（1970—），男，湖北襄阳人。教授，博士，主要从事教育信息化、人工智能教育应用等研究。 E-mail：qlzhan@126.com。

一、引   言

大数据、人工智能和机器学习等新技术的涌现和应用，为学校发展和教学变革创造了新的机遇。越来越多的智能设备、智慧系统或平台进入校园，智慧校园、智慧课堂的建设得以持续推进。在智慧课堂的实现过程中，数据是基础，教学是根本，智慧是关键，管理是保障。作为影响课堂教学效果的重要因素，课堂教学管理是若干学校教学中的困境。教师如何在智慧课堂中结合智能设备实时采集的数据，合理分析并有效进行课堂教学管理至关重要。随着技术的发展，智能设备不再局限于处理综合性数据，而更多地使用场景中的真实数据，从而发挥数据的更大价值，改善与人的交互能力，因此“数据智能”这个新物种顺应而生。如何利用好教育过程中的实时数据，充分发挥数据智能在教育教学和课堂管理中的价值，有机地成为伴随式技术，将成为教育领域研究的关注点和方法论上的探索点。

本文以课堂教学管理的现状为切入点，以数据智能的理念和技术作支撑，分析数据智能型与传统型课堂教学管理的比较优势，探讨传统的课堂教学管理跃迁到数据智能引发的课堂教学管理创新和样态，突出“三步进阶、四重境界、五维精准”，强调“教、学、管”统整，彰显精准教学和智慧管理的价值，进而提高课堂教学效果。

二、课堂教学管理的现状及数据智能提供的改善契机

（一）课堂教学管理的现状

当今的课堂教学中，作为数字土著的学生特别是中高职学生，课堂上普遍表现出“低头族”“手机族”“无书族”“睡觉族”“聊天族”等现象，有研究将此归因于学生不爱学习、学习态度不认真、教师的知识陈旧、教学方法单一、缺乏互动等[1]，从中可以看出教师管理上的无奈，管理难出成效。笔者结合对真实课堂的观察和自身实际教学过程中的感受，发现在大多数课堂中，存在因课堂教学管理方面的难题而直接影响教学进度，进而影响整个教学效果和质量的现象。

随着教育信息化的持续推进，越来越多的智能技術得到采用，使得课堂教学及活动逐渐数字化，“数字驱动教学”已成为时代的选择，学习资源日益丰富，教师不再是学生知识的唯一源头，教师职能也应从以教授为中心转变为“教、学、管”统整。教育信息化要求全方位推进教学管理改革和创新[2]，但目前的课堂教学管理大多停留在经验和直觉层面，难以作出精准的调控和管理。因此，课堂教学管理应转向基于数据的、精准的、个性化的、科学化的管理，而数据智能的出现则为其提供了契机。

（二）数据智能为课堂教学管理改善提供了契机

1. 数据智能的概念

数据智能是利用分析工具和数据挖掘等智能技术对收集的海量数据，加以智能化分析与处理，将数据转化成可操作的信息，发现洞见和趋势，从而改进决策与管理的一种方法。数据智能代表着一种新的范式即认知范式，其终极目标是决策智能化，超越了“是什么”和“为什么”的第四范式即数据密集型范式。

在国内，百度公司2014年提出了数据智能的概念，是指基于大数据引擎，通过大规模机器学习和深度学习等技术，对海量数据进行处理、分析和挖掘，提取数据中所包含的有价值的信息和知识，使数据具有“智能”，并通过建立模型寻求现有问题的解决方案以及实现预测等[3]。简单地说，数据智能就是大数据和人工智能技术的融合[4]。在国外，数据智能的定义主要有两种：数据智能就是收集和分析海量数据以发现数据蕴含的趋向的过程[5];数据智能是使用方为了更好地理解所收集的信息以改进其服务或投资而使用的所有智能分析工具和方法[6]。数据智能是一系列能力的集合，其实现的核心技术是数据智能平台（也称为中台）。数据智能平台能承载和调用一系列智能数据（面向特定情境和问题的数据集），进行实时数据处理、分析和挖掘，提取数据中所包含的具有情境价值的信息和知识，形成不同的情境化数据处理能力，并通过建立核心模型（由人的智慧和机器学习优化而来的模型）、构建流程和数据产品，最终实现自动决策[4]。

数据智能提供了360°的教学环境视图，涵盖以教学和学生发展为中心的增强分析、预测和决策。（1）描述性：检查和审核教学数据，从而了解、分析教学绩效和学生行为;（2）规定性：开发和分析教学过程中的替代性知识;（3）诊断性：确定课堂中可能发生的小微事件及原因;（4）预测性：分析历史数据以确定未来的课堂教学和管理;（5）决策性：测量课堂数据的充分性，并给出在多种可能性环境中未来要采取的最佳行动。

2. 数据智能为课堂教学管理改善提供契机

数据智能可观测、分析、解释、预言和调控对象，细致入微地洞察每个人的行为模式，量化描述人的生理、人格、知识、意向、情感、行为等属性，预测人的言行所表现出的意义以及行动的倾向性和可能性，进而透视人的心理与动机，并进行影响、控制和调节[7]。在课堂教学管理中，数据客观地表征着学生的课堂行为或学习实在，而数据智能以“会自己说话的方式”自动介入到课堂教学治理中，生成新的课堂治理机制，实现数据与行动的一体化。

数据智能作为数据分析的高级阶段，其增强分析打破了现有学习分析的藩篱：一方面，以往的数据分析多半停留在原始学习行为属性本身的分析层面，可理解性差，缺乏全过程关联性分析;另一方面，难以最大限度地挖掘数据价值，缺少基于人机交互的可视化分析[8]。数据智能综合运用数据挖掘、数据处理和分析、机器学习、模式识别、可视化呈现等技术，发现课堂教学数据中潜在的关联并建立关系模型，实施增强分析和动态自适应，为课堂教学管理决策及有效预防提供支架。

数据智能是提升课堂教学及管理内涵和助推其优质发展的巨擘，也是预测、决策课堂教学管理的应然结果和必然要求。数据智能通过捕获学生的学习反应和行为呈现，量化学生自我或生成画像，洞察其心理活动和思维过程，积极调节和干预，强化数据智能驱动的教学决策和管理能力，展示精准教学和智慧管理的价值，有效地促进学生全人的发展。

三、数据智能型与传统型课堂教学管理的比较分析

传统课堂教学管理的特征主要表现为直觉化、经验化。首先，教师在处理学生课堂问题时，常出现“对人不对事”的现象。对于同一个问题，已经对学生有经验化认识的教师，对于不同印象的对象可能会采取完全不同的问题解决方式，这种不公平的管理方式会直接影响学生的学习积极性。其次，班级授课制决定了教师不可能持续关注或者照顾到每一位学生，因此会出现对学生课堂问题行为管理不及时的现象，这可能会助长学生的侥幸心理，从而增加问题行为发生的频次，甚至会造成其他问题行为的发生。

针对传统课堂教学管理存在的问题，结合各种智慧系统和智能设备进入教室、多方打造智慧课堂的教育现实，以数据智能作为关键理念和方法来跃升课堂教学管理深具价值。数据智能“有助于坚持以学生需求为导向，营造更加人性化的管理氛围，通过信息交流机制的多元化和人性化，消除教师与学生之间的沟通障碍”[9]。

在数据智能支撑的课堂教学管理中，多种智能技术融入课堂教学，通过记录学生全方位、全时段的学习行为数据，并配以手势识别、表情识别、文本分析等數据分析技术，实现课堂教学管理的全局性、实时性、精准性、可视性，保证课堂教学高效进行和提高课堂教学质量。数据智能可以对学生学习和行为进行客观描绘，科学、公正地能帮助教师改变“先入为主”的直觉判断，做到依据数据的科学化智能管理。

数据智能借助情感分析、注视分析等多模态分析技术[10]对数据进行多维度分析，从而深度了解学生深层次的学习情况。教师根据智能分析的结果，不仅可以了解学生的兴趣点、存在学习困难的知识点、已经掌握的知识点，还可以全面了解学生的学习习惯，甚至通过大量学生表现的汇总发现问题行为发生的潜在座位区，进而利用智能设备针对性地进行智慧化管理。两者的比较分析如图1所示。

四、数据智能支撑的课堂教学管理跃迁

传统的课堂教学管理狭义于管，而有效的课堂教学管理在要素上包括教、学、管，在实施上包括方法、目标和策略。基于数据及其价值利用的课堂教学管理，数据智能则强调“教、学、管”统整的方法、目标和策略，如图2所示。图2最中心的位置是“教、学、管”，其中教学互动作为连接教师的教、学生的学和师生共同管理的桥梁，是实现课堂教学管理的必要通道。教学互动表现为教师与学生个体、教师与学生小组、学生个体与学生个体、学生个体与学生小组等多元主体间的互动。在图2的内环，“教师主控、科学预防”“师生共促、精准调控”“自律检测、全面发展”，是数据智能支撑课堂教学管理跃升的三步进阶。在图2的外环，行为改善、习惯养成、能力提升、持续成长是课堂教学管理的变革路向，也是数据智能支撑课堂教学管理目标的四重境界。通过三步进阶的管理方法，可在改善学生日常行为的基础上，帮助其自主探索、合理安排时间等良好学习习惯的养成，并逐步增强自我管理能力，进而为自身的可持续成长提供可能。

（一）三步进阶：数据智能支撑的课堂教学管理方法

数据智能支撑的课堂教学管理方法采用三步法，即初、中、高三阶段，如图3所示。

1. 初级阶段：教师主控，科学预防

该阶段是课堂教学管理的基础阶段。预防系防患于未然，即通过对智能教学系统等进行数据挖掘，搜集学生学习行为、学习时间、学习效果等客观多维数据，经过多元统计分析、关联分析、用户模型、可视化分析等全方位获得学生的真实学习情况，从而在教学设计的大层面上，精细设计和最佳分配各部分学习内容、学习支持与拓展资源、学习时间等，防止纪律问题的产生，进而提高学习效率和时间利用率。

2. 中级阶段：师生共促，精准调控

该阶段是课堂教学管理的关键阶段，主要针对教学过程中的精准调控，也是数据智能发挥价值的关键所在，交互式实时数据可视化可帮助教师发现并诊断课堂管理问题。传统课堂中，由于班级人数较多，教师不能及时发现所有学生是否在认真听讲，特别是有些貌似在看黑板的同学。而在数据智能支撑的课堂中，监控视频全方位拍下学生行为，可直观发现走神、搞小动作、睡觉、小声聊天等行为的学生。同时，还可以通过眼动追踪、表情识别记录学生的真正聚焦点、学习难点与活跃点等，采用多元数据统计分析明了学生的真实情况，从而有的放矢，针对性讲解与纠正。在整个过程中师生、生生及时互动，互相监督和促进。

3. 高级阶段：自律检测，全面发展

该阶段是课堂教学管理的保障阶段。一次的提醒和管控不能确保完全制止学生的所有问题行为，不良习惯的改正和好习惯的养成都需要时间，数据智能支撑的课堂通过采集日常课堂教学的全景数据，能持续追踪学生的学习行为;同时，利用智能算法、搜索引擎、关联分析、启发式探索、推荐系统等提供给学生适切的资源，优化学生的学习路径，维持学生持续性学习的动力，从而改善学习效果。此外，系统结合实际数据分析通过即时反馈表扬学生表现好的地方，指出其需要改进的地方，逐步培养学生自我完善、自我管理的意识与能力。

（二）四重境界：数据智能支撑的课堂教学管理目标

行为改善、习惯养成、能力提升、持续成长等学生自我完善的能力目标，是数据智能型课堂教学管理的四重境界，也是数据智能价值发挥的真正体现，实现依次增强，见表1。

1. 行为改善

数据智能结合行为改变技术（Behavior Change Techniques），能建立有效的干预，改善学生的行为。IBM运用人工智能设计了对具体场景有效的、具有搜索、预测、推荐和解释功能的行为改善干预算法，具体包括：（1）无监督和有监督的信息提取算法，可从行为改善干预评估报告中自动提取关键信息;（2）机器学习和推理算法，可对提取的信息进行推理，给出具体场景的干预建议，并预测尚未经实验的干预措施的可能结果[11]。对于学生来说，行为改善包括学习行为和纪律行为两个方面，基于数据智能的课堂管理是引导学生行为改善的基本法则。数据智能技术能自动化生成学习情况表单、错题集、违反纪律情况等并实时反馈给教师，及时提醒学生正确认识自己的表现。学生可以可视化地与各类数据交互，针对自身问题改变自身行为，从而朝着成绩优异、课堂守纪的方向发展。

2. 习惯养成

偶尔行为的改善并不能真正改变学生的学习习惯，习惯的养成需要充足的时间和持续的自律或督促。传统课堂中，虽然每节课都会注意学生好习惯的养成，但由于学生多且行为习惯各异，要求任课教师在完成教学任务的前提下，时刻督促每一位学生好习惯的养成，其效果可想而知。数据智能支撑的课堂教学管理恰好能在这方面有所建树。数据智能支撑的课堂教学环境，可利用数据智能平台的场景捕获和机器视觉智能诊断功能，也可利用具有分析功能的摄像头和场景自动切换的智能录播系统，采用面部表情自动识别技术、眼动追踪技术等从时空两个维度，实现对学生学习行为的持续性、多方位、深层次的关注，从而督促学生与同伴时刻注意自身行为的合适性，进而促进好习惯的养成。

3. 能力提升

知识的快速更新致使学生无法始终掌握所有知识，教师应分享给学生获取知识的方法和能力，因此關键在于学生各方面能力的培养与提升，特别是学习能力与自我管理能力。数据智能在这方面可展现其独特的魅力，它不仅能通过多模态资源、多元交互设备等极大地丰富教学活动的种类与形式，还可以通过聚类或回归分析、关联分析、启发式探索、即时反馈、自适应路径推荐等培养学生的逻辑思维与问题检索能力，训练提升自身能力，再配合教师的适当引导，逐步完善自身能力结构。Kumar等[12]提出了一个基于能力的学习分析框架，其目标是将学生的表现转化为能力档案，主要依托于开源框架Hackstat收集、分析、可视化、解释、注释以及发布软件开发过程和产品数据，通过抽象语法树等可视化技术将学生表现转化为熟练程度，进而实现其能力表征，并在Java课程中得到验证。

4. 持续成长

持续成长是学生的终极目标。每个学生都是独特的、有独立意义的人，同样的教师在同一课堂以同一速度讲授相同的知识点，不同学生的接受程度千差万别。因此，不仅在教学内容如学习资源的提供上要因人而异，在教学管理上也要依据学生的个人性格特征、学习风格等进行个性化处理。个性化支持与服务是数据智能的关键特征，也是实现学生可持续成长的重要支撑，实时动态的数据为学生的可持续成长提供了个性化参照框架。除了学生知识与技能的可持续性增长之外，学生品德的持续成长也是教育的重要方面。Ramberg等[13]曾基于层次化的数据，采用多级模型和两级二元逻辑回归分析等研究表明：学校效能和学生作弊之间的关系部分是由学生的成绩和道德标准调节的。

（三）五维精准：数据智能支撑的课堂教学管理策略

数据智能支撑的课堂教学管理策略包含课堂教学内容管理、活动管理、时间管理、问题行为管理、教学评价管理等五个维度，其技术运用和功能展现如图4所示。

1. “语义关联+可视化”实现课堂教学内容呈现的精准

教学内容管理是课堂教学管理的根本，包括确定呈现哪些知识内容和以何种方式呈现，以及提供哪些拓展资源。首先，在知识内容选择方面，要依据教学目标、重点和难点，结合学生学习轨迹和前测结果数据进行分析，有针对性地呈现相应的知识内容。其次，在知识呈现方式上，利用网状思维和语义关联分析，为相关知识节点建立知识网络，以思维导图、学科知识图谱、图表、仪表盘、虚拟现实等可视化形式呈现知识，并通过智能终端将结果生动地展现给学生，将语义、知识内在结构及逻辑关系作为重要力量，驱动学生形成自己的认知脑图。最后，根据学生的不同知识基础及理解能力，提供不同类型、不同难度的拓展知识。此外，教学示例及资源的编排都应当在知识内在结构的基础上，增加学生对教学情境的认同感，加深对知识的自主建构与理解，进一步强化自主学习能力。

2. “多模态资源+多方式共享”实现课堂教学活动的精准

大班授课直接导致课堂学习活动形式单一，学生参与度低，每位学生不能受到足够的重视，因而降低了参与活动的积极性，注意力分散。而学习活动成功实施的重要条件是学生的课堂参与度，即学生对课堂内容能够积极接受和参与，而不是感到无聊。Pekrun[14]等研究表明，无聊感对学生的学业成绩有负面影响。资源的丰富多态及数据智能平台与设备的供给，对创新课堂活动内容和形式、减少学生无聊感、培养与维持学生的学习兴趣等都具有重要作用。同时，对学生学习活动生成的跟踪数据的可视化展示，有助于教师和学生直观地解释这些数据，并快速感知其隐藏的方面。

因此，通过“多模态资源+多方式共享”，不仅可以创设多种教学情境，调动学生的多感官共同参与和共同构建，还可以通过启发式探索、自适应系统等支持学生自主选择学习资源及路径。除此之外，数据智能及设备融入课堂的实况为教师及时调整活动形式，改变活动场景等提供了极大支持，教师可以根据教学内容与学生兴趣、掌握情况等随时改变分组情况、活动实施等，如基于智能设备设置问题抢答环节，维持学生参与学习活动的新鲜感与专注度，从而逐渐养成积极主动参与教学活动的良好习惯。

3. “自动识别+实时跟进”实现课堂教学时间分配的精准

在教学反思中，教师关注最多的是课堂教学管理，反映的问题主要包括难以把控课堂纪律和难以把控课堂时间[15]。可见，适当调控课堂知识讲解、提问、讨论等各部分活动的时间，是教师进行有效课堂教学管理的必备能力。数据智能支撑的课堂教学时间管理，表现为横向和纵向两个维度。横向维度上，教师依据数据智能平台能同时控制每位学生的智能设备，覆盖面广，节省时间。纵向维度上，教师在数据智能平台上，实时了解学生进度的情况，适应性调控各个活动和练习等时间，提升学生的时间利用率和学习效能。

传统课堂上，教师需要遍历教室才能逐个确认每位学生的真实状态，但数据智能型课堂教学环境却可以通过异常检测等自动识别存在问题的学生，如未在规定时间内完成练习、任务等，并通过后台记录数据可视化表征了解学生的精准问题，从而根据每位学生的具体问题调整既定活动时间，优化学习过程。同时，多次优化不仅能更好地为学生提供适切性服务，还有助于学生自我学习、自我管理能力的提升。Papamitsiou[16]通过对评估过程中时间轨迹数据的可视化研究表明：时间因素可用于学生行为的可视化;学生行为时间维度的可视化可提高教师对学生进步状况、迷思概念和任务难度的认识。因此，对学生自主学习、参与学习活动、完成学习任务时间的可视化分析，可实现课堂教学时间的精准分配。

4. “异常检测+即时反馈”实现课堂问题行为管理精准

课堂问题行为是指学生违反课堂纪律或影响课堂教学进度及效果的行为的总称。课堂学生问题行为的存在，可能是个体行为，也可能是个体引发的群体行为，这不仅不利于自身学习，也可能给其他学生甚至全班学生带来不利影响。因智能设备和互联网的配备，学生的课堂问题行为也发生了一些改变，例如追剧、听音乐、打游戏、聊天、睡觉等，但学生可能会通过遮蔽等方式佯装学习。而在数据智能的支撑下，平台可通过全面监测、眼部追踪等实时获取所有学生的情绪状态与行为，利用分类与聚类、特征提取、模型创建与验证、模式识别等方法快速检测异常，因而教师可实时定位存在问题行为的学生，根据其问题行为的类型、性质及特征给予即时反馈。如对于初次表现出问题行为的学生，可通过发送消息等方式警告，若警告无效则可以远程控制智能设备，强行终止其不当行为。此外，对课堂教学全过程、全方位的实时监控，也可为教师反思课堂教学效果提供思路及证据。

5. “人机共评+多维齐评”实现课堂教学评价与决策精准

教师获得学生的信息越多、越详细、越客观，越有利于对自己和学生行为作出公允的判断[21]。数据智能对课堂教学全过程的动态数据记录、存储与分析，为教师和学生获取更全面信息进行课堂教学评价提供了依据。当前评价研究强调关注过程的多元评价，相较于教师单方面的评价，就评价主体而言更具全面性，但在学生的自我评价与同侪评价中，通常带有极强的主观性，较大程度上受到自身喜恶、人际关系等因素的影响。数据智能型课堂教学评价管理也强调过程取向的多元评价，而教学全过程的数据化，可以客观改善评价的主观性。通过对教学全过程的音视频、文本、图形图像等多模态数据分析，问题正确率、投票结果等可视化呈现，能准确掌握学生的参与度、知识理解度及学习体验感。

“人机共评+多维齐评”分别从评价对象和评价内容两方面对课堂教学管理评价进行了补充，进一步完善了管理评价体系。其中“人机共评”在弥补人的主观性的基础上，通过多元统计分析、可视化等解开数据的神秘面纱，从而发挥人与机器各自的优势，实现课堂教学评价管理的主客观同在，科学化与人性化并存;“多维齐评”通过对评价内容的多方面、多维度的共同设计，实现管理评价内容的完整性与可靠性。同时，深度学习可以通过将教师的优秀决策数据作为训练集， 通过不断的“训练”来习得教师的知识经验[17]。

五、结   语

智能平台和设备“武装”的课堂教学环境，需要对其管理方式方法作出相应的技术融合和模式跃迁。本文结合当前的课堂教学管理现状，提出了“教—学—管”统整的转向以及数据智能支撑的样态，借由“三步進阶、四重境界、五维精准”及相应的伴随式技术，展示了精准教学和智慧管理的价值，希冀为教师在课堂管理方面提供借鉴，进而提高课堂教学效果，有效地促进学生全人的发展。

[参考文献]

[1] 曹景萍. “互联网+”时代高校课堂教学管理的策略[J].继续教育研究，2017（11）：127-128.

[2] 袁芳，李铁绳.基于MOOCs的大学教学管理创新研究[J].电化教育研究，2017（3）：62-67.

[3] 数据智能是大数据的未来[EB/OL].[2019-11-21].https：//blog.csdn.net/cf2SudS8x8F0v/article/details/84332422.

[4] 2018数据智能生态报告[EB/OL].[2020-02-20].http：//mi.talkingdata.com/report-detail.html？id=843.

[5] What is data intelligence[EB/OL].[2019-11-06].https：//www.mediaupdate.co.za/marketing/143117/what-is-data-intelligence.

[6] What is Data Intelligence？[EB/OL].[2019-11-06].https：//www.sisense.com/glossary/data-intelligence/.

[7] 段伟文.数据智能的算法权力及其边界校勘[J].探索与争鸣，2018（10）：92-100.

[8] 王冬青，韓后，邱美玲，等.基于智慧课堂动态生成性数据的交互可视化分析机制研究[J].电化教育研究，2019（5）：90-97.

[9] 王鑫家.大数据思维在高校学生信息化管理中的支撑作用[J].黑龙江高教研究， 2016（7）：47-50.

[10] BLIKSTEIN P， WORSLEY M. Multimodal learning analytics and education data mining：using computational technologies to measure complex learning tasks[J]. Journal of learning analytics， 2016，3（2）： 220-238.

[11] Could AI help people change their behaviour？[EB/OL].[2020-02-21]. https：//www.ibm.com/blogs/research/2018/12/ai-help-change-behaviour/.

[12] KUMAR V， BOULANGER D， SEANOSKY J， et al. Competence analytics[J].Journal of computers in education， 2014， 1（4），251-270.

[13] RAMBERG J， MODIN B. School effectiveness and student cheating： do students' grades and moral standards matter for this relationship？[J]. Social psychology of education，2019，22（3）：517-538.

[14] PEKRUN R， HALL N C， GOETZ T， et al. Boredom and academic achievement： testing a model of reciprocal causation[J].Journal of educational psychology，2014， 106（3）：696-710.

[15] 江丰光，吕倩如. STEM教师教学反思日志分析研究[J].开放教育研究，2017（3）：80-86.

[16] PAPAMITSIOU Z， ECONOMIDES A. Temporal learning analytics visualizations for increasing awareness during assessment[J].International journal of educational technology in higher education，2015，12（3）：129-147.

[17] 彭红超，祝智庭.人机协同决策支持的个性化适性学习策略探析[J].电化教育研究，2019（2）：12-20.

[Abstract] Students who are digital natives， especially vocational students， tend to be phubbers， mobile phone users and sleepers in the classroom. However， the current classroom management mostly stays at the level of experience and intuition， so it is difficult to make precise adjustment and management. Therefore， there is an urgent need for improvement by virtue of intelligent information technology， and the emergence of data intelligence provides an opportunity for it. On the basis of analyzing the advantages of classroom teaching management supported by data intelligence， this paper discusses the three steps of classroom management based on data intelligence， namely， teacher-led control， teacher-student co-promotion and self-regulatory testing， and establishes the four levels of classroom teaching management goals for students， such as "behavior improvement， habit formation， competence enhancement and sustained growth". This paper builds a precise management strategy covering five dimensions of classroom content， activities， time， problem behaviors and assessment， emphasizes the integration of "teaching， learning and management"， and highlights the value of precise teaching and wisdom management， in order to improve the effectiveness of classroom teaching and promote the development of the whole students effectively.

[Keywords] Data Intelligence; Classroom Teaching; Wisdom Management