人工智能赋能课堂教学的实践研究

吴秀峰

人工智能是利用数字计算机或者由数字计算机控制的机器，模拟、延伸和扩展人类的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术和应用系统。这里所说的人工智能赋能课堂教学是指利用弱人工智能或者教学人工智能方向的研究应用或软件来助力课堂教学，从计算机视觉、个性化学习、智能测评、机器人学习等人工智能技术角度去赋能课堂教学，在课堂教学各个环节的解析过程中充分运用这些人工智能的手段，让课堂教学突破传统教学的固定模式，更有力地助力学情分析，更好地引导学生反馈，更高效地提炼课堂作业，更精准地进行个性化学习和辅导分析。

一、人工智能赋能课堂教学的意义

人工智能赋能课堂教学，可以从以下三个维度展开。

一是基于计算机视觉分析的课堂行为探测反馈，主要是通过智能录播设备等对整节课师生的教与学行为、生理情绪状态进行分析，以更好地帮助教师提高教学质量，帮助学生提升课堂专注程度。

二是基于个性化学习的学情分析。学情分析是教与学的起点，是课堂教学中一切活动设计的落脚点，借助人工智能中线上测评进行诊断性学情分析，或是通过线下的机器学习引导建立的个性化建模，来评估学生的学习状态，通过智能分析得到各个阶段学生的学习参数，以此作为判断学生学情的基础，从而有针对性地进行课堂教学布局和设计操作。

三是基于机器学习的课堂测评，通过机器命题和自动评分，记录学习过程中的行为数据，以便通过数据分析，调整下一次的学习和测试。

二、设计思路

本文以教科版高中信息技术选择性必修6“开源硬件项目设计”第二单元实验模拟型项目设计2.4“声光检测”为例，以智能传感器为大概念，用声音传感器、光线传感器、热传感器三个中概念串联，用人工智能技术手段支持导学、测评、反馈等课堂教学过程。

根据教材，笔者设计了“智能楼道灯”一课，将解决问题的过程项目化。在模拟项目过程中，充分运用人工智能技术来打造智能课堂，在学情分析、课堂测评、课堂行为探测反馈三个方面来建构一个有别于传统教学的人工智能课堂，研究人工智能如何在学情分析、课堂测评、课堂行为探测反馈三个方面赋能课堂教学，通过三个方面的实践运用和经验总结，更好地让人工智能技术服务于现代化课堂教学。

三、人工智能赋能课堂教学的实践过程

1.计算机视觉分析的课堂行为探测反馈

计算机视觉分析的课堂行为探测反馈主要是指利用多台摄像头、传感器构建的计算机视觉和有监督机器学习的方法，针对师生课堂出现的行为和生理数据进行分析，用来提升教学质量、纠正学生的学习行为。

本节课的视觉分析中，发现教师的走动位置、个人姿态和学生的注意力有很大的关联，教师来回巡检要比教师坐在讲桌前监控更能让学生的注意力集中起来，学生上肢肢体端正要比趴卧姿势更能提高学习专注度。

2.个性化学习的学情分析

笔者把这节课的学情分析分为两部分：一是课前的学情分析，作用是摸清学生的学习现状，称为“摸底学情分析”，主要是用在线平台来检查前置知识的掌握程度。二是基于微课导学的智能导学系统中机器学习反馈的“教后学情分析”，在课堂中前10分钟进行，作用是检查学生微课导学之后的学习效果，了解学生在课堂上接受知识的能力、掌握知识的程度，以便教师在课堂上有针对性地挑选知识点进行讲解。

如果讲解的章节内容不适合用微课导学开展教学，也可以在教师讲解结束后利用自動评分的线下软件，挑选出海量题库中的相似题目，进行基于自动评分的个人学习力建构，建立个性化学习模型。

3.智能测评下的课堂测验

人工智能应用于智能测评的技术一般是机器命题和自动评分。本文提到的智能测评是指自动评分，泰州智慧云平台的课堂检测自动评分应用，是一种以专家预设标准答案为前提的评分工具，就目前而言，是检测学生课堂学习效果的一大利器。用智能测评的方法可以区分出学生掌握知识的多少和层次，我们的设想是在智能测评的基础上进行个人建模，分层学习，让学优生学习有深度，让后进生夯实基础，逐步提升，让每一个学生都能享受课堂。

四、人工智能融入课堂教学需要注意的地方

一是课堂中对人工智能技术的选择要有“火眼金睛”。目前利用人工智能技术实现的个性化学习，相对成熟的应用多见于智能导学。市场上流行的多个导学或个性化测评应用良莠不齐，其主题性不够系统，较为分散，学科分布也不均衡，对题目的分析能力有限，解释大多依赖于人工专家，难免会出错。这需要让实践和市场去考验这些产品，应用的第三方测评机构也应该将其提上日程，用优良淘汰劣质，让政府、教育权威、技术组成适合于教育的人工智能应用评价机构。

二是要注意人工智能应用中的数据伦理问题。人工智能离不开大数据，教师的教、学生的学带来的行为数据，摄像头的行为探测，课堂智能测评的数据分析，大多涉及隐私问题，如果缺乏统一、明确的数据保护机制，学生或家长有可能会抵制。所以，建立完善的数据保护机制是未来保障教学人工智能开展的基础。

五、对人工智能赋能课堂教学的反思

尽管目前人工智能应用于教学、赋能于教学已取得很多进展，但仍然可能面临以下问题。

一是依赖的判断大多来自技术设计或专家判断，过于主观。比如在行为探测中对学生专注度的判断，学生的姿势并不足以说明学生的学习状态，可能会误判;在智能测评环节，自动评分方面的机器学习评分标准来自不同的设计者，本身存在不一致性，会导致结果的差异化。二是成本较高。研究中的硬件比如摄像头、传感器，很多都价值不菲，导致很难推广和应用。三是适用的课型较少，研究的样本有限，代表性不足，研究的通用性难以保证和推广。