基于数据的教师课堂教学组织能力观测与分析

黄慧英

广州市番禺区沙湾荟贤小学

一、 引言

教育变革的推力往往是当前时代下科学技术的大发展，5G+智慧教育与教育研究经历了层层推进的变化。教育部2018年制定的《教育信息化2.0行动计划》明确提出“智慧教育创新发展行动”，要求以人工智能、大数据、物联网等新兴技术为基础，积极开展智慧教育创新研究和示范工作，推动新技术支持下教育模式的变革和生态重构［1］。2022年教育部工作要点要求实施教育数字化战略行动，强化数据挖掘和分析，构建基于数据的教育治理新模式，推进人工智能助推教师队伍建设的试点工作［2］。当智慧教育成为教育大潮，运用大数据和人工智能，基于课堂教学行为数据的课堂观测与分析逐渐引起了更多教育者的关注与研究，成为推动教师专业发展的科学力量。

二、 基于数据的课堂观测与分析有效支撑教学改进

（一） 传统课堂观察缺乏应有的效度

自20世纪50年代开始涌现的工具化的课堂观察方式，随着录音机、录像机等产品的出现，不断丰富与发展。美国社会心理学家贝尔斯在1950年提出的“互动分析理论”，美国课堂研究专家弗兰德斯于20世纪60年代创立的“互动分析系统”［3］，就聚焦于教师在课堂教学中的组织和推进以及由此引发的学生学习行为。

在国内，定性观察是常态，观察内容重表象轻逻辑，易割裂轻关联；观察手段靠感知缺设备，凭经验少技能；观察记录重描述轻统计，重概括轻细节；观察结果重质性少量化，多评价少分析。采用传统的视频分析法、课堂观察法等质性描述分析课堂的教学行为，通常仅得到师生互动性增强、课堂较活跃等表层信息，缺乏底层有效行为数据的支撑［4］，以至于教师无法获得精准的学情，无法有效进行分层教学，无法深刻认识教学困境。

（二） 基于数据的课堂评价有效促进教师发展

大数据、人工智能技术的发展，推动着教育的深刻变革。北京师范大学王陆教授将“课堂教学行为大数据”定义为在课堂情境中，伴随教与学的过程产生的大规模、多样性，蕴含了丰富的教育学含义的非结构化与半结构化的特殊数据集合［3］，如教师行为占有率、教师提问类型统计、学生测评练习数据等。观课者或测评系统根据课堂评价指标，有针对性地对课堂数据进行真实记录和细化描述后，再进行统计比较，加深了对教师教学的科学性理解和认识。

但是，在一线实践中，教师却很少愿意使用观测量表，他们表示难以坚持长时间的记录与统计，聚焦于一两个观测点的听课让他们成为观测工具而少了对教学的整体感受和理解，还有很多教学行为数据难以区分归类。究其原因，教师缺少课堂观察的专业理论和技能，缺少数据意识和数据素养，对于数据的采集、挖掘和分析缺乏基础认知，教师没有经过大量的数据分析训练和实践，也缺乏专业人员的指导。同时，教师受限于时间和精力，对教学数据的持续观测和深度挖掘成为难以实现的研究梦想，基于教学数据的科学分析和科学决策难以实现。

（三） 人工智能让课堂教学大数据成为可能

在云计算与大数据服务支持的背景下，涌现了大量基于“云+端”应用模式的智慧教学环境，使教学行为数据的自动采集与分析成为可能［5］。开展人工智能技术支持下的教学评价，能够辅助智慧评价的高效开展、关注情感信息的动态变化、还原真实课堂的精准采集、实现师生成长的轨迹追踪［6］。

要进行基于数据的评价，首先要实现多维、精确的数据采集。在智慧环境下，硬件装备主要包括智慧录播系统、教师使用的智慧互动一体机、学生使用的平板和小组分屏等，在软件系统上则主要有教师能力测评系统及班级优化大师、移动授课助手、各类教学平台等。这些软硬件可以实现对课堂教学行为的自动跟踪与记录、课堂教学过程的无感录制。

在课堂教学过程中，可采集的数据主要包括学习资源数据、媒体操作数据、互动交流数据和练习评测数据。教师通过教学一体机或教学平台授课，发布教学资源和练习；学生通过平板等移动学习终端，在线上进行学习、分享与测评，可以即时生成测评数据、媒体操作数据，数据类型包括浏览时间、提问次数、回复次数、观看次数等。人工智能测评系统通过面部识别技术、语音识别技术等，对教师和学生的语音语义、视线关注、位置走动、面部表情等情况进行统计分析，借助人工智能计算分析技术，形成教师的注意力分配、课堂时间分配、思维引导能力、课堂结构特征、师生互动质量、学生课堂反应等多方面的分析报告。

人工智能测评系统从多角度提供了可复盘、可切片、可对比的数据。经过长期的课堂教学数据收集，最终形成教与学的行为发展曲线。人工智能让教师从无力采集和分析数据的困境中找到了出路。

三、 课堂教学组织能力观测需要多维数据

课堂教学组织能力研究者史洁莹、邹秀敏在其《课堂组织技能变化技能》一书中， 把课堂教学组织能力分为16个技能，为教师训练提升提供了细致全面的指引［7］。基于数据的课堂教学组织能力观测，需要记录师生活动时间占比、师生活动类型统计、各环节时间分配、教师语音语调分析、教师走位与视线分布、师生互动应答分析、师生对话语义分析等数据。

依靠人工观测和记录这些数据是极为耗时且不准确的。在智慧环境下，通过课堂录像、录音和教学平台、教学终端记录，可以采集教学数据并供教师在课后挖掘分析。目前，受限于大数据分析算法的可实现性，人工智能测评系统往往只能抓住能够采集、识别、统计和分析的数据，因此大多是通过教师注意力分配、教学时间分配、教学对话语义分析、学生发言分析、学习环节类型分析、学生练习测评数据等来进行诊断评价。

四、 人工智能支持下的教学组织能力观测与评价

（一） 人工智能利用多样技术采集课堂数据

人工智能测评系统利用语音识别技术、面部识别技术、生理数据测量等方式，可以采集到多种类型数据，包括教师和学生的语音语调、姿态动作、面部表情、位置走动等。教师的语音语调语速，能够反映出教师单位时间内信息传递的量与质，经过语义分析后总结提问类型和数量，反映出教师对原因探索引导、概念抽象、知识理解和知识迁移运用的情况，展现出教师的课堂组织方式和风格。面部表情与发言时长等数据，反映出课堂上师生的投入程度与情感状态、互动模式等。综合而言，现有的人工智能技术可以采集到的数据是丰富多样的，能弥补人力观测的不足，为精准分析和能力训练提供底层支撑。

实际上，不同团队开发的教学组织能力测评系统，在数据采集设置上有不同的分类，智能程度也有高下之分。华南师范大学的王冬青教授把数据分为直接情境数据和间接情境数据两大类：直接情境数据能够通过终端或者其他途径直接获取；间接情境数据的采集途径分为课堂讲授、课堂测试、自主探究、小组协作、总结评价、反思提升六大教学活动模块［5］。

（二） 基于人工智能技术进行数据分析和应用

如何解决数据孤岛和数据无章等现实问题，成为推动智能教育应用与方法创新的关键［8］。通过人工智能测评系统采集的声音数据、姿态数据、面部数据、生理数据等经过建模与计算后，由系统生成教学分析报告。这样的分析报告对教师而言，到底具有怎样的应用价值和应用期待呢？

教师可以从基于课堂数据的分析报告中直观掌握教学过程中一些行为的统计数据，并以量化数据为参考，对教学过程进行反思和评价。下面仅以学生发言和教师注意力分配为例简要阐述。

人工智能测评系统可以结合计算机机器视觉进行教师注意力分配分析。摄像头每隔0.5秒抓取教师面部影像和眼球角度，结合场地的长、宽、高和教师的身高数据，经过特征提取后建模计算，获得某校低年级两位教师的视线分布图（图1、图2）。教师课堂视线分布图可以清晰地反映出教师在注意力分配上的状态。图1反映出该教师的视线主要集中在教室的左边，占比达85.4%，而教师对教室右边部分学生的视线关注则只占14.5%左右，尤其是对于右前部分四分之一的学生，教师的注意力分配只占5.3%。也就是说，这部分的同学在一节课中只有2分多钟是受到教师的直接关注的。图2反映的教师注意力分配情况相对较好，但也呈现出教室右前方的学生“备受关注”，值得注意的是教室左前方第一小组的学生获得的教师视线关注只有零星两三点。但在传统日常教学和课堂观测中，授课者和观测者都无从得知精准的数据，导致部分学生长期被忽视且无从调整。因此，人工智能测评系统的教师视线关注分析，对教师改善教学行为具有明确的引导价值。

图1 某数学教师课堂40分钟视线分布图

图2 某英语教师课堂40分钟视线分布图

教师课堂提问承担着开启学生心智、促进学生思维能力发展、培养学生基本学习能力、提高学生主动参与意识的重要作用。以下为教师能力智能测评系统通过录播系统完成课堂录音，再通过语音识别系统进行文本转换，最后利用语义分析对上述两节课教师的课堂提问类型进行分类统计的统计图（图3、图4）。

图3 某数学教师课堂提问类型统计

图4 某英语教师课堂提问类型统计

图3所示为某数学教师的课堂提问类型统计，数据表明该课堂以理解型提问为主，占比达45%，应用型、创新型两类提问则占比40%，是比较符合教学目标所需的，其中分析与评价类型的提问少也符合低年级学生的学情。图4所示为某英语教师的课堂提问数据，直观显示出在该课堂的提问中记忆型、理解型、分析型提问占比相当，而创新型提问较少，应用型、评价型的提问占比则均为0，说明该教师的教学停留在低阶的记忆理解层面，需要高度重视迁移、应用、评价类型教学活动的设置和落实。

以上两个观测点的数据分析，为教师反思与提升自身教学组织能力提供了具有冲击力和精确依据的报告。人工智能背景下的教学行为数据采集和分析，帮助教师突破经验和主观感受的局限， 为更加科学、精准地进行教学研究，有针对性地训练提升学生的综合能力提供了重要支撑和关键信息，这也是基于数据的分析的重要价值。

（三） 人工观测与智能采集需要互补互证

教学是很多因素共同作用的结果，在智能化时代，研究者应注重分析结果与教学实践场域的结合，连接教学过程中的具体问题和人员关系等情况，形成明确、精准的研究结论与决策建议［9］。同时，现有的测评系统还存在很多不足：（1）设备设施的精密性有待提高，还会出现数据丢失或无法收录、识别的现象；（2）行为建模和计算还有很多有待细化优化的地方，有些因素未能纳入计算，导致分析的科学性和合理性还不足以让教师全然信任与接受；（3）受现有技术的限制，一些教师所期待的数据无法进行整理计算，比如系统对学生的行为数据的统计太过粗糙，有的停留在听讲、举手、趴下、起立、吃东西等的行为观测上，而对重要的小组协作学习行为却没有统计；（4）最重要的是，教师拿到统计结果，却无法获得所有的原始数据和重要观测数据的发生时间点、具体内容等，如需深化研究仍需要花费大量的时间精力去查看课堂录像，因而对具体课堂组织情况的反思改进难以落地。

好的课堂观测依然需要人工观测与记录，需要专业人员带着经验和智慧进行分析。只有把人工观测与智能测评结合起来，让人机协同，才能更好地挖掘数据背后的关联和意义。

五、 展望：系统技术迭代与教师数据分析能力提升

当前人工智能技术下，对于课堂教学评价系统的开发和实施仍处于起步阶段，智能测评算法已趋于成熟但在课堂中的应用仍处于试点研究状态，难以作为完整的辅助性评价主体纳入课堂教学评价体系，评价的专业性受限。测评系统本身的精准性、科学性也有待提升，在面对不同的教学情境、课堂类型、教学对象上，需要更为专业的评价指标体系；同时，需要提高教师的信息素养，期望教师对数据的解读和利用开展更多的思考，以更好地助力教师专业发展。