智能技术支持下教师教研的创新模式探索*

卢琳萌 蔡慧英

江南大学“互联网+”教育研究基地

一、 前言

教师教研是提高教师教学能力的重要方式，是促进教师专业发展的重要途径，是保障基础教育质量的重要支撑［1］。研究者指出人工智能可被视作助力教研变革的“新工具”，赋能教研过程［2］。人工智能技术可以采集和分析不同教学场景中的数据，助力教师的决策过程，提高教师教研效率。那么，如何利用智能技术助力教研模式变革是目前教研急需解决的问题。

为此，本文在梳理我国教师教研现状与存在问题的基础上，介绍了可用于创新教师教研的三种典型智能技术，然后依据数据驱动教师探究的模式，介绍了在三种智能技术支持下的典型教研案例，以期为教师创新教研模式提供启发与指导，助力教师专业水平的提高。

二、教研现状及问题分析

（一） 教研现状

教研是教师总结教学经验、发现教学问题、研究教学方法等的系列活动。随着我国教研工作的不断改革和发展，教研方式逐渐发展与成熟。首先，从整体布局上来看，我国建立了完善的教研体系。成熟的国家、省、市、县、校五级教研体系，以及上下级教研机构之间稳定的联动工作机制，为基础教育质量提升提供了切实保障［3］。其次，教研的内容不断丰富完善。随着“以学为中心”的理念不断发展，教研的内容从注重教师的教转向同时关注学生的学与教师的教［4］。

此外，我国的教研模式也在不断创新与发展。例如，宁夏作为“互联网+”教育示范区，在实践中生成了新的教研模式：基于互联网开展自下而上与自上而下、线上与线下相结合的教研活动［5］。

（二） 教研中存在的突出问题

1. 教研流于形式，难以确保教研深度

在具体实践中，各中小学致力于组织教研活动，但存在流于形式的问题，难以保证教研的深度开展。范贤普指出，虽然学校大力组织教师开展公开课、示范课等教研活动，但实际上却存在着教师应付学校要求的问题［6］。由于教师教学任务繁重、工作时间有限等多种因素，教研的深度有待提高，部分教研活动流于浅表，存在形式化问题［7］。在注重形式的教研活动中，教师的教研容易停留于教学问题的表层，如教师迫于压力追求完成教研的形式化任务，往往未能触及教学的深层次内质，教研的效果大打折扣。

2. 教研缺乏证据支持，难以发现真正问题

目前，部分教研团队意识到证据对教研的重要性，在教研中采用实证研究的方法助推教研工作走向实证化。例如，通过设计教研活动观察单和活动反馈单等工具，帮助参与的教师开展基于证据的表达，促进参与者思维的深度碰撞［8］。但从宏观层面上看，多数教师的教研依旧基于经验，存在着对课堂数据关注不足的现象。缺乏数据或证据的支持会导致教师就问题谈问题，反思活动仅停留在描述、解释的层面，难以发现教学中真正需要解决的问题［9］。

3. 教研缺乏技术赋能，难以优化教研过程

在信息技术的支持下，教研突破了时空的限制，变得更加方便。网络教研、虚拟教研、直播教研等新型教研方式不断涌现，这些教研方式突破了时空限制，让教研对于普通教师来说更加触手可及［10］。但教研和人工智能技术的融合程度还有待提高。多数教研更多的是将技术作为一个平台或者工具，并未充分发挥智能技术的效能［11］。在传统教研模式下，教师难以对整个教研过程进行动态调控［12］。没有技术的加持，教师难以快速并且全面地收集教研所需的各种教育数据，具体过程中也难以实现精准化的教研。

三、 创新教师教研模式的智能技术

目前，国内外研究者提倡借助人工智能技术创新教师教研模式。人工智能技术可以为教师提供深入理解教学现场的数据，帮助教师进行基于证据的教研［13］，助力教师在多种数据中挖掘出教学中的真问题，开展深度教研。大力推进智能技术创新教师教研模式是解决目前教研问题的重要途径，也是创新教研模式的有效手段。

通过梳理文献发现，教学视频切片分析、课堂学习者情绪识别、多模态数据分析等三种智能技术为创新教师教研提供了新的技术支撑。

（一） 教学视频切片分析

教师课堂教学视频是引导教师进行教学反思的重要数据来源，在教师教研过程中扮演着重要作用。智能技术支持下的教学视频切片分析技术可以帮助教师更加精准地理解课堂教学视频数据，助力教师进行精准教研。教学视频切片分析技术是指将完整的课堂教学视频分成若干个片段，然后由教师通过诊断某一教学片段，反思其教学情况［14］。教学视频切片允许教师探索、提问和反思课堂上的情节，教师观看课堂视频突破了时间的限制，且教学视频切片具有暂停和倒带的能力［15］。将教学视频切片作为教研分析的内容，既保留了课堂的原始真实性与复杂性，也让教师的教研内容更加聚焦，增强了教研的有效性与针对性。

（二） 课堂学习者情绪识别

情绪也是学生发展的一个重要指标，情绪识别技术可以捕捉和分析学生的情绪数据，并能够生成学生的情绪分析报告，这为教研提供了数据证据。关于情绪识别的方法有多种，可以在捕捉学生的面部表情、手势动作、语音情绪等外显行为的数据后，利用深度神经网络模型等算法进行情绪识别［16］。学者苏超和王国中提出了一种基于表情和姿态的双模态情感识别模型，从表情和姿态等数据中识别学生的情绪［17］。在教研活动中，情感类数据可以帮助教师掌握学生的情绪状态，了解学生对课堂的接受程度，从而及时调整教学行为和授课知识点分布，便于下次教学的改进与完善。

（三） 多模态数据分析

随着大数据的发展，多模态数据逐渐受到教育领域的关注。从数据来源看，多模态数据包含来自学生、教师、教学资源等方面的数据。从数据内容看，它包括师生的行为、心理和生理特征等数据［18］。多模态数据分析能实现对学生和教师的全面精准分析。王超等人关注多模态数据赋能教师教研，探索了源自学生、教师等多模态行为数据蕴含的教学意义，并将多模态数据作为精准教研的依据，助力教师开展深度教研［19］。在教研中，多模态数据实现对教学过程的多维分析，教师收到来自教师和学生的动态信息反馈后，能增强自我调节的能力与意识，对教学问题开展全面深度的分析，提高教研成效。

四、 智能技术支持教师教研的典型案例

智能技术能够帮助教师解决目前的教研问题，优化教研过程，激发教师在证据中发现教学真问题，促进教师深度教研，助力教研模式的变革。目前，国内外研究者普遍认同的数据驱动下的教师教研行动模式（图1），主要包括六大步骤［20］。

图1 数据驱动下的教师教研行动模式

这一行动模式为研究者开展智能技术支持下的教师教研提供了实践指导路径。为了进一步明确人工智能技术支持下教师教研的模式和具体步骤，本研究选取了三个典型教研案例，以期为教师开展智能技术支持下的教研实践提供更加具体的指导。

（一） 基于教学视频切片分析技术的教师教研经典案例

教学视频切片分析技术可以对教师某个教学活动的视频片段进行智能分析，支持教师基于智能分析结果进行教学研讨。Chen等人组织了一批数学教师，开展了基于教学视频切片分析技术的教研活动，目的是提高教师的课堂对话能力［21］。

在此教研案例中，研究团队在上海招募了某个学区的54名数学教师开展教研实验。为了实现对教师课堂视频数据的智能分析，首先利用教室智能录播设备录制教学视频。随后，研究团队利用他们研发的课堂话语分析工具（Classroom Discourse Analyzer，简称CDA），对教师教学视频中的师生对话数据进行分析。CDA不仅可以对教师课堂对话信息进行归类，还可以用图表的形式将话语类型、频次和占比等信息可视化呈现出来，方便教师查看。

在明确教研主题环节，研究团队与参与教研的教师进行了互动交流，就教研目标形成了统一认识。具体地，双方明确将“课堂师生对话”作为教研中关注的核心主题，目的是希望在CDA的支持下进行教研活动，提升教师的课堂对话能力。

之后，研究团队和各位教师商讨教研的规划。研究者组织教师建立课堂对话教研工作坊，开展两次提高教师课堂对话教学能力的理论知识研讨会。之后，在教师和研究者的讨论中，确定基于视频教研的频率为1—2个月一次，教研总时长为两个学期，每次教研会议约2个小时，共进行5次教学研讨会。

在设计教学方案环节，教师根据各自的教学进度以及在工作坊学到的课堂对话策略，选择恰当的教学主题，完成一节新课的教案设计。

在实施教学方案和收集数据环节，教师在配备智能录播系统的教室开展教学实践，同时录制课堂教学视频。课程结束之后，教师将录制好的教学视频提交给研究者。

在分析教育数据的过程中，研究者借助CDA工具对课堂视频进行智能分析，呈现课堂对话分析结果。随后，教师以三人小组的形式查看CDA中的可视化分析结果和对应的视频切片进行教学研讨。

最后，教师在CDA的帮助下对数据进行总结与反思。首先，借助教学视频切片分析技术，教师了解到富有成效的课堂对话通常与学习者的学习成果呈正相关。其次，CDA中呈现的课堂对话的视频切片和可视化分析结果可以帮助教师认识到教师教学之间的相似性或差异性，从而支持教师之间开展基于证据的讨论和协作学习。

（二） 基于课堂学习者情绪识别的教师教研经典案例

在开展基于课堂学习者情绪识别的教研活动时，教师可以了解学习者在学习过程中的情感状态，从而为学习者设计更具吸引力的学习活动，Tonguç团队借助教学视频录像和情绪识别技术，设计了基于学习者情绪识别的教学教研讨场景［22］。Tonguç团队招募了地中海地区一所大学的三个不同专业的67名学生。为了实现课堂学习者情绪的识别，团队首先在学生的电脑上安装了摄像头及自动摄像软件，以收集学生的面部表情；其次使用微软人脸情绪识别器，实现对学生厌恶、惊讶等情绪的量化追踪分析。

在明确教研主题的步骤中，教研团队指出学生的情绪对学习动机、学习参与度有消极或积极的影响，因此在教学过程中应该考虑情绪的影响。基于此，教研团队将学习者的情绪作为研究焦点，围绕着学习者情绪展开教研活动。团队在规划环节确定教研方式为开展一节讲座式课堂的学生情绪教研，并在本环节确定了具体的上课时间和上课地点，以及授课对象。教师将教学分为三个阶段：在开始部分，教师会介绍课程的主题等一般性信息；在组织学习活动部分，教师注重设计一些提问和练习活动；在课程结尾部分，教师对讲座内容进行系统性回顾。

在教师开展教学的过程中，安装在学习者电脑上的自动化摄像机可以不间断地收集学生的面部表情。在数据处理和分析环节，教研团队借助微软人脸情绪识别器这一智能技术，实现了对学习者课堂情绪的快速分析。在总结与反思阶段，教师对获取到的情绪数据按照时间先后进行归纳，总结出学习者在课程初期有轻蔑、愤怒、恐惧和困惑的情绪，且在较短的时间内这些情绪有所增加，但在课程结尾部分学习者的幸福感则明显增加。教师更加清楚学生面对不同教学活动时的情绪反应，有利于教师组织更适合学生情绪水平的学习活动，从而为教师改变教学策略提供指导。

（三） 基于多模态数据分析技术的教师教研经典案例

通过人工智能技术可以实现教学过程中多模态数据的采集与分析，教师在教研过程中可以在多模态数据的赋能下全面复盘和分析教学。Malmberg等人利用视频摄像和传感设备采集学生学习过程中的数据，开展了一项包含学习者协作学习过程中的观察、生理及情感等多模态数据的教研活动［23］。

为了能够为教研提供学习者协作过程中的多模态数据，研究团队选择了LeaForum学习空间。这是一个类似教室的空间，里面装备了智能设备，能够记录教学过程中的音视频，并经过面部数据处理将学习者的情绪分为正面、负面或者中性三种评价。

在教研活动中，教师将课堂中的学习者协作学习作为教研主题。教研团队包含6位教师，经过讨论交流，教研团队一致认可学习者协作学习时出现的互动类型以及在这些情况下的情感表达对学习者的协作学习产生了重要影响，因此教研活动聚焦到学生的协作学习过程中。

教研团队设计实施了一节需要学生协作学习的课程，并对其中学生的协作学习进行了基于多模态数据分析技术的教研。此外，为了助力多模态教研，教研团队共同学习了面部识别软件和生理数据采集等新技术。

在教师协作展开教学设计这一环节中，教研团队设计的课时约90分钟，其中学生协作学习的时间为75分钟。教师采取项目式教学方法进行教学，让学生完成一项“为运动员设计一份健康的早餐”的合作任务。教师在LeaForum中实施教学设计，同时借助多模态数据收集技术实现对学生协作学习过程中的视频数据（观察数据）、皮肤电反应数据（生理数据）、面部表情数据（情感数据）的收集。

在数据分析阶段，教师可以依据各项数据的产生频次、发生时间点等数据结果开展进一步的分析。依据各项数据的结果，教师先对单个模态数据进行独立分析，之后再综合多模态数据进行教学的整体反思。

在总结与反思环节，通过对数据的归纳与整理，教师能够从多个维度了解课堂中学生的协作学习过程。教师发现，学生会呈现“低级交互、高级交互、混乱”三种交互类型，并且三种交互类型的负面情绪表达存在显著差异。教师对自己的教学进行了反思，认识到在小组协作学习过程中需要帮助学生调节情绪，以提高学生的学习效果。

五、 结语

教师教研过程中需要将智能技术融入教研过程，实现教研模式的创新发展。智能技术可以收集教学过程中的数据，并将智能化分析结果呈现给教师，在数据支撑的条件下让教研发挥其真正的作用，大大提高教研的效率。本文介绍了智能技术下的教研一般模式，涉及明确教研主题、制定教研规划、设计教学方案、开展教学并收集数据、分析教学数据、总结与反思等步骤，通过三个典型案例分析为教师开展教研提供实践指导。未来，教研应该将智能技术和教研相融合，推动教师开展创新教研模式的研究活动。