AI 赋能课堂教学智慧评价：大单元教学自动化分析框架的设计与应用

许世红 郭 敏 吴颖民 李 强 刘军民

一、问题提出

1.基于核心素养的大单元教学是推动课堂转型的时代要求

单元教学法最早源于19 世纪末在欧美兴起的“新教育运动”和“进步教育”运动，20 世纪初传入中国。[1]新中国成立以后，单元教学主要依托教材单元实施，通过编制严密系统的知识结构体系来落实“双基”，不过在培养学生高阶思维和情感态度价值观方面还有待加强。

《普通高中课程方案（2017 年版2020 年修订）》[2]和《义务教育课程方案（2022 年版）》[3]等提出开展以学科大概念为核心、以主题为引领的大单元教学。相关政策与文件的出台倒逼课堂教学评价的变革，核心素养培育导向的课堂教学分析，必须从仅着力于若干知识点或某个课时的教学转变为整体规划一个大单元教学的设计、实施与评价。指向学科核心素养的大单元教学既是学科教育落实立德树人根本任务、发展素质教育、深化课程改革的必然要求，也是学科核心素养落地的关键路径。[4-5]文献检索结果也显示，国内关于大单元教学的研究成果自2018 年起呈现爆发性增长，聚焦课堂核心素养培育的“大单元教学”迅速成为教育研究的高频词。

2.大单元教学在培育、评价核心素养上有独特优势

大单元教学将若干小模块的知识单元整合成大单元，以大主题或大任务为教学主线，围绕主线从“素养点”出发分析、整合教学内容，基于多种课型，围绕主题、目标、任务、情境、活动、评价等要素进行结构化设计与实施。[6]大单元教学不仅可以提升学生学科知识、技能的整体观，还能提高学生的学习兴趣、学习动力、思维能力、综合能力等，并且在提升学生适应未来社会的高阶思维能力，如问题解决能力、创新能力等方面尤其具有独特的优势。

大单元教学有赖于多节课堂的有机配合。要取得整体大于局部之和的教学效果，其关键在于大单元教学的科学设计与有效实施。特别是在实施环节，如何判断学生是否达到预期的综合能力、思维能力、学习兴趣和学习动力等培养目标，对教师持续优化大单元教学设计、及时调整相应的教学实施至关重要。

因此，本文结合教学自动化分析的国内外研究成果，以培育学生核心素养为出发点，创造性地提出可机器化实施的大单元教学自动化分析框架，借助计算机自动化技术分析大单元教学实施成效（本文简称“大单元教学自动化分析”），期望为常态化地开展大单元教学分析与评测提供一种便捷工具，以支持教师日常开展大单元教学优化与改进，推动知识课堂向素养课堂转型。

二、实施大单元教学自动化分析的必要性

1.现有课堂教学分析技术无法有效支持教师评价常态化的大单元教学效果

大单元教学包括设计、实施、评价3 个主要环节。其中，设计环节涉及教师对学科知识内容、学科核心素养以及学情等方面的把握，是大单元教学的总体规划；实施环节是教师在连续性的教学时长中进行的课堂实践，在这一环节中教师逐步完成教学的总体规划；评价环节则是教师对大单元教学设计与实施中的经验进行梳理、总结与反思的过程，这为进一步优化教学提供了依据。这3 个环节只有环环相扣，才能真正促进大单元教学取得预期效果。

在大单元教学的3 个环节中，对于设计环节教师比较容易通过学科组讨论或专家指导获得帮助；实施环节、评价环节中则涉及多个课时的教学协同，很难由专家或同伴持续给予指导与帮助。传统的课堂教学分析技术往往依赖人工或半人工的观察与记录，难以提供伴随式的诊断数据，也难以定量持续提供课堂培育学生批判思维、创新思维、合作精神和交往技能等的纵向实证支撑，这些都容易导致教师在日常工作中无法对大单元教学情况进行有效的洞察和优化。为此，需要人工智能和大数据技术的介入来实现大单元教学自动化分析。

2.人工智能为大单元教学自动化分析提供了技术可能

实现大单元教学自动化分析的前提是完成单节课教学的自动化观察，这涉及视频、音频、多媒体等多种类型数据，需要视频处理、自然语言语义理解等技术具备可靠性。这些年人工智能技术的飞速发展，为单节课以及大单元教学自动化分析奠定了良好的技术基础。

本研究以人工智能和大数据技术为基础，建构了基于结构多模型联合的课堂教学智慧评价系统（classroom structure-based multimodal-supported scoring system，简称CSMS），首次把课堂育人的核心要素“兴趣激发、知识获得、思维培养、活动交往”全部纳入机器自动化分析，并成功实现跨学科、跨学段地自动输出评价结果，用以辅助一线教师、教研员开展课堂教学活动的分析与诊断。[7]CSMS 实现了课堂教学成效分析与反思的常态化、规模化。[8-11]特别重要的是，CSMS 指向对培育学生核心素养极为重要的思维激发和互动交流的特征分析，因此，CSMS 天然具备支持大单元教学分析评测指向核心素养的要求。

三、大单元教学自动化分析框架的设计

1.基于核心素养导向的大单元教学自动化分析的基本要求

一是处理好局部与整体的关系。大单元教学涉及多个课时，只有每个课时的教学策略特征得以整体呈现，才能观察大单元教学各个课时之间的真实配合情况，进而为改进大单元教学提供基础和支撑。因此，设计大单元课堂教学自动化分析的方法和框架，既要直观呈现每节课的课堂特征，又要展示各节课堂彼此之间的关联。

二是重点聚焦教学策略的运用。国际研究表明，学生学习的效果受教师如何教的直接影响[12]，其他影响因素包括学校、教育政策、班级、教师特点、教师专业发展等，这些因素通过影响教师的教学策略来间接地影响学生学习的效果。[13]因此，本研究重点聚焦教师如何教，尤其是教师如何实施大单元教学的具体方法和策略。

三是关注学生学习兴趣与自信心的培养。如前所述，大单元教学正越来越清晰地关注并指向核心素养的培育，指向培养学生适应未来发展的正确价值观、必备品格和关键能力。因此，大单元教学自动化分析框架也应该包括核心素养考察、学习兴趣和自信心养成等重点内容。

2.大单元教学自动化分析的整体框架

大单元教学自动化分析主要聚焦课堂上教师如何发挥主导作用、如何体现学生的主体地位，整体框架包括3 个领域。（见表1）

表1 基于核心素养导向的大单元教学自动化分析框架

一是大单元教学的基本特征，它主要包含大单元教学的平均表现、大单元教与学基本参数的平均表现、大单元互动交流的平均表现、大单元思维激发的平均表现共4 个核心要素，以单元内各个课时的CSMS 大数据指标为基础进行合成。

二是重要教学策略的运用分析，这部分内容借鉴了教师教与学国际调研（teaching and learning international survey，简称TALIS）和CSMS 的研究成果，可用课堂管理、认知激发、课堂反馈这3 大核心要素分析课堂教学特征。大单元教学分析非常关注教师在课堂上如何培育学生的核心素养，TALIS 在对影响课堂教学质量的教学策略进行相关研究时发现，课堂管理、认知激发、教学清晰等维度[14-15]对课堂质量有重要影响。其中，课堂管理主要指教师通过维持课堂秩序和保证有效学习时间等行动让学生采用讨论、分组、合作、反思等方式开展自主学习，并将积极的有纪律的课堂氛围作为衡量课堂管理的指标；认知激发主要指激发学生产生批判思维、创新思维，解决复杂问题的能力。另外，课堂反馈这一要素源自CSMS，主要包括课堂中师生互动情况、教师对学生发言的评价或情感支持等。

三是课堂培养21 世纪4C 素养的有效方式分析，它主要分为生生间的合作交流情况、课堂的知行思维特征两个层面，涉及合作素养（collaboration）与交流素养（communication）、批判思维（critical thinking）与创新思维（creativity），简称4C素养。

3.大单元教学自动化分析模块的设计

领域（1）中，大单元课堂教学的基本特征涉及的4 个核心模块，都可以采用CSMS，通过机器计算单元内各节课的相关CSMS 指标均值，以实现自动化分析。

领域（2）和领域（3）中的各个模块，则创造性地采用“指标对”来生成分析维度。“指标对”是由两个相互影响的指标组合而成的。确定各模块的分析维度时，本研究重点选择对培育学生学习兴趣、学习自信心、学科素养、4C 素养等发挥重要作用的关联指标组成“指标对”，所有“指标对”的分值都由CSMS 自动生成。每个模块下的若干“指标对”构成若干二维平面，每节课相应的“指标对”得分则呈现为对应平面上的一个点，从不同角度形象描述模块的关键特征，以生动呈现课堂教学的平衡性、制约性和复杂性。

表2 中，重要教学策略的运用分析包含课堂管理、认知激发、课堂反馈3 个模块，共用8 个“指标对”做具体描述；课堂培育21 世纪4C 素养的有效方式分析则包含生生间的合作交流情况、课堂的知行思维特征这2 个模块，共用2 个“指标对”做具体描述。

表2 领域（2）和领域（3）自动化分析模块的“指标对”一览

鉴于良好的教学策略与学生核心素养培育有较直接的关联，依据各维度在培养学生核心素养方面的独特价值，本研究在各个“指标对”构成的坐标平面内设定了4 个体现价值引导的区域，分别用“负向”“较负向”“较正向”“正向”标注。

四、案例分析：大单元教学自动化分析的实施

下文用某大单元教学的5 个课时作为案例，呈现各模块的“指标对”机器自动化分析示例图（详见图1～图7），其中课例1、课例3、课例4的视频质量达标，凡涉及视频分析技术的“指标对”研究，均呈现这3 个课时的效果图；其他则完整呈现5 个课时的效果图。鉴于目前缺乏高信度和高效度的指标常模，效果图以单元课例指标平均分暂时作为价值区域的分界线，4 个体现价值引导的区域，分别用“相对负向”“相对较负向”“相对较正向”“相对正向”标注。

图1 “积极氛围-课堂控制”分析示例（5 个课时）

1.大单元教学的基本特征

大单元教学的基本特征主要采用与单课时CSMS 大数据报告类似的分析框架。表3 呈现的是大单元的5 节课在CSMS 中9 个评分领域的得分与平均表现。大单元教与学基本参数的平均表现、大单元互动交流的平均表现、大单元思维激发的平均表现等维度的分析方法类似，不再赘述。

表3 大单元5 节课在CSMS 中9 个评分领域的得分和平均表现一览

2.重要教学策略的运用分析

（1）课堂管理模块

可用3 个“指标对”衡量课堂管理情况。第1个“指标对”为“积极氛围—课堂控制”。按照弗兰德斯分析法，整堂课总时长可分为10 个类别，其中涉及教师言语时长的类别有7 个，分别是T1-接纳学生的情感、T2-称赞或鼓励、T3-接受或使用学生的想法、T4-询问问题、T5-讲解、T6-指令、T7-批评学生或维护权威；另外3 个类别是S1-学生言语反应、S2-学生主动发言、X-静默或混乱。积极氛围用[（T1+T2）/课堂总时长]和积极话语次数占比综合衡量，课堂控制用[（T6+T7）/课堂总时长]和负极话语次数占比综合衡量。

一节课在“积极氛围”“课堂控制”这两个指标维度的取值，对应于“积极氛围—课堂控制”坐标平面上的一个点，点的位置反映该堂课的课堂管理在营造积极和宽松自由氛围感受上的总体表现。单元内每个课时对应一个点，这些点的分布呈现出大单元内所有课堂在该模块的特点。图1 呈现出5 节示例课在“积极氛围—课堂控制”坐标平面上的分布情况，黑点是各单元课所处位置及得分，括号里的数字代表了单元内各节课的顺序，空心点代表单元内各节课的平均表现。其中，课例2 处于相对正向区域，课例1 和课例4处于相对较正向区域，课例3 处于相对较负向区域，课例5 处于相对较负向区域。这表明课例5课堂控制比较严，课堂氛围偏严厉，不利于形成能够激发学生思维的学习氛围。

第2 个“指标对”为“教师主导讲授—学生自主学习”。按照教师教与学生学的活动的实际用时，整堂课总时长可划分为如下5 个类别：X1-教师讲授、X2-学生发言、X3-学生讨论、X4-学生练习、X5-其他。其中，教师主导讲授占比用[（X1+X2）/课堂总时长]来衡量，学生自主学习占比用[（X3+X4）/课堂总时长]来衡量。

第3 个“指标对”为“教师主导讲授—学生注意力”。其中，学生注意力的计算方法采用视频分析技术，以计算学生视线的汇聚情况来衡量。图2 呈现出在“教师主导讲授—学生注意力”坐标平面上3 节课及其平均表现所在的区域，其中，课例5 处于相对正向区域，课例1 处于相对较负向区域，课例4 处于相对负向区域。

图2 “教师主导讲授-学生注意力”分析示例（3 个课时）

（2）认知激发模块

可用4 个“指标对”衡量认知激发情况。第1 个“指标对”为“思维激发开放度—强化知识记忆倾向”。思维激发开放度用教师在授课时激励学生从不同角度思考的有意义的次数来衡量；课堂上教师经常会组织“知识重温”“学习目标设定”“课堂总结”等与知识技能记忆相关的教学活动，出现该活动情形则计1 次。这些次数用来衡量教师强化知识记忆的程度。

第2 个“指标对”为“教师推动有效学习程度—思维激发开放度”。其中，教师推动有效学习程度是根据学习发生的知行理论[16]，衡量为何（解释欲）、如何（实践欲）方式的有效使用程度。

第3 个“指标对”为“教师推动有效学习程度—学生学习惊奇度”。其中，学生学习惊奇度采用视频微表情分析技术，通过计算学生惊奇表情出现的次数情况来衡量。图3 呈现的是3 节课在“教师推动有效学习程度—学生学习惊奇度”坐标平面上的分布情况，空心点代表3 节课的平均表现。其中，课例4 和5 处于相对较正向区域，课例1 处于相对较负向区域。这说明，相对于其他2 节课，课例1 在推动有效学习方面较好，但未能有效激发学生的学习惊奇度。

图3 “教师推动有效学习程度-学生学习惊奇度”分析示例（3 个课时）

第4 个“指标对”为“教师主导讲授—分组活动”。其中，分组活动的计算采用视频分析技术，判断分组活动的时间占比。图4 呈现的是3 节课在“教师主导讲授—分组时长”坐标平面上的分布情况，空心点代表3 节课的平均表现。其中，课例1 和5 处于相对较负向区域，课例4 处于相对较正向区域。

图4 “教师主导讲授-分组时长”分析示例（3 个课时）

（3）课堂反馈模块

衡量课堂反馈的“指标对”为“问答评表现—学生有效表达”。其中，问答评表现用IRE（initiation response evaluation）结构中3 个基本类型的加权数量来衡量课堂提问反馈的强度。具体计算时赋予3 类IRE不同权重，简单型N1∶追问型N2∶思考再答型N3=1∶2∶3，IRE加权总数=1×N1+2×N2+3×N3；学生有效表达则用学生发言时长在10～30 秒的次数来衡量。图5 是5 节课在“问答评表现—学生有效表达”坐标平面上的分布情况，空心点代表5 节课的平均表现。其中，课例1 和课例2 处于相对负向区域，课例4 处于相对较负向区域，课例3 和课例5 处于相对较正向区域。

图5 “问答评表现-学生有效表达”分析示例（5 个课时）

3.课堂培养21 世纪4C素养的有效方式分析

（1）生生间的合作交流情况

衡量学生之间合作交流情况的“指标对”为“课堂学生活动时间—学生交流与合作的有效度”。其中，课堂学生活动时间占比用S-T（student-teacher）模型中学生活动时间在整堂课时长中的占比来衡量；学生交流与合作的有效度用学生有效表达时间和学生讨论时间在学生活动总时间中的占比来表示。图6 是5 节课在“课堂学生活动时间—学生交流与合作的有效度”坐标平面上的分布情况，空心点代表5 节课的平均表现。其中，课例4 处于相对负向区域，课例1 处于相对较负向区域，课例3 和课例5 处于相对正向区域，课例2 处于相对较正向区域。

图6 “课堂学生活动时间-学生交流与合作的有效度”分析示例（5 个课时）

（2）课堂的知行思维特征

衡量课堂的知行思维特征的“指标对”为“教师思维激发特征—学生课堂思维特征”，分别对应知行教学风格、知行学习风格。根据学习发生的知行理论，是何（what）主要是概念性知识，指向抽象逻辑思维；为何（why）主要是原理性知识，指向质疑批判思维；如何（how）主要是原理性知识，指向程序化思维；若何（what if）主要是知识的迁移与创新，指向创造性思维。计算机借由“四何”分布可以计算推测教师课堂知行思维激发特征（教学风格），同样的分析算法也可用来洞察学生的思维特征（学习风格）情况。[16]二者的差异可以用来衡量师生课堂思维的匹配情况。从图7 可以看出，空心点代表5 节课的平均表现，其中，教师思维激发特征主要覆盖第2、3、4 象限，学生课堂思维特征主要覆盖第1、3、4象限，说明教师的思维激发模式与学生的课堂表现之间存在较为明显的偏差。

图7 “教师思维激发特征-学生课堂思维特征”分析示例（5 个课时）

总体而言，通过观察大单元教学中各节课在“指标对”坐标平面的分布以及价值判断情况，教师可以直观了解大单元教学各节课的总体特征及其培养学生核心素养的情况。本文提出的大单元教学自动化分析框架最终呈现的是若干“指标对”建构的坐标平面，其描绘了各节课教学特征的几何分布，而非仅仅呈现统计数据，这也反映出大单元教学自动化分析过程中课堂教学呈现的困难性和复杂性。

五、反思与展望

本研究将大单元课堂教学自动化分析框架作为分析大单元课堂教学的基础，期待在更多数据支撑下，形成大单元教学研究常模，在助力教师洞察大单元课堂教学成效、剖析个人课堂教学特点、探索学科组课堂教学特点等方面发挥巨大作用。鉴于大单元教学自动化分析尚处于实验探索阶段，有待进一步完善优化，在应用该框架测评大单元教学过程时，需要注意以下几点。

1.解读数据意义时，应结合学科内容

本研究设计了大单元教学自动化分析框架，采用“指标对”分析各课时特征维度的分布，并初步完成了一些示例计算，对相应课例进行价值判断，直观呈现了大单元教学内各个课时的特征。但该分析框架没有纳入学科知识逻辑，因此，教师需要结合具体学科的要求，根据课堂教学的顺序，观察判断课堂在培养学生核心素养方面是否次序得当、方式均衡。

2.分析大单元教学的整体效果时，应考虑大单元教学设计的初衷

大单元教学自动化分析框架聚焦教学策略，指向核心素养培育，考虑到各学科、各年级不同的教学大单元并没有固定的顺序和课时之间的配合模式，在教学自动化分析中，教师需要结合大单元设计和教学目标来判断各节课堂是否有效。如果在某个“指标对”中，大单元内所有课时的分布全部集中在一个区域，这说明各课时大概率没有形成有机配合，未实现教学效果上的整体超越。

3.开展大单元教学评一体化设计，以提升自动化分析的针对性

在大单元教学设计阶段，除了设计教学内容，同步匹配设计关键的课堂教学特征，可让教学实施的评测更有针对性。

大单元教学评一体化设计框架主要分为3 大块。一是内容设计（教什么），从大单元内若干小单元教材的内容安排出发，根据学情合理整合教材内容，然后直观呈现实际教学内容，引导教师定性梳理教学内容以及处理思路。二是活动设计（怎么教），重点选择大单元自动化分析涵盖的课型选择、互动安排、课堂管理、思维特征这4 个维度，另外设计了“自选”维度，方便教师聚焦个人研究主题。课型选择（4 种），用S-T模型检验；互动安排（强弱），用合作交流、评价反馈等指数，以及问答评表现—学生有效表达等相关“指标对”来检验；课堂管理（氛围积极/严厉+控制松紧），用积极氛围—课堂控制等相关“指标对”来检验；思维特征（实践欲、解释欲、惊奇度），用思维激发指数、“四何”分布特征等相关维度来检验；自选，由教师根据学科内容和关注焦点设定。三是教学效果（怎么评），分为核心素养培育、学业表现两个维度，其中，核心素养培育包括学科核心素养、通用型4C 素养两个层面，学业表现则分为学科知识技能、学习品质（如学习兴趣、学习自信心等）两个层面。核心素养（学科+4C），学科类由教师自主判断，4C 用学科素养导向指数、教师推动有效学习程度—思维激发开放度、课堂学生活动时间—学生交流与合作的有效度等相关维度来检验；学业表现（学生知识掌握+学生学习兴趣+学习自信心），学生知识掌握由教师通过学情来判断，其他用学生课堂兴趣指数、学生学科信心指数等相关维度来检验。

鉴于目前大单元教学的课堂数据不多，尚未建立常模，研究者要在运用信息技术赋能课堂教学智慧评价的领域进行开拓性探索，并尝试开展中小学教学实验，搜集大单元教学课堂数据，期望借力数字技术发现、挖掘和利用课堂教学数据的价值，揭示课堂教学数据蕴含的真相，总结课堂教学数据中的规律。[17]随着数据的不断丰富，大单元课堂教学自动化分析模块与“指标对”也将不断优化和完善，真正为指向核心素养培育的课堂教学提供科学支持。