师范生教学基本技能智能实训模型及应用研究

孙硕 胡小勇 穆肃 刘阳

基金项目：2022年国家社会科学基金教育学一般课题“人工智能视域下的教师画像及应用研究”（课题编号：BCA220206）

[摘   要] 师范生作为教师队伍的储备力量，影响着教育未来的发展。依据《普通高等学校师范类专业认证标准》与教育部两批《人工智能助推教师队伍建设行动试点工作的通知》等政策文件要求，研究针对师范生教学基本技能培养难题与发展要求，结合人工智能技术潜能构建了面向师范生教学基本技能培养的“四维度18指标”微技能观测指标框架，设计了四层架构的师范生教学基本技能智能实训分析系统模型，提出了智能分析特点及教学基本技能“智学”实训方式，并于所在师范院校开展了试验应用。研究表明，以人工智能技术助推师范生高质量培养为导向，进行师范生教学基本技能智能实训框架模型构建、技术方法实现、实训场景设计和数字画像生成，能够提升师范生实训效果。

[关键词] 师范生； 教学基本技能； 微技能观测指标； 智能实训； 数字画像

[中图分类号] G434            [文献标志码] A

[作者简介] 孙硕（1995—），女，山东潍坊人。博士研究生，主要从事信息化教学教研、智能教育理论及应用研究。E-mail： sunshuo2332448@163.com。胡小勇为通讯作者，E-mail： huxiaoy@scnu.edu.cn。

一、问题的提出

教师是教育第一资源，师范生是教师队伍的源头活水。提高师范生培养质量，是建设新时代卓越教师队伍、组建高质量教师优质后备军的关键环节。我国在2018年發布的《关于全面深化新时代教师队伍建设改革的意见》中强调了教学基本功和教学技能训练的重要性，并对师范生教育实践提出了要求[1]。尽管我国每年都有大批优秀师范生毕业走向教师岗位，但在培养师范生教学基本技能方面仍然存在教学法师资供给不足、技能训练过程粗放、诊断重结果轻过程等供给性、效能性和发展性难题[2-3]。与此同时，全球范围内新一代人工智能等新兴技术作为推动科技产业革命的战略性要素，为师范生培养创新、提高教师队伍质量提供了重要驱动力。例如：美国应用人工智能工具促进教师反思；印度以政企合作方式采用新技术手段加强教师职前培训等[4]；我国教育部于2018、2021年先后启动两批“人工智能助推教师队伍建设行动试点工作”，探索师范生大数据评价管理机制建设路径，利用数字画像等方式促进教师职前、职后一体化，为创新师范生培养方式提供了新思路[5-6]。基于此背景，本文将构建培养师范生教学基本技能的智能实训模型，以人工智能助推师范生培养的高质量发展。

二、研究综述

（一）师范生教学基本技能的标准要求

教学基本技能是师范生良好习得其他教学技能的前置性要素与必备性基础能力，是教师职业能力的关键性基座。1994年，国家教委发布《高等师范学校学生的教师职业技能训练大纲（试行）》；2021年，教育部发布《中学教育专业师范生教师职业能力标准（试行）》，这些文件阐述了师范生各项技能训练的内容与建议，对掌握课堂教学基本技能要领与应用策略提出了要求。由于中小学生具有一定的“向师性”[7]，师范生毕业后在课堂教学时所运用的语言表达、板书版画、教学表情、肢体动作等技能，将对学生的学习、成长产生直接或间接的示范性影响，这就要求师范院校不断提升教学基本技能实训水平，为中小学课堂输送教学基本功扎实、综合素质高的优秀师资。

（二）师范生教学基本技能培养的逻辑与方法

教学基本技能培养与训练，既是强化师范生教学基本功和建构学科教学技能与方法的必要基础，也是持续改进和保障师范生培养质量的重要环节。一方面，技术融入的模拟教学训练有助于加深师范生对教育教学理论的内化和教学基本技能的练习效果。Zhang等人借助虚拟现实技术增强了职前教师教学技能训练的沉浸式体验感，显著提升了教学语言、姿态等技能水平[8]。另一方面，教育实习和见习为师范生教学基本技能的实践提供了真实的教学场景，促进了职前训练同职后教学的有效衔接，可通过创新教学技能实训管理体系、构建教学基本技能训练新模式，来提高教学基本技能训练活动的实效性[9-10]。

（三）人工智能赋能技能实训的应用及发展态势

人工智能浪潮迭起，以实时性、智能化、规模化、个性化等为特征的多场景应用呼之欲出，为师范生教学技能培养提供了新思路和强支撑。国内外学者纷纷对人工智能支持师范生的各项技能实训展开了探索。例如：胡小勇等人依托教学基本技能智能实训系统开展了师范生画像实践[11]，张军等人通过自动录播系统对板书进行了智能识别和记录[12]，Song等人和Kim等人采用深度学习等算法分别实现了课堂对话语义内容自动分类和教师非言语行为识别[13-14]。结合当前人工智能技术发展及技能实训应用进展，以人工智能实现师范生教学基本技能智能实训将大有可为。

三、师范生教学基本技能观测指标及

智能实训模型的构建

（一）理论基础

1. 教师专业发展理论

教师专业发展是一种自我的主动发展方式，教师运用教育理论、实践经验、过程和结果性证据等进行反思、研讨和改进，在教学育人和服务支持的过程中实现自身专业发展[15]。1986年，美国卡耐基教育基金会（The Carnegie Corporation）和霍姆斯协会（The Holmes Group）联合发表了《美国为21世纪准备教师》（A Nation Prepared： Teachers for the 21st Century）、《明天的教师》（Tomorrows Teachers）两份报告，明确提出了教学专业化这一概念，并将其视为提高公立学校教学质量的必要途径。Fuller在教师关注问卷中将教师专业化过程划分为职前教师的教学前关注、职初教师的早期生存关注、职后教师的学生关注三个阶段[16]，师范生是职前教师教育的关键，须培养其具备教学所需的本体性知识、条件性知识及实践性知识。实践性知识是教师教学经验的积累[17]，教学实践技能是实践性知识的直接体现，是教师能力专业化发展的重要基础。因此，师范生教学技能，特别是教学基本技能的掌握与训练应受到高度重视，以此为师范生持续性学习、实践性知识发展、走向专业化提供必要保障。

2. 行为科学理论

行为科学理论始于20世纪的霍桑试验，交叉融合了心理学、社会学、人类学和生理学等多领域学科理论，用于归纳和研究人的行为规律。行为科学理论的核心是以人为本[18]，以人的心理活动机制为出发点，分析人的外显行为活动与行为产生的原因，探究人的行为与发展规律[19]。行为科学理论主要关注个体行为和群体行为两方面。一方面是从个体角度出发，通过对个人微观行为的观察、监测、分析与研究，探究其背后的各种心理影响因素，如思维方式、认知过程、情感动机、态度价值观等[20]。另一方面是通过整体观察与研究群体的行为特征及意义，挖掘群體行为规律，解释群体行为现象。行为科学理论及其对人类基本行为规律的分析，对师范生技能训练和行为解构具有重要指导作用，有助于师范生教学基本技能训练行为规律的深层次挖掘，为个性化、针对性地改善师范生教学行为提供参考。

3. 用户画像理论

用户画像最早由交互设计之父Alan Cooper提出，被认为是对目标用户虚构的、具体的、集中的描述[21]。随后，该概念被引入教育领域，发展出学生画像、教师画像等，为师范生教学基本技能画像的生成和可视化提供重要借鉴。例如：胡小勇等人从精准教研视角提出了数据挖掘技术支持的教师画像逻辑框架与实现流程[22]，构建了基于画像技术的教师研修路径智能推荐模型[23]；邓祯钰等人基于文献研究与质性编码结果，构建了包含能力结构、品质特征、人际关系、知识体系、情意素养、自觉水平六大维度的卓越教师特征画像[24]；魏非等人面向教师职业能力精准测评，提出了以职业能力刻画为核心、以学习过程和个体特征描述为关联的师范生能力画像构建思路[25]。用户画像既是分析用户信息、研究用户行为的过程，也是一种通过数据挖掘来刻画用户行为规律与预测需求偏好的方法。与此相应，师范生教学基本技能画像可通过智能技术手段采集和挖掘技能实训数据，解释师范生技能水平及发展规律，分析和预测师范生技能实训偏好及技能发展需要，有效支持和指导教学基本技能的智能实训。

（二）师范生教学基本技能的微技能观测指标框架

明确测评指标体系，是构建可操作的师范生教学基本技能实训模型的基础。结合《中学教育专业师范生教师职业能力标准（试行）》《小学教育专业师范生教师职业能力标准（试行）》《普通高等学校师范类专业认证标准》《关于开展小学教师基本功训练的意见》《高等师范学校学生的教师职业技能训练大纲（试行）》等文件要求，以及国内外相关研究基础，本研究将师范生教学基本技能划分为教学语言表达、教学姿态控制、教学表情应用、课堂板书设计四项技能维度及18项微技能观测点（见表1）。（1）教学语言表达技能，指师范生在教学过程中运用口头语言进行教学信息传递和思想交流[26]，通过控制语音音量、语速等来传递教学内容的能力[27]，包括发音清晰度、音量合理性、语速适中度、口头语控制性、课堂提问度、情感极性等观测点。（2）教学姿态控制技能，指师范生在教学中以组织学生学习为目的，控制和保持适当、自然、流畅的肢体动作与姿态来辅助教学的课堂行为水平[28]，包括姿态丰富度、姿态转换度、肩部平稳度、腿部直立度、姿态语音配合度等观测点。（3）教学表情应用技能，指师范生在教学过程中运用面部表情来传递信息、表达情感和态度的行为方式[29]，包括表情多样性、表情极性、正向表情应用度等观测点。（4）课堂板书设计技能，指师范生在板书书写过程中呈现出对板书结构、构件、布局、色彩等规范的掌握水平，反映师范生板书书写的技能水平意向性[30]，包括字体规范度、书写规整度、布局均衡性、色彩丰富度等观测点。

（三）师范生教学基本技能智能实训分析系统模型的架构

人工智能技术为赋能师范生教学基本技能水平注入了新动能。本研究通过构建师范生教学基本技能智能实训分析系统模型，提供大规模、全过程、科学精准的技能提升服务，有助于破解师范生教学基本技能培养的供给性、效能性、发展性等难题。此系统模型包括理论基础层、数据获取层、挖掘分析层、实训应用层四层架构（如图1所示）。

1. 理论基础层：师范生教学基本技能的微技能观测指标框架构建

构建师范生教学基本技能的微技能观测指标框架，需要以师范生教师职业能力培养为目标，深刻了解新时代对教师专业发展的技能要求，并据此提取师范生培养过程中教学基本技能的重要观测点。本研究结合教师专业发展、用户画像、行为科学等理论基础，分析师范生教学基本技能的培养路径、技术实现、过程方法，明确师范生教学基本技能维度及微技能观测点，为后续的师范生实训数据的采集、分析与应用提供理论支撑。（1）以教师专业发展理论为指导，认识师范生培养对教师专业化发展的重要影响，明晰师范生的教师职业能力标准要求及其与教学基本技能之间的关系；（2）基于行为科学理论，确定用于分析与诊断师范生教学基本技能水平的可观测行为变量，即微技能观测点，发现师范生个体和群体的技能实训行为规律及心理影响机制；（3）结合用户画像理论，基于微技能观测点构建教学基本技能数据标签，为选择实训数据挖掘与表征工具、明确技能刻画方法流程提供依据。

2. 数据获取层：多模态的过程性实训数据采集

多模态过程性实训数据是师范生教学基本技能行为表现的直观体现，是师范生教学能力评估的重要依据。根据微技能观测指标，面向师范生智能实训场景构建各微技能观测点与实训数据的映射关系，融合视频、语音、图像以及结构化数据等多种模态数据，对师范生教学基本技能进行可视化表征，反映技能实训过程与技能发展水平。师范生技能实训数据可通过智能录播系统、物理感知设备等终端获取，如教学语音、微格教学视频、板书图像等；利用课程学习平台和管理平台等收集与教学实训相关的结构化信息和过程性学习档案材料，如师范生见习和实习的实践作品、总结报告、评价成绩等。需要注意的是，实训数据的采集质量将影响后续教学基本技能分析和诊断的准确性，因此，实训数据的获取需要遵循完整性、连贯性和稳定性原则，控制数据质量和精度，保证所采集的数据能够实现后续的挖掘分析。

3. 挖掘分析层：师范生教学基本技能成长点智能诊断

依据师范生教学基本技能维度及各类微技能观测点，构建人工智能技术支持的多模态融合分析模型，实现各维度微技能点的智能分析及问题诊断。首先，以实现高性能分析为目标进行数据分析模型和算法设计，采用人工智能技术对教学语言音频、行为表现视频及板书图像等数据的分析分别进行算法模型训练。其次，利用训练好的模型对实际实训数据进行分析：（1）利用语音识别、语义分析技术等实现语音信号的内容、音量、音调、语速特征提取与分析，综合评估教学语言表达技能；（2）提取师范生实训视频中的人体骨架數据，进一步析出手势、站姿及姿态变化规律，分析肢体语言的应用和控制能力；（3）利用表情识别技术对视频中师范生的表情极性及其变化进行分析，明确他们在教学中的表情应用和控制情况；（4）通过光学扫描（Optical Character Recognition，OCR）技术对课堂板书图像进行字体规范度、书写规整度、布局均衡性、色彩丰富度等课堂板书设计技能的评估。最后，对各数据分析结果进行决策级融合分析，综合评估师范生教学基本技能的整体水平，并结合云服务平台的智能分析结果进行增值性评价诊断。

4. 实训应用层：师范生教学基本技能画像生成

师范生教学基本技能画像由能力画像发展而来，源于教师画像与学习者画像的概念。教学基本技能智能实训模型可依据不同目的形成师范生个体画像和面向专业、学校的群体画像。通过对实训数据聚类、抽象，可视化表征师范生技能实训成效及发展过程，为教学基本技能指导方案的制定和决策提供依据。个体画像用于确定师范生个体教学基本技能水平的特长、劣势、提升情况，师范生可自主或根据教学法教师建议，明确教学基本技能的发展目标，并制定训练内容和步调，通过多次迭代训练，有目的地改进技能。师范生群体画像为领导决策层提供判断当前教学基本技能目标达成度的依据，动态展现专业、院系和学校的师范生教学基本技能整体训练情况和目标达成度，并通过智能判断进行动态预警与干预。

四、师范生教学基本技能智能分析的

特点及实训应用

（一）多模态数据支持的师范生教学基本技能智能分析特点

通过智能分析联动多源、多模态数据，对师范生教学基本技能培养全过程进行伴随式、情景化的数据采集、能力数字画像，动态呈现技能训练过程，体现如下特点：

1. 数据采集：情景化、伴随式、过程性

教育部等六部门发布的《关于推进教育新型基础设施建设 构建高质量教育支撑体系的指导意见》中提出“实现伴随式数据采集与过程性评价”[31]。首先，设计师范生教学基本技能智能实训场景，结合个人自主训练、教学法教师指导、教育管理者决策实施等场景特点，采集符合各类场景应用的数据。其次，基于师范生教学基本技能实训场景，安装和应用教学过程数据感知与记录的智能设备，用于伴随式采集师范生技能实训的过程性数据。最后，伴随技能训练应用，将动态生成大量的多源异构实训数据，数据分析结果的可靠性将会不断得到提高[32]。

2. 数据分析：多源、多模态、多维互补

师范生在教学基本技能智能实训中产生的过程数据，具有多源、多模态、多维互补等特征。一方面，实训数据主要来源于智能实训平台产生的数字空间数据、师范生自我报告的结构化基本信息等，智能化的数据分析需要基于云服务器对不同端口和来源的用户数据进行高效关联与整合。另一方面，实训数据的多模态性决定了数据处理方式的多样性，包括语音语义分析、动作姿态分析、面部表情识别、图像文字识别、结构化数据统计分析等若干方式，处理形成的各项技能观测指标参数与师范生教学基本技能标准进行动态匹配，最终得到师范生教学基本技能发展水平。此外，实训数据与技能指标之间呈现出“一对一”“一对多”“多对一”的对应关系[33]，因此，在提高数据分析准确性、全面性和科学性的同时，还需考虑选取微技能观测点数据和补充其他模态的数据。

3. 技能刻画：即时生成、动态迭代、过程追踪

师范生借助智能实训平台录制或上传教学基本技能实训视频片段后，可即时获取技能掌握情况的画像分析报告，报告依据具体教学实训场景提供诊断解读，实现技能水平与发展特征的精准刻画。师范生个人或在同伴与教学法教师指导帮助下，根据画像报告找出问题并进行改进提升。师范生还可获取教学基本技能发展的规律与特点，以及有针对性地优化训练处方与智能推送的优质资源，便于师范生在后续实训练习中有的放矢、迭代改进。同时，基于纵向时间维度与横向技能水平维度，形成师范生教学基本技能智能实训水平动态监管的大数据看板，以数字画像形式直观表征技能水平状态及技能训练过程，为师范专业负责人及学校教务管理人员提供科学透明的过程监管手段与实训决策依据。

（二）师范生教学基本技能智能实训的典型应用

1. 师范生教学基本技能“智学”实训方式

本团队以智能实训平台为支撑，设计了师范生教学基本技能“智学”实训方式。“智学”实训主要融合覆盖了三个技能实训的典型应用场景（如图2所示）：一是教学法教师导学训练，教师结合平台智能诊断分析报告，通过示范、复盘、反馈等，给予师范生技能训练指导；二是师范生在微格智能实训室或智能实训静音舱等环境中展开自学训练，基于智能实训平台的画像和诊断报告，反复训练以提升各项教学基本技能；三是平台基于对实训过程的智能诊断，精准识别每位师范生的优势与不足，提供个性化诊断报告并智能推送优质的辅学资源。师范生教学基本技能“智学”方式强调了教师引导、自主学习和智能训练的有机结合，使师范生在多场景下开展技能训练时，大幅度减轻了师范院校教学法师资负担，精准提升了教学基本技能训练的准确度，智能提供了针对技能实训的过程性指导。

图2   师范生教学基本技能“智学”实训方式

2. 师范生教学基本技能智能实训的应用案例

本团队依托上述设计的微技能框架和模型，以校企合作方式研发了面向师范生教学基本技能培养的智能实训平台。该平台于2022年11月发布，并开始在多所大学的师范生教学基本技能实训中得到应用。平台可实现教学基本技能实训精准指导，帮助师范生基于智能数据诊断进行持续改进和技能提升。

以华南师范大学师范生Z自主训练为例（如图3所示），实训平台针对师范生微格教学视频片段、板书图像进行分析，形成教学基本技能四维度的诊断报告。（1）教学语言表达技能方面，该师范生在99.65%的实训教学时间内音量偏高，约半数时间语速合理，常用口头语为“那么”（出现18次）、“嗯”（出现15次）、“呢”（出现15次）等。语句情感偏向中性，实训中进行了16次教学提问。平台生成诊断建议：“适当降低音量；减少口头禅的反复出现，并增强积极语句的使用，以激发学生学习兴趣”等。（2）教学姿态控制技能方面，该师范生实训时右肩和腿部全程处于平稳状态，同时姿态较为多样，其中，双手合拳和双手分开姿态出现最多，共占59.60%的实训教学时间，左右侧身和背身情况占比15.73%。诊断建议为：“根据教学内容与活动，适当调整教学姿态，减少背身的时间，以有效传达教学信息”。（3）教学表情应用技能方面，该生主要呈现出平静的中性表情，占比为58.79%，其次是快乐的积极表情，占比40.60%，还结合教学内容短暂表现出惊讶表情，未出现消极表情。诊断建议为：“须及时调整无表情的时间，在后续教学实践过程中，可通过丰富表情创造良好的教学氛围”。（4）课堂板书设计技能方面，该师范生的规范字占比为74.07%，平均规整度为70.92%，行间距为0.42倍，板书主要分布在第二象限，同时仅采用一种色彩进行呈现。平台给出的个性化建议为：“对未达到规范要求的字对应标准进行练习；注意保持板书字体行间距的一致性；板书色彩一般以3～4种为佳”。

图3   师范生Z的教学基本技能智能实训分析实例

五、结   语

教学基本技能是师范生入职为师的必备基础性能力。针对师范生教学基本技能培养过程中的难题，本研究构建了教学基本技能的微技能观测指标框架，设计了教学基本技能智能实训分析系统模型，提出并实践了多模态数据支持的智能分析特点与智能实训应用方式，应用成效初步显现。为贯通教师职前、职后一体化培养，本研究将继续深耕人工智能助推师范生高质量培养的研究和实践，持续提高师范生教学基本技能画像描绘的精细度与全面性，创新教学技能实训场景与人—机协同指导模式，以数智化手段驱动师范生高质量培养。

[参考文献]

[1] 中华人民共和国中央人民政府.中共中央 国务院關于全面深化新时代教师队伍建设改革的意见[EB/OL].（2018-01-20）[2024-01-27].https：//www.gov.cn/zhengce/2018-01/31/content_5262659.htm.

[2] 于庆奎，邓涛.新西兰师范生终极整合评价的构建与挑战[J].高教发展与评估，2023，39（5）：78-87，122.

[3] 张家华，邓倩，周跃良，等.基于人机协同的师范教育实践改革与平台设计[J].教育发展研究，2021，41（1）：35-40.

[4] MIAO F， SHIOHIRA K， VALLY Z， et al. International forum on AI and education： steering AI to empower teachers and transform teaching， 5-6 December 2022; analytical report[R]. Paris： United Nations Educational， Scientific and Cultural Organization， 2023.

[5] 中华人民共和国教育部.教育部办公厅关于开展人工智能助推教师队伍建设行动试点工作的通知[EB/OL].（2018-08-08）[2024-01-27]. http：//www.moe.gov.cn/srcsite/A10/s7034/201808/t20180815_345323.html.

[6] 中华人民共和国教育部. 教育部办公厅关于开展第二批人工智能助推教师队伍建设试点推荐遴选工作的通知[EB/OL].（2021-04-16）[2024-01-27]. http：//www.moe.gov.cn/srcsite/A10/s7034/202104/t20210423_527853.html.

[7] 林正范，徐丽华.对教师行为研究的认识[J].教师教育研究，2006（2）：23-26.

[8] ZHANG J， PAN Q， ZHANG D， et al. Effects of virtual reality based microteaching training on pre-service teachers' teaching skills from a multi-dimensional perspective[J]. Journal of educational computing research， 2024：1-29.

[9] 李梅，沈渝.师范生教师职业技能“一体两翼”实践训练管理体系探析[J].黑龙江高教研究，2014（9）：83-85.

[10] 邓新侦，任志芬.基于“互联网+全程导师制+UGSIO”的英语师范生教学实践能力发展研究[J].中国电化教育，2023（5）：121-128.

[11] 胡小勇，许课雪，张缨斌.面向教师画像的能力精准测评和可视化呈现[J].中国电化教育，2024（1）：104-110.

[12] 張军，李金方，黄忠毅.图像识别技术在录播系统中的应用研究[J].现代教育技术，2009，19（1）：125-128.

[13] SONG Y， LEI S， HAO T， et al. Automatic classification of semantic content of classroom dialogue[J]. Journal of educational computing research， 2021，59（3）：496-521.

[14] KIM Y， SOYATA T， BEHNAGH R F. Towards emotionally aware AI smart classroom： current issues and directions for engineering and education[J]. IEEE access， 2018， 6： 5308-5331.

[15] 朱旭东.论教师专业发展的理论模型建构[J].教育研究，2014，35（6）：81-90.

[16] FULLER F F. Concerns of teachers： a developmental conceptualization[J]. American educational research journal， 1969，6（2）：207-226.

[17] 常攀攀，罗丹丹.PCK视阈下的教师专业发展路径探究[J].教育理论与实践，2014，34（17）：18-20.

[18] 伍文燕，张振威.行为科学理论及其对网络学习行为分析的启示[J].中国教育技术装备，2017（18）：114-115， 120.

[19] 刘中宇，周晓.行为科学理论指导下的高校大学生网络学习行为研究[J].中国电化教育，2008（5）：46-48.

[20] JACKSON C. Behavioral science theory and principles for practice in health education[J]. Health education research， 1997， 12（1）：143-150.

[21] COOPER A. The inmates are running the asylum： why high-tech products drive us crazy and how to restore the sanity[M]. Indianapolis： SAMS， 2004.

[22] 胡小勇，林梓柔.精准教研视域下的教师画像研究[J].电化教育研究，2019，40（7）：84-91.

[23] 胡小勇，孙硕，穆肃.基于画像技术的教师研修路径智能推荐研究[J].电化教育研究，2024，45（2）：106-112.

[24] 邓祯钰，易凯谕，钟志贤.卓越教师特征画像研究：质性分析的视角[J].中国远程教育，2022（5）：64-75.

[25] 魏非，章玉霞，李树培，等.微认证赋能师范生教师职业能力精准测评研究[J].中国电化教育，2021（12）：79-86.

[26] 薛蓓.教师语言技能[M].上海：上海交通大学出版社，2022：90-91.

[27] 崔允漷.有效教学[M].上海：华东师范大学出版社，2009：141-142.

[28] 常思亮.论课堂教学中非言语行为的基本功能[J].湖南师范大学社会科学学报，1994（1）：87-90.

[29] 张冬梅，葛明贵.教师情绪表达：为何与何为[J].教育科学研究，2021（3）：72-77.

[30] 张伟，孙喆.隐忧与消解：现代教育技术催逼下传统板书的功能审思与改进路径[J].基础教育，2022，19（3）：79-89.

[31] 中华人民共和国教育部. 教育部等六部门关于推进教育新型基础设施建设 构建高质量教育支撑体系的指导意见[EB/OL].（2021-07-08）[2024-01-27]. http：//www.moe.gov.cn/srcsite/A16/s3342/202107/t20210720_545783.html.

[32] 徐舜平，赵庆刚，许健，等.基于数据挖掘的MOOC学习过程监测指标分析——以“电路原理”课程为例[J].现代教育技术，2017，27（3）：118-125.

[33] 穆肃，崔萌，黄晓地.全景透视多模态学习分析的数据整合方法[J].现代远程教育研究，2021，33（1）：26-37，48.

Research on Intelligent Training Model and Application of Basic Teaching Skills for Normal University Students

SUN Shuo1，  HU Xiaoyong2，  MU Su2，  LIU Yang3

（1.School of Information Technology in Education， South China Normal University， Guangzhou Guangdong 510631; 2.Institute of Artificial Intelligence in Education， South China Normal University， Guangzhou Guangdong 510631; 3.ZONEKEY CO.， Ltd.， Beijing 100094）

[Abstract] As the reserve force of teaching force， normal university students affect the future development of education. According to the requirements of the Standards of Professional Accreditation for Normal Colleges and Universities and the Ministry of Education's two batches of  Notice on Launching Pilot Work on Artificial Intelligence Booting Teacher Team Construction， aiming at the training problems and development requirements of normal university students' basic teaching skills， this study has constructed a micro-skill observation index framework of "four dimensions and 18 indicators" for the training of normal university students' basic teaching skills， combined with the potentials of artificial intelligence. Moreover， this study has designed a four-layer intelligent training and analysis system model for normal university students' basic teaching skills， and put forward the characteristics of intelligent analysis and the "ZHIXUE" training method of basic teaching skills， which have been applied in the normal university. The results show that guided by artificial intelligence technology to promote high-quality training of normal university students， the construction of the framework model， the realization of technical methods， the design of training scenarios and the generation of digital portraits can improve the training effect of normal university students' basic teaching skills .

[Keywords] Normal University Students; Basic Teaching Skills; Micro-skill Observation Index; Intelligent Training; Digital Portrait