基于CSMS大数据分析的中职课堂教学问题诊断与突破研究

萧筠儒

一、研究背景

随着人工智能的发展，课堂教学评价不再局限于传统的学校教研、同伴互助等形式。运用信息技术作为评价工具对课堂进行量化评价，已经逐渐走进各学校，被用于课堂教学的诊断。近年来在“为国家培养更多的能工巧匠”的指引下，职业教育蓬勃发展，中等职业技术学校作为高中的一个重要分支越来越受到社会的青睐。如何为中职生提供一个与其能力与认知水平相符合的教学内容，是中职课堂教学的一个难题。在中职课堂中运用基于结果多模式联合的课堂教学智慧评价系统（CSMS），将课堂教学的全过程以量化的形式给予呈现，对课堂教学中存在的问题进行诊断，并通过数据帮助教师对课堂进行针对性调整，给中职生带来更适合其发展的课堂，这对职业教育教学的发展将起到积极作用。

二、研究对象、工具与技术理论

1.研究对象

作为本项目中站稳讲台的青年教师代表，实验教师X在研究生毕业后就进入博伦职业技术学校就职。在这6年教学时间里，对中职院校的学生学情已经有了大致的了解，个人教学习惯与风格已基本形成。由于该实验教师对于借助信息技术支持的评价工具进行课堂教学评价的方式非常感兴趣，且希望根据评价和诊断结果，找到自己课堂教学过程存在的问题并加以改善。

2.研究工具与模型

（1）研究工具

本研究主要借助的研究工具为CSMS平台，它是一种运用人工智能实现自动评分的大数据课堂测评工具。其评价包括三部分：教师主导、学生主体和教学达成，其中教师主导部分包括目标定位、课堂艺术、课堂调控、思维激发、评价反馈这五部分；学生主体则分为：整体发展、合作交流、学习体验等三部分；教学达成则对应目标达成。这9个指数每个含有对应分数，每个指数由3-6个细项指标共同决定分值，最后得到课堂教学总分（许世红 等，2022）。

（2）研究模型

①弗兰德斯言语互动分析

弗兰德斯互动分析（Flanders interaction analysis）是指用于记录和分析课堂中师生语言互动过程及影响的一种观察技术。主要记录师生交互总次数、师生问答次数、学生主动发言次数与单个学生发言时长等数据（许世红 等，2022）。

②问答评模式（IRE）

教师课堂提问存在着IRE（Initiation Response Evaluation）结构，即教师通过提问发动互动（Initiation），学生对教师问题作出响应（Response），随后教师对学生的响应进行评价反馈 （Evaluation）。如果教师给学生预留讨论或思考的时间，模式里会有D（Discussion）出现。典型的提问方式有简单型IRE和学生讨论思考再答型。

③学习发生的知行理论

知-行模型批判地借鉴了4MAT理论和Kolb学习风格理论，从大脑认知活动的自由能原理出发，刻画了学习发生的规律。依照学习发生过程有四种不同方式：①从场景到内化建构；②从概念到内化建构；③从概念到思想练习；④从场景到思想练习。课堂教与学的活动若按照学习发生过程的四种不同方式依序组织成①→②→③→④完成一个周期，周而复始则能更有效促进学生认知水平螺旋式上升发展。根据学生学习发生方式的偏向，学习风格划为感悟型、哲理型、现实型、能动型四种（许世红 等，2022）。

二、研究过程

通过录制教师X的一节课，作为前测，用于上传到CSMS平台进行数据分析，结合分析报告，找到教学的问题所在，从而对课堂进行反思，之后录制2节课作为中测，与前测作为对比，分析课堂数据中所存在的变化与再次挖掘存在提升的地方。最后再录制2节课，作为后测，检验课堂诊断时所存在的问题是否能有所改善。

本文所涉及的课例内容如表1：

1.前测分析

根据CSMS大数据分析（图1），课例QC1在评价反馈、合作交流与目标达成方面分值较低，可重点关注。这三项指标，分别对应着教师主导、学生主体与教学达成三个类别。结合报告数据，最终将课例QC1中所存在的问题定位在细项指标：①教师提问与评价的总量（IRE）；②师生的互动比；③学生四种学习风格的激发情况；④教师授课知-行风格的兼顾情况四个方面上。

（1）教师提问与评价的总量（IRE）

在课例QC1中，师生交互总次数为286次，师生问答次数为82次，学生主动回答次数为58次，但记录学生回答的总时长只有06：36。说明学生回答的人次虽多，但都是进行简单的回答，而没有能对自己想法进行充分表达的机会。其中“问-答-评”结构（IRE）互动分析中仅仅记录1次的追问型结构，简单型与学生思考讨论再答型的记录次数均为0，说明“问-答-评”结构运用偏少，需要关注对学生的及时反馈情况。

（2）师生的互动比

根据数据的采集情况，在课例QC1中，共采集到教师活动时长36：35，学生活动时长12：56，课堂类型为讲授型，师生互动比为2.83，评分为35分。因为中职学生基础较为薄弱，老师在长久以来的教学过程中，逐渐形成了把课堂时间牢牢掌握在手里的习惯。根据指标的评价，得到了课堂优化的方向，就是把课堂更多的时间交予学生，实现以学生为主体。

（3）学习风格激发与授课风格兼顾

根据学习发生的知行模型（图2），可以把学生分成四类：

本节课中学生学习风格的多样性展现分别为：能动型（场景→思想练习）：22%、现实型（概念→思想练习）：35%、哲理型（概念→内化建构）：27%和感悟型（场景→内化建构）：17%（表2）。

对于不同学生学习风格的兼顾，主要体现在教师课堂环节与问题的设计上。课堂知识传递方式，用若何（what if）、为何（why）、是何（what）、 如何（how）来代表（表3）。

本节课四何问题总数为226，其中对应的数量与比例为：若何：48（21%）、为何：60（27%）、是何：71（31%）、如何：47（21%）。

而教师的知-行风格的兼顾情况为：能动型（场景→思想练习）：13.1%、现实型（概念→思想练习）：33.79%、哲理型（概念→内化建构）：31.72%和感悟型（场景→内化建构）：21.38%。

在QC1课例中，教师体现能动型（场景→思想练习）的比例与学生群中能行型的比例相差较大，实验教师X认为这是影响课堂目标达成的一个重要因素。因此，在今后的教学中，教师应适当调整课程设计。依据不同的学习风格，设计出更能刺激学习发生的问题类型，才能更加兼顾班级学生的整体发展。

2.中测对比与分析

结合前测报告，对课堂教学所存在的问题进行了梳理后，教师X对课堂进行了优化，主要为在课堂中设计一些符合学情的学生活动环节，在提问时给予学生足够的思考时间与充分表达的机会。在坚持实施两周后进行了中测。得到的具体指标对比如表4所示。

前测时所提出的评价反馈、合作交流与目标达成这3个方面的指标，在教师X的分析与调整下，分值得到了明显的提高。

与前测相比较，虽然课例ZC1与ZC2在师生交互总次数与师生问答次数上数据都有所下降，特别是课例ZC2，数量大概只有课例QC1的一半。但具体在学生主动发言次数上，ZC1的次数多于QC1，学生发言的总时长为QC1的两倍，ZC2在师生问答次数只有QC1的56%情况下，学生主动发言次数为QC1的72%，且学生发现的时长多于QC1。数据表明：在教师对前测课例QC1的数据研究与解读下，针对评价反馈这一指标而进行的课堂调整，对于师生的有效互动质量方面有明显的提高。“问-答-评”结构（IRE）互动分析所收集的数据也明显高于前者（表5）。

对比课例QC1的师生互动比，在贯彻把课堂更多时间交予学生，实现以学生为主体的思想理念后，课例ZC1与ZC2的师生量化比分别为1.26与1.91。在师生互动曲线中我们可以看到，比起课例QC1的几乎横向的曲线，课例ZC1与ZC2都有明显的向上的曲线，说明除了教师活动，还有较长时间的学生活动被设计进课堂中，其中ZC1的曲线几乎沿着45°的平分线攀升，说明课堂中教师与学生的交互充分。且对比前测课例QC1，课堂类型也从讲授型，转化为混合型，从另一个角度表明在课堂中，师生活动的时间安排更合理得当（表6）。

由于CSMS只能通过发言学生的回答所呈现的学习风格进行分类，所以上述的学习风格只能作为班级学生学习风格的一个样本数据。但考虑到课堂提问的随机性与学生发言次数的数量并不少，所以我们假设给予CSMS的课堂教学大数据分析报告中学生学习风格占比即为班级学生学习风格占比。而教师本人的教学风格占比则具有唯一性，所以在师生的问与答的交互下，四种教师教学风格占比与四种学生学习风格占比更一致时，我们会将其评价为教师的课堂更符合学生的需要与发展。于是我们引入一个偏离值作为评价的标准，既把师生四种风格占比的差值的绝对值进行求和。可得3个课例的偏离值为QC1（22%）、ZC1（28%）、ZC2（6%）。课例ZC2偏离值十分优秀，表明该节课教师教学风格与学生学习风格非常一致。而ZC1

的数据偏离值比起QC1更高，说明该教师的一些问题设计和学生的学习风格区别较大（表7）。

通过中测的两节课例与前测的对比，在前测中所存在的3个问题，在有针对性的调整与优化后，得到明显的改善，但是通过前、中测的对比，依然存在一些问题需改善，一些指标可以提升。

3.后测分析与对比（表8）

后测的课例HC1的教师时长为24：50，学生时长为25：24，师生互动比为0.98。师生交互次数为510，问答次数为105，其中学生发言时长为20：39。通过师生互动曲线，发现其倾斜角大致为45°，整体位于师生活动平分线上方，所以在课堂类型中，表明师生之间有频繁的交流，学生课堂表现积极其活跃。所以本节课类型被定为对话型，这是在前面新授课中没有出现的评价反馈。

而课例HC2中，教师时长为34：57，学生时长为11：30，师生互动比为3.04。在数据出现之后，教师X对其的反思为：因为前测与中测虽然都是新授课，但算是章节中的内容，而课例HC2是新的章节的第一节，所以课堂中的前期进行了一部分的导语，同时本节课还是一个概念课，能让学生探究活动的内容较少，所以导致教师活动时间较长。合作交流部分甚至比课例QC1更低。但在HC2中有所提升的是，虽然学生活动时间较短，但是“问-答-评”结构（IRE）互动分析的运用充分，对学生的及时反馈良好，共采集到了简单型2次，追问型4次和思考讨论再答型1次。这是所有课例中评价反馈最优的。具体数据如下：

（1）简单型 （2次） 00：01：24-00：01：52：Iwhatif RE+；00：33：45-00：34：14：Ihow RE+。

（2）追问型（4次） 00：12：24-00：13：22：Iwhatif RIother RE+；00：24：45-00：25：08：Iwhatif RIhow RE+；00：32：33-00：33：23：Iother RIother RIwhatif RE+；00：35：02-00：35：39：Iother RIwhy RIother RE+。

（3）学生讨论思考再答型（1次），学生平均练习思考时间43.5秒 00：35：54-00：37：57：Iwhatif RDIwhatif RIhow RIwhy RE+。

根据与前面课例的对比与分析，在整体发展与目标达成这两项数据中，后测课例HC1与HC2的表现都优于前面的课例（表9）。

通过对课堂教学大数据分析报告的解读，这两项指标主要由教师推动有效学习程度与左右脑思维激活情况所决定的（表10）。根据学习发生的知行理论，为何、如何方式是促进学生产生内化建构、思想练习的重要方法，但如果它们在四何问题中的比例过高，会导致教师教学风格占比失衡，无法照顾到班级所有类型的学生。同时，不同问题的提出又会让学生在思考回答中调用大脑的不同区域，对左右脑思维激活带来影响。所以课堂教学设计中对四何问题的合理设计，有助于学生整体的发展与教学目标的达成。

三、总结与反思

人工智能视域下课堂教学智慧评价体系是新时代课堂诊断与分析的重要助力。CSMS平台的课堂教学大数据观察与诊断可以帮助一线教师从直观的数据中发现课堂的问题所在。CSMS以弗兰德斯（FIAS） 与“问-答-评”结构（IRE）互动分析等模型作为技术支持以及学习发生的知行理论作为理论支撑，使得通过大数据分析下的结果更具有说服力。在本次研究中，虽然后测课例中仍存在部分未解决的问题，但与前测课例相比，后测课例已经得到了很大程度上的改善，实验教师也在一次次教学设计的调整中实现了突破。

1.CSMS为课堂教学诊断提供了明确的方向

借助CSMS平台的多种分析模型，可以针对性地收集课堂教学中的多项数据，通过分析与对比，直观地揭示课堂教学中的问题所在。在课堂思维激发，师生有效互动等方面提供了明确的突破方向，使得教学诊断后的改进更能有的放矢。而通过前后对比，能够实现教师的自我成长与肯定。

2.学习发生知行模型对提高教学目标提供了理论指导

学习发生知行模型，让教师从学生的学习风格出发，从而调整教师教学风格。让课堂中所呈现的教学风格，更能适合班级学生的整体发展。同时再结合“四何问题”的设计与提出，通过一个个问题，实现对学生学习方式的正确引导，构建更加合适的知识结构，从而提高课堂教学的有效性。

3.促进了教学评价的改革

区别于传统的听课评课，通过CSMS平台的人工智能分析，解决了时间与空间上的限制，以数据的采集与分析作为评课的依据。通过分析报告，能让教师发现问题，促进教师自我反思，从而优化教学法，提高专业能力。传统的听课评课依据着有经验者对课堂的经验分享，而基于CSMS大数据分析的教学评价，则为信息化时代下教师的自我成长与突破提供了一种新的可能。

责任编辑  何丽华