孫眾 于子淳

[摘 ? 要] 課堂教學(xué)分析是教學(xué)改進(jìn)的依據(jù)，而教學(xué)改進(jìn)是提升教學(xué)質(zhì)量的關(guān)鍵，兩者相互作用，構(gòu)成課堂教學(xué)研究的回路。當(dāng)前人工智能在課堂教學(xué)研究領(lǐng)域，存在人機(jī)協(xié)同機(jī)制不明確、教學(xué)分析與改進(jìn)關(guān)聯(lián)不密切、教學(xué)實(shí)踐應(yīng)用的指導(dǎo)性不強(qiáng)等困境。研究借鑒使用理論的雙路徑學(xué)習(xí)和人在回路設(shè)計(jì)優(yōu)化思路，提出以“教學(xué)結(jié)構(gòu)”為課堂教學(xué)分析與改進(jìn)回路的焦點(diǎn)，將回路分為高干預(yù)區(qū)和低干預(yù)區(qū)，論述人類智慧與人工智能在回路中的協(xié)同機(jī)制。研究發(fā)現(xiàn)，構(gòu)建TESTII課堂教學(xué)分析模型，和“結(jié)構(gòu)分析、問題發(fā)現(xiàn)、策略改進(jìn)、實(shí)踐應(yīng)用”的4A改進(jìn)模型，可以形成人在回路的人機(jī)協(xié)同課堂教學(xué)分析與改進(jìn)機(jī)制，為促進(jìn)課堂教學(xué)結(jié)構(gòu)變革和提高課堂教學(xué)質(zhì)量提供可行的解決方案。

[關(guān)鍵詞] 人工智能； 課堂教學(xué)分析； 教學(xué)改進(jìn)； 雙路徑學(xué)習(xí)； 人在回路

[中圖分類號] G434 ? ? ? ? ? ?[文獻(xiàn)標(biāo)志碼] A

[作者簡介] 孫眾（1973—），女，遼寧鳳城人。教授，博士，主要從事人工智能教育、技術(shù)支持的教師專業(yè)發(fā)展研究。 E-mail：sunzhong@cnu.edu.cn。

一、引 ? 言

課堂是教育教學(xué)改革的主陣地，是提高教育教學(xué)質(zhì)量的關(guān)鍵環(huán)境[1]。將課堂教學(xué)分析與改進(jìn)視為一個完整的回路，通過分析來支持改進(jìn)，基于改進(jìn)來優(yōu)化分析，已成為課堂教學(xué)研究迭代更新的推動力量。傳統(tǒng)的課堂教學(xué)分析與改進(jìn)，多以現(xiàn)場或錄像觀察、訪談問卷等為主要分析方法，以集體聽評課加專家意見為反饋和改進(jìn)的來源，存在費(fèi)時(shí)低效、主觀性較強(qiáng)、反饋延遲、難以匯集群體智慧等問題。隨著智能技術(shù)的迅猛發(fā)展，以及人工智能促進(jìn)教師隊(duì)伍建設(shè)等系列政策[2]的頒布，人工智能技術(shù)支持的課堂教學(xué)研究，迎來發(fā)展契機(jī)，也迫切需要理論與實(shí)踐上的深入探索。

二、人工智能支持課堂教學(xué)研究的關(guān)鍵問題

人工智能是模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的技術(shù)學(xué)科。它包括計(jì)算機(jī)視覺、自然語言理解、知識圖譜、機(jī)器學(xué)習(xí)等為代表的模擬人類智能的技術(shù)。運(yùn)用人工智能助力課堂教學(xué)研究，是新興交叉研究方向。下面以幾種代表性技術(shù)加以列舉。

計(jì)算機(jī)視覺可從識別師生行為數(shù)據(jù)、表情數(shù)據(jù)等，分析課堂交互、注意力、參與度等。比如Watanabe等運(yùn)用計(jì)算機(jī)視覺技術(shù)分析課堂視頻，用多層神經(jīng)網(wǎng)絡(luò)對教師的板書和講授行為，以及學(xué)生記筆記和聽課行為之間的交互進(jìn)行建模[3]；SensorStar實(shí)驗(yàn)室和巴黎商學(xué)院用計(jì)算機(jī)視覺分析學(xué)生上課反應(yīng)，判斷學(xué)生注意力，通過收集微笑、皺眉和聲音等，或分析在線學(xué)習(xí)過程中的眼球運(yùn)動和面部表情，測定學(xué)生課堂參與度[4-5]。

自然語言處理技術(shù)可為課堂教學(xué)分析、評測等提供良好支持[7]，尤其是課堂言語分析方面。比如馬玉慧等提出基于深度學(xué)習(xí)的課堂提問自動分析方法[6]，采用卷積神經(jīng)網(wǎng)絡(luò)及長短時(shí)記憶網(wǎng)絡(luò)，對80節(jié)課的9090條課堂教師提問文本分類分析后，在提問內(nèi)容和提問類型兩個維度上的整體準(zhǔn)確率分別是85.17%和87.84%，基本可以替代人工分析，實(shí)現(xiàn)規(guī)?；n堂提問話語自動分析。曹一鳴等采用機(jī)器學(xué)習(xí)，構(gòu)建面向教育2030的數(shù)學(xué)課堂對話人工智能評價(jià)體系，實(shí)現(xiàn)大規(guī)模課堂教學(xué)分析與比較，以及課堂對話規(guī)律挖掘[8]。

多模態(tài)學(xué)習(xí)分析（MultiModal Learning Analysis）是采用多種方式獲取與分析學(xué)習(xí)者不同層面的數(shù)據(jù)，能更精準(zhǔn)更全面地洞悉復(fù)雜的課堂學(xué)習(xí)過程[9-10]。例如整合不同模態(tài)數(shù)據(jù)建立回歸模型，對學(xué)習(xí)情感等非認(rèn)知因素進(jìn)行診斷檢測和預(yù)測分析，包括面部表情與交互特征的融合[12]，皮膚電活動和日志數(shù)據(jù)的融合[13]，師生對話、任務(wù)進(jìn)度的融合[14]，以及語音、自我報(bào)告和交互特征的融合等[15]，提供個性化的學(xué)習(xí)支架和反饋[11]。以上述研究為代表的人工智能技術(shù)，為打破傳統(tǒng)課堂教學(xué)研究困境帶來曙光，同時(shí)也面臨諸多挑戰(zhàn)。比如閆寒冰等梳理41個智能技術(shù)支持課堂教學(xué)的研究發(fā)現(xiàn)，現(xiàn)有研究在課堂教學(xué)分析的標(biāo)準(zhǔn)制定、改進(jìn)的結(jié)果驗(yàn)證、人機(jī)協(xié)同、可操作見解、實(shí)時(shí)反饋和個性推薦等方面仍有較大的發(fā)展空間[16]。的確，人工智能支持的課堂教學(xué)分析與改進(jìn)，涉及人機(jī)協(xié)同的分析標(biāo)準(zhǔn)、結(jié)果驗(yàn)證、反饋與推薦等多環(huán)節(jié)，共同構(gòu)成完整的回路。要在該回路里達(dá)到科學(xué)有效的人機(jī)協(xié)同，需面對兩個關(guān)鍵問題。

第一，采用何種人機(jī)協(xié)同課堂分析和改進(jìn)思路，才是教師在實(shí)踐中會接受并使用的？

第二，建立何種人機(jī)協(xié)同課堂分析和改進(jìn)機(jī)制，才能體現(xiàn)人類與機(jī)器智能的優(yōu)勢互補(bǔ)？

三、使用理論：決定教師實(shí)踐

行動的雙路徑學(xué)習(xí)

當(dāng)教師處于復(fù)雜、不確定的教育場域中，決定采用何種教學(xué)行為，并非完全來自外界輸入如培訓(xùn)、指導(dǎo)等所獲得的理論知識，這是因?yàn)樽陨碓械牧?xí)慣思維、信念價(jià)值觀等難以輕易改變。直接轉(zhuǎn)化成指導(dǎo)實(shí)踐的教學(xué)行為，往往是使用中獲得的理論。阿吉里斯和舍恩提出“使用理論”，描繪出主導(dǎo)人行為變化的緘默結(jié)構(gòu)，是一種雙路徑學(xué)習(xí)，如圖1所示[17]。

根據(jù)使用理論的觀點(diǎn)，若一個行動領(lǐng)域內(nèi)有多個變量，那么主導(dǎo)變量才是行動者試圖達(dá)成的價(jià)值觀，它決定著行動策略，并帶來行為后果。若只改正行動策略，就能帶來理想的行為結(jié)果時(shí)，單路徑學(xué)習(xí)發(fā)揮作用；而當(dāng)單路徑學(xué)習(xí)失效時(shí)，教師需要反思并改變教學(xué)理念、價(jià)值觀和信念等起決定作用的主導(dǎo)變量，則啟動雙路徑學(xué)習(xí)。由此產(chǎn)生的整體變化，會更徹底、深刻而持久[18]。

“使用理論”與“教師實(shí)踐性知識”頗有相通之意。教師實(shí)踐性知識，是指教師知識的形成，更多地來源于教師的個人生活史和教育實(shí)踐現(xiàn)場。與通過學(xué)習(xí)、培訓(xùn)等途徑獲得的理論知識不同，實(shí)踐性知識具有實(shí)踐性、情境性、綜合性、緘默性、個體性等特征。杜威的實(shí)用主義知識論，在理論層面為教師實(shí)踐性知識的“合理合法性”提供支持。該觀點(diǎn)體現(xiàn)在教師身上，是有關(guān)教育教學(xué)行動及其產(chǎn)生結(jié)果之間關(guān)系的“實(shí)踐性知識”，具有引導(dǎo)未來行動的功能[19]。

根據(jù)以上分析可知，教師在行動中愿意接受并使用的理論知識，是單路徑與雙路徑學(xué)習(xí)交叉發(fā)揮作用的結(jié)果。教學(xué)策略決定教學(xué)行為，兩者之間的連接屬于單路徑學(xué)習(xí)；當(dāng)教師從實(shí)踐中獲得的知識體系或策略，無法帶來預(yù)期的結(jié)果時(shí)，必須改變教育理念、教育思想等主導(dǎo)變量，進(jìn)入到雙路徑學(xué)習(xí)。已有的人工智能技術(shù)，若只停留于識別師生動作、言語、認(rèn)知等行為結(jié)果，給出教學(xué)策略層面上的反饋與改進(jìn)，那么是在單路徑學(xué)習(xí)里繞圈圈。當(dāng)單路徑學(xué)習(xí)失效時(shí)，會暴露出“標(biāo)準(zhǔn)制定不合理、結(jié)果驗(yàn)證不明確、人機(jī)協(xié)同不清晰、個性推薦不到位”等問題。解決這類問題的方法，是啟動雙路徑學(xué)習(xí)，讓人機(jī)協(xié)同的課堂教學(xué)研究幫助教師調(diào)整主導(dǎo)變量。

在課堂教學(xué)里，什么是能體現(xiàn)出教育思想和教育理念的主導(dǎo)變量呢？何克抗指出，教學(xué)結(jié)構(gòu)是教育理念和教育思想的外在表現(xiàn)，它是根據(jù)課堂教學(xué)里，由教師、學(xué)生、教學(xué)內(nèi)容和教學(xué)媒體四個要素及其關(guān)系，決定不同的課堂教學(xué)結(jié)構(gòu)，可以分為“以教為中心”“以學(xué)為中心”和“教師主導(dǎo)—學(xué)生主體”雙主教學(xué)結(jié)構(gòu)[20]。在課堂教學(xué)分析與改進(jìn)的回路里，教學(xué)結(jié)構(gòu)是主導(dǎo)變量，教師實(shí)踐性知識和教學(xué)策略，屬于行動策略，教育實(shí)踐則是行為結(jié)果。因此教師愿意接受并應(yīng)用于實(shí)踐的課堂研究回路，是教學(xué)結(jié)構(gòu)與教學(xué)策略兼具的分析與改進(jìn)。依賴教學(xué)行為分析結(jié)果，給出教學(xué)策略的改進(jìn)建議，能達(dá)成單路徑學(xué)習(xí)；而對教學(xué)結(jié)構(gòu)為代表的主導(dǎo)變量進(jìn)行分析與改進(jìn)，則在啟動雙路徑學(xué)習(xí)。兩者相互配合，共同構(gòu)成教師在實(shí)踐中會使用的有效理論。

那么，建立何種人機(jī)協(xié)同機(jī)制，才能使人工智能賦能課堂教學(xué)分析與改進(jìn)，是本文要面對的第二個關(guān)鍵問題。

四、人在回路：人機(jī)協(xié)同的優(yōu)化設(shè)計(jì)機(jī)制

教學(xué)改進(jìn)的本質(zhì)是優(yōu)化設(shè)計(jì)。人在回路（Human-in-the-loop）是源于面向工程的優(yōu)化設(shè)計(jì)思想?！叭嗽诨芈贰币辉~是表述人在設(shè)計(jì)迭代中的參與，目的是利用“人”比機(jī)器更善于進(jìn)行綜合且模糊判斷的優(yōu)勢，將人工經(jīng)驗(yàn)與自動優(yōu)化相結(jié)合，使優(yōu)化結(jié)果更加符合工程實(shí)踐要求的同時(shí)，提高優(yōu)化效率。該思想已應(yīng)用于飛機(jī)設(shè)計(jì)、導(dǎo)彈發(fā)射、模擬駕駛等領(lǐng)域[21-22]。

反思傳統(tǒng)的課堂教學(xué)分析與改進(jìn)流程可以發(fā)現(xiàn)，不僅“人在回路”，而且“人是全部的回路”。課堂教學(xué)分析與改進(jìn)的質(zhì)量，取決于教師個體的經(jīng)驗(yàn)、認(rèn)識甚至個性，導(dǎo)致教師集體的成長和經(jīng)驗(yàn)的繼承偏向于主觀且低效。當(dāng)人工智能初進(jìn)入課堂研究時(shí)，依靠算法進(jìn)行課堂行為識別、注意力監(jiān)測、參與度等分析，給出診斷報(bào)告，教師據(jù)此進(jìn)行改進(jìn)，容易把人排除在自動分析與優(yōu)化的回路以外，導(dǎo)致“人不在回路”，那么出現(xiàn)“改結(jié)果驗(yàn)證、人機(jī)協(xié)同、可操作見解、實(shí)時(shí)反饋與個性化推薦等方面，具有較大的發(fā)展空間”等問題，也在意料之中。

借鑒人在回路的優(yōu)化設(shè)計(jì)思路，辨析哪些回路是需要人的參與，哪些回路是可以交給機(jī)器的，哪些回路是需要將人工經(jīng)驗(yàn)與自動分析相結(jié)合，建立人機(jī)協(xié)同機(jī)制，成為人工智能技術(shù)賦能課堂教學(xué)研究的關(guān)鍵所在。

根據(jù)使用理論的雙路徑學(xué)習(xí)模型，可以把課堂教學(xué)分析與改進(jìn)的研究回路，分為低干預(yù)區(qū)和高干預(yù)區(qū)，如圖2所示。

低干預(yù)是指教學(xué)分析規(guī)則明確且可計(jì)算，教學(xué)改進(jìn)策略豐富且可匹配，需要由專家教師等提供人為干預(yù)的比例較低。比如計(jì)算機(jī)視覺技術(shù)可分析課堂師生行為，自然語言理解技術(shù)可分析課堂話語和問答，知識圖譜或事理圖譜分析課堂認(rèn)知水平等。機(jī)器自動分析后發(fā)現(xiàn)實(shí)踐效果不佳，可以與教育領(lǐng)域里儲備豐富的教學(xué)策略、教學(xué)方法、教學(xué)案例等進(jìn)行匹配，如增加學(xué)生自主學(xué)習(xí)和探究學(xué)習(xí)的行為比率；教師調(diào)整提問方式與技巧，減少“是不是、對不對、好不好”等淺層的問答，適當(dāng)增加“如何做、為什么、還有哪些可能性”等激發(fā)學(xué)生深度思考的問題；建立當(dāng)前知識與學(xué)生已儲備知識基礎(chǔ)之間的關(guān)聯(lián)，重新設(shè)計(jì)先行組織者，為認(rèn)知結(jié)構(gòu)變量的可利用性、可辨別性、穩(wěn)定性等提供支架等，用教學(xué)策略指導(dǎo)行為改進(jìn)。

高干預(yù)是指分析規(guī)則模糊，現(xiàn)有改進(jìn)策略不能直接解決實(shí)踐問題，需經(jīng)由隱性策略向顯性策略的生成與轉(zhuǎn)化，或者調(diào)整教學(xué)結(jié)構(gòu)等主導(dǎo)變量，才能解決實(shí)踐困境。此分析過程對于專家或者教師群體依賴度較高，可由機(jī)器先分析，人類在此基礎(chǔ)上給出解決方案。比如課堂某個環(huán)節(jié)教師講授偏多，到底是必要的重難點(diǎn)剖析，還是過度的灌輸式教學(xué)，是要根據(jù)實(shí)際情況加以分析的。面對不同教學(xué)目標(biāo)或者不同學(xué)習(xí)者，同樣的教學(xué)活動，會有不同的分析結(jié)果與改進(jìn)建議。

在課堂教學(xué)分析與改進(jìn)回路里，低干預(yù)區(qū)里采用的是單路徑學(xué)習(xí)，由機(jī)器智能發(fā)揮技術(shù)優(yōu)勢，規(guī)?；?、快速、準(zhǔn)確地分析課堂，用成熟、穩(wěn)定、顯性的教學(xué)策略，指導(dǎo)教師改進(jìn)行為結(jié)果；高干預(yù)區(qū)需啟動雙路徑學(xué)習(xí)，主要依靠人類獨(dú)有的教學(xué)藝術(shù)和智慧，幫助教師改變教學(xué)理念、教學(xué)結(jié)構(gòu)等主導(dǎo)變量，指導(dǎo)生成隱性、靈活、綜合、變通的教學(xué)策略，再與已有的顯性策略相結(jié)合，共同指導(dǎo)教學(xué)實(shí)踐，帶來深入而長期的教學(xué)改進(jìn)。因此，使用理論的雙路徑學(xué)習(xí)，加上人在回路的優(yōu)化設(shè)計(jì)，共同構(gòu)成課堂教學(xué)分析與改進(jìn)的人機(jī)協(xié)同機(jī)制。

五、人機(jī)協(xié)同的課堂教學(xué)分析與改進(jìn)模型

從問題的定性到科學(xué)的歸因，再到問題的解決策略，形成環(huán)環(huán)相扣而又行之有效的改進(jìn)流程，是有效改進(jìn)教育教學(xué)的關(guān)鍵要素[23]。明確人機(jī)協(xié)同機(jī)制后，本文提出人機(jī)協(xié)同課堂教學(xué)分析與改進(jìn)的全回路模型，如圖3所示。全回路模型分為TESTII課堂教學(xué)分析模型和4A教學(xué)改進(jìn)模型。兩個模型均以“教學(xué)結(jié)構(gòu)”為主導(dǎo)變量，對于分析模型而言，教學(xué)結(jié)構(gòu)分析是終點(diǎn)，人機(jī)協(xié)同開展從教學(xué)行為到教學(xué)策略與教學(xué)結(jié)構(gòu)的分析，對于改進(jìn)模型而言，教學(xué)結(jié)構(gòu)分析是起點(diǎn)，調(diào)整當(dāng)前教學(xué)結(jié)構(gòu)，改變主導(dǎo)變量后，再來改進(jìn)教學(xué)策略與教學(xué)行為，之后再將實(shí)踐結(jié)果，輸入新一輪教學(xué)分析，實(shí)現(xiàn)循環(huán)迭代式的優(yōu)化。模型里劃分低干預(yù)和高干預(yù)區(qū)，用以區(qū)分機(jī)器智能和人類智慧發(fā)揮主要作用的區(qū)域，但兩個區(qū)域并非截然分開，會有部分重合區(qū)域，代表從隱性到顯性的實(shí)踐性知識螺旋創(chuàng)生過程，是人類智慧與機(jī)器學(xué)習(xí)群體智能的相互作用區(qū)域。

（一）TESTII課堂教學(xué)分析模型

本團(tuán)隊(duì)提出的人工智能課堂教學(xué)分析模型，以教學(xué)事件為基本分析維度，以教學(xué)結(jié)構(gòu)為分析目標(biāo)，采用計(jì)算機(jī)視覺和自然語言理解等人工智能技術(shù)，從教學(xué)事件識別與教學(xué)階段劃分、教學(xué)法結(jié)構(gòu)序列、時(shí)間取樣的行為和言語交互分析、基于證據(jù)的教學(xué)解讀和人機(jī)協(xié)同的教學(xué)改進(jìn)等階段，構(gòu)建課堂教學(xué)分析TESTII（Teaching Events， SPS， Time Coding， Interpretation， Improvement）模型[24]。下面簡要介紹模型中的五個階段。

階段1：識別九大教學(xué)事件，歸類為不同教學(xué)階段（Teaching Events Identify and Classify）

課堂教學(xué)里，教師常用的最小設(shè)計(jì)與實(shí)施單位是教學(xué)活動。加涅認(rèn)為，只有指向?qū)W生有效認(rèn)知加工的教學(xué)活動，才是有意義的教學(xué)活動，稱之教學(xué)事件[25]，因此本模型將加涅所提出的九大教學(xué)事件作為課堂教學(xué)分析維度。通過利用計(jì)算機(jī)視覺技術(shù)和自然語言理解技術(shù)，對課堂教學(xué)視頻以及教學(xué)設(shè)計(jì)方案文本進(jìn)行多模態(tài)分析，識別出教學(xué)事件，并劃分為導(dǎo)入、新授等常見教學(xué)階段。

階段2：分析教學(xué)階段中的教學(xué)法結(jié)構(gòu)序列（Sequencing of Pedagogical Structure，SPS）

參考Jacobson等學(xué)者提出的教學(xué)法結(jié)構(gòu)序列[26]，根據(jù)教師指導(dǎo)所占比重，將不同教學(xué)階段里的教學(xué)法，分為高結(jié)構(gòu)化H（教師講授為主）和低結(jié)構(gòu)化L（學(xué)生發(fā)現(xiàn)學(xué)習(xí)為主）。技術(shù)上采用自然語言理解技術(shù)，建立教學(xué)法結(jié)構(gòu)序列分類器，通過對分類后文本數(shù)據(jù)中的句子和篇章分別進(jìn)行建模，得出結(jié)構(gòu)序列。

階段3：對不同結(jié)構(gòu)序列里的言語和行為，進(jìn)行時(shí)間取樣的交互編碼（Time Coding）

TESTII框架在不同結(jié)構(gòu)序列的內(nèi)部進(jìn)行時(shí)間取樣，分析該結(jié)構(gòu)序列內(nèi)的師生行為和言語交互，為精準(zhǔn)改進(jìn)提供證據(jù)。技術(shù)上先采用自然語言理解的深度學(xué)習(xí)模型Word2vec，和基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)監(jiān)測技術(shù)，分析結(jié)構(gòu)序列內(nèi)的言語交互和行為交互，再由教師或研究人員結(jié)合分析結(jié)果，綜合判斷不同教學(xué)結(jié)構(gòu)序列和教學(xué)階段里的師生角色。

階段4：結(jié)合已有教育教學(xué)理論，基于證據(jù)解讀分析結(jié)果（Interpretation）

TESTII模型在本階段提供課堂教學(xué)分析報(bào)告，比如一節(jié)課里教學(xué)事件的數(shù)量和時(shí)間分布圖、與事件對應(yīng)的教學(xué)階段劃分結(jié)果、按照階段生成的教學(xué)法結(jié)構(gòu)序列等。根據(jù)以上數(shù)據(jù)，判斷本課實(shí)際所采用的是以教為中心、以學(xué)為中心，還是教師主導(dǎo)—學(xué)生主體的教學(xué)結(jié)構(gòu)。

階段5：根據(jù)解讀結(jié)果，進(jìn)入到課堂教學(xué)改進(jìn)階段（Improvement）

分析模型的終點(diǎn)，是判斷出本節(jié)課的教學(xué)結(jié)構(gòu)，這也是改進(jìn)模型的起點(diǎn)。

（二）4A課堂教學(xué)改進(jìn)模型

改進(jìn)科學(xué)（Improvement Science）是一種以持續(xù)探究和學(xué)習(xí)為中心的解決問題的方法，已經(jīng)在管理、衛(wèi)生、制造等領(lǐng)域得到廣泛應(yīng)用[27]。這種方法能幫助組織明確系統(tǒng)如何工作，以及采取什么樣的行動才能提高組織整體績效。有學(xué)者認(rèn)為，教育領(lǐng)域里的改進(jìn)科學(xué)，需要兩種類型的知識，分別是特定學(xué)科的基礎(chǔ)知識和復(fù)雜的知識體系。前者主要來自教育理論學(xué)習(xí)，后者需在實(shí)踐中從問題里概括升華，通過迭代實(shí)現(xiàn)改進(jìn)[28]?？梢?，改進(jìn)科學(xué)從另一個角度，也驗(yàn)證了使用理論、教師實(shí)踐性知識的觀點(diǎn)。

結(jié)合上述分析，本文將人機(jī)協(xié)同的課堂教學(xué)改進(jìn)模型，劃分為四個階段，分別是結(jié)構(gòu)分析（Structure Analysis），問題發(fā)現(xiàn)（Problem Addressed），策略改進(jìn)（Strategies Adjusted），實(shí)踐應(yīng)用（Practical Application）。

階段1：教學(xué)結(jié)構(gòu)分析Structure Analysis

作為課堂教學(xué)分析和改進(jìn)模型的中心點(diǎn)和聯(lián)結(jié)點(diǎn)，判斷當(dāng)前課堂教學(xué)結(jié)構(gòu)是否合理，再由人類教師根據(jù)教學(xué)目標(biāo)和學(xué)習(xí)者特征等，選擇恰當(dāng)?shù)慕虒W(xué)結(jié)構(gòu)，是本階段的主要目的。此階段中的改進(jìn)意見，主要由人類專家教師完成。研究發(fā)現(xiàn)，教師主導(dǎo)—學(xué)生主體的雙主教學(xué)結(jié)構(gòu)，已經(jīng)在教育界得到廣泛共識。然而在日常聽課交流中，或者在全國課堂教學(xué)參賽案例里，相當(dāng)一部分課堂還是采用以教為中心的教學(xué)結(jié)構(gòu)，課堂里師講生聽、師示范生操練的比例偏高。這說明雙主結(jié)構(gòu)在理論接受與實(shí)踐應(yīng)用還有一段距離。因此由專家教師或者教研組等人類專家為主，幫助教師判斷并重新定位教育理念、教學(xué)結(jié)構(gòu)等主導(dǎo)變量，成為有效教學(xué)改進(jìn)的關(guān)鍵階段。具體形式可以采用面對面或遠(yuǎn)程、同步或異步的教研交流，或者以案例分析、任務(wù)驅(qū)動為主的理論培訓(xùn)等方式。

階段2：問題發(fā)現(xiàn)Problem Addressed

教學(xué)模式是特定教育教學(xué)理念和思想的反映，是在一定教與學(xué)理論指導(dǎo)下的教學(xué)活動的基本結(jié)構(gòu)，是簡明而穩(wěn)定的教學(xué)活動和策略的組合。不同的教學(xué)結(jié)構(gòu)，會產(chǎn)生不同的教學(xué)模式，每一種教學(xué)模式，都有特定的步驟與序列。教學(xué)結(jié)構(gòu)分為教為中心、學(xué)為中心和主導(dǎo)主體三種類型，教學(xué)模式的數(shù)量可謂極其豐富，表現(xiàn)也多種多樣。很多教師認(rèn)同主導(dǎo)主體教學(xué)結(jié)構(gòu)，但是教學(xué)實(shí)踐效果不佳時(shí)，問題很可能出現(xiàn)在教學(xué)模式選擇不當(dāng)，或者實(shí)施不當(dāng)。因此在本階段，不能由機(jī)器代替人類給出解決方案，多數(shù)情況還是要依靠人類專家或教師同行或自我反思等多種形式，采用文獻(xiàn)研究、歷史研究、基于設(shè)計(jì)的研究等多種方法，幫助教師發(fā)現(xiàn)問題，根據(jù)調(diào)整后的教學(xué)結(jié)構(gòu)，重新選擇或設(shè)計(jì)教學(xué)模式。

階段3：策略改進(jìn)Strategies Adjusted

教學(xué)策略是指在教學(xué)過程中，為達(dá)到一定的教學(xué)目標(biāo)而采取的一系列教學(xué)方式和行為。與模式相比，策略更為多樣而靈活。一個教學(xué)模式是多種策略的組合，同一種策略，可以應(yīng)用于不同的模式。在課堂教學(xué)中，教學(xué)策略是最有活力，可直接影響教學(xué)行為的方法和手段。如果把教學(xué)策略看成一個知識庫，那么庫里既有凝聚人類千年以來教育智慧的穩(wěn)定成果，也有與時(shí)俱進(jìn)，動態(tài)生成的新生力量。用野中郁次郎等提出的SECI知識管理理論來看，知識庫不斷經(jīng)歷從個體到群體，從隱性到顯性，從社會化、表征化、聯(lián)結(jié)化和內(nèi)在化的螺旋創(chuàng)生歷程[29]。

本階段需由人類智慧與人工智能共同發(fā)揮作用。對于已有明確應(yīng)用的場景，經(jīng)實(shí)驗(yàn)檢驗(yàn)有較好效果的顯性策略，可以由人工智能，根據(jù)分析結(jié)果中發(fā)現(xiàn)的教學(xué)不足，進(jìn)行精準(zhǔn)匹配與個性化推薦；若無法直接套用已有顯性策略，需要重新改造或創(chuàng)造，將隱性策略轉(zhuǎn)化成顯性，或者從個體經(jīng)驗(yàn)轉(zhuǎn)為群體經(jīng)驗(yàn)時(shí)，以教師實(shí)踐社區(qū)、學(xué)習(xí)共同體、混合式教研等多種形式，采用眾包[30]、聯(lián)邦學(xué)習(xí)[31]等群體智能發(fā)現(xiàn)技術(shù)，通過任務(wù)分配、質(zhì)量控制、專家發(fā)現(xiàn)等關(guān)鍵算法，提供人工智能與人類智慧協(xié)同作用的改進(jìn)策略。

階段4：實(shí)踐應(yīng)用Practical Application

當(dāng)教師明確教學(xué)結(jié)構(gòu)等主導(dǎo)變量，有了改進(jìn)的教學(xué)模式和策略等，可以從言語交互、問題層次、師生行為、技術(shù)應(yīng)用等維度，實(shí)施教學(xué)改進(jìn)。此時(shí)的實(shí)踐，是在主導(dǎo)變量和行動策略等指導(dǎo)下的具體應(yīng)用，可采用算法推薦的策略和案例，也可以靈活調(diào)整，以適應(yīng)真實(shí)學(xué)情。根據(jù)改進(jìn)方案實(shí)施的教學(xué)實(shí)踐，可以進(jìn)入到下一輪的教學(xué)分析，進(jìn)行人機(jī)協(xié)同的迭代優(yōu)化。

圖4 ? 人機(jī)協(xié)同的教育研究方法與人工智能技術(shù)分布示意圖

在課堂教學(xué)分析與改進(jìn)模型中，每個階段可以采用不同的教育研究方法和人工智能技術(shù)。如圖4所示。在TESTII分析模型中，低干預(yù)區(qū)可以由智能技術(shù)為主，如計(jì)算機(jī)視覺、自語音識別轉(zhuǎn)換、自然語言理解、知識圖譜等，對師生的外顯行為、言語、認(rèn)知、情感等加以識別與計(jì)算，通過多模態(tài)分析，為具有教學(xué)意義的結(jié)構(gòu)序列、師生角色判斷等提供依據(jù)，在高干預(yù)區(qū)，采用出聲思維法、焦點(diǎn)小組訪談法等教育研究方法，形成基于證據(jù)的教學(xué)結(jié)構(gòu)判斷。在4A教學(xué)改進(jìn)模型中，高干預(yù)區(qū)的改進(jìn)仍以人類智慧為主，采用文獻(xiàn)研究、歷史研究、基于設(shè)計(jì)的研究等教育研究方法，重新定位教學(xué)結(jié)構(gòu)，選擇教學(xué)模式，創(chuàng)造或改造出新的教學(xué)策略，在低干預(yù)區(qū)，可采用以人工智能為主的研究方法，通過眾包、聯(lián)邦學(xué)習(xí)等群體智能發(fā)現(xiàn)算法，推薦個性化的教學(xué)改進(jìn)策略，教師可以根據(jù)需要，重點(diǎn)改進(jìn)言語、問答、行為、技術(shù)應(yīng)用等一個或多個方面，再由行動研究、案例研究等，驗(yàn)證改進(jìn)有效性。

六、結(jié) ? 語

課堂教學(xué)質(zhì)量提升，離不開科學(xué)而有效的課堂教學(xué)分析與改進(jìn)。人工智能助推教師隊(duì)伍建設(shè)的著力點(diǎn)之一，正是利用智能技術(shù)優(yōu)化課堂教學(xué)。本研究以使用理論和人在回路設(shè)計(jì)優(yōu)化為基礎(chǔ)，提出以“教學(xué)結(jié)構(gòu)”為焦點(diǎn)，將課堂教學(xué)分析與改進(jìn)回路劃分為高干預(yù)區(qū)和低干預(yù)區(qū)，通過TESTII課堂教學(xué)分析模型和4A改進(jìn)模型，構(gòu)建人機(jī)協(xié)同提高課堂教學(xué)質(zhì)量的整體解決方案。

誠然，在此過程中還要面對很多難題。例如建立類型豐富且樣本合理的課堂教學(xué)公共案例集，共享可用于課堂行為和言語分析的計(jì)算機(jī)視覺、自然語言理解的算法代碼，建立開放的、可共建共享的教學(xué)問題與改進(jìn)策略匹配庫，以及可用于眾包發(fā)現(xiàn)、聯(lián)邦學(xué)習(xí)的教師實(shí)踐社區(qū)等，均是人機(jī)協(xié)同課堂教學(xué)研究領(lǐng)域需要突破的問題。

[參考文獻(xiàn)]

[1] 孫眾，呂愷悅，駱力明，陳美玲，許林，施智平. 基于人工智能的課堂教學(xué)分析[J].中國電化教育，2020（4）：15-23.

[2] 教育部.關(guān)于加強(qiáng)和改進(jìn)新時(shí)代基礎(chǔ)教育教研工作的意見[J].中華人民共和國國務(wù)院公報(bào)，2020（8）：69-72.

[3] WATANABE E， OZEKI T， KOHAMA T. Analysis of interactions between lecturers and students[C]//Proceedings of the 8th International Conference on Learning Analytics and Knowledge. Association for Computing Machinery. New York： United States，2018： 370-374.

[4] SPREEUWENBERG R. Does emotive computing belong in the classroom[J]. EdSurge，2017.

[5] ROUAST P V， ADAM M T P， CHIONG R. Deep learning for human affect recognition： Insights and new developments[J]. IEEE transactions on affective computing， 2019， 12（2）： 524-543.

[6] 馬玉慧，夏雪瑩，張文慧. 基于深度學(xué)習(xí)的教師課堂提問分析方法研究[J].電化教育研究，2021，42（9）：108-114.

[7] 郭炯，榮乾，郝建江.國外人工智能教學(xué)應(yīng)用研究綜述[J].電化教育研究，2020，41（2）：91-98，107.

[8] 曹一鳴，宋宇，趙文君，李銘璇. 面向教育2030的數(shù)學(xué)課堂對話人工智能評價(jià)體系構(gòu)建研究[J]. 數(shù)學(xué)教育學(xué)報(bào)，2022，31（1）：7-12.

[9] BLIKSTEIN P， WORSLEY M. Multimodal learning analytics and education data mining： using computational technologies to measure complex learning tasks[J]. Journal of learning analytics， 2016， 3（2）： 220-238.

[10] 牟智佳.多模態(tài)學(xué)習(xí)分析：學(xué)習(xí)分析研究新生長點(diǎn)[J].電化教育研究，2020，41（5）：27-32，51.

[11] MUDRICK N V. Designing adaptive intelligent tutoring systems： fostering cognitive， affective， and metacognitive self-regulated learning processes using multimodal， multichannel process data[D]. Raleigh：North Carolina State University， 2018.

[12] BOSCH N， D'MELLO S K， OCUMPAUGH J， BAKER R S， SHUTE V. Using video to automatically detect learner affect in computer-enabled classrooms[J]. ACM transactions on interactive intelligent systems， 2016， 6（2）： 1-26.

[13] KAPOOR A， BURLESON W， PICARD R W. Automatic prediction of frustration[J]. International journal of human-computer studies， 2007， 65（8）： 724-736.

[14] GRAFSGAARD J F， WIGGINS J B， VAIL A K. The additive value of multimodal features for predicting engagement， frustration， and learning during tutoring[C]//Proceedings of the 16th International Conference on Multimodal Interaction. Association for Computing Machinery. New York： United States， 2014： 42-49.

[15] EZ-ZAOUIA M， LAVOU？魪 E. EMODA： a tutor oriented multimodal and contextual emotional dashboard[C]//Proceedings of the Seventh International Learning Analytics & Knowledge Conference. Association for Computing Machinery. New York： United States， 2017： 429-438.

[16] 閆寒冰，趙佳斌，王巍. 技術(shù)賦能的課堂教學(xué)診斷：特征與發(fā)展空間[J]. 現(xiàn)代遠(yuǎn)距離教育， 2022（2）：4-11.

[17] 克里斯·阿基里斯等.行動科學(xué)：探究與介入的概念、方法與技能[M].北京：教育科學(xué)出版社，2012.

[18] 汪瀅，汪瓊. 基于Moodle的雙路徑學(xué)習(xí)設(shè)計(jì)與實(shí)踐——以全國中小學(xué)教師交互式電子白板網(wǎng)絡(luò)培訓(xùn)為例[J]. 中國電化教育， 2015（11）：84-91.

[19] 陳向明，趙康. 從杜威的實(shí)用主義知識論看教師的實(shí)踐性知識[J]. 教育研究， 2012（4）： 108-114.

[20] 何克抗.關(guān)于信息技術(shù)與課程整合的理論思考[J].中小學(xué)信息技術(shù)教育，2002（Z1）：27-36.

[21] 李潤澤，張宇飛，陳海昕. “人在回路”思想在飛機(jī)氣動優(yōu)化設(shè)計(jì)中演變與發(fā)展[J]. 空氣動力學(xué)學(xué)報(bào)，2017，35（4）：15.

[22] 楊亞聯(lián)， 王磊， 楊果， 胡曉松. 人在環(huán)路模擬駕駛仿真實(shí)驗(yàn)系統(tǒng)研發(fā)[J]. 重慶大學(xué)學(xué)報(bào)，2015，38（4）：38-44.

[23] 胡慶芳. 課堂教學(xué)診斷改進(jìn)系統(tǒng)的重建[J].思想理論教育，2009（4）：41-47.

[24] 孫眾，呂愷悅，施智平，駱力明. TESTII框架：人工智能支持課堂教學(xué)分析的發(fā)展走向[J].電化教育研究，2021，42（2）：33-39，77.

[25] GAGN？魪 R M. The conditions of learning[M]. 4th ed. New York： Holt， Rinehart & Winston， 1985.

[26] JACOBSON M J， KIM B， PATHAK Z， ZHANG B H. To guide or not to guide：issues in the sequencing of pedagogical structure in computational model-based learning[J]. Interactive learning environment，2013，23（6）：715-730.

[27] LEMAHIEU P G， BRYK A S， GRUNOW A， GOMEZ L M. Working to improve： seven approaches to improvement science in education[J]. Quality assurance in education， 2017，25（1）：2-4.

[28] LANGLEY G J， MOEN R D， NOLAN K M， et al. The improvement guide： a practical approach to enhancing organizational performance[M]. 2nd ed. San Francisco： John Wiley & Sons， 2009.

[29] 鐘啟泉. 從SECI理論看教師專業(yè)發(fā)展的特質(zhì)[J]. 全球教育展望，2008（2）：7-14

[30] 童詠昕，袁野，成雨蓉. 時(shí)空眾包數(shù)據(jù)管理技術(shù)研究綜述[J]. 軟件學(xué)報(bào)，2017，28（1）：35-58.

[31] 楊強(qiáng)，童詠昕，王晏晟，范力欣，王薇，陳雷，王魏，康焱. 群體智能中的聯(lián)邦學(xué)習(xí)算法綜述[J]. 智能科學(xué)與技術(shù)學(xué)報(bào)，2022，4（1）： 29-44.

Classroom Teaching Analysis and Improvement Based on Artificial Intelligence： Human-in-the-loop Collaboration Mechanism

SUN Zhong， ?YU Zichun

（Information Engineering College， Capital Normal University， Beijing 100048）

[Abstract] Classroom teaching analysis is the basis for teaching improvement， while teaching improvement is the key to improve teaching quality. The interaction between the two form the loop of classroom teaching research. The current artificial intelligence in the field of classroom teaching research is plagued by unclear human-machine collaboration mechanism， loose correlation between teaching analysis and improvement， and weak guidance for teaching practical application. ?Based on the double loop learning of Theory-In-Use and Human-in-the-loop design optimization ideas， this study proposes to use "teaching structure" as the focal point of classroom teaching analysis and improvement loop， divide the loop into high-intervention and low-intervention zones， and discusses the collaboration mechanism of human intelligence and artificial intelligence in the loop. The research finds that the TESTII classroom teaching analysis model and the 4A improvement model of "structure analysis， problem identification， strategy improvement， and practice application" can form a human-machine collaborative classroom teaching analysis and improvement mechanism， which can provide feasible solutions for promoting the reform of classroom teaching structure and improving the quality of classroom teaching.

[Keywords] Artificial Intelligence; Classroom Teaching Analysis; Classroom Teaching Improvement; Double Loop Learning; Human-in-the-loop