○于春梅

在教育教学领域，课堂评价是一项关键活动，通过观察、记录等工具和手段，对课堂过程进行客观评价，评判其价值和效果。通过课堂评价，可以对课堂教学的科学性、有效性和质量进行综合评判，对教学改进有极大帮助。传统的课堂教学评价主要通过人工观察记录、问卷调查等方式进行，主观性较强，容易陷入经验主义。在分析过程中，传统方式往往难以结合理论进行，容易缺乏针对性，难以对评估标准进行客观定量的评判［1］。随着信息技术的深入发展，各行各业都进入了信息化和智能化时代。得益于一系列智能工具的应用，行业发展和决策也趋于智能化，信息化和人工智能正在以高效、科学和精准等特性，为行业发展提供支撑。在这一大环境下，课堂评价也逐渐趋于信息化与智能化。特别是数字化课堂的推进，使得利用音视频和教育教学设备进行过程数据获取成为可能，观察和记录的手段更加自动化、智能化，同时借助人工智能技术，结合教育理论和实践经验，利用人工智能进行课堂教学智慧评价。该方式能够有效克服传统课堂评价的诸多问题［2］。

一、人工智能背景下课堂智慧评价的理论基础

在课堂教学评价的相关技术理论方面，目前有主导主体理论和第三代活动理论等。这里对本次研究的理论基础进行论述。

（一）主导主体教学结构理论

主导主体教学理论是王策三先生在20世纪80年代提出的学说。该学说对教学活动进行了“主体”和“主导”两个概念的区分，并对其联系进行了研究。该理论认为，学生是教育教学的主体，通过教育教学活动，能够对身心发展进行促进。而教师在教育教学过程中处于主导作用，通过设计、引导和传授，对主体进行影响，并实现特定的教学目标。

尽管当前信息技术高速发展，智慧课堂中增加了诸多教学行为的执行方，例如微课、智能课件甚至智能教学设备，然而无论哪种教学工具或者智慧化教学执行者，都无法替代教师对于学生在情感、人格方面的引导。因此无论实践哪种教学模式，运用哪种教学工具，都不能忽视教师在这一过程中的重要性［2］。

何克抗先生进一步将该理论进行了扩充，形成了主导教学结构理论。这一体系中，教师、学生、教学内容以及教学媒体是核心要素。教师在其中依然占据主导地位，不仅需要承担教学的实施工作，还要承担教学的组织、协调、监督工作。通过引导学生进行学习活动，帮助学生参与学习，并通过教学活动组织，在知识培育的同时，进行情感和人格的培育。本次研究就是基于这一理论进行的［3］。

（二）第三代活动理论

活动理论的研究内容和研究范围就是活动本身，而这也恰恰是研究人类活动的核心依据。随着心理学研究的深入，活动理论不断发展和完善。目前的第三代活动理论是恩格斯·托姆提出的。他将活动拆分为主体、客体、共同体、工具、规则、分工这几个核心元素。在这一过程中，元素间因生产、分配、消耗、交流等活动产生实质的关系［4］。

自第三代活动理论形成以来，学者们逐步将这一理论应用到教育教研活动中来，并通过对教学主体、客体、工具、规则等的构建，将可以促进学习有效性、增加学习意义的行为进行了总结。

基于这一理论，本次研究同样将教学活动视作课堂的组成要素，教师通过设置一定的情境，让学生参与到其中，并体会到知识和经验的积累和再运用，并通过学习活动获得新的知识积累。同时，该理论中的客体（即教学内容和目标）的范畴较广，且维度较高，目前机器学习难以应对，因此此次研究不考虑这部分内容［5］。

二、课堂智慧评价体系的基础构建

（一）课堂智慧评价框架构建与评价指标选取

首先对课堂智慧评价框架进行构建。将整个课堂教学活动进行分解，从组织调控、认知思维、情感交融和目标达成四个维度进行教学结构的分解，整理出关于教学活动的9个核心评价指标。

1.教师主导在目标定位方面的量化指标：

课程对知识点覆盖率；

知识面开阔程度；

课堂总体信息量。

2.教师主导在课堂艺术方面的量化指标：

教师教学过程中情感的丰富程度；

教师教学过程中积极话语的出现频次；

教师的语言表达精练度；

教师课程过程中语速。

3.教师主导在课堂调控方面的量化指标：

教师对学生反馈的正面回应频比例；

教师灌输和提问的比例；

话题稳定性；

教师引导并鼓励学生思维延展的情况；

教师对于学生语言或结论的引述情况。

4.教师主导在思维激发方面的量化指标：

教师对学生思维均衡性的应对情形；

思维清晰度；

教师在课程中鼓励和压制的比例；

教师对于学生的正面回应的次数；

教师对想象力的激发情形；

教师在追问追答过程中的评价。

5.教师主导在评价反馈方面的量化指标：

教师对于学生的鼓励比例；

学生主动参与发言的次数；

教师表现出积极情感的次数；

教师对评价和提问的总量。

6.学生主体在整体发展方面的量化指标：

课程设计的四维均衡度；

学生在课程中接收到的左右脑激发平衡度；

课程教学内容的易理解性；

学生参与联系的时长。

7.学生主体在整体发展方面的量化指标：

教师对学生参与度的鼓励程度；

教师维护权威的次数；

教师与学生的互动情况；

教师提问和评价的总量。

8.学生主体在整体发展方面的量化指标：

学生发言的总人次；

学生表达的完整程度；

学生积极性；

学生稳定状态占比。

9.教学目标达成的量化指标：

学生对知识点的响应情况；

学生对不同授课风格的反映；

教师对有效学习状态的推动作用；

教师发言的相关度。

（二）智慧评价模型支撑

1.师生教学思维过程分析模型。教学思维过程分析模型可表现为图1。在课堂教学中，教学和认知构建的过程按照顺序不断循环，并呈现螺旋式上升的态势。从教学的角度来看，若学习风格中的现实型、能动型、感悟型、哲理型均能在课堂中予以体现，那么学生在教学过程中的主体地位就得到了很好的体现［6］。

图1 学习的行知模型

2.师生教学互动过程分析模型。FIAS（弗兰德斯互动分析系统）对教学过程的语言互动性进行评估。这一评估过程中，主要关注7类与教师语言相关的因素，2类与学生语言相关的因素，以及描述课堂状态的混乱和安静标识。这10种行为因素可以对应10种行为编码，并根据算法生成如图2所示的 7 种指标［7］。

图2 FIAS指标与参照常模

同时，本次研究引入IRE结构模式，即问答和评论结构模式。该模式主要反馈课堂上问答与教师评论的情形。IRE具体可分为简单型、学生思考讨论回答型、连续追问型以及其他无法归类的组合型。为进一步对课堂中教师发问的情形进行分类，这里将教师的发问情形进行分类，可分为开放性问题和封闭性问题。前者包括what if（即假设如果…那么会怎样），how（即如何…），why（即为何…）。而后者包括what（即是什么）和other（即其他）。此外，为对点评情况进行评价，这里引入正向评价（+）、负面评价（-）以及引述（～）三种指标。基于上述指标构建的人工智能分析模型，能够有效辨别教师在教学过程中语言方面的深度、广度以及积极性。

此外，本次研究引入S-T模型，用于对师生的对话过程进行客观评价，主要对教师的对话行为占比和师生转换次数占比进行分析。根据这两个维度可最终将课堂归类为讲授、练习、对话、混合四种类型。

3.知识点关联及其他细节分析。在知识点关联性的分析方面，可选择知识图谱方式进行研究。通过对课堂分时的主题知识图谱进行构建，并与总体的知识图谱进行比对，可以实现一种基于关键词的课堂活动主题路线。通过该方式，可对教师在课堂中授课的主题进行关联性分析，特别针对授课主题中知识点的覆盖情况、授课主题与目标知识图谱的差异、授课主题与学生课堂实时反馈的关联度等进行分析，从而客观反馈课堂教学任务目标的达成、课堂知识覆盖面、课堂发言和对话与主题的关联度以及学生对于知识点的响应情况等［8］。

由于课堂本身十分复杂，上述评价模型尽管能够覆盖大部分课堂要素，然而在教学评价过程中也应当尽可能扩大考察的面，例如前文提到的语速、情感、语言的简洁性等。因此在实际的评价模型构建过程中，也应当设计相应的分析模型对上述细节因素进行考察。

（三）课堂教学智慧评价的技术方案

1.智慧评价系统总体集成思路。前文提出了一系列模型，包括面向师生教学思维过程分析的可量化的行知模型、面向师生教学互动过程分析的FIAS（弗兰德斯互动分析系统）、RE结构模式（即问答和评论结构模式）以及S-T模型。同时也提出可对课堂过程中教师和学生与教学内容的关联情形利用知识图谱进行解决，并应当综合考虑课堂的其他细节要素，例如语速、情感等。可以看到，对于课堂教学进行评价，只有将评价的指标池进行扩大，并综合利用各类方法，才能够最终获得客观真实的评价结论。

基于这一思路，本次评价模型利用多模型联合的思路，对本次所研究的课堂教学智慧评价模型进行构建，通过不同的评价模块对前文所述的可量化指标进行评估，并运用人工智能技术对各个指标进行评估构建，最终获得综合性的评价意见。

2.评价模型的计分方法。模型的计分方式实质上是技术难度最低的部分，然而如何通过合理的赋值、量化对课堂教学活动的综合质量进行判断，实质上完全依赖对教学特征的提取，包括优秀课堂的特征、教师优秀表现的特征、学生优秀反馈的特征、内容贴合度的特征等。尽管这些通过现有的教学理论研究与实证可以直接确定，然而在具体算法构建过程中依然需要针对实际模型进行逻辑构建［9］。

随着计算机与信息网络的不断普及，当前学生在教学资源获取方面可以获得极大的丰富。这也就使得教师并不是唯一获取知识的渠道。在当下，教师和学生可以获得同样丰富的资源，因此教学的内容就不单单是内容提供，而是核心知识构建和素养培育。基于这一思路，本次研究应当以鼓励互动、鼓励课堂自由民主氛围、鼓励多种思维平衡作为评分原则。

三、人工智能背景下课堂智慧评价的优化研究

在课堂智慧评价体系构建的基础体系建设完成后，根据评估原则、评估模型和评估指标的构建过程来总结，提出了技术角度层面的优化措施，形成了本章节的基本探讨，从优化的角度来看，根据研究所构建系统的模块分布来展开优化措施。目前来看，课堂智慧评价系统主要分为课堂教学信息输入模块、评价输出模块，以及面向各量化指标的人工智能评价模块。其中，输入的课堂信息主要分为两部分。首先是主要信息，其中包含课堂的全程语音、视频、教学资料、课件、信息系统及软件数据等。这些信息是构成课堂的核心元素，也是直接决定课堂教学评价结果的数据。其次是次要信息，包括与课堂相关的间接数据，例如课堂的整体环境、成员纪律、出勤情况等。其中，主要信息是本次研究的关注重点，诸多量化也主要围绕主要信息展开［9］。这也决定了评价体系的优化过程也将要配合这些内容展开来作为主要方向。

（一）模型融合优化的可行性分析

对前文提到的包括面向师生教学思维过程分析的可量化的行知模型、面向师生教学互动过程分析的FIAS（弗兰德斯互动分析系统）、RE结构模式（即问答和评论结构模式）以及S-T模型等，这些模型实质上存在巨大的输入输出差异。这些模型是否有融合的可能性，是首先要评估的问题。通过对上述模型进行分析可以看出，上述模型都对结构化数据提出了诉求，要求输入数据结构整齐和一致。从形式上来看，输入的结构化数据可以通过时间线、角色和内容三个不同的维度进行描述。对于具体的领域模型而言，时间线即事件发生的时间，角色即事件的触发方（即老师或者学生），而内容则表示当前主体的行为举措或相关信息。这里需要对内容进行进一步扩展，将内容区分为行为和信息，前者描述行为人的动作，后者则主要用于记录文本信息。通过这种归一化操作，上述模型的输入结构可统一定义为：行为、文本以及可用于处理的结构化结果。基于这样的归一化规则，上述所有的分析模型可共用同一套结构化模型，通过结构化数据的不同，可根据各模型自定义的逻辑输出相应的指标［10］。

目前的人工智能模型可基于各类语料库进行规则训练，特别是深度神经网络的引入可以很好应对上述模型的构建。从技术角度而言，模型融合和模型构建具备技术可行性，满足课堂评价系统的实现需求。因此，根据可行性分析来看，进行模型融合，将会更加有效地推动课堂智慧评价的整体覆盖。

（二）基础信息的评价输出自动化

对课堂教学而言，语言信息是整个教学过程中表达和内容承载的核心，也是课堂评价最重要的因素。在诸多语言信息的获取方式中，利用录音对语言信息进行记录和获取是最为便利的。其次是视频信息，视频信息的获取要求课堂具备相应的硬件设备，还要求教师在过程中能够熟练操作录播设备，控制录播环境。再次是教学所用到的多媒体和课程软件数据，这对于系统的操作和数据提取有了更高的要求。为进一步降低智慧评价的应用门槛，提升其适用性，本次选择利用语音信息作为基础信息的输入形式，通过教学思维过程分析、交流互动过程分析、知识点及周边细节分析等，实现量化指标的评分与评价。

（三）构建可持续扩展的技术框架

系统实质上将语音、视频和教学过程系统及其数据纳入了一套完整的分析模型，并通过归一化，对数据结构利用TR结构化数据进行整合，以提升对不同数据源信息的兼容。基于这一套技术体系，未来加入新的评估数据源，整套框架不需要进行变更，只需要对数据源进行归一化即可集成进入当前框架。语音数据能够对所有的模型进行覆盖，支持度最为广泛。而其他数据则有一定的应用条件，同时覆盖率不够高，因此通常只能用于辅助信息。在教学分析多模型处理阶段，分析的支撑细项主要由想象力、语速、课堂情感、语言的精练性等主观指标组成［10］。

上述技术框架利用结构化数据将多个模型进行了融合，同时构建了映射到文本和行为的方法，使得通过自身具备较强的可扩展性。此外，不同模型的融合使得评价的可信度更高，评价的客观性更强，这也是课堂智慧评价的发展要求之一。

四、课堂智慧评价的实施体系

在建立了课堂智慧评价体系后，在实践教学中需要完善的就是引入课堂智慧评价。在具体的实施工作中，应该从以下几个方面着手展开。

基础设施环境的构建。在人工智能背景下的课堂智慧评价体系应用，对于基础设备的要求更高，因此在考虑到技术体系的落实之中，更需要对课堂基础环境设施的构建，包括如校园网络、多媒体设施等多个环节的落实，通过这部分内容可以推动课堂智慧评价的真正应用。

教师团队理念的更新。从课堂智慧评价的体系分析，其应用层面将会和当前主流的教育模式有所不同，因此在应用中，更新教师团队的应用理念，同样是实现智慧评价体系应用的关键，推动理念建设，建立课堂智慧评价的应用人力资源环境，将同样是课堂智慧评价进入体系的关键。

完善的反馈制度。这部分反馈制度所针对的是课堂智慧评价的应用，建立更加完善的反馈制度，在智慧评价应用后进行整体的反馈评价，为后续的应用提供更加完整的建议，也会确保智慧评价体系的有效落实。

本文利用智能模型构造了一套面向课堂教育核心要素分析的智慧评价系统，从兴趣激发、知识获得、思维培养、活动交往等角度构建了评估和量化体系，并选择了包括面向师生教学思维过程分析的可量化的行知模型、面向师生教学互动过程分析的FIAS（弗兰德斯互动分析系统）、RE结构模式（即问答和评论结构模式）、S-T模型以及知识图谱等模型和技术，对综合性评估系统进行构建。特别是，此次构建的技术框架具备较强的可扩展性，其结构化转换方法能够广泛支持各类数据源。智能化评估模型的应用，使得课堂评价可以大规模批量进行，使得课堂评价可以成为一项常态化工作，用以指导教育教学方式方法的升级和进步，进一步促进课堂从知识课堂转向核心素养课堂。