彭红超 祝智庭

摘要：深度学习是智慧教育的核心支柱，但目前尚缺少智慧课堂专属的深度学习设计方案。如何针对深度学习的灵活性诉求，研制一种智慧课堂赋能的灵活深度学习设计框架，是推进深度学习实践落地的关键所在。基于深度学习架构理念、采用教育设计研究范式研制的面向智慧课堂的灵活深度学习设计框架，遵循逆向设计逻辑，包括课堂环境分析、明确目标、确定评估、学生分析、任务设计、编列制定、绘制分布和决策预设等8个步骤，既体现了智慧课堂精准把脉、互动支持、适性推送、即时反馈等四大特色功能，也为智慧课堂中的学习任务、学习活动、学习进程和教学决策等四个方面的灵活性设计提供了详细的方案支持，并且还能够可视化学生深度学习的个性化进程。该框架经过高质量评估标准锚定下的专家校验与迭代修订，已达到可交付实施的质量要求。这一框架在智慧课堂中的应用有助于促使学生深度参与学习，引导学生采用高级学习方略，促进高阶知能的发展，加深概念理解及其迁移应用。

关键词：智慧课堂;深度学习;设计框架;学习架构;逆向设计;灵活性

中图分类号：G434   文献标识码：A    文章编号：1009-5195（2021）01-0038-11   doi10.3969/j.issn.1009-5195.2021.01.004

基金项目：2018年度国家社會科学基金重大项目“信息化促进新时代基础教育公平的研究”（18ZDA335）。

作者简介：彭红超，博士，助理研究员，华东师范大学开放教育学院（上海 200062）;祝智庭（通讯作者），终身教授，博士生导师，华东师范大学开放教育学院（上海 200062）。

教育领域中的深度学习自1976年诞生以来，历经蛰伏期、萌动期、新兴期，于2016年前后进入迅发期（重要导火索是AlphaGo战胜李世石事件）（彭红超等，2020a）。再次受宠的深度学习（第一次发生在萌动期）受到学术界以及大众的广泛关注（何克抗，2018），他们相信深度学习是面向未来教育变革之大趋势，处在变革主体末端的中小学校也意识到其蕴含的巨大潜在价值（Johnson et al.，2014）。

纵观深度学习的发展史，其经历了两次重大转变，第一次是从索求理解到追求迁移，第二次是从注重过程到侧重结果（彭红超等，2020a）。当前的深度学习与智慧教育目标高度吻合，并成为智慧教育的核心支柱（祝智庭等，2017），但对于设计智慧课堂中深度学习的方法论，国内少有学者进行研究，只发现学者张玮基于翻转课堂框架提出了智慧英语课堂设计思路（张玮，2019），以及张屹教授团队建构了促进深度学习的智慧课堂教学交互框架（陈蓓蕾等，2019）。为此，本研究基于本团队构建的深度学习架构，按照教育设计研究方法，尝试构建智慧课堂赋能的灵活深度学习设计框架。

一、深度学习概述

1.深度学习的灵活性诉求

历经两次重大转变，深度学习现已发展成为一种基于理解、追求迁移应用的有意义的学习，它通过促使学生深度参与学习、适性地采用高级学习方略来促进高阶知能的发展，并实现这些知能在全新情境中的应用或新的高阶知能的生成（彭红超等，2020a）。容易发现，深度学习目标对于初学者而言具有相当的难度，它要求学习者在意义构建过程中，能够根据自己的情况，随时回顾、反复深思、修正甚至重构已有的想法。回顾所学的差异性和反思的不确定性造就了学习进程的灵活多样。

在这种灵活多样的学习进程中，教师的引导不可或缺，因为初学者容易由于缺乏解决问题的专家图式而遭遇失败（Bransford et al.，2000）。学生的自主也必不可少，已有研究表明，自主会让学生更加偏好于富有挑战性的任务，更愿意付出更多的努力（Grolnick et al.，1989）。需要谨记的是，教师的引导与学生的自主不能泾渭分明，Green等人研究的失败案例已证明了这点（Green et al.，2013）。因此，能够满足此需求的教学模式应为灵活交互式的“师导探究型”模式，这种模式与“学主师导型”模式（郑福胜等，2017）不同，它更加关注学生的个性需求，并且学习过程中的主导主体性也更加灵活多变。

相比传统课堂，智慧课堂能够更好地赋能深度学习的这些灵活性需求：在先进技术的支持下，智慧课堂通过敏捷感知情境、全程记录过程、精准配送服务、实时反馈学情（Zhu et al.，2016），可以为学习者的学习新知、了解动态和回顾反思提供实时事适的学习体验;同时提供服务的智能系统一般由基于自适应控制理论（Widrow，1987）的自适应动力机制来驱动，其提供服务的强度会随学生的需求或能力改变而进行自动调节。随着学生能力的发展，智能系统提供服务的强度将逐步减弱，最终将学习的主动权完全归还给学生，本研究团队将此现象命名为“动力机制的支架消减效应”。

2.灵活深度学习设计的导向

学习架构（Learning Architecture）是深度学习的灵活性表达（彭红超等，2020b），并且能够显化学习的深度（Scanlan，2013）。与教学结构不同，学习架构关注影响学与教的四大要素（任务、活动、进程、决策），对学习过程和结果的灵敏度较高。学习架构正是这四大要素相互联系、相互作用而形成的学与教模式的灵活框架，为灵活深度学习设计提供了指导理念（彭红超等，2020b）。

学习架构的逻辑起点是学习任务，作为深度学习的主要内容与支架，它包括有效性和趣味性两个属性。前者保障学习效率，以便课堂教学有更多的时间用于培育深度学习侧重的高阶能力及其迁移应用;后者促进深度参与，已有研究表明，趣味性能促使学生感知内容的内在价值、激发内在动机，由此而促进学习者深度参与（Hulleman，2007）。

学习架构的第二个要素是学习活动，即学生完成任务的行为，包括自主性和引导性两个属性。前者旨在保障学生主动、能动的学习机会，促进学生采用深度学习策略（Harter，1978）;后者旨在让教师和智能学习系统为学生深度学习护航，降低学习失败的概率。

学习架构的第三个要素是学习进程，即学习活动的编列构成，涵盖无序性和有序性两个属性。前者是学生个性化适性学习的必然，后者是教师统一化教育教学的需求。对于教师而言，学习进程的无序性会显著增加教学难度，而智慧课堂中的智能学习系统及设备能够为教师分担此方面的部分挑战。

学习架构的第四个要素是教学决策，它能够对深度学习的状况做出判定，其关注智能系统的数据驱动决策和教师的数据启发决策，二者灵活协调、相互优化（彭红超等，2019），共同实现人机共教、人机帮学。

综上，构成学习架构四大要素的各个二元属性均相互独立，且能够按照学生的需求进行自我调节，每对二元属性像左右声道一样，灵活协调地为学生提供立体式的深度学习体验。

二、研究问题与方法

学习架构为灵活深度学习提供了设计蓝图和导向，但并没有给出指导教师进行教学设计的具体解决方案，本研究试图研制一种面向智慧课堂的灵活深度学习设计框架来解决此问题。教育设计研究是研制设计框架的系统性研究方法（Design-Based Research Collective，2003），按此方法的要求，框架的研制需要探究以下两个子问题：

子问题1：灵活深度学习的设计框架包括哪些部分，各部分包括哪些步骤？

子问题2：如何确保灵活深度学习设计框架的质量？

本研究借鑒国内外已有的相关研究成果，按照教育设计研究的Klerk研制策略组织研究过程（De Klerk et al.，2018）：（1）文献检索。检索涉及深度学习的文献资料，与两位志愿者一同梳理出有参考价值的论断。（2）原型构建。依据本研究团队前期研制的深度学习架构模型，结合梳理出的参考论断，构建灵活深度学习设计框架的原型，该过程咨询了3位信息化教学设计专家并采纳了其建议。（3）原型校验。对5位信息化教学设计专家进行半结构化访谈（不含上一步的3位专家），校验所构建的设计框架原型。（4）确定框架。按照专家校验反馈的结果修正原型，得到高质量、可交付实施的设计框架。

三、研究参与者

本研究共招募了2名志愿者，邀请了8位信息化教学设计专家，其相关信息如表1所示。其中，2名志愿者均为本专业博士生，且有CSSCI期刊论文成果发表。8位专家中前3位是构建灵活深度学习设计框架原型的咨询对象，他们均有5年以上信息化教学设计方面的专业经验;后5位是校验设计框架原型的受访对象，他们均具有11年以上专业经验，并且具有丰硕的深度学习理论与实验研究成果。根据Klerk等人的观点，接受咨询与采访的专家人数能够满足框架设计的信度要求，而表1所示的参与者的专业性可以很好地确保框架设计的效度。

四、研究过程设计

1.文献检索

中文文献以“深度学习”“深层学习”和“教学设计”“学习设计”为主题词，检索中国知网、万方、维普数据库中的北大核心与CSSCI期刊论文;英文文献以“deep（er） learning”“deep approach（es）”“deep strateg（y/ies）”和“learning/teaching by design”“learning/teaching design”“design for learning/teaching”“instructional design”为主题词，检索Web of Science和ERIC中的期刊论文。检索规则为：主题词用“""”逻辑符分组，不同主题词间用AND逻辑符，相同主题词间用OR逻辑符，英文“（）”及其内部的字符用“*”逻辑符代替。对于无法获得全文的文献，尝试采用Google学术和百度学术进行检索。

剔除重复条目与无法获得全文的条目后，按照Petticrew和Roberts策略（Petticrew et al.，2006），制定出如下文献遴选原则：剔除技术领域的文献;剔除主题不是教学或学习设计的文献;剔除没有关注深度学习架构任何要素或其属性的文献;剔除从智慧课堂环境与资源设计方面来促进深度学习的文献（原因在于本研究关注其教学应用而非设计）。

笔者与2名志愿者依循以上原则共同遴选文献，梳理其中的参考论断，其中仅保留2人及以上认为符合条件的文献，以确保遴选精度;同时保留1人及以上认为有参考价值的论断，以得到尽可能多的参考依据。

2.原型构建

原型构建包括三个阶段，一是确定灵活深度学习设计框架草图及其各个设计部分，二是确定各设计部分可能的步骤及其联系，三是界定并说明设计部分及其步骤。

原型构建过程中，通过面对面与微信语音方式，咨询3位专家的建议，特别是参考论断中相互矛盾的观点，如深度学习目标是布鲁姆认知领域教育目标分类的后三层还是后四层。第一次咨询前，笔者向3位专家详细介绍了深度学习及其架构理念。每次咨询后，即刻整理专家建议，并修正框架的设计步骤。

3.原型校验

该阶段采用半结构化访谈形式对受邀的5位专家进行访谈，提纲依据高质量评估标准（Nieveen，2013）设计而成（每个问题均通过了专家1至专家3的审核），方式采用微信语音通话。每次访谈前5～8分钟向专家介绍所构建的灵活深度学习设计框架原型，以保证受访者深入理解其理念与思路。

高质量评估标准适用于评估产品和过程等各类教育干预原型，可以对原型的总目标和各个设计部分进行价值判定（Plomp et al.，2007）。该评估标准包括相关性、一致性、实用性和有效性四大准则，其界定如表2所示。按照此标准进行校验和完善后便可形成高质量、可交付实施的框架。

采访后，按照以下规则挑选出所有与高质量评估标准有关的反馈条目（De Klerk et al.，2018）：一是笔者与2名志愿者各自独立挑选;二是保留同被3人挑选出的条目;三是对于其中1人或2人挑出的条目，经过集体研讨后决定是否保留。

4.确定框架

根据专家返回的条目，修正灵活深度学习设计框架原型，将形成的新框架再次发邮件给5位专家，并附上各位专家对应的反馈意见，以方便其判定自己提出的意见是否得到完善。如此往复，直至通过所有专家的校验评估。

五、研究结果

1.文献检索结果

依据以上文献遴选标准进行筛选后，得到有效文献43篇，其中36篇被3人同时选中，7篇被2人同时选中。从这些文献中，共梳理出有效的参考论断158条，其中有87条被3人选中（55.1%），22条被2人选中（13.9%），49条被1人选中（31%）。这些参考论断中也有命中文献的理论基础或依据（只保留3人均认为有价值的），如Wiggins和McTighe的逆向设计（Backward Design）理论（Wiggins et al.，2005）。对于观点相悖的参考论断，仅做如实记录，如何取舍在“原型构建”时由3位专家来决定。

2.原型构建结果

（1）深度学习架构的灵活性表达

按照深度学习架构理念，结合梳理得到的参考论断，本研究团队确定了如图1所示的深度学习架构的灵活性表达方案，并得到3位专家的认可。此方案主要关注两方面的工作：一是灵活性设计，即图中的螺旋路径（由里向外）;二是智慧课堂、教师、学生的行为支持，即图中的三角形。前者创设灵活深度学习的条件，后者促使任务、活动、进程、决策的灵活性得以体现。

具体来讲，学习任务灵活性表达需包括方略设计、学习任务设计、学习要求、编列制定4个设计环节。方略设计为学生完成任务提供参考性行为支架。学习任务设计注重有效性和趣味性，前者关注目标与评估设计，后者关注情境与行为活动设计，二者之间的灵活性即为学习任务的灵活性。学习要求界定任务是否选做，为学生选择自适任务提供可能。编列制定呈现符合认知发展的学习顺序，促使学生正确选择任务。历经此4个环节设计好的学习任务，经由智慧课堂的智能学习系统适性配送或教师人工推送给学生，学生可根据实际需求选择自己需要的学习任务。任务不同，其有效性和趣味性亦不同，这种灵活性由学生自己把控。

学习活动灵活性表达需有学习支持的设计，包括教师为保证学生顺利完成任务所给予的提示与指引，以及智能学习系统提供的提醒、推荐和警示。前者教师可通过监督学习过程来实现，后者可通过数据把脉来实现，最后由学生自主掌控是否接受，如此学习活动的指引性与自主性之间的灵活性便得以体现。

学习进程灵活性表达需有反思任务的设计，它是学生深入理解概念、实现深度学习的有效手段（Haller et al.，2007）。反思任务的设计应以多角度和启发性为关键，让学生每次完成反思任务后都会产生新的认知。将这样的反思任务作为冗余任务，可以增大学生成功学习的概率。设计好的任务经由智能学习系统个性化地推荐给学习者，虽然这会增加进程的无序性，但教师可以通过控制反思任务的数量而调控学习进程的有序性。如此便可实现学习进程无序性和有序性间的灵活性，且互不冲突。

教学决策灵活性表达需经过人机协同方案的设计，以便发挥智能学习系统与教师各自的决策优势。方案大致的理念是智能学习系统承担教育大数据驱动的决策，教师审核后进行基于数据启发的决策。教师决策的数据源来自系统即时反馈的即席报表或学习仪表盘。教学决策的数据驱动与数据启发间的灵活性的核心在于教师的审核，这决定了学生可自主挑选的决策服务来自于教师、智能学习系统还是二者兼有。

（2）灵活深度学习的设计框架原型

受咨询的专家一致赞同，融入了图1表达方案的深度学习设计框架大致有三个基础部分（还有两个专有部分），并遵循逆向设计理念：即先明确学习目标，再确定评估证据，最后设计学习任务（依次对应图2中的虚线方框内容）。这种理念有助于提高学习任务的有效性（Wiggins et al.，2005）。按照专家们的建议，“明确学习目标”部分应着重目标的表述与深度判定工作;“确定评估证据”部分应在兼顾传统证据（如测验、习题等）的基础上，着重绩效评估证据的确定工作;“设计学习任务”部分应着重体现深度学习架构的任务、活动、进程、决策四方面的灵活性。此面向智慧课堂的灵活深度学习设计框架如图2所示，其所有步骤均是由3位专家协商后确定的。

①明确学习目标

目标为评估和学习提供导向，目标是否具体、明确关系到深度学习是否在正确的方向上前进。此部分包括4个步骤（即步骤1～4）。

第1步是“列出课标要求”。课标一般以单元甚至整个学段为单位，因此，一堂课的课标要在分析学习内容和知识结构的基础上进行筛选得到。

第2步是“细化目标并表述”。对于知能层次结构清晰的课标要求进行细化（如数学学科的知能），可采用“整体—部分”策略;对于知能层次结构不清晰的课标要求进行细化（如语文学科的知能），可采用“演绎”策略。对于细化好的目标，采用教学目标制定ABCD法（即Audience、Behavior、Condition和Degree 4个英文单词首字母的缩写）或内外结合法表述即可。

第3步是“归类目标”。参考论断中提及的布鲁姆教育目标分类和SOLO目标分类理论进行归类，前者采用“动宾结构”，具有任务色彩，更有利于深度学習任务的设计;后者采用“动词匹配”方式，即将第2步中的行为动词B与布鲁姆教育目标中的19类动词或39种替代词进行匹配。

第4步是“判定目标深度”。Anderson等人（2001）明确指出，布鲁姆教育目标中第一层强调保持、后五层强调迁移，但“理解”有助于迁移而并非是迁移。按照原著与专家建议，本研究将布鲁姆教育目标（针对认知领域）的前两层判定为浅表目标，后四层判定为深度目标。

②确定评估证据

评估不仅能估计学生的能力水平，而且能提供反馈和促进参与（MacFarlane et al.，2006），更能判定深度学习任务的有效程度，这是实现任务灵活性的基础。此部分包括3个步骤（即步骤5～7）。

第5步是“确定评估标准”。标准可确保无论采取何种评估形式，其衡量的尺度均为一致。绩效评估标准采用McTighe提出的包括内容、过程、质量、影响四个维度的绩效评估通用标准（McTighe，2016），其他评估标准借用DOK评估标准（Darling-Hammond et al.，2013），即当DOK水平为3及以上时表示深度学习。

第6步是“确立绩效评估证据”。深度学习必须有绩效评估成分，其评估的指向即是深度学习（周文叶，2018）。智慧课堂均会隐式记录下全部的绩效证据，但特定一节课究竟需要哪些证据，则需根据预期目标来确定。绩效任务是获取绩效证据的重要途径，其可借用G.R.A.S.P.S.工具进行设计（McTighe，2015），设计时需将师生置于智慧情境中。

第7步是“确立其他评估证据”。此类评估证据是绩效之外的传统或标准化的评估证据（如作业、期中测试等），目前此类评估在高阶能力评估方面做得很差，而太过侧重基本智能评估（周文叶等，2017）。

③推荐学习环境与资源

第8步是“推荐学习环境与资源”。技术赋能的智慧环境可以促进深度学习（何克抗，2018），教师可以运用经由数据启发的教学智慧向学生推荐适切的线上环境（学习空间）、线下环境（创客空间）、混合环境（未来课堂）。资源的推荐可采用“自动推荐+人工补充”的策略，即智能学习系统的自动推荐先行，教师可补充系统无力推荐的资源。目前，智能学习系统的推荐算法主要有4种：协同过滤推荐、基于内容的推荐、基于知识的推荐、混合推荐。其中，第一种存在冷启动问题;第二种除冷启动问题外，还难以推荐潜在风格偏好的资源;第三种需要学生与系统频繁交互，对于无需交互的学习情况并不适用;第四种难以把握“混合点”。为此，本研究提出如下策略，即先明确系统采用的算法，确定推荐的薄弱点，然后重点关注系统在薄弱点上的表现，如果需要，则通过人工方式进行补充。

④设计学习任务

设计学习任务部分放在明确学习目标和确定评估证据之后，可避免单纯为做任务而做任务。此部分是深度学习四大灵活性的集中体现，与评估任务不同，学习任务旨在向学生提供学习支架，方略、活动、提示是其重要组成部分（Wickersham et al.，2008），其设计包括6个步骤（即步骤9～14）。

第9步是“确定学习任务类别”。深度学习的任务要有梯度、有层次（Mitchell et al.，2011），可设计为基础任务、挑战任务、本真任务（Authentic Task）三层。挑战任务可分为挑战Ⅰ型和Ⅱ型，前者侧重知能深度，后者侧重知能广度。鉴于“理解”是迁移应用的必要条件（Griffith et al.，2000），因此另设特殊学习任务——反思任务。在确定学习任务类别时，先判定学习目标中是否涉及核心概念（即大观点或基本概念），如果是则设计成反思任务，否则就设计成学习任务。此处，反思任务还担当冗余任务角色，作为调整学习进程灵活性的基础。

第10步是“设计学习方略”。参考论断显示，明智的设计原则强调聚焦特定智慧环境优势，对准学习目标需求，重视多方略并用。另外，也可以采用“思考—互论—分享”（Think-Pair-Share）框架（Morgan，2010）快速设计深度学习方略。设计好的策略只是建议，学生可自行决定是否采用，这是学习活动灵活性的体现。

第11步是“设计学习/反思任务”。学习/反思任务分别承担学习任务灵活性和学习进程灵活性的重任，也是实现学习活动灵活性的基础。设计学习任务需从确定主题、设计情境、描述行为、表征要求入手。主题应与目标及其包含的知能对应，并挑选贴近生活与社会的、有意义的话题或问题，以在提高任务有效性的同时，建立内容与经验之间稳固的认知连接（Choi et al.，1995）。设计情境时需至少体现以下特点之一：情感性、真实性、交互性、与自身相关、能引起认知冲突。它们可有效增加任务灵活性所需的趣味性，并激发深度参与的欲望。任务行为可从与机器、教师、学生、内容四方面的交互/互动角度进行描述。描述的行为应明确且具有操作性，可参考本研究团队对操作层行为的相关研究（彭红超等，2016）。任务要求需对应评估证据，其表征应可观测、可操作，此方面可借鉴ABCD目标表述中的B和D的表征规范。对于反思任务的设计，应重点关注两种，即行动中反思与行动后反思。前者可通过在四类学习任务中巧设障碍、陷阱或认知冲突来实现;后者需设计独立的任务，即先从尽量多的角度把同一概念情境化，然后提出能引起学生回忆、梳理、概括、总结、分析、综合、评价等认知活动的问题。另外，同一核心概念的反思任务需设计多个，以期通过冗余来实现学习进程的灵活性。

第12步是“给予指引/提示”。指引/提示须指令明确且清晰，并用明确的行为/操作动词表述，同时采用隐式的方式呈现，即智能学习系统中的指引，点击才显示;纸质的指引，刮开才显示。

第13步是“标注学习要求”。当对任务有要求时，学生才有主动选择的机会，学习路径才会呈现出个性化的无序状态。按照专家建议，将任务设置为必做、选择性必做、选做三类，其中选择性必做既可保证教师的基本教学要求，又能满足学生的个性需求。鉴于目前智能技术不能很好地满足自动标注的要求，因此在设计任务时，教师需根据目的和任务性质进行人工标注。

第14步是“确定决策方案”。按照图1灵活性表达方案中人機协同策略执行即可，一般来说，如果发现个别学生出现问题，则往往是由于任务不适合该学生;而如果发现多数学生出现相同问题，则往往根源在于任务本身，因此需重新设计任务（彭红超等，2019）。

⑤绘制任务分布

第15步是“绘制任务分布”。该步骤旨在将灵活的学习进程进行可视化呈现，便于师生了解学习状况。可采用二维坐标系实现，其中横坐标表示知能广度，纵坐标表示知能深度。教师可按照完成此任务所需的知能广度和深度将各个任务绘制到坐标系中，让智能学习系统自动或学生人工把自己完成任务的顺序绘制出来，便可形成可视化进程图谱。该图谱既能帮助教师判定本堂课的任务难度是否合理，也有助于学生了解各个任务的难易程度，以便其做出更自适的选择。

（3）原型校验结果

访谈得到的有用反馈条目共有29条，其中来自3人、2人、1人的数量分别有22条、4条、3条。研讨后决议删除来自1人的2条条目后，最终得到27条反馈条目，如表3所示，其中的百分比为专家反馈此观点的比例。使用这些步骤，可以确定灵活深度学习设计框架如何修正完善。

（4）框架的修订

根据专家的反馈意见，最终形成的灵活深度学习设计框架如图3所示。修订后的框架图步骤缩减至8个，流程做了大幅度简化，4个方面的灵活性也聚焦到了对应的步骤，以便教师清晰了解哪些步骤对应体现哪个灵活性。另外，表3中的1-1、1-2、1-3、1-4、2-1、4-2、5-1、5-2等反馈，均因缺少说明所致，修订版亦一一做了补充说明。

“课堂环境分析”是新增加的步骤，放在第1步便于教师在后续设计中，充分利用智慧课堂的精准把脉、互动支持、适性推送、即时反馈等4个方面的功能特性。其中，精准把脉主要分析智慧课堂可以感知和分析学生的认知、情感、动作三方面的哪些数据，以了解智慧课堂可以为自己的设计提供哪些数据支持。互动支持主要分析智慧课堂对学生与机器（交互方式、简易程度）、教师（互动类型、互动途径、通信方式、可互动的人数）、学生（同前者）、内容（互动类型、互动策略）等方面互动的支持程度，以便教师事先思考后面如何设计富有成效的学习任务。适性推送主要分析智慧课堂可以推送的内容（如建议、警示、资源、活动等）、时机（事前、即时、事后）、策略（生成性推送、整套推送），这关乎学习任务中指引/提示以及决策方案的设计。即时反馈主要分析智慧课堂可以反馈的内容（学习进度、作业成绩等）与呈现方式（即席报表、学习仪表盘），这两方面会影响教师的监督能力以及学生对自己学习进度与表现的了解。

第2步“明确目标”并未作较大变动，只是对浅表目标和深度目标的界限作了修订：将布鲁姆认知领域教育目标应用层的“执行”及以下部分视为浅表目标，将“实施”及以上部分视为深度目标，这是因为深入研究后发现，“实施”对应迁移中的新情境应用，其上部分对应高阶知能的生成。

第3步“确定评估”作了一定增补，为提高其操作性和直观性，增补了McTighe通用标准界定与指标样例、DOK评估标准说明、G.R.A.S.P.S.工具模板以及Darling-Hammond高质量评估标准图谱。

第4步是新增加的“学生分析”。这是设计学习任务的第一个环节，旨在促使后面设计的任务贴合学生个体的情况，包括属性层、学习层、愿景层3个层面的分析。属性层主要分析学生的基本特征与体征、学习风格与偏好、学习效能感等，学习层主要分析学生的学习行为和能力水平等，愿景层主要分析课程目标和个性学习需求。在智慧课堂中，智能学习系统会提供部分分析结果，其他部分由教师根据系统呈现的各种报表或其感知记录的数据进行分析（彭红超等，2019），以便设计符合班级/小组/个人需求的学习任务。

第5步是“任务设计”。这是设计学习任务的第二个环节，包括类型判定、方略设计、要素設计、学习支持、属性确定5个设计步骤。鉴于专家反馈“核心概念”不好把握，类型判定中的判定依据改为：先判定目标是否为“理解层”目标，如果是则设计反思任务;如果不是，再判定是否为深度目标，如果是且知能数量众多，则设计本真任务;如果是但知能数量少，则设计挑战Ⅰ型任务;如果不是深度目标但知能数量众多，则设计挑战Ⅱ型任务;如果不是且知能数量少，则设计基础任务。方略设计由整节课的方略修改为当前学习任务的方略，并增加了不同类型任务的设计原则。要素设计（即主题、情境、行为、要求）是对“设计学习/反思任务”的修订。为增强可操作性，为教师提供了各类任务和各个要素设计的原则和描述行为环节可能会用到的具有可操作性的行为样表。对于反思任务，未作变动。学习支持中对学习环境与资源的推荐进行了细化并聚焦到了学习任务，也融入了“给予指引/提示”的内容。具体来讲，主要关注学习任务需要智慧课堂提供的情境、工具、资源、指引四方面的支持。情境方面，关注学习任务需要何种设备、网络、场所;工具方面，关注需要提供何种工具的支持，如认知、检索、交流等工具;资源方面，关注需要哪些学习材料;引导方面，即为原型中的第12步，未作变动。属性确定除了针对学习要求外，还增加了难度系数、时间限制、学习条件等，它们用于智能学习平台个性化推荐时的属性匹配。

第6步是“编列制定”。这是设计学习任务的第三个环节。虽然学生可以按照自己的偏好和需求选择任何顺序完成任务，但为了便于学生更容易地发现任务间的关系，并做出更为合适的选择，依然建议教师按照“从简到难”或“从难到简”的顺序排列设计好的学习任务。反思任务的编列则关注该概念的反思任务之数量与分布。数量越大，则迭代顺序越强，如果将其按照从简到难（或从难到简）的顺序排列，并规定完成反思任务的顺序，还可以限定学生的认知发展路径。

第7步是“绘制分布”。这是设计学习任务的第四个环节，表3中未列出此步骤的问题，因此未作变动。

第8步是“决策预设”。即针对学生在学习过程中可能遇到的问题预设决策方案，因此调整到了最后一步。针对决策应更具操作性的专家建议，此处引入了本研究团队早期的研究成果，即人机协同决策原则（祝智庭等，2018）和决策流程（祝智庭等，2020）。

六、结束语

本研究基于深度学习架构理念，采用教育设计研究方法，研制了一种面向智慧课堂的灵活深度学习逆向设计框架。该框架共有八大步骤，能够通过学习任务、学习活动、学习进程、教学决策四方面的灵活性促使学生深度参与学习、引导学生采用高级学习方略、促进高阶知能的发展、加深概念理解及其迁移应用。经过高质量评估标准锚定下的专家校验与迭代修订，此框架已达到可交付实施的质量要求。但专家校验时的实用性与有效性均是根据自己的经验做出的判定，至于实际的实用性与有效性如何，还需要本研究团队在后续研究中进一步验证。

參考文献：

[1]陈蓓蕾，张屹，杨兵等（2019）.智慧教室中的教学交互促进大学生深度学习研究[J].电化教育研究，40（3）：90-97.

[2]何克抗（2018）.深度学习：网络时代学习方式的变革[J].教育研究，39（5）：111-115.

[3]彭红超，祝智庭（2016）.面向智慧学习的精准教学活动生成性设计[J].电化教育研究，37（8）：53-62.

[4]彭红超，祝智庭（2019）.人机协同决策支持的个性化适性学习策略探析[J].电化教育研究，40（2）：14-22.

[5]彭红超，祝智庭（2020a）.深度学习研究：发展脉络与瓶颈[J].现代远程教育研究，32（1）：41-50.

[6]彭红超，祝智庭（2020b）.学习架构：深度学习灵活性表达[J].电化教育研究，41（2）：17-24.

[7]张玮（2019）.基于深度学习的智慧英语课堂设计[J].教育学术月刊，（10）：99-104.

[8]郑福胜，赵永春（2017）.关于“学生主体， 教师主导”论的辨正与刍议[J].黑龙江高教研究， （9）：30-33.

[9]周文叶（2018）.表现性评价：指向深度学习[J].教育测量与评价，（7）：1.

[10]周文叶，陈铭洲（2017）.指向深度学习的表现性评价——访斯坦福大学评价、学习与公平中心主任Ray Pecheone教授[J].全球教育展望，46（7）：3-9.

[11]祝智庭，彭红超（2017）.深度学习：智慧教育的核心支柱[J].中国教育学刊， （5）：36-45.

[12]祝智庭，彭红超（2020）.技术赋能智慧教育之实践路径[J].中国教育学刊，（10）：1-8.

[13]祝智庭，彭红超，雷云鹤（2018）.智能教育：智慧教育的实践路径[J].开放教育研究，24（4）：13-24.

[14]Anderson， L. W.， Krathwohl， D. R.， & Airasian， P. W. et al. （2001）. A Taxonomy for Learning， Teaching， and Assessing： A Revision of Blooms Taxonomy of Educational Objectives[M]. White Plains， NY： Longman.

[15]Bransford， J. D.， Brown， A. L.， & Cocking， R. R. （2000）. How People Learn： Brain， Mind， Experience， and School[M]. Washington， D.C.： National Academy Press.

[16]Choi， J.， & Hannafin， M. （1995）. Situated Cognition and Learning Environments： Roles， Structures， and Implications for Design[J]. Educational Technology Research and Development，43（2）：53-69.

[17]Darling-Hammond， L.， Herman， J.， & Pellegrino， J. et al. （2013）. Criteria for High-Quality Assessment[M]. Stanford， CA：Stanford Center for Opportunity Policy in Education.

[18]De Klerk， S.， Veldkamp， B. P.， & Eggen， T. J. （2018）. A Framework for Designing and Developing Multimedia-Based Performance Assessment in Vocational Education[J]. Educational Technology Research and Development，66（1）：147-171.

[19]Design-Based Research Collective （2003）. Design-Based Research： An Emerging Paradigm for Educational Inquiry[J]. Educational Researcher，32（1）：5-8.

[20]Green， G. P.， Bean， J. C.， & Peterson， D. J. （2013）. Deep Learning in Intermediate Microeconomics： Using Scaffolding Assignments to Teach Theory and Promote Transfer[J]. The Journal of Economic Education，44（2）：142-157.

[21]Griffith， B. A.， & Frieden， G. （2000）. Facilitating Reflective Thinking in Counselor Education[J]. Counselor Education and Supervision，40（2）：82-93.

[22]Grolnick， W. S.， & Ryan， R. M. （1989）. Parent Styles Associated with Childrens Self-Regulation and Competence in School[J]. Journal of Educational Psychology，81（2）：143-154.

[23]Haller， C.， Fisher， R.， & Gapp， R. （2007）. Reflection as a Means of Understanding： Ways in Which Confucian Heritage Students Learn and Understand Organisational Behaviour[J].Multicultural Education & Technology Journal，1（1）：6-24.

[24]Harter， S. （1978）. Pleasure Derived from Optimal Challenge and the Effects of Extrinsic Rewards on Childrens Difficulty Choices[J]. Child Development，49：788-799.

[25]Hulleman， C. S. （2007）. The Role of Utility Value in the Development of Interest and Achievement[D]. Madison， WI： University of Wisconsin-Madison：147.

[26]Johnson， L.， Adams Becker， S.， & Estrada， V. et al.（2014）. The NMC horizon report： 2014 K-12 edition[R]. Austin， Texas： The New Media Consortium.

[27]MacFarlane， G. R.， Markwell， K. W.， & Date-Huxtable， E. M. （2006）. Modelling the Research Process as a Deep Learning Strategy[J]. Journal of Biological Education，41（1）：13-20.

[28]McTighe， J. （2015）. How Can Educators Design Authentic Performance Tasks？ （Part 3）[EB/OL]. [2019-02-01]. https：//blog.performancetask.com/how-can-educators-design-

authentic-performance-tasks-part-3-5817561ae422.

[29]McTighe， J. （2016）. Designing Cornerstone Tasks to Promote Meaningful Learning and Assess What Matters Most[EB/OL]. [2019-02-01]. https：//dpi.wi.gov/sites/default/files/imce/ela/resources/McTighe_Handout_2%5B1%5D.pdf.

[30]Mitchell， I.， & Carbone， A. （2011）. A Typology of Task Characteristics and Their Effects on Student Engagement[J]. International Journal of Educational Research，50（5-6）：257-270.

[31]Morgan， L. （2010）. Teacher Professional Transformation Using Learning by Design： A Case Study[J]. E-learning and Digital Media，7（3）：280-292.

[32]Nieveen， N. （2013）. A Four-Year Design Research Study Improving Curriculum Developers Formative Evaluation Through an Electronic Performance Support System （EPSS）[M]// Plomp， T. et al. Educational Design Research （Part B）： Illustrative Cases. Enschede， the Netherlands： SLO：1101-1123.

[33]Petticrew， M.， & Roberts， H. （2006）. Systematic Reviews in the Social Sciences： A Practical Guide[M]. Malden， MA：Blackwell： 57-58.

[34]Plomp， T.， & Nieveen， N. （2007）. An Introduction to Educational Design Research[C]// Proceedings of the Seminar Conducted at the East China Normal University. The Netherlands： SLO·Netherlands Institute for Curriculum Development： 93， 95.

[35]Scanlan， M. （2013）. A Learning Architecture： How School Leaders Can Design for Learning Social Justice[J].Educational Administration Quarterly，49（2）：348-391.

[36]Wickersham， L. E.， & Mcgee， P. （2008）. Perceptions of Satisfaction and Deeper Learning in an Online Course[J].Quarterly Review of Distance Education，9（1）：73-83.

[37]Widrow， B. （1987）. Adaptive Inverse Control[J]. IFAC Proceedings Volumes，20（2）：1-5.

[38]Wiggins， G.， & McTighe， J. （2005）. Understanding by Design（2nd ed）[M]. Alexandria， VA： Association for Supervision and Curriculum Development.

[39]Zhu， Z.， Yu， M.， & Riezebos， P. （2016）. A Research Framework of Smart Education[J]. Smart Learning Environments，3：4.

收稿日期 2020-12-20 責任编辑 刘选

A Design Framework of Flexible Deep Learning for Smart Classroom

PENG Hongchao， ZHU Zhiting

Abstract： Although deep learning is the core pillar of smart education， there is currently a lack of deep learning design solutions dedicated to smart classrooms. Furthermore， how to develop a design framework empowered by smart classroom， with a focus on the need for the flexibility of deep learning， is the key to promoting deep learning practice. In this regard， this study develops a design framework of flexible deep learning for smart classrooms， guided by learning architecture ideas and using an educational design research paradigm. The developed design framework following the logic of Backward Design consists of eight steps， that is， classroom environment analysis， setting goals， determining the criteria and evidence of assessment， student analysis， tasks design， making a sequence of learning activities， drawing the task distribution and decision-making pre-design. It not only embodies the four characteristic functions of the smart classroom， such as diagnosing and analyzing accurately， supporting interaction， pushing adaptively， and instant feedback， but also provides detailed solutions of flexible design in four aspects： learning tasks， learning activities， learning paths， and teaching decision-making supported by four smart classroom functions. In addition， it also can visualize the personalized path of students deep learning. With rigorous expert verification and iterative revision to the framework， the developed framework meets the quality requirements for implementation. The application of this framework in a smart classroom helps to promote students deep engagement in learning， guide students to adopt advanced learning strategies， promote the development of higher-level knowledge and abilities， and deepen the understanding of concepts as well as their transferring and application.

Keywords： Smart Classroom; Deep Learning; Design Framework; Learning Architecture; Backward Design; Flexibility