AI支持下的学生课堂批判性思维测量
AI支持下的学生课堂批判性思维测量
随着人工智能技术的快速发展，AI在教育领域的应用日益广泛。本文探讨了如何利用AI技术来测量学生在课堂中的批判性思维水平，这对于全面深入地了解学生批判性思维的发展特点、探索其内在规律，以及促进学生批判性思维的培养具有重要意义。
0 引言
AI（人工智能）是驱动课堂测评创新的重要引擎，AI 支持下的课堂测评，在课堂中师生的行为识别、认知诊断、情感状态诊断、教学过程分析等方面的研究日益丰富。AI 支持下的课堂测评以其多模态、全方位、长时序数据处理能力，正朝着智能化、规模化、常态化的方向发展，是对传统课堂测量与评价的颠覆式创新与变革。
批判性思维既是教育教学重要的培养目标，也是新时代学生不可或缺的高阶思维能力。然而，研究表明，当前课堂教学在培养学生批判性思维方面依然存在诸多问题。因此，如何促进学生批判性思维发展是智能时代下教育教学人才培养的迫切需要，而批判性思维的测量是关键点也是难点。AI 技术快速发展，为学生课堂批判性思维的测量提供新的思路和技术支持。利用 AI 技术来测量学生课堂的批判性思维，对于全面深入地了解学生批判性思维的发展特点、探索其内在规律，以及促进学生批判性思维的培养具有重要意义。
1 相关研究
1.1 批判性思维内涵
“批判”这个词源于希腊语的“kriticos”和“kriterion”两个词根，前者是指提问、理解某物的意义并有能力分析；后者是指基于标准进行有理有据的判断。“批判性思维”可以追溯到古希腊时期的“苏格拉底法”，也称“产婆术”或“助产术”。杜威提出的“反思性思维”被认为是批判性思维的起源之一，它涉及到对假说的系统检验和主动、持续和细致的思考。批判性思维是一个涉及心理、教育等多领域的概念，国内外研究学者对这一概念的定义众说纷纭。
在 20 世纪中期，学者们倾向于将批判性思维看作是一种技能。例如，Richard Paul 等就提出，批判性思维是一种能优化我们思维方式的艺术。20 世纪90 年之后，较多研究者认为批判性思维是一种综合思维，包含认知能力和情感特质。1990 年美国哲学会在《德尔斐报告》中认为，批判性思维是一种有目的、自我调控的判断过程，它涉及解释、分析、评估、推论，并需要说明这些判断所依据的证据、概念、方法、标准或情境，该项目组认为，批判性思维包括批判性思维技能和批判性思维倾向两个维度。Ennis 认为，批判性思维是在决定相信和行动时的一种合理性、反思性的思考。
在国内，武宏志强调，批判性思维蕴含着理性标准，它不仅包括思维技能，还涉及个人的人格气质。谷振诣等在《批判性思维教程》中认为，批判性思维是面对相信什么或者做什么作出合理决定的思维能力。杨武金认为，批判性思维能力包括对各种信息的理解、识别、分析、综合、比较、判断等方面的能力，推理和论证能力在其中最为重要。总的来说，批判性思维是一种综合性思维能力，包括批判性思维技能和批判性思维倾向等方面，旨在作出合理而明智的决策。
1.2 批判性思维理论模型
单维结构模型、双维结构模型、三元结构模型和层级模型是比较有代表性的 4 种批判性思维理论模型。
（1）单维结构模型
Ennis 提出批判性思维单维结构模型，包括关注、推理、推论、情境、澄清和总的评价 6 个指标，具体如表 1 所示。
表 1 单维结构模型
（2）双维结构模型
Facione 等提出了批判性思维的双维结构模型，包括批判性思维技能和批判性思维倾向两个维度，具体如表 2 所示。
表 2 双维结构模型
（3）三元结构模型
Paul 提出了三元结构模型，包含标准、元素和智力特征三方面。具体如图 1 所示。
图 1 三元结构模型
（4）层级模型
文秋芳以双维结构模型、三元结构模型等为基础，构形成了层级模型，第一层次是元思辨（自我调控）能力；第二层次为思辨能力，包含认知和情感两个维度，具体如表 3 所示。
表 3 层级模型的第二层次（思辨能力）
综上所述，相比于双维结构模型、三元结构模型和层次模型，单维结构模型缺少情感特征。双维结构模型是多个领域的专家达成的共识，应用更普遍。文秋芳提出的层级模型包含元思辨能力、思辨能力（认知和情感）层次分明，概括全面，内容精简，影响力广泛。
1.3 批判性思维测量
量表测量、质性测量和在线数据测量是批判性思维测量的常见方法。
（1）量表测量
量表测量法能够客观、全面测量学习者的批判性思维水平，加利福尼亚批判性思维技能量表（CCTST）和批判性思维倾向量表（CCTDI）是应用最广泛的测量工具；罗清旭和彭美慈等修订的中文版 CCTST 和 CCTDI 具有良好的信效度；台湾学者叶玉珠等针对中小学生编制了《中小学生批判性思考技巧测验》；李晶晶针对物理学科编订了《物理学科领域中学生批判性思维技能量表》。
（2）质性测量
质性测量主要根据搜集到的文本材料分析学习者的批判性思维水平，具有深入、灵活和情境化的特点。如美国大学测验计划中《推理与交流评价测验》通过受试者的三篇短文和三个讲演来测量其批判性思维水平；恩尼斯·韦尔编制的《批判性思维作文测验》主要是对被试针对给定问题写成的短文来评估其批判性思维水平；休斯等编制的《批判性思维面谈》以会谈的形式评价被试的推理能力和知识水平。
（3）在线数据测量
此方法具有便捷性、过程性和大规模的特点，有助于深入了解学习者批判性思维发展的特点和规律。Garrison 等在网络实践探究模型中，认为认知存在与批判性思维技能有关，包括触发事件、探索、整合、解决四个阶段。该模型可以用来评估在线讨论中学习者批判性思维话语的深度。黄雪娇将修订后的量表用于测量在线教学交互对学习者批判性思维的影响。
相比较而言，量化测量具有客观性、标准化、全面性等优点，但也存在过度依赖分数、忽视个体差异、缺乏灵活性等缺点。质性测量在测量批判性思维时具有深入、灵活和情境化的特点，但也需要考虑其主观性、适用性、资源消耗等方面的局限性。在线数据测量具有便捷性、过程性和大规模的特点，但在数据质量和准确性、技术依赖性上存在问题。当下，仍缺少利用 AI 技术实现课堂场景下学生批判性思维测评的相关研究。
1.4 AI 支持下的课堂测评
如图 2 所示，AI 支持下的课堂测评相关研究以课堂中教师和学生为测评对象，获取师生在课堂中的语音、姿态、表情、生理数据、心理数据和交互数据等；利用语音识别、语义理解等自然语言处理技术，姿态识别、人脸识别等计算机视觉技术，以及多模态数据处理技术，进行课堂行为识别、课堂认知诊断、课堂情感态度诊断和课堂教学过程分析。
图 2 AI 支持下的课堂测评
陈靓影等提出了一种包含认知注意力、思维活跃度和学习情感的三维学习兴趣模型，通过分析学生的表情、姿态和互动信息，预测学生的学习兴趣。王泽杰等利用 OpenPose 算法及 YOLOv3 算法对学生的正坐、侧身、低头和举手等行为进行了识别分析。沈毅等从学生的准备行为、互动行为、自主行为、倾听行为等方面，分析学生的学习状况。王陆教授团队利用语音识别技术，分析课堂教学模式、师生互动和合作学习效果。刘清堂教授提出课堂语言行为智能分析模型，并将课堂 S-T 行为分析应用于教学实践中。杨晓哲等利用神经网络分析模型对课堂中的提问、回答、反馈进行自动编码，实现自动化的课堂对话分类与即时反馈。禹东川基于脑电的认知计算技术，对学生课堂注意力进行监测。
AI 支持下的课堂教学测评在课堂行为识别、课堂认知诊断、课堂情感态度诊断，以及课堂教学过程分析已有不少研究案例。尽管目前课堂测评的数据基础、算法性能等方面仍存在瓶颈，随着 AI 技术的不断发展，AI 支持下的课堂测评以其多模态、全方位、长时序数据处理能力，变革着传统课堂测量与评价方式，课堂测评正朝着智能化、规模化、常态化的方向发展。
2 AI 支持下的学生课堂批判性思维测量
2.1 学生课堂批判性思维指标
为了更清晰地辨别课堂上学生批判性思维在行为、认知、元认知和情感上的体现，本文倾向于选用文秋芳编制的层级模型作为学生课堂批判性思维测量指标。
学生课堂批判性思维指标如表 4 所示，在认知维度上，包含分析、推理和评价三个指标，并按照精晰性、相关性、逻辑性、深刻性和灵活性的标准评价；在情感维度上，包含好奇、开放、自信、正直、坚毅 5 个指标；以及元认知维度。评价等级为 0~4，共 5 个等级。
表 4 学生课堂批判性思维指标
2.2 学生课堂批判性思维激活
问题是课堂教学逻辑的起点，课堂中师生之间大多以问答的形式推进课堂进程。学生课堂批判性思维的激活一般在教师提问或在合作交流中学生提出问题之后，学生对不同问题的回答体现其课堂中的批判性思维水平。教师提问或学生提问作为外部事件刺激，基于学生依据个人事实、信念、假设、价值观等知识基础，调动个人理论从外部事件中搜索信息，建立不同信息之间的联系，进行评价和表达，并不断整合信息建构新的知识基础。学生课堂批判性思维激活模型，如图 3 所示。
图 3 学生课堂批判性思维激活模型
2.3 学生课堂批判性思维计算
在一堂课中学生的批判性思维水平，主要体现在学生对教师提出问题或学生提出问题的有效回答上。学生在问题回答过程中的语言（包含语言内容、语音和语调等），以及回答过程中的姿态（包含表情和姿势等），反映着学生在认知、情感和元认识方面的批判性思维水平。学生课堂批判性思维水平的计算逻辑，如图 4 所示。例如，一堂课中学生的批判性思维水平为：学生对每个问题的有效回答在认知、情感和元认知上的得分之和求平均后乘以问题个数。
图 4 学生课堂批判性思维水平计算
2.4 AI 支持下的学生课堂批判性思维测量技术路径
AI 技术的不断发展，使学生课堂批判性思维的自动化、规模化、常态化、智能化和个性化测量成为可能利用全方位、长时段的多模态数据，来突破传统课堂测评的时间和空间限制。AI 支持下的学生课堂批判性思维测量技术路径，如图 5 所示。
图 5 AI 支持下的学生课堂批判性思维测量技术路径
研究尝试利用计算机视觉和自然语言处理两类深度学习模型，分别分析课堂录像中的图像和语音数据。借助计算机视觉技术，实现对师生教学情况的目标检测和行为分类；通过自然语言处理技术，实现对课堂文本分类和语义理解。通过对学生们在课堂中的认知水平、情感体验和行为表现的分析，实现对以班级为单位的学生批判性思维测量，为学生批判性思维的培养提供多模态、过程性、立体化的数据证据，有助于深入了解学生批判性思维的发展特点，探索学生批判性思维发展的内在规律。
3 结束语
目前 AI 支持下的批判性思维测量仍处于起步阶段，在理论构建、数据采集、技术实现上还有很大的挑战和发展空间。当下 AI 支持下的课堂教学测评在课堂行为识别、课堂认知诊断、课堂情感态度诊断，以及课堂教学过程分析已有不少研究案例，为开展AI 支持下的批判性思维测量提供参考。如何制定不同学段、不同学科的批判性思维评价标准，如何从课堂视频中提取出学生对问题的有效回答，如何实现对学生有效回答的深度理解，都是值得深入研究的任务。
本文原文来自《中国人工智能学会通讯》2024年第14卷第3期人工智能与智慧课堂专题