基于人工智能的课堂行为画像与教学诊断
基于人工智能的课堂行为画像与教学诊断
随着人工智能技术的快速发展，其在教育领域的应用日益广泛。本文探讨了基于人工智能的课堂行为画像与教学诊断，从传统课堂教学行为分析方法的不足出发，阐述了人工智能技术在教育领域的应用前景，并详细介绍了基于教学事件模型的课堂画像构建方法及其在教学诊断中的应用案例。
大数据、用户画像等智能技术，为动态跟踪和刻画课堂教学行为的特征与规律提供了新思路新方法。本文所提出的课堂教学行为画像（简称“课堂画像”），即通过自动收集与分析课堂教学的全过程、全方位、多模态数据，构建反映教学活动与行为全貌的动态模型，以揭示教学过程中的关键特征和潜在规律。
课堂教学分析的基本发展历程
课堂教学分析作为教育研究领域的一个重要分支，其发展经历了从定性观察到定量评估，再到智能技术辅助综合分析的演变过程。课堂教学分析的起源可追溯至 20 世纪初，早期的方法主要依赖于观察者对课堂活动的简单观察和记录。
20 世纪中叶，随着行为主义心理学的兴起，课堂教学分析开始关注可量化的教师行为和学生反应，研究者大多通过设计标准化的课堂观察工具来量化教学活动。目前国内外相对成熟、应用较为广泛的教学行为分析框架主要有弗兰德斯互动分析系统（FIAS）、S-T（student-teacher）分析法、基于信息技术的互动分析系统（ITIAS）、基于课堂教学活动的课堂教学行为分析系统（TBAS），以及 1:1 数字化环境下课堂教学互动行为编码体系（OOTIAS）等。
进入 21 世纪，现代信息技术的飞速发展为课堂教学分析带来了革命性变化。以人工智能和物联网技术为基础搭建的数据采集体系，可实时捕获课堂中师生全方位的多模态行为数据，为刻画师生课堂表现、理解教学过程、挖掘教学行为与教学效果之间的规律提供了新思路。
基于教学事件模型的课堂画像构建
回顾课堂教学行为分析的发展历程发现，一是大多研究仍侧重在真实课堂或教学录像中以传统人工量表编码的方式进行课堂教学数据的采集与分析，且较多关注教学过程的师生言语数据，这种方式不仅效率低下，也存在行为分类粗粒度、人工编码非客观性、教学活动非连续性等问题；二是尽管一些研究开始尝试建立智能化采集与分析课堂教学行为的方法，但其往往停留在对教师语速、提问频率、应答次数等客观数据的统计层面，而对教学过程及行为的深层次意义解释方面尚显不足，导致课堂教学诊断长期存在高期待与低效用的矛盾现状。
为突破上述瓶颈问题，在 2022 年科技部国家重点研发专项“农村地区教师教学能力智能评测与教学精准辅助技术研究”支持下，我们致力于探究真实课堂情境下基于关键教学事件的课堂画像智能化构建方法，实时追踪教学的发生与发展过程，其实现逻辑如图 1 所示。首先基于课堂数据采集终端实时获取课堂教学的图像、语音、设备操作等多源数据；然后构建算法模型识别关键教学事件并对其序列进行教学语义特征表示，通过画像建模技术智能化生成课堂数字画像及分析报告。
在多源数据融合视角下，首先综合考虑师生行为数据、言语数据、板书数据、技术操作数据等数据类型的教育价值性、时序波动性、量纲差异性、状态关联性等特征，明确时间窗口下的课堂画像数据标准，建立多源数据与教学行为的映射与表征方法。其次，在整合加涅教学事件模型，以及上述5种教学行为分析框架的基础上，我们提出了“教学事件 - 行为 - 动作”的三级映射关系（见图 2），其中教学事件包括创设情境、讲授新知、练习测评、探究活动、组织管理、其他共 6 个事件，教学行为包括教师讲授、教师提问、书写板书、走下讲台、多媒体操作、学生听讲、学生应答、学生站立、学生举手、学生伏案共 10 个行为，动作则为图像及语义层面识别的特定模式，不具备教学信息。通过“动作 - 行为”“行为 - 事件”的层级映射，实现抽象数据向有意义教学信息的有效转化。围绕“数据采集—画像建模—画像输出—报告生成”的基本构建流程，以小学语文课堂为例生成课堂数字画像，剖析课堂画像各组成要素的基本特征，实现课堂画像生成与解读的完整闭环。
基于课堂画像智能诊断的应用案例
结合上述课堂画像的构建思路，已初步完成了课堂画像智能诊断系统的开发工作，实现了由“动作”到“教学行为”的精确映射，并小范围开展教学实验评估基于教学事件模型构建课堂画像的可行性、有效性与适用性，平台页面如图 3 所示。 首先，为清楚区分师生行为的差异性，将教学行为进一步拆分为教师行为和学生行为两个类别，教师行为包括教师讲授、教师提问、书写板书、走下讲台、多媒体操作，学生行为包括学生听讲、学生应答、学生站立、学生举手、学生伏案，并新增关键词类别丰富具体行为所对应的教学知识信息，由语音转文本后进行高频词统计获得。 其次，以 1 分钟为时间切片将整堂课分割为多个教学片段，进而形成了“一轴三轨模型”的画像可视化呈现方案： 以时间轴作为贯穿课堂活动的中心线索，以关键词、教师行为、学生行为三个并行轨道共同刻画教学活动的全景图。 实验证明，基于教学事件模型构建课堂画像的基本思路是可行的，且该系统在识别教学行为模式和提供实时反馈方面展现出了显著的潜力。 未来将进一步结合行为序列分析设计“教学行为”到“教学事件”的映射机制，丰富教学情境信息，增强课堂画像在教育学领域的解释力和应用价值。
结束语
目前课堂画像的研究工作还处于起步阶段，未来还有很大的研究和发展空间。现有的对课堂教学行为分析的研究主要集中在借助技术手段提升行为分类与统计效率层面，缺少深层次教学指导意义，因此上述课堂画像构建思路以教学事件作为突破点，尝试绘制课堂教学过程的全景图，揭示真实课堂教学过程的潜在模式和规律。未来可进一步提升行为识别的准确性，以及如何更有效地整合课堂环境、教学策略等多维数据，以构建更为丰富和准确的课堂画像。随着研究的不断深入，课堂画像有望实现从单一的数据分析向综合决策支持系统的转变，不仅能够为教师和学生提供即时反馈，还能够为教育管理者提供宏观层面的教学质量监控与改进建议，有助于构建一个更加智能化、个性化和高质量的教育生态系统，为实现教育数字化转型提供强有力的支持。
本文原文来自中国人工智能学会