人工智能支持的教师课堂教学行为分析

打开文本图片集

摘要：随着信息技术、人工智能和大数据在各行各业的应用越来越广泛，智能化的课堂教学行为分析成为研究热点。国内外关于教师课堂教学行为分析的研究主要集中在 MOOC、 SPOC等在线教学中，而目前的主要课堂教学形式仍然是以线下课堂教学为主。当前，线下课堂教学评估仍处于“现场教师点评”的初级水平，而 AI技术则打破了传统与信息化课堂教学行为的限制，使教师的分析更加智能化;从而使教师的课堂行为分析更加准确、全面和真实。本文分析了基于人工智能技术的教师在课堂上的行为分析发展、困境，提出基于人工智能技术的教师课堂行为分析的发展研究趋势。

关键词：人工智能;多模态数据;课堂教学行为分析;

一、问题的提出

课堂教学行为的研究主要是对教师与学生在教学情境中的显著特点进行剖析，总结出其深层的特点，如：教师的行为类型、行为的活跃度、转化率等。但在当前的课堂教学分析中，仍然广泛地运用了人为的方式，在一定的时间间隔后，组织分析者对教学的内容进行观察和剖析;通过对教师的主观体验，可以看出教师在课堂上的表现，从而对教师课堂行为进行分析、评价和改进。

随着人工智能技术的兴起，数据的开发与使用，也越来越受到重视。在教育方面，人工智能已经取得了巨大的成果，使得课堂上的行为资料更加全面、易获取、多向性。特别是随着模态传感器成本低、识别率高、数据处理和分析手段日趋成熟，多模态学习分析技术的发展迅速，使相关研究者能够有效地从教学环境中获得海量的资料，从而为教师课堂教学行为的分析提供了有力的支持。利用人工智能技术进行课堂教学行为分析，使得分析手段更自动化、智能化，极大地减轻了人力、脑力的负担。但从目前的科技发展来看，人工智能并不能完全取代人类的大脑，特别是人类的创造性。

二、教学行为分析方法概述

（一）教学行为分析方法的起源与发展

针对教师课堂教学行为的研究由来已久，在教育界已成为一个热门课题，而对其进行深入的研究则是进行教学分析的一个重要依据。当前，对教学行为的研究有两大类，即：教学行为的归类和编码，以及对教学行为的定量分析。教学行为分类和编码是将教学行为归类并进行编码的一种方式，主要有弗兰德斯分析法、它的衍生和 TIMSS法。弗兰德斯分析法和它的衍生物分析法是1963年弗兰德斯发明的弗兰德斯交互分析系统，它确定了课堂上的师生的语言行为，弗兰德斯的缺陷是过分强调教师的课堂行为（7种），而忽略了学生的行为（2种）。针对不同情境下不同学科的课堂教学行为，国内学者提出了不同的分析体系。2004年至2016年，针对不同的教学情境，顾小清、方海光、穆肃、张屹、蒋立兵将 FIAS的行为模式进行了进一步的划分，分别提出了以信息技术为基础的交互分析代码系统（ITIAS）、改进的弗兰德斯交互分析系统（IFIAS）、面向信息化教学环境的课堂教学行为分析（TBAS）、“智慧教室”环境下的课堂教学行为分析（CTBAS）。郑长龙针对不同的课程，提出了 CPUP的化学教学模式。刘向永根据英语的特点对 IFIAS进行了改进和改进。TIMSS算法比弗兰德斯交互式分析更加详细，并将教师的语言行为分为三个层次。在获得了课堂教学行为代码之后，运用定量的教学行为分析方法对教师的教学行为和教学过程进行了定量的分析。教学行为的定量分析包括S-T教学分析、时序列分析、分类分析等。S-T教学分析法是以数据采集的形式，将课堂上的师生的教学行为量化成教师的行为、学生的行为，再以数据图解的形式，简洁、直观地体现了课堂教学的定量和分析。时序分析是一种对教学活动进行时间维度的统计分析，以归纳出教学过程的规律。从上述的研究和分析可以看出，当前的教学行为分类系统中缺乏对行为的视觉和听觉的精细处理，难以将其与人工智能技术相结合。

表1  教学行为分析方法一览表

阶段分析方式代表性研究传统课堂教学基于相关量表对课堂中的教学行为进行手工编码记录，再进行计算分析。弗兰德斯互动分析系统（FIAS）S-T分析方法信息化教学融入信息技术特征的编码系统，开发和引入课堂教学行为分析软件基于信息技术的互动分析编码系统（ITIAS）课堂教学行为分析系统及系列分析方法（TBAS）基于质性分析视角的课堂教学交互行为研究课堂教学行为采集与分析软件智慧教室基于多源数据及智能算法，从多种教学行为切入开展识别模型的构建及分析方法的研究，自动化、智能化采集和分析数据利用移动传感器的 EEG 信号识别人类注意力的程度自动化课堂学习参与度识别器基于人脸检测与表情分析的课堂教学评价系统学生学习参与度识别模型

（二）教学行为分析的应用局限

教师课堂教学行为分析研究存在着三个方面的局限性：一是，研究范围广泛，研究对象的数量受到人为因素的制约;二是，采用时序划分的电脑技术，忽视了教学行为整体化的特点，教学活动是由多个有意义的教学活动单元组成，而在教学活动中，教师和学生在非言语行为中的教学姿态、言语行为中的教学意蕴丰富，仅采用时序分段的电脑技术不能满足教学中多类型教学行为分类与分割的需求;三是，在传统的机器学习方法中忽略了对具体的教学行为进行分类。

（三）基于人工智能的教师课堂教学行为分析

教师课堂教学行为的数据既包括教师行为、学生行为以及学生之间的交互行为，也包括教学内容、教学情境、学生情绪的改变。随着计算机技术逐步渗透到实际生活中，自动化、多源化地采集到教室中的行为分析得以实现。对于大量、多模式的教师课堂教学行为，研究人员可以利用合适的机器学习方法进行数据化，探究其行为模式、行为规律、行为习惯等，从而帮助研究人员分析学习过程，理解学习结果，并使学习情境得到最优。随着人工智能技术和教学的深入结合，我国的教学信息化建设也已初见成效。例如，利用自然语言进行智能教育，可以有效地处理和解析学生的非言语交际方式，从而提高了人与人之间的互动能力;该系统采用人工智能、多模态大数据等技术，可对学生的学习状况、学习内容进行即时追踪，实现个性化的学习模式;这样才能更好地培养学生的个性发展;由于5 G的高科技，可以更好地实现实时 VR/AR/MR与远程教学，实现教学的个性化与情景化;物联网技术、云计算技术、可穿戴设备、人工智能技术等技术的应用，使课堂教学信息的收集与分析变得越来越智能化。

三、人工智能支持的教师课堂教学行为分析发展困境

（一）常态化应用困难

随着低成本的可穿戴设备、无线传感器、物联网设备的不断发展，为基于多模式的大数据支撑的课堂教学行为进行研究提供了新的机会。但是，基于多模式的大数据支撑的课堂教学行为分析还不够完善，很难达到标准化、规模化。

然而，对于多模式教室的行为分析，还面临着大量的问题，例如：信息采集粗糙、过程分析难以深入、结论反馈不到位等。主要原因是由于多模式资料的复杂性和多样性，如果没有一个精密的计算和分析模式，就会导致资料的不精确和毫无价值，现有的资料处理模式无法弥补低层次资料与高层次结构资料的差异;各模式具有各自的词义解释，其语义内涵也不尽相同，因此，评价模式很难将它们结合起来。

加强对课堂教学的多模式大数据的研究，有利于推动多模式大数据技术与教学实践的深入结合，进一步健全和发展课堂教学行为的理论，从而使课堂教学的分析更加具有科学性和实效性;它可以更精确地引导学生的学习，并为评估和改进课堂教学的有效性提出了新的观点和观点。在未来的课堂教学中，将会有物联网，人工智能，云计算等技术进行整合;通过大数据分析和学习分析等方法，促进了对多模式大数据应用于课堂教学的研究。运用多模式大数据进行课堂教学行为的研究已经形成了一种常规，需要经过技术发展和实际应用的验证。

（二）技术支持不足

利用适当的分析手段，可以从多个方面对学生的教学行为进行定量分析，并将其与网络学习系统有机地融合起来，使得分析更加智能化和深度化。但是，现实生活中的“现场”和“线下”的“面对面”是一种较为复杂的“现实情景”，使得“课堂”的行为难以进行有效的解析;同时，在教学理念、教学模式和资源体系等方面，也都在不断地进行着与之相关的研究。一方面，学生个人的资讯科技能力是否能够支撑学生在教室中全面地使用知识的能力;另一方面，由于使用了 AI技术，提高了学生的信息素养、教学能力和数字化教学能力，使得老师难以在智能环境中进行自主学习，从而给老师带来技术上的压力。

技术层面上，以计算机技术为支撑的课堂教学行为，构建了课堂教学行为的数学模型，在此阶段，教师在课堂上的评价是影响学生学习的重要因素。然而，现有的人工智能技术应用与发展的专门人才中，缺乏具有良好技术和教学资料模型能力的专家，使得其在教学中的应用还不够完美。同时，现有的多模态数据的自动采集和处理技术还没有完全发展起来，利用各种技术对多种模式数据进行高效整合，实现跨媒体互动和跨媒体的学习，是当今计算机辅助下的一项急需解决的技术难题。面对着这些实际问题，人工智能技术在教育领域的实际运用是一条长期而又充满着挑战的道路。

（三）安全伦理问题

人工智能技术为教育和教学提供了方便，但也必然会带来信息安全、伦理道德等问题。在人工智能教育中，学生的认知与投入是最重要的，它的应用场景包括：课堂参与度评价、课堂互动分析;对学生的学习行为进行了分析，并对其进行了研究。通过使用可穿戴装置，采集学生的行为、情绪、表情等信息，充分发挥学生“智慧”的作用，从而实现学生在教学中的“主体”。但是，只有人类可以自由地进行自觉的活动，人工智能却没有这样的自觉行为，所有的“智能”都是依靠学习过程中所遗留下来的“数字足迹”。

随着人工智能技术的深入，师生之间的海量基础信息、兴趣偏好、智力水平、情绪交流等信息被挖掘、分析、整合、共享与运用，让教师与学生之间的关系更为“透明”。数据由谁来处理，是否可以共享，数据的使用是否为商业化，都将成为发展的必然趋势。此外， AI全面提升了个人信息获取，在信息技术的普及下，没有任何可以隐藏的地方，使得他们心中的恐怖无限扩大。人工智能不但没有使人类获得解放，反而使人类逐步成为“被实践”的客体。在运用数据与人工智能时，必须小心谨慎，不应该把教师和学生完全数据化，也不应该失去“以人为本”的理念。

四、人工智能支持的教师课堂教学行为分析发展

在智能技术不断发展的今天，对教师、学生进行智能课堂教学的行为进行研究，是今后教师评估的重要方法。与以往的课堂教学相比，智能课堂教学的行为分析具有如下发展趋势：首先，从传统的人工记录和数据收集逐渐向采用计算机辅助的计算机辅助数据进行系统的自动收集;第二，收集到的资料由原来的教室师生行为延伸到师生行为、言语和面部表情的融合;第三，由手工绘制到自动的分析和运算;第四，从模式构造和识别演化到了智能模式的深度学习;第五，评估的内容是教师和学生的外在语言行为（例如出勤率、就座率、互动率）。

目前，教师课堂教学评估技术已经取得了突破性进展，但相关研究学者也开始重视各个模式的多元整合。首先，将多维、多维的技术方法有机地结合起来。结合视觉、听觉、听觉和听觉等多种形态的信息，结合教师的教学评估，结合计算机视觉、语音识别、深度学习和深度学习，以及物联网、 VR、数字孪生;主要是以全息投影等技术进行融合。

其次，要充实教师的课堂评估。从系统理论上看，教师的教育活动应该是由作为主体（师生）、与其有关的（或间接）的要素组成的，它反映了教育活动中的多种明、暗的活动。在教育中，要使教师的潜意识完全参与进来，才能确保教育的质量。目前教师的课堂教学行为评估主要集中于教师外在的言语行为表现，对教师的人格魅力、道德价值、情感等一些隐性因素的研究甚少，这也是今后智能教师评估工作的主要目标和发展趋势。

再次，重新构建教师课堂教学评估的指标体系。目前，课堂教师的教学评价更多地侧重于言行、互动表现等方面的具体指标，而缺乏对教师课堂教学评价的总体构建，如教师课堂评价的指标构成、师生表现等评价指标的权重、各评价指标的相关性影响因素、信息技术融合后的作用、教师与技术的交互等问题。

教师的教育实践注重培养学生的能力，而教师的职业发展则注重学生的自我教育。它的本质是利用 AI技术，使教师的专业化发展回到“育己”的本质上，从而推动“人”的发展。要从政策、技术、师资等多方面着手，构建“教、研、训”相结合的发展系统，并以教师的动手能力生成为目标，使教师在职业创新中的自我价值与社会价值的内在结合。

参考文献

[1]赵刚，朱文娟，胡碧灵，等. 多维度特征融合的教学行为智能分析模式构建[J]. 电化教育研究， 2020， 41（10）： 36-44.

[2]刘清堂，何皓怡，吴林静，邓伟，陈越，王洋，张妮.基于人工智能的课堂教学行为分析方法及其应用[J].中国电化教育，2019（09）：13-21.

[3]National Science and Technology Council.The national artificialintelligence research and development strategic plan[EB/OL].https：//www.nitrd.gov/news/national_ai_rd_strategic_plan.aspx，2016-10-20.

本文为2019年湖南省教育厅资助科研项目（19C0412）研究成果。