专业理论 | 人工智能视域下教师教学胜任力的特质与操作模型！
人工智能正在掀起智能教学系统建设与应用的热潮，这对教师的教学胜任力发展提出了更高 的要求。数字化背景下教师的教学胜任力体现为知识学习与整合、技术应用、课堂实施能力、情感态度、 教学意识和教学设计能力六个一级维度上对应的27项特征。人工智能驱动教师的教学在备课、媒体使用、内容呈现、测验练习、作业批阅、考试、学生评价和个性化辅导八个方面转型升级。人工智能视域下教师教学胜任力的操作模型主要包含资源集成中心、智能教学空间和数据处理中心三个功能模块，并由此形成了教学基本环节、数据融入及沉浸式体验三个阶段性回路。在态度、意识和人工智能技术认知等层面，人工智能要求教师具备与技术、智能环境相适应的非操作性教学胜任能力。
一、智能时代重构教师教学胜任力势在必行
2020年初爆发的新型冠状病毒疫情给全国上下带来较大冲击，尤其在教育系统，疫情导致师生不能见面，传统教学模式无法正常展开。教育部提出 “停课不停学，停课不停教”，要求教学活动不能中断。为此，全国开放共享了一大批优质课程资源，一大批优秀的教学支撑平台为教师的在线教学活动提供免费支持，但这对教师的教学能力提出了前所未有的挑战，尤其是对一些较少使用现代教育技术平台和工具的教师而言，如何使用这些教学平台推送资源、如何在虚拟空间开展有效的师生交互、如何有效评测学生的学习状态等问题迫切需要解决。此外，教师所面对的不仅是这些技术门槛，还需更新教学理念和教学方法以支撑学生开展适应性、自主性学习。疫情只是凸显了教师在信息技术背景下发展教学胜任力的迫切性，实则我们所处的智能社会早已对教师的教学胜任力重构提出了要求。
2019年10月，国务院颁发了《新一代人工智能发展规划》，明确提出了智能教育的概念，指出要利用智能技术加快推动人才培养模式、教学方法改革，构建包含智能学习、交互式学习的新型教育体系，要开展智能校园建设，推动人工智能在教学、管理和资源建设等全流程应用。可以看出，智能时代的到来使教师面临新的挑战，重构教师的教学胜任力势在必行。
二、胜任力与胜任力模型的概念解读
“胜任力”在英文上有competence与 competency两种表示，在早期人力资源管理领域它们表示的内涵略有差别，competency是胜任力表现，可以用来了解和识别优秀绩效、行和功能性技能等， 而competence以观察的功能性技能为基础，主要强调整合的功能方面。后来competence与competency的用法日趋相同，在实际应用中没有明显区分。
胜任力模型是个体担任特定角色时所需要具备的胜任特征的总和，它可以被看作是与特定职位要求相匹配的胜任特征集合。
三、人工智能驱动教学转型
目前，人工智能从教师备课、媒体选择、内容呈现、测验练习、作业批阅、考试、学生评价和个性化辅导等八个方面驱动教学转型升级，减轻了教师教学活动中的重复性劳动，使教学更加科学、高效。
（1）备课。目前教育资源建设重复率较高，加重了教师备课压力与教学负担的同时，也造成人力物力资源的浪费。人工智能有望使优质课程资源更便于被获取、传递，破除校际、区域之间的流通壁垒。对于教师备课，教育信息过载的压力能够通过智能技术在一定程度上得以缓解，从而实现智慧备课，减轻教师备课负担。
（2）媒体选择。在传统教学媒体选择方面，教师是技术的被动消费者，技术参与感较低。人工智能驱动的人机关系将转向人机共融层面，多种智能化设备的引入为教师教学提供沉浸式体验，如虚拟教学情境中VR眼镜能够通过手势、头部动作和语音等获得指令，锁定视线内的物品进行识别和分析处理，为用户实时提供相关信息、知识、解答、提示和解决方案服务等，实现与佩戴者行为的智能呼应和交互。
（3）内容呈现。人工智能将在交互式环境中使教师为主导、学习者为中心的教学理念得以真正落实。例如，在物理、化学等包含大量实验的学科教学中， 教师可以采用虚拟仿真实验完成教学并提供指导， 识别并解答学习者的学习迷思，解决抽象化的问题。
（4）测验练习。智能教学系统一般都配套有与课本及与重难点教学内容相适配的教学资源，教师在授课的过程中，可以针对学生的即时反馈选择使用与 教学内容相对应的课堂测验。
（5）作业批阅。客观题答案的标准化降低了机器识别批阅的难度，主观题由于作答者思维方式与表述的差异虽然在短期内无法全面实现由机器识别批阅，但是深度学习与神经网络训练可以使主观题目特征词的提取更加精准，模式化答案可以由机器自动评阅，非模式化答案可以由机器挑出来再交由人工处理。
（6）考试。人工智能为更为便捷地开展个性化教学和差异化考试提供了可能。比如，人工智能可以辅助教师建设题库，按照组卷规则自动组卷，发布考试、收取试卷，使考试过程更加科学。
（7）学生评价。人工智能改变了教学评价中以成绩为主要评价标准的结果性总结，代之以教学过程的生成性数据评测。智慧课堂、可采集学习者数据的智能装备 （如眼动仪等）等实现了机器与教学的智能物联，教学过程中教师与学生的交互行为被完整采集并传输到教学平台的数据中心进行深度挖掘，有助于实现评价的横纵比较与可视化分析。
（8）个性化辅导。人工智能能够帮助教师在优化教学过程中做到个性化辅导。例如，教师可以根据学生的访问、学习行为记录数据，实现行为记录与课件的各种标签的动态匹配过程，为学生提供个性化的、量身定制的学习内容，提高学习效率。
四、技术视角下教师教学胜任力的特质剖析
表1 数字化时代教师教学胜任力特征
根据对国内外教师胜任力特征的剖析与总结， 本文基于改进的冰山模型，从显性与隐性教学胜任力两个层面将数字化时代教师教学胜任力归纳为知识学习与整合、技术应用、课堂实施能力、情感态度、教学意识和教学设计能力六个一级维度，合计27项特征，详见表1。
五、人工智能视域下教师教学胜任力操作模型
图1 人工智能视域下教师教学胜任力模型
（一）教师教学胜任力操作模型
教师教学胜任力虽然可以用一系列的特征集来阐述其内涵，但胜任力终究要体现为教学过程中教师的具体行为或操作。本文中，教师教学胜任力操作模型的构建基于传统课堂教学中课前准备、课堂实施、课后辅导及形成性评价四个环节，引入了资源集成中心、智能教学空间和数据处理中心三大功能模块，并构建了智能教学时代教师教学胜任力的三个阶段性回路：教学基本环节回路（圆角矩形框①）、数据融入回路（圆角矩形框②）、沉浸式体验回路。图1从教师教学流程的视角展示了智能时代教师教学胜任力的操作性要求。
1、模型组件分析
教师教学胜任力操作模型的核心仍然是备课、教学、评价及课后辅导四个基本环节，形成性评价贯穿于整个教学活动中，操作模型中的资源集成中心、智能教学空间和数据处理中心及内部组件是人工智能视域下教学胜任力操作模型的特有内容。
第一，资源集成中心。主要服务于教师的课前准备阶段，内置多媒体适配库与语料库。多媒体适配库满足教师对文本、图片、音频和视频等不同媒体资源的需求，语料库对教师教学语言的组织、演练与表达提供支持。
第二，智能教学空间通过人机交互接口对教师教学实施过程性数据进行采集、记录、存储与上传。数据生成记录组件与环境感知识别组件依赖于感知智能与认知智能的发展。
第三，数据处理中心的数据挖掘分析与智能算法是实现反馈与自适应功能的基础，主要包含数据分析组块和元数据库。数据分析组块封装了数据挖掘分析功能模块，将从智慧教室、教师面板和交互式电子白板等不同智能教学空间及教学过程中的讲授、提问、讨论等课堂环节中收集到的结构化与非结构化多模态数据输入数据处理中心后，由相应的数据挖掘分析功能模块统计、量化并以可视化方式反馈给教师；元数据库中嵌套了学习者模型、知识模型及教师模型的元数据，师生交流过程中的数据属性如学习者风格、教学资源偏好和教师教学风格等存储于元数据库中，数据分析组块据此可以提供与教师、学生和知识风格偏好相一致的资源信息。
2、三个阶段性回路
重构教师教学胜任力的操作性条件要以不同阶段教学特征回路为过渡，形成人机协作基础上教学过程的良性循环。
一是教学基本环节回路。在图1中对应序号①所框定的圆角矩形区域，它代表了教师在教学中不依赖于任何数字化与智能技术所必需的教学基本环节。课前准备、课堂主导及课后辅导是最为常见的教学程序，三者呈现依次单向传递关系。随着对教学设计中评价的强调，诊断性评价、形成性评价与总结性评价成为教学的第四个基本 环节。
二是数据融入回路。即引入资源集成中心与数据处理中心的阶段性回路，对应图1中序号②所框定的圆角矩形区域。资源集成中心将丰富的网络与校际教学资源集成匹配给教师用于教学过程，教学过程中的备课、媒体选择、内容呈现、测验练习、作业批阅、考试、学生评价及辅导活动中的言语、行为数据流向数据处理中心。智能算法分析挖掘后，数据一方面通过形成性评价用于调整教学行为，另一方面关于教师、学生与知识的元数据被存储于数据处理中心的元数据库中，为资源集成中心提供更加精准的资源适配依据。
三是沉浸式体验回路。这是智能时代达到人机共融、智能教学的高级阶段，真正实现了教学信息在四大教学基本环节与三大功能模块中的多向流动，联动智能教学空间模块意味着教学全过程被置于自然大数据环境中，任何过程性数据均可以被智能教学空间所捕捉、识别、标记、记录与分析存储。需要强调的是，沉浸式体验阶段突出教学过程与智能教学空间的无缝对接，当前语音、图像和表情动作等的识别准确度与速率在一定程度上仍受限于智能机器的神经网络训练程度。
（二）教师教学技能的操作性要求
人工智能的发展将有效支撑人机协同，会催生以学生为中心、强调 个性化和沉浸式体验的多种新型教育形态，需要教师对智能教学过程具备切实的技术转化和应用能力，具体而言包括如下八个方面：
（1）充分运用知识代理简化资源筛选过程，以人工智能与课程教学内容的深度整合为原则，实现智慧备课；
（２）不囿于传统PPT等媒体形式，能够根据课堂内容与教学环节 恰当融入智能设备或引入虚拟实验等，丰富媒体呈现形式；
（３） 突破传统的讲授式，适当引入MOOC、STEM、游戏化教学等形成混合教学模式；
（4）改变知识的单向流动，结合恰当的社交媒体、教学平台等构建师生之间、生生之间的交互网络并形成数据记录；
（５）使用与教材相配套的系统化测验，科学规范课堂测验过程；
（６）利用诸如作业批改网等教学辅助平台发布、批阅作业，能够看懂、诊断并掌握机器批阅后学生的作业情况；
（７）根据日常教学中学生的电子档案及教学过程性数据，有针对性地因材施教，并根据客观数据考评学生的纵向发展；
（８）能够为学生推荐合适的课后资源与平台，辅助学生完成课后的个性化自主学习。
（三）实现教学胜任力重构所需要的非操作性要素
图1所示的教师教学胜任力操作模型中隐含了教师在教学过程中可调整的行为操作，通过对其构成组件、阶段性回路的分析，能够显示出教师将技术融入教学所应具备的八条技术转化应用能力。但在态度、意识、AI技术认知等层面，人工智能仍要求教师具备与技术、智能环境相适应的非操作性教学胜任能力。
（1）以积极开放的态度接受人工智能技术在教学中的应用。智能化的技术与装备引入教学，这对技术基础薄弱的教师来说意味着需要耗费更多的时间和精力训练、习得新的技术工具。因此，教师要形成正确认识，能够拥有较高的技术接受度，使人工智能技术切实服务于提高教学绩效。
（2）切实建立起强烈的资源意识和数据意识。图1标明的数据处理中心和资源集成中心意味着教师需要摆脱对传统教材的单一依赖，能够根据课程标准和素质要求为学生选择更为合适的教学内容，这除了要求教师具备信息检索与加工能力之外，还需要教师从根本上建立数据与资源意识。
（3）在技术认知方面，教师首先应具备人工智能概念性知识以及常见的人工智能技术工具应用等通识知识。人工智能应用于教学有望成为解决教师信息化焦虑的重要方式，因为AI技术能代替教师完成大量重复性教学活动，教师有望获得更多的时间和精力从事于教学创新。可以预见，未来教师角色会越来越多地出现精细化、个性化的分工。
此外，人工智能时代大量教师与学生的身份信息与行为数据等通过网络平台进行流动与存储，这带来了隐私泄露的隐患，尽管区块链技术作为一种新型信息加密手段，可以保证数据在网络传输过程中的私密性，但是网络安全不容小觑，教师应在享受智能平台、工具等提供的数据收集分析便利的同时，加强自身及学生对保护网络 隐私安全的意识，保障智能化教学系统的健康运行。
参考文献：[1]陈凯泉,沙俊宏,郑湛飞,姜永玲.智能时代教师教学胜任力的特质与操作模型——对抗疫时期在线教学的思考[J].教师教育论坛,2020,33(04):16-20.
特别声明：转载仅是出于传播信息的需要，作者如果不希望被转载，请与我们接洽。