孙 众，吕恺悦，骆力明，陈美玲，许 林，施智平
* 本文系国家自然科学基金项目“基于人工智能的课堂教学交互分析关键技术研究”(项目编号：61977048)阶段性研究成果。
引用请注明以下信息：
孙众,吕恺悦,骆力明,陈美玲,许林,施智平.基于人工智能的课堂教学分析[J].中国电化教育,2020,(10):15-23.
课堂是教育教学改革的主阵地，课堂教学分析是提升课堂教学质量的重要依据。上世纪70年代，课堂教学量化分析迎来一轮发展高潮，相继出现了S-T师生行为分析、Flanders(Flanders Interaction Analysis System)言语交互分析、古德和布罗菲的双向互动系统、卡兹登的课堂言语IRE序列(Initiation-Response-Evaluation)等为代表的研究方法。尤其是S-T行为分析和FIAS言语分析法问世后，以课堂教学视频为主要研究对象，采用“时间取样法”，由人工编码量化师生的行为和言语交互，成为课堂分析的代表性方法。但是以FIAS与S-T为代表的分析技术，存在着相似的困境：过度依赖专家、编码复杂、分析低效。以一节40分钟的课为例，S-T法按15秒来切割行为，FIAS按3秒来切割言语，会产生160个或800个编码，且只能由经过培训的研究人员进行手工分析，费时低效。近年来有多国学者对FIAS加以改进，开发出了相应的技术分析工具，甚至改造编码体系，来提高分析效率。比如基于FIAS的分析软件，可以在研究人员手工输入编码后，自动生成师生言语比率和学生课堂参与率的动态特征曲线[1]，也有学者提出基于信息技术的互动分析系统(Information Technology-based Interaction Analysis System，ITIAS)等改进版FIAS编码[2]，以及支持改进版FIAS的分析平台[3]。但总体来看，课堂教学交互分析还处于人工编码、工具统计的技术路线中，在研究思路和效率方面，均未能取得突破性进展。上世纪末，随着人种志研究对教育领域影响加深，从质性研究角度对课堂事件行为进行记录和解释，进入到课堂教学分析的视野之中。布拉姆菲尔德和米勒等人提出的趣闻逸事记录、进展纪录法，日本佐藤学提出的课例研究法(Lesson Study)、我国学者王鉴提出的课堂人种志方法等，均是通过分析课堂现象原始纪录的参与性观察，对课堂教学内容、师生交互行为等课堂教学事件，进行观察记录和意义解释的质性研究范式。加涅根据人类认知机制，提出课堂教学中的九大教学事件，成为教学设计学科的重要理论基础。在此之后，以教学活动或教学事件为切入点，成为课堂质性分析的常见分析思路。例如以色列学者提出课堂观察六棱镜框架，是以学习任务和教学活动为对象[4]；TEAMS象限编码，是分析课堂中11项教学内容和学生表现[5]；我国学者提出的关键教学事件分析[6][7]、课堂切片诊断[8][9]等均以教学事件为分析单位。然而已有的研究方法，无法对以下问题给出令人满意的答案：以“时间取样”为主的量化分析，指标繁琐僵化，标准化分析偏于复杂，费时费力，效率较低；以“事件分析”为主的质性分析，主观性偏强、对分析者专业水平要求高、规模化分析能力弱等。经过半个多世纪的发展，课堂教学分析的重要地位已得到了教育界的普遍认可。进入到20世纪90年代，一些大型的教育质量监控体系将课堂过程变量纳入到分析范畴之后，课堂教学交互研究就不只服务于课堂本身，而是进入教育体制问责、人才培养质量监控体系中，并开始应用于项目评估、政策干预、国际比较等方面[10]。寻求大数据、人工智能等技术支持，实现高效率、智能化、规模化的课堂教学研究，成为时代发展的必然诉求。近年来，人工智能开始将教育作为重要应用领域之一[11]，已经形成了跨学科的新兴研究领域：教育人工智能(Artificial Intelligence in Education，简称AIED)。比如Springer New York于2013年创办的教育人工智能学术期刊International Journal of Artificial Intelligence in Education，从创办初期的关注用户界面、人机交互等主题，发展到近几年关注课堂教学环境中的自然语言理解、众包评价等研究[12][13]。2017年Nature杂志子刊Nature Human Behavior，发表了基于人工智能评估学生课堂学习表现的研究成果[14]。人工智能教育领域国际学术会议AIED，将课堂学习中的交互活动序列和对话交互的分析与表征，作为2019年芝加哥会议议题之一。国际上已有运用人工智能技术辅助课堂教学的多项成果。例如基于自适应技术，根据学生学习兴趣推荐个性化的智能教学系统[15]，基于推理模型推测学生人格特征的学习系统[16]，根据认知与元认知序列探究隐性知识掌握情况的智能教学系统[17]，以及基于感知数据、实现自适应学习的移动学习同伴系统[18]等。我国学者在基于人工智能的课堂教学分析方面也开展了多项颇有成效的研究，如基于地图的教育大数据可视分析方法[19]、课堂教学视频智能识别系统[20]等。由此可见，课堂教学分析已开启了融入人工智能的探索之路。
当前人工智能技术虽已进入第三次发展浪潮，但总体来看，仍处于弱人工智能阶段[21]。而且，已有课堂教学分析理论和方法，也需要时间进行转化与完善，才能较好地发挥人工智能技术的作用。因此基于人工智能的课堂教学分析，很难一蹴而就，需要经历相当一段时间的进化。总体思路是先由人类专家完成课堂教学中的全部量化和质性分析，再通过机器学习算法，承担其中复杂繁琐而低效的量化分析工作，再由人类专家根据分析结果，发现课堂教学新特征与新规律，并对应提出教学改进机制与策略。具体路径如图1所示。
1.全人工分析阶段
传统课堂教学分析里，无论是时间取样为代表的量化研究，还是事件分析为代表的质性研究，虽然研究思路不尽相同，但共性是由人类专家承担全部工作。随着计算机视觉、自然语言理解等技术迁移至教学场景，可以在S-T行为分析、Flanders言语分析等较为成熟稳定的量化分析中，把动作识别、语音识别、语音转换文本等规则化、可计算的工作，交由弱人工智能完成，部分替代传统分析里耗时最多的人工编码和机械统计。技术发展到强人工智能阶段时，不仅可以把行为交互、言语交互等工作，全部由计算机批量完成，还可以把教学活动识别、教学事件归类、言语情感分析、事理判断等部分质性分析，交由强人工智能技术完成。此阶段，课堂分析中的量化和质性分析可全部由计算机完成。借助于机器分析结果和挖掘出的课堂教学新特征和新规则，人类专家可专注于提炼课堂教学问题，发现教学智慧，提出课堂教学改进策略与机制，再把新形成的特征与策略配对后，返送到计算机，持续迭代优化，达到人机协同分析的理想阶段。至此，基于人工智能的课堂教学分析系统，会具备客观性、准确性、规模化的分析能力，以及从数据中发现新规律，反哺教学改进，帮助人类教师形成课堂教学诊断与洞察能力，完成如图1所示的人工智能协同课堂教学分析进化历程。虽然目前人工智能技术仍在发展初期，但是教育界多是对新技术持开放与主动适应的态度，并呈现出越来越紧密的人工智能融合教育的发展趋势[22][23]。基于人工智能的课堂教学分析，正在进入课堂教学主场景，积极探寻新的解决方案。
基于人工智能的课堂教学分析框架，要有多源数据支持的教学案例库、文本视频为主的分析维度集、教学事件分析与时间取样相结合的多元分析方法组合而成，如图2所示。
1.建立教学案例库
课堂教学，不仅指在一课时里的全部师生活动，还包括由课前教学设计、课中现场生成和课后反思改进组成的教学连续体。课前设计是教学实施的预设骨架，教学设计方案成为常见的表现形式；课中现场生成是教学的灵魂，常以课堂录制的视频形式，或转换成课堂实录文本的形式加以记录；而课后的个人教师、集体评课以及专家点评是镜子，用以帮助教师提升课堂教学能力。单纯分析其中的一种形式，例如课堂视频，有可能出现“完全依靠观察者所建立的外部框架”[24]，使得听课者无法充分理解教学思路，限制了课堂分析的有效性和可靠性。因为孤立存在的教学设计方案或视频，就像“一幅快照，因为它被剥离于真实情境之外，因此只能提供有限的信息”[25]，因此包括了课前的教学设计方案、课中的教学视频或实录文本、课后的教学反思和评语等，才能构成较为完整的教学案例，进而汇集有意义的、成体系的课堂教学案例库，成为后期人工智能参与分析的资源储备中心和数据聚合中心。人工智能技术在课堂教学分析中发挥更大作用的前提，是教育界已在课堂教学分析中已形成了较为成熟的研究基础。对于课前的教学设计方案编写，常会从教学目标编写是否规范合理、学习者特征分析是否明确、教学各要素之间是否存在系统性关联等方面进行整体分析。教学目标编写得是否恰当，可从行为动词、情境信息[26]和叙述方式[27]等角度出发；学习者特征分析得是否合理，可从知识背景、认知水平、策略方法和主动意识等维度加以分析[28][29]；课堂教学整体设计，可以从教师的知识和经验、学生需求、教学内容、教学方法和手段五个维度展开评价[30][31]。对于课中的教学实施，多会通过现场观察或教学视频编码，从师生行为、言语和教学事件等维度，分析课堂教学模式与特征。如S-T法分析师生的行为交互分；Flanders法分析师生言语交互；ITIAS法同时分析课堂行为和言语；关键事件法、课堂切片法则是分析教学事件[32]。这些都是较为成熟的分析维度。对于课后的评语和反思，可从教学价值、教学实践和教学环境等维度分析教学反思内容[33]，从情感、认知、元认知等维度分析教学评语[34]等，还可以从教学实施效果、教学设计与实施的差异等方面加以分析。虽然不存在适用于所有课堂的通用或唯一分析方法，但是整理出课堂教学分析目标和分析方法的维度集，会为人工智能技术施展所长奠定基础。可用于课堂教学分析的资源里，教学设计方案、教学反思、评语多以文本为主，课堂教学实录多以视频为主，因此文字和视频是课堂教学分析资源的主要格式。传统课堂教学的视频分析，多采用时间取样法，由经过训练的研究人员，根据专家提前预置的量表，顺序播放视频，手工统计，逐个编码，给出描述性统计。文本分析多采用内容分析法，由研究人员根据分析目标，通过反复阅读、建立类属编码、细化编码和提取典型示例开展分析。随着以大数据、知识图谱等新兴技术快速发展，教育和许多领域一样，经历了从经验科学到理论科学到计算机科学，再发展到数据密集型科学的过程。从问题假设驱动到算法驱动的研究范式转型，也正在对教育研究产生影响。因此课堂教学分析，一方面要利用传统教育研究已积累的经验，另一方面引入大数据、自然语言理解、计算机视觉等技术，运用多元分析方法进行课堂教学分析。本团队已初步建立起由638个课例组成的数据库，均为参加2017年全国某信息化课堂教学大赛、来自全国各地，在信息技术环境下的小学四年级数学课例。每个课例包含一段40分钟的完整课时教学视频、一个按照组委会提供的模板编写的教学设计方案、一份教学反思、一份专家根据组委会提供的课堂教学评价量表给出的评分结果和一段评语。所有课例根据专家评分，被划分为一、二、三等奖和未获奖四个等级，占比分别为5%、15%、30%和50%。下面结合本团队的三个研究项目，说明基于人工智能技术课堂教学分析框架的实践应用。课堂教学视频中的师生行为交互，是课堂教学中的重要组成，也是传统分析里最费时费力的部分。近几年，人工智能领域的计算机视觉技术发展迅速。随着ImageNet识别比赛推动CNN快速发展，深度学习方法的效果远超传统方法，于是视频中的特征提取与特征识别大量采用深度卷积神经网络(Deep Convolutional Neural Networks，简称DCNN)加以实现。不同CNN对视频识别的效果不断提高[35][36]，2D卷积神经网络已扩展到3D卷积用于视频动作识别分析[37]。我国已有研究团队，分别用人脸检测法识别课堂教学视频中S-T行为[38]、人体骨架信息提取法识别学生课堂行为[39]。由于课堂教学里，师生的位置变化较大，面部背对、侧对摄像机的情况时有发生，而课堂行为又需要与课堂场景相结合，如学生低头有可能是阅读课本、手写练习册、使用手持学习设备等行为，教师讲解有可能是板书、操作电子白板等行为，所以只通过人脸识别或者动作本身进行识别，效率不高，与真实情况存在一定偏差。本团队的研究项目之一是基于计算机视觉的课堂教学行为分析，通过先对课堂视频中的教学场景分类，区分关键交互设备如电子白板和手持平板，再实现自动地、批量地对课堂师生行为进行识别与计算。第一步：根据视频静态帧对场景初步分类。从638个完整的课堂教学视频中，随机挑选出10000帧静态图像，根据提前定义好的教师教学、师生互动和学生学习三类场景，先由人工分类部分场景数据，这些数据作为训练集训练场景分类神经网络模型，然后计算机完成批量场景分类。第二步：通过目标检测方法检测视频中的关键互动设备。场景分类完成后，再识别影响师生动作交互的关键互动设备，如黑板、电子白板、台式机、手持学习终端等。第三步：基于深度卷积神经网络的动作行为识别。在课堂教学视频中，行为分析的主体是人，人的动作可以看做一系列骨骼关键点的运动集合。本项目基于OpenPose框架分析骨骼关键点序列特征，实时骨骼关键点人体姿态预测算法。在静态图像动作识别算法的基础上，围绕着课堂场景，在视频中对学生动作进行识别和统计。
课堂行为分析系统实现了关键帧提取、学生跟踪、动作识别和动作统计等模块，如图3所示。课堂行为分析系统可以通过客户端上传一段课堂教学视频，服务端获取视频后在云端进行运算，并把识别结果返回给客户端，对师生动作进行识别和统计，以辅助课堂教学分析。
2.项目2：基于自然语言理解的教学事件分类及SPS分析
教学设计方案和教学视频实录文本里，直观的教学进程就是活动。然而并非所有的活动都有教学意义。教学活动只有与学习者的内部心理过程相吻合，才能促进认知的发生。教学设计学科的开拓者罗伯特·加涅(R.M. Gagne)[40]把影响学习者心理的活动视为有效外部刺激，提出九大教学事件[41]：引起注意、告知目标、刺激回忆先前旧知、呈现刺激材料、提供学习指导、引出行为、提供反馈、评价行为和促进保持与迁移。与教学活动相比，教学事件与促进学习的目的关联更为紧密。以加涅“九大教学事件”为分析框架，可以对教学设计方案或者教学视频实录文本进行要素评价和关系评价。要素评价主要考查的是，教学设计各要素所依据原理的科学性与叙写的准确性；关系评价主要考查的是，教学事件及事件之间关系的结构序列。本团队开展的第二个研究项目，是用自然语言理解技术进行关系评价，分析教学事件及序列，学习并部分替代传统手工编码，以协助人类专家进行课堂教学分析。第一步：对教学事件的标签划分和文本标注。本研究从总样本中选取了80个课例，通过视频声音提取和语音转文字的方法，生成超过48万字，内含2万多个句子的文本文件。要提取出文本中的教学事件，并对事件进行分类，需要由人工先对教学事件加以理解，包括划分标签和文本标注。在划分标签阶段，主要完成对每个教学事件的特征分析，对一句话或几句话给出标签，注明属于哪个教学事件。在文本标注阶段，对划分标签进行标注，标注后的数据将用于分类器的训练。
第二步：基于GRU循环神经网络的事件分类器。本团队采用深度学习模型Word2vec，训练得出词向量的权重矩阵，输入循环神经网络Embedding层中进行模型训练，每层网络用平均隐状态，输出分类结果最后通过训练集与测试集正确率，判断模型训练是否成功。根据事件分类结果，结合划分事件的起止时间点，生成每一个课例的教学事件类型及时间分布图，如图4所示。
第三步：分析课堂教学法结构的排序。何克抗认为“教学结构是指在一定的教育思想、教学理论和学习理论指导下的、在某种环境中展开的教学活动进程的稳定结构形式，是教学系统四个组成要素(教师、学生、教学内容和教学媒体)相互联系、相互作用的具体体现”[42]。教学结构是指导课堂教学的重要理论基础，落实在教学法上，可以通过分析教学法结构的序列，帮助教师掌握并落实双主结构。Jacobson等学者依据不同教学法中教师指导比重的高低，将教学法分为高结构化和低结构化，提出教学法结构的排序，或译为教学结构序列(Sequencing of Pedagogical Structure，SPS)[43]。国内学者对SPS进一步完善，新增时序特征，用于智慧课堂教学分析[44]。本研究以何克抗教授提出的教师主导-学生主体的双主教学结构为理论基础，参考SPS分类，结合小学数学的学段和学科特点，把教学事件归入到不同阶段，对“主导-主体”教学结构下的教学法结构进行分析，教学事件与教学阶段对应表如表1所示。
根据每个阶段里教师指导所占比例不同，标注为高结构化教学H、低结构化教学L、学生活动为主教师指导为辅的低高结构化教学L h、教师指导为主学生活动为辅的高低结构教学H l。通过对高低结构化划分结果统计，辅助人类专家判断，课堂中教师主导-学生主体的教学结构落实情况。
表2是同一主题不同课例的SPS分析结果。根据对教学事件识别、教学阶段划分、教学法结构排序后的结果可知，从一等奖到未获奖课例，教师指导的比重从1H，2H增加到3H，未获奖课例里教师把控课堂的比例最大，一等奖课例里学生自主学习的比重最大，达到3L，而其他课例的统计结果表明，教师发言代替学生思考的情况在增加，课堂中学生的声音越来越弱，自主学习空间也越来越少。当然本项目受限于特定的样本，后续会扩展学科、学段和样本总量，以使结论更具普适性。
教学评语里，不仅包括着课堂教学优缺点的详细解读、蕴含着教学改进的思路和建议，还能体现出课堂教学质量的判断依据。由于教学评语多是偏向于主观化、经验化的表述，因此与教学设计方案和教学视频分析相比，尚未形成较为稳定的研究方法。近几年，随着大数据技术的发展，基于评语的课堂教学反向分析法，已得到了国内外学者的关注。Bruno等人探究了教师对学生作业的评语，发现评语可以使学生意识到自己学习能力的不足，从评语中提取相应的策略，从而提高学习效率[45]；Akpe等人分析学生对课程的评语据此改进课程[46]；Alhija等人统计并分析了学生评语中最常被提及的教学维度和学生给予的正向、负向内容的评语，以改善教学质量[47]；马志强等人以网络同伴互评的反馈评语文本作为分析对象，综合运用内容分析、回归分析等方法，得出学生对情感、认知与元认知三类评语的反馈方式，给出了教师引导同伴互评评语的策略[48]；刘智通过情感倾向识别与话题挖掘技术，探究在线课程评语中反映出来的学生情感信息，并根据学习者的反馈信息为教学决策提供支持[49]。由此可见，通过评语反向审视课堂教学质量，已成为大数据技术应用于课堂教学分析的新思路。本团队开展的第三个研究项目，就是用因子分析、主成份分析法等，分析课堂教学案例评语，反向提取专家普遍认可的信息化课堂教学判断标准，再与已有的课堂教学评价量表权重与维度对比，为后续的课堂教学分析提供新视角。第一步：评语按照句子划分，归类到原始量表的不同维度。从案例库一、二、三等奖和未获奖课例里，随机选取30个。将120份评语全部拆分成句子，每句中的关键词与初始量表中的关键词匹配后，归入到原始量表中的6个一级维度和14个二级指标(如表3a所示)。
第二步：降维处理后，重新计算指标及权重，生成新量表。统计每个维度里不同类别频次，运用因子分析法进行降维，再用主成分分析法，算出全部指标权重，逆向生成基于评语的课堂教学改进版评价量表(如表3b所示)。
第三步：对比新旧量表，将评语中隐藏的课堂教学分析标准显性化。新旧量表对比后发现：课堂教学效果、分层教学策略等，不应单独存在于量表的判断指标里，可归入到教学过程；创设教学氛围和信息技术实践创新，可归入一级指标“教师素养”，成为信息化课堂教学里教师能力的必要组成；专家点评重点多放在课堂教学里的技术应用，而创新实践的表现并不多，因此在评语里反映出来的权重相对较少；这就说明，新量表中分值较低的维度如仅占2分的F1项等，并非不重要，而是由于当前课例中体现较少，尚未形成课堂案例中的主流。未来要加强信息技术实践创新的比重，使技术创新体现在常态化的课堂教学里，成为比“技术应用”更为重要的一级指标，占有更大的权重值，将是验证教育信息化2.0时代深化课堂教学改革的参考指标之一。结合以上分析，本研究提出人工智能助力课堂教学分析的三个应用场景：教学诊断、教学设计和教学评价。教学诊断对于发现课堂教学中的问题、提高课堂教学质量以及促进教师专业发展具有重要作用[50]。传统的课堂教学分析，多是通过自我报告法、人工观察手动编码等方法来进行数据采集和分析，存在着编码主观性强，费时费力，难以规模化开展等缺点，不利于发现普遍的教学规律[51]。这会导致中小学教师不得不依赖专家、教研员和骨干教师等人的他诊，自行诊断的人力成本高、机会少，高效且易用的诊断平台匮乏、工具稀缺、制约教师专业成长的速度和水平。本文提出的人工智能课堂教学分析框架和技术，为解决以上困境提供了可能。教师提供常规课堂的教学视频和教学设计方案等素材，由诊断平台自动且快速地识别，对课堂中的教学言语和行为等交互数据给出分析结果，并结合不同分析意图，提供可解释的诊断结果。教学诊断是要服务于教学改进。传统的“时间取样”量化分析，重在统计师生行为和言语交互的频次或比例等。虽然提供了客观的分析结果，但用于教学改进时，会存在把教学行为从情境中剥离出来的失真现象，导致行为背后所蕴含的教育意义缺失等问题[52]。本文运用人工智能技术，重构了以“教学事件分析法”为主的量化研究思路，由计算机参与课堂教学事件与教学法结构序列的识别与归类。这样的分析结果，不仅能帮助教师检验，将双主教学理念落实在真实教学中的程度，还帮助教师发现，到底是哪些教学事件，哪些教学法里，可以改进主导和主体的比例和时序关系，在改进的理念和方法上都具有可行性。评价教师的课堂教学，通常有几种表现形式，一是根据评价指标赋值打分的量化评价，二是根据课堂观察给出的质性评语[53]，三是两者的结合。但无论是哪种形式，都是“自上而下”的研究思路，即先定预设评价标准，再打分和给评语。这种分析方式，容易掩盖许多预设标准中没有考虑到的方面[54]，也不利于提取零散的评语中，隐藏的教学改进策略和宝贵建议。本文提出利用人工智能技术逆向分析评语，采用的是“自下而上”的评价思路，通过挖掘大量评语中的共性因素，不仅能为课堂教学评价量表修订提供证据，还可以让教学评价里零散的教学经验和智慧得以聚集，让教学评语中的共识通过“众筹”的方式浮现出来，为课堂教学评价提供新视角。人工智能融入教育已成为发展趋势。本文梳理人工智能助力课堂教学分析的进化路径后，从教学案例库、分析维度集、多元分析方法等方面构建起基于人工智能的课堂教学分析框架，并将人工智能技术应用到实践应用中。然而必须认识到，将人工智能技术运用于课堂教学分析时，仍面临以下困难：第一，对于课堂教学特征的分析指标、参考阈值，学界尚未形成统一的评价标准；第二，课堂教学分析多聚焦于“教”，且多针对单一学科，对聚焦于“学”、适用于多学科、多课型的分析技术还有待探索；第三，缺少公开、已标注的教学数据集，导致课堂教学自动化分析的探索囿于大量的数据分类与统计。后续研究需要进一步结合自然语言理解、计算机视觉、教育大数据的最新研究成果，提高教学数据采集的全面性和精准度，期待能为人工智能支持教学分析提供新思路和新方法。
参考文献：
[1] 宁虹,武金红.建立数量结构与意义理解的联系——弗兰德互动分析技术的改进运用[J].教育研究,2003,(5):23-27.
[2] 顾小清,王炜.支持教师专业发展的课堂分析技术新探索[J].中国电化教育,2004,(7):18-22.
[3] 方海光,高辰柱等.改进型弗兰德斯互动分析系统及其应用[J].中国电化教育,2012,(10):109-113.
[4] 章勤琼,谭莉.课堂录像促进教师专业研修:框架、应用及反思[J].全球教育展望,2019,48(1):103-112.
[5] Stein M K,Correnti R,et al.Using Theory and Measurement to Sharpen Conceptualizations of Mathematics Teaching in the Common Core Era [J].AERA Open,2017,3(1):361-379.
[6] 孙众,马玉慧.视频案例多元分析法促进新手教师专业发展研究[J].电化教育研究,2013,34(8):104-109.
[7] 郁晓华,黄沁.学习分析视角下的数字化课堂互动优化研究[J].中国电化教育,2018,(2):12-20.
[8] 魏宏聚.教学切片分析:课堂诊断的新视角[J].教育科学研究,2019,(2):63-67.
[9] 刘海生,李清臣.试析基于教学切片诊断的课堂研究[J].当代教育科学,2015,(20):27-30.
[10] 夏雪梅.以学习为中心的课堂观察[M].北京:教育科学出版社,2012.
[11] 余胜泉.人工智能教师的未来角色[J].开放教育研究,2018,24(1):16-28.
[12] Easterday M W,Rees Lewis D,et al.Designing Crowd critique Systems for Formative Feedback [J].International Journal of Artificial Intelligence in Education,2017,27(3):623-663.
[13] Beigman Klebanov B,Burstein J,et al.Reflective Writing About the Utility Value of Science as a Tool for Increasing STEM Motivation and Retention-Can AI Help Scale Up? [J].International Journal of Artificial Intelligence in Education,2017,(27):791-818.
[14] Luckin,Rose.Towards artificial intelligence-based assessment systems [J].Nature Human Behaviour,2017,1(28):1-3.
[15] Walkington C,Bernacki M.Personalizing Algebra to Students’ Individual Interests in an Intelligent Tutoring System:Moderators of Impact [J].International Journal Artificial Intelligence Education,2019,(29):58-88.
[16] Wu W,Chen L,et al.Inferring Students’ Personality from Their Communication Behavior in Web-based Learning Systems [J].I nternational Journal of Artificial Intelligence in Education,2019,(29):189-216.
[17] Taub M,Azevedo R.How Does Prior Knowledge Influence Eye Fixations and Sequences of Cognitive and Metacognitive SRL Processes during Learning with an Intelligent Tutoring System? [J].International Journal Artificial Intelligence Education,2019,(19):1-28.
[18] 刘智,刘三 等.物理空间中的智能学伴系统:感知数据驱动的学习分析技术——访柏林洪堡大学教育技术专家Niels Pinkwart教授[J].中国电化教育,2018,(7):67-72.
[19] 刘三 ,周东波等.基于地图的教育大数据可视分析方法探讨[J].电化教育研究,2018,39(7):49-56.
[20] 程云,刘清堂等.基于视频的改进型S-T分析法的应用研究[J].电化教育研究,2016,(6):90-96.
[21] 刘凯,胡祥恩等.机器也需教育?论通用人工智能与教育学的革新[J].开放教育研究,2018,24(1):10-15.
[22] 吕恺悦,施智平等.人工智能时代下的教师教育发展“2019人工智能 教师教育国际研讨会”在北京举行[J].现代教育技术,2019,(7):1.
[23] 张学军,董晓辉.人机共生:人工智能时代及其教育的发展趋势[J].电化教育研究,2020,41(4):35-41.
[24] Walker R,Adelman C.Interaction analysis in informal classrooms:A critical comment on the Flanders’ system [J].British Journal of Educational Psychology,2011,45(1):73-76.
[25] Amidon E J,Casper I G,et al.The role of the teacher in the classroom:A manual for understanding and improving teacher classroom behavior [M].MN:Paul S. & Associates,Inc,1985.
[26] 郑隆威,冯园园等.学习成果可测了吗:基于学习分析方法的认知分类有效性研究[J].电化教育研究,2019,40(1):77-86.
[27] 李善良.课堂教学目标的确定——基于美国中小学教材的考察[J].教育理论与实践,2011,31(25):53-56.
[28] 冯茹,马云鹏.基于真正学习的教学设计三维要素分析[J].教育理论与实践,2019,39(10):58-62.
[29] 徐梦杰,曹培英.精准针对学生差异的学情分析研究[J].课程·教材·教法,2016,36(6):62-67.
[30] 陈佑清,陶涛.“以学评教”的课堂教学评价指标设计[J].课程·教材·教法,2016,36(1):45-52.
[31] Davis E A,Beyer C,et al.Understanding pedagogical design capacity through teachers’ narratives [J].Teaching and Teacher Education,2011,27(4):797-810.
[32] 黄宝权.基于课堂教学切片诊断的课堂观察[J].教育科学研究,2017,9):46-49.
[33] 郝琦蕾,郭彩利等.中学教师教学反思现状的质性研究[J].教学与管理,2017,(3):21-24.
[34][48] 马志强,王靖等.网络同伴互评中反馈评语的类型与效果分析[J].电化教育研究,2016,37(1):66-71.
[35] Karpathy A,Toderici G,et al.Large-Scale Video Classification with Convolutional Neural Networks [A].Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition [C].Columbus:IEEE,2014.
[36] Dai W,Chen Y,et al.Two-Stream Convolution Neural Network with Video-stream for Action Recognition [A].Proceedings of the 2019 International Joint Conference on Neural Networks(IJCNN) [C].Budapest:IEEE,2019.
[37] Tran D,Bourdev L,et al.Learning Spatiotemporal Features with 3D Convolutional Networks [A].Proceedings of the 2015 IEEE International Conference on Computer Vision(ICCV) [C].Santiago:IEEE,2015.
[38] 周鹏霄,邓伟等.课堂教学视频中的S-T行为智能识别研究[J].现代教育技术,2018,28(6):54-59.
[39] 徐家臻,邓伟等.基于人体骨架信息提取的学生课堂行为自动识别[J].现代教育技术,2020,30(5):108-113.
[40] Gagne,R.The Conditions of Learning(4th.) [M].New York:Holt,Rinehart & Winston,1985.
[41] R.M.加涅.皮连生,王映学等译.学习的条件和教学论[M].上海:华东师范大学出版社,1999.
[42] 何克抗.教学结构理论与教学深化改革(上)[J].电化教育研究,2007, (7):5-10.
[43] Jacobson M J,Kim B,et al.To guide or not to guide:Issues in the sequencing of pedagogical structure in computational model-based learning [J].Interactive Learning Environment,2013,23(6):715-730.
[44] 王冬青,刘欢等.智慧课堂教师行为数据的分析方法与应用验证[J].中国电化教育,2020,(5):120-127.
[45] Inês Bruno,Leonor Santos.Written comments as a form of feedback [J].Studies in Educational Evaluation,2010,36(3):111-120.
[46] C.S.Akpe.Using Respondents’ Free Comments To Improve College Curricula:A Case Study of Rivers State College of Education NCE Primary Programme [J].Studies in Educational Evaluation,1989,(15):183-191.
[47] Alhija N A,Fresko B.Student evaluation of instruction:What can be learned from students’ written comments? [J].Studies in Educational Evaluation,2009,35(1):37-44.
[49] 刘智.课程评论的情感倾向识别与话题挖掘技术研究[D].武汉:华中师范大学,2014.
[50] 岳欣云,董宏建.教师教学诊断能力:内涵、价值及提升策略[J].教育理论与实践,2015,35(26):3-5.
[51] 刘清堂,何皓怡等.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,(9):13-21.
[52] 江毅,王炜等.基于行为序列分析的师生互动效果研究[J].现代远距离教育,2019,(6):53-61.
[53] 罗祖兵,郭超华.新中国成立70年课堂教学评价标准的回顾与展望[J].中国教育学刊,2020,(1):55-61.
[54] 陈振华.教学评价中存在的问题及反思[J].教育发展研究,2009,(18):84-87.
作者简介：
孙众：教授，博士，硕士生导师，研究方向为技术支持的教师专业发展(sunzhong@cnu.edu.cn)。
吕恺悦：在读硕士，研究方向为教师教育、学习分析(2224760241@qq.com)。
骆力明：教授，硕士生导师，研究方向为计算机教育学(luolm@cnu.edu.cn)。
陈美玲：实验师，研究方向为教育信息化(CML221@163.com)。
许林：编审，研究方向为教育信息化(xutingxing@263.net)。
施智平：教授，博士，博士生导师，研究方向为计算机视觉、形式化验证(5959@cnu.edu.cn)。
