论文部分内容阅读
【摘要】通过数据化解构智慧课堂环境中的实际教学过程，结合AI技术手段对学生学习的结果数据、授课教学的行为数据和教学内容的构成数据进行采集、统计和分析，再通过大数据分析方法，构建出班课效果模型，和对教学过程及教学内容评估的归因模型。为教学方法和教学内容的改良进化提供数字化、科学化的依据
【关键词】教学效果;学习效果;智慧课堂;AI;大数据;教学内容;效果评测
长久以来，我们习惯于以结果论，在部分公立学校，通过教学评估活动乃至升学率去考核课堂的好坏;在一些教育机构，通过业务运营指标甚至经营数据，结合购买者即用户的反馈，去判断课堂效果的好坏;个体教育从业者，则有通过上完一堂课的观感和学生的反应来感受课堂效果好坏的情况。但是对于课堂过程中的行为如何、多大程度地影响孩子的学习，对上述个体和组织来说，往往是经验黑盒。如何去打破这样的经验黑盒，是很多教育从业人员想要探索的课题。我们秉承着“数据比经验重要”的理念，运用AI和大数据的力量，去建立课堂和效果的联系，对课堂效果进行评测。
1. 为什么要进行班课效果评测
如上所述，通过效果的评测，把原有的经验黑盒能够剖析拆解成具体的动作、行为。这一方面能够让授课老师了解、复盘自己这节课上的怎么样，进而去优化教学设计和教学动作，提高孩子的学习效果;另一方面，能够定位一些和学习效果有较强关联的内容和动作，建立“好”的标杆，指导更多的老师的课堂教学，提高整体教学水准。
2. 如何定义班课效果
我们用“班课”的概念来指代以班集体为单位进行的授课。在定义“班课效果”时，学生在课堂上的状态是我们定义的主要落脚点。原因有二：学生是学习课程与评价课程的主体;学生的课堂感知是业务数据的最直接影响者。我们对学生的课堂状态进行了解构，结合教育理念常用的三个分析维度（学习动力、学习能力和学习环境），可以将对学生学习的预期归纳为三个方面：①学得会：学生学习知识的效果，体现的是学习能力。学生来上课的首要目的是学习知识，学生能学会是体现/证明课堂效果的核心和基础。②喜欢学：学生学习意愿呈现出的状态和效果，体现的是学习动力。教育的价值不仅在“教”，更体现在“育”。对好的课堂的定义，不只是能让孩子学会知识，更要关注学生在课堂上的情感体验、动力意愿。因此孩子是否喜欢学习、喜欢课堂、喜欢老师，从而达到愿意学习的效果，是第二大关注点③受关注：个体学生在课堂上受到关注的程度，即学习环境对学生产生的效果。班级是由个体组成的，老师对个体学生的关注，对于学生最终收获的学习效果有非常大的影响。也会直接影响到学生的学习能力和学习意愿。这三重维度的聚合，就构建出我们对班课效果评估的顶层框架。
3. 如何评估班课效果
目前，人工智能NLP（natural language processing）技术已经实现了对课堂录音的解构：我们既能够得出学生话语的数量、密度、分布，进而推敲学生在课堂上的活跃度和现场氛围效果;又能对于学生话语内容进行详细分析，根据话语内容进行归类，建立学生话语与班课效果“学得会“”喜欢学“”受关注“之间的关联。不仅仅是话语，学生上课的每一个动作、每一个行为都被记录和沉淀成了数据。借助大数据的力量，这些行为被拆解成更细粒度的指标，按照班课效果三维度归类聚拢。因此，在上述每一个效果维度上，我们都需要能获取到能够描述这些维度的具体量化指标。这依赖于一个具备信息化和数字化能力的智慧课堂。为了研究测算需要，我们通过搭建这样一个智慧教室的环境，充分获取了老师、学生及教学内容的数字化信息，并进行了大量数据处理与分析。从而筛选出对上述三个效果维度的描述性指标：①学得会指标：由学生在做题上的数据表现构成。具体表现为做题正确率、做题完成率、知识点掌握率、课后作業正确率和完成率等指标。并观察这些指标在班级范围内的方差。②喜欢学指标：由学生在教学互动上的参与指标构成。包括学生在课堂中的语音信息，学生在课堂上所获得得奖励信息，被表扬的信息，以及学生课后对课堂的喜爱度投票数据。③受关注指标：由学生作为个体被老师关注的频次及深度指标构成。如学生作为个体被表扬的次数，学生课后收到老师的个性化反馈的内容详细程度，学生课后是否被老师进一步关心和沟通，以及老师是否对学生做了学习情况的记录等信息。
这些具体的描述性指标，都能取到可量化的数值。我们可以一方面直接通过数值的高低，构建具备教学理论和实践说服力的打分模型，对班课的学得会、喜欢学和受关注指标直接进行打分;也可以通过机器学习模型，挖掘这些指标与业务运营数据之间的相关性，交给机器进行对这三个维度的模型构建和实施打分。
我们可以使用雷达图（如图1）的形式来表征学生学习效果的班课得分：
4. 通过班课效果对影响因素进行归因
有了上述顶层框架去做支撑，接下来我们探究两个方面的问题：①在一节课上，哪些因素能够影响“学得会”“喜欢学”“受关注”这三个班课效果维度。②如何评估影响因素在“学得会”“喜欢学”“受关注”这三个维度施加的影响。
通过AI和大数据赋能，我们得以分析每一个主体如何影响了班课效果，进而回答第二个问题。由于学生这个主体，其行为表现已经作为班课效果的指标构建依据，因此学生主体的指标已经是班课效果的“果”。显然，我们更需要在“教师”和“教学内容”这两大主体上去找到班课效果的归因。事实上，对于教育机构、公立学校和教育从业者而言，他们也最需要知道，老师的教学行为和授课方式，以及课堂传授的教学内容，分表存在着怎样的问题，如何改善并且迭代他们，是课堂进化的动力。因此，我们需要探究的是：教师的教学行为对班课效果能施加怎样的影响，和教学内容对班课效果能施加怎样的影响，如何数据化呈现这些影响。
4.1 老师教学行为在班课效果中呈现出的影响：
①在对老师主体进行评估时，原有的三维指标按照老师从课前、课中、课后的教学行为，拆解成了八个二级指标：②在“学得会”这一维度下，我们关注老师的“课前备课”“课堂教学”“课后作业”这3个指标;③在“喜欢学”层面，我们关注“老师对课堂氛围的调动”和“对班级的激励鼓舞”这2个指标④在“受关注”这一维度下，我们关注“老师在课上对个体学生的关注”，“课后学情反馈”和“课后对学生的关注度”这3个指标。 我们可以将教室行为细化成为更具实际教学指导意义的“教学八维雷达图”（图2左）。雷达图中的每一项，都可以获得更细粒度的指标和数据做支撑。
而我们可以通过“教学八维雷达图”和“班课三维效果模型”在分值上的相关性分析，对八个教学维度实施打分。就可以帮助老师复盘每一节课的课堂教学表现，让老师知道自己这节课上的怎么样，对于孩子的学习效果影响如何，在班课效果掌握层面，每个授课老师都有更清晰的认知;同时，大数据会在每一个维度上，为老师提供“推荐值”。把原始的经验黑盒转变成可以量化的具体行为引导，让老师在“认知”的基础上有所“提升”。在教学管理的层面，这样一个评估模型，也能够帮助各个教学管理监测授课老师的教学质量。
4.2 教学内容在班课效果中呈现出的影响：
在教学内容方面，课程的研发和编排，如一节课有多少题目、题目难度如何等，都会影响到孩子的学习能力（“学得会”）和学习情感（“喜欢学”）。我们把一个教学内容中的种种元素进行剖析，可以归为六个大的指标“难度”、“容量”、“节奏”、“趣味性”、“调动性”、“喜欢度”，每一个指标下，都可以获得具体的数据支撑，从而形成“教学内容六维雷达图”。
我們可以通过寻找“教学内容六维雷达图”和“班课三位效果模型”之间的相关性，对这六个教学内容的影响维度进行打分。从而帮助我们建立针对于教学内容层面的打分模型，评估每一份教学内容的质量和对学习效果的影响。
5. 结语
通过智慧课堂环境中的班课授课实践，我们探索出一种针对小班课进行班课效果评估的研究方法，它利用AI+大数据的技术，对班课中的每一个主体和环节进行数据采样、统计、分析。既简历班课效果的“结果模型”，也通过进一步拆解老师行为、教学内容中的影响因素并量化分析，构建出在教学行为和教学内容上的“归因模型”。课堂教学黑盒由此可被打开，教学和内容的迭代和改良也因此有据可依。
参考文献
[1]武小鹏，武小霞，张怡.教师教学评估系统的构架与机制[J].比较教育研究，2019，41（08）：59-67.
[2]杨娟，段瑞波，张宓，姜雪，王天纳.基于信息熵的教学质量评估模型研究[J].课程教育研究，2019（38）：251-252.
[3]郭文娜，张晓引.信息化技术与思想政治理论课教学效果评估问题研究[J].山西高等学校社会科学学报，2019，31（S1）：87-90.
[4]彭元.高校教学评估机制研究[J].武汉科技大学学报（社会科学版），2005（4）：54-56.
[5]李亚东，朱伟文，张勤.高校质量保证———同济大学特色质量保证体系的探索[J].北京教育，2018（9）：53-56.
【关键词】教学效果;学习效果;智慧课堂;AI;大数据;教学内容;效果评测
长久以来，我们习惯于以结果论，在部分公立学校，通过教学评估活动乃至升学率去考核课堂的好坏;在一些教育机构，通过业务运营指标甚至经营数据，结合购买者即用户的反馈，去判断课堂效果的好坏;个体教育从业者，则有通过上完一堂课的观感和学生的反应来感受课堂效果好坏的情况。但是对于课堂过程中的行为如何、多大程度地影响孩子的学习，对上述个体和组织来说，往往是经验黑盒。如何去打破这样的经验黑盒，是很多教育从业人员想要探索的课题。我们秉承着“数据比经验重要”的理念，运用AI和大数据的力量，去建立课堂和效果的联系，对课堂效果进行评测。
1. 为什么要进行班课效果评测
如上所述，通过效果的评测，把原有的经验黑盒能够剖析拆解成具体的动作、行为。这一方面能够让授课老师了解、复盘自己这节课上的怎么样，进而去优化教学设计和教学动作，提高孩子的学习效果;另一方面，能够定位一些和学习效果有较强关联的内容和动作，建立“好”的标杆，指导更多的老师的课堂教学，提高整体教学水准。
2. 如何定义班课效果
我们用“班课”的概念来指代以班集体为单位进行的授课。在定义“班课效果”时，学生在课堂上的状态是我们定义的主要落脚点。原因有二：学生是学习课程与评价课程的主体;学生的课堂感知是业务数据的最直接影响者。我们对学生的课堂状态进行了解构，结合教育理念常用的三个分析维度（学习动力、学习能力和学习环境），可以将对学生学习的预期归纳为三个方面：①学得会：学生学习知识的效果，体现的是学习能力。学生来上课的首要目的是学习知识，学生能学会是体现/证明课堂效果的核心和基础。②喜欢学：学生学习意愿呈现出的状态和效果，体现的是学习动力。教育的价值不仅在“教”，更体现在“育”。对好的课堂的定义，不只是能让孩子学会知识，更要关注学生在课堂上的情感体验、动力意愿。因此孩子是否喜欢学习、喜欢课堂、喜欢老师，从而达到愿意学习的效果，是第二大关注点③受关注：个体学生在课堂上受到关注的程度，即学习环境对学生产生的效果。班级是由个体组成的，老师对个体学生的关注，对于学生最终收获的学习效果有非常大的影响。也会直接影响到学生的学习能力和学习意愿。这三重维度的聚合，就构建出我们对班课效果评估的顶层框架。
3. 如何评估班课效果
目前，人工智能NLP（natural language processing）技术已经实现了对课堂录音的解构：我们既能够得出学生话语的数量、密度、分布，进而推敲学生在课堂上的活跃度和现场氛围效果;又能对于学生话语内容进行详细分析，根据话语内容进行归类，建立学生话语与班课效果“学得会“”喜欢学“”受关注“之间的关联。不仅仅是话语，学生上课的每一个动作、每一个行为都被记录和沉淀成了数据。借助大数据的力量，这些行为被拆解成更细粒度的指标，按照班课效果三维度归类聚拢。因此，在上述每一个效果维度上，我们都需要能获取到能够描述这些维度的具体量化指标。这依赖于一个具备信息化和数字化能力的智慧课堂。为了研究测算需要，我们通过搭建这样一个智慧教室的环境，充分获取了老师、学生及教学内容的数字化信息，并进行了大量数据处理与分析。从而筛选出对上述三个效果维度的描述性指标：①学得会指标：由学生在做题上的数据表现构成。具体表现为做题正确率、做题完成率、知识点掌握率、课后作業正确率和完成率等指标。并观察这些指标在班级范围内的方差。②喜欢学指标：由学生在教学互动上的参与指标构成。包括学生在课堂中的语音信息，学生在课堂上所获得得奖励信息，被表扬的信息，以及学生课后对课堂的喜爱度投票数据。③受关注指标：由学生作为个体被老师关注的频次及深度指标构成。如学生作为个体被表扬的次数，学生课后收到老师的个性化反馈的内容详细程度，学生课后是否被老师进一步关心和沟通，以及老师是否对学生做了学习情况的记录等信息。
这些具体的描述性指标，都能取到可量化的数值。我们可以一方面直接通过数值的高低，构建具备教学理论和实践说服力的打分模型，对班课的学得会、喜欢学和受关注指标直接进行打分;也可以通过机器学习模型，挖掘这些指标与业务运营数据之间的相关性，交给机器进行对这三个维度的模型构建和实施打分。
我们可以使用雷达图（如图1）的形式来表征学生学习效果的班课得分：
4. 通过班课效果对影响因素进行归因
有了上述顶层框架去做支撑，接下来我们探究两个方面的问题：①在一节课上，哪些因素能够影响“学得会”“喜欢学”“受关注”这三个班课效果维度。②如何评估影响因素在“学得会”“喜欢学”“受关注”这三个维度施加的影响。
通过AI和大数据赋能，我们得以分析每一个主体如何影响了班课效果，进而回答第二个问题。由于学生这个主体，其行为表现已经作为班课效果的指标构建依据，因此学生主体的指标已经是班课效果的“果”。显然，我们更需要在“教师”和“教学内容”这两大主体上去找到班课效果的归因。事实上，对于教育机构、公立学校和教育从业者而言，他们也最需要知道，老师的教学行为和授课方式，以及课堂传授的教学内容，分表存在着怎样的问题，如何改善并且迭代他们，是课堂进化的动力。因此，我们需要探究的是：教师的教学行为对班课效果能施加怎样的影响，和教学内容对班课效果能施加怎样的影响，如何数据化呈现这些影响。
4.1 老师教学行为在班课效果中呈现出的影响：
①在对老师主体进行评估时，原有的三维指标按照老师从课前、课中、课后的教学行为，拆解成了八个二级指标：②在“学得会”这一维度下，我们关注老师的“课前备课”“课堂教学”“课后作业”这3个指标;③在“喜欢学”层面，我们关注“老师对课堂氛围的调动”和“对班级的激励鼓舞”这2个指标④在“受关注”这一维度下，我们关注“老师在课上对个体学生的关注”，“课后学情反馈”和“课后对学生的关注度”这3个指标。 我们可以将教室行为细化成为更具实际教学指导意义的“教学八维雷达图”（图2左）。雷达图中的每一项，都可以获得更细粒度的指标和数据做支撑。
而我们可以通过“教学八维雷达图”和“班课三维效果模型”在分值上的相关性分析，对八个教学维度实施打分。就可以帮助老师复盘每一节课的课堂教学表现，让老师知道自己这节课上的怎么样，对于孩子的学习效果影响如何，在班课效果掌握层面，每个授课老师都有更清晰的认知;同时，大数据会在每一个维度上，为老师提供“推荐值”。把原始的经验黑盒转变成可以量化的具体行为引导，让老师在“认知”的基础上有所“提升”。在教学管理的层面，这样一个评估模型，也能够帮助各个教学管理监测授课老师的教学质量。
4.2 教学内容在班课效果中呈现出的影响：
在教学内容方面，课程的研发和编排，如一节课有多少题目、题目难度如何等，都会影响到孩子的学习能力（“学得会”）和学习情感（“喜欢学”）。我们把一个教学内容中的种种元素进行剖析，可以归为六个大的指标“难度”、“容量”、“节奏”、“趣味性”、“调动性”、“喜欢度”，每一个指标下，都可以获得具体的数据支撑，从而形成“教学内容六维雷达图”。
我們可以通过寻找“教学内容六维雷达图”和“班课三位效果模型”之间的相关性，对这六个教学内容的影响维度进行打分。从而帮助我们建立针对于教学内容层面的打分模型，评估每一份教学内容的质量和对学习效果的影响。
5. 结语
通过智慧课堂环境中的班课授课实践，我们探索出一种针对小班课进行班课效果评估的研究方法，它利用AI+大数据的技术，对班课中的每一个主体和环节进行数据采样、统计、分析。既简历班课效果的“结果模型”，也通过进一步拆解老师行为、教学内容中的影响因素并量化分析，构建出在教学行为和教学内容上的“归因模型”。课堂教学黑盒由此可被打开，教学和内容的迭代和改良也因此有据可依。
参考文献
[1]武小鹏，武小霞，张怡.教师教学评估系统的构架与机制[J].比较教育研究，2019，41（08）：59-67.
[2]杨娟，段瑞波，张宓，姜雪，王天纳.基于信息熵的教学质量评估模型研究[J].课程教育研究，2019（38）：251-252.
[3]郭文娜，张晓引.信息化技术与思想政治理论课教学效果评估问题研究[J].山西高等学校社会科学学报，2019，31（S1）：87-90.
[4]彭元.高校教学评估机制研究[J].武汉科技大学学报（社会科学版），2005（4）：54-56.
[5]李亚东，朱伟文，张勤.高校质量保证———同济大学特色质量保证体系的探索[J].北京教育，2018（9）：53-56.