人工智能支持的课堂教学行为分析：困境与路径

赵丽 贺玮 王洋

[摘   要] 传统课堂教学行为分析多以人脑分析为主，存在依赖专家、分析效率低、分析不准确等问题。信息化课堂中教学行为分析多通过单一言语行为来考量，手势、眼部表情、身体动作等其他课堂行为难以体现。人工智能技术突破了传统和信息化课堂教学行为分析的局限，实现了分析的自动化和智能化，使得课堂教学行为分析更加精准、全面、真实。研究从舆论造势、技术担忧和安全伦理三方面分析了人工智能技术支持下的课堂教学行为分析的发展困境。研究通过对人工智能技術支持的课堂教学行为分析发展、困境和路径的分析，认为，“人工与人脑的统一”为课堂教学行为分析带来创新突破，将成为人工智能技术支持下的课堂教学行为分析与发展的新路径。

[关键词] 人工智能; 多模态大数据; 课堂教学行为分析; 人脑智能; 路径

[中图分类号] G434            [文献标志码] A

[作者简介] 赵丽（1982—），女，江苏南京人。副教授，博士，主要从事在线学习理论与实践、课堂教学模式变革、学生思维能力培养研究。E-mail：li.zhao@njnu.edu.cn。王洋为通讯作者，E-mail：wangyang@nnu.edu.cn。

一、问题的提出

人工智能技术的崛起为开发和利用数据提供了无限可能，与人工智能技术相适应的研究，如课堂教学行为分析，成为当今人们关注的热点[1]。人工智能在教育领域已取得的显著成就，使课堂教学行为数据较以往更具全面性、易获取性与多源性。尤其伴随低成本、高识别率的模态传感器以及日益成熟的数据处理与分析方法，多模态学习分析发展突飞猛进[2]，显著提高了相关研究人员在教学环境中获取大量数据的效率，为课堂教学行为分析提供了强有力支撑。人工智能技术支持的课堂教学行为分析更加自动化和智能化，大大降低了人类体力和脑力的工作量。然而就当前技术发展而言，人工智能还不能完全替代人脑智能[3]，尤其是人脑的创造力[4]。在人工智能技术支持下的课堂教学行为分析中，不能一味地崇拜人工智能技术而忽视人脑智慧的作用。因此，如何结合“人脑”智能，充分利用“人工”智能技术开展课堂教学行为分析的研究极其必要。

二、从人脑智能到人工智能：课堂教学行为分析研究的演进逻辑

人工智能背景下，课堂教学行为分析在数据采集规模、样本数据形态和行为分析方法等方面发生了显著的变化[5]，课堂教学分析方式逐渐自动化、信息化、智能化。从课堂教学环境发展变化的视角来看，课堂教学行为分析经历了由人脑到人工的三个发展阶段。

（一）基于人脑的传统课堂教学行为分析

基于人脑的传统课堂教学行为分析，主要由观察者依据已有经验，针对所观察课堂选择、设计、开发合适的观察工具（如量表等），对课堂中的教学行为进行人为观察和记录，最终汇总和分析所得数据。19世纪末，美国学者克雷茨设计出教师特征量表，对教师教学行为进行研究[6]。20世纪70年代，Fanselow等人制作出“FOCUS”量表[6]，用于培训语言教师和分析普通课堂教学行为。S-T分析法观察教师（T）教学行为的同时也关注学生（S）的学习行为[7]。这些量表和方法为课堂教学行为分析和优化教师行为提供了参考依据。

20世纪80—90年代，美国的皮亚塔教授及其团队研发的课堂互动评估系统（CLASS）[8]，从情感支持、课堂组织和教学支持三方面来观察评价课堂教学行为;21世纪初期，国内学者崔允漷及其团队设计了20个不同观察视角下的课堂观察框架[9];夏雪梅构建出以学生为中心的课堂观察体系，提出了五维度的课堂教学行为分析框架[10]。此阶段虽然课堂教学行为评价指标体系得到不断发展和完善，但是仍然延续的是基于人脑观察和分析的课堂教学行为分析方式。

因此，基于人脑的传统课堂教学行为分析主要通过使用工具或量表的观察法，人工采集和人脑分析实际课堂教学过程中产生的数据，给教育工作者带来了繁重的工作量。而且在数据采集过程中，由于人脑本身的主观性以及教学环境的客观性、复杂性，导致采集的数据具有一定的片面性和滞后性。加之人工的观察和记录分析工作量较大，容易造成信息分析的遗漏性、不全面性，无法覆盖到复杂多样的教学行为，此时信息化技术参与到课堂教学行为观察中的价值就随即凸显。

（二）信息化教学环境下的课堂教学行为分析

信息化环境下的课堂教学包含了以丰富媒体为载体的信息交互，课堂教学行为分析必然会融入信息技术特征，课堂行为分析编码系统应运而生。相关课堂教学行为分析的软件也相继被开发、引入和使用，课堂行为分析效率得到有效提升[1]。如弗兰德斯互动分析系统（FIAS）[11]，主要包括三部分：编码系统、编码标准和迁移矩阵。弗兰德斯将课堂教学行为大致分为教师言语、学生言语和沉寂三部分，依据每隔3秒取样的编码标准对课堂实录进行记录观察，反复查看课堂中师生教学互动行为，将编码填入迁移矩阵并进行矩阵分析，最终反馈分析结论于课堂，呈现课堂的教学结构、教学风格等。自此，国内在FIAS基础上开展了大量研究，如顾小清等提出的基于信息技术的互动分析编码系统（ITIAS）[12]，将“沉寂”更加细化并增加了信息技术的干预;穆肃提出的课堂教学行为分析系统（TBAS）[13]，将教学活动与信息化环境的教与学结合设计出一套编码系统，能够客观地反映课堂教学的实际情况，有利于研究者客观分析教学过程;方海光等对ITIAS进行优化调整，提出改进型弗兰德斯互动分析系统（iFIAS）[14]等。

以上改进的课堂教学行为分析系统都以时间的较小粒度来分析课堂教学过程，但它们仅仅反映课堂中师生的言语互动行为或者师生与技术的交互行为，而手势、眼部表情、身体动作等其他影响教学质量的重要因素难以体现。课堂教学行为分析不能从单一言语模态方面来判定和考验，需综合考虑多种符号元素在课堂教学中的应用情况。得益于人工智能技术，模态传感器的低成本、高识别率以及数据处理与分析方法的日益成熟，多模态学习分析技术发展突飞猛进，使课堂教学行为分析较以往的单一言语模态更具全面性、易获取性与多源性。

（三）基于人工智能的课堂教学行为分析

真实的学习过程往往是复杂多元的，课堂中产生的教学行为数据不仅包括教师行为、学生行为以及师生互动行为，同时涉及课堂教学内容、课堂教学情境和师生情感变化等。人工智能技术逐渐渗入日常真实的教学中，使课堂教学行为分析数据的获取更便捷化、自动化、多源化，彰显了课堂教学行为分析研究的价值与意义。对大规模、多模态的课堂行为数据，研究者可采用恰当的机器学习算法来挖掘，将行为数据化，探索数据背后的行为模式、行为规律、行为习惯等信息，促进研究者分析学习过程、理解学习结果，并优化学习环境[5]。人工智能技术与教育的深度融合，推动了教育智能化的进程，同时取得了显著成果。如运用自然语言的智能教学系统，实现了对学习者的非语言交流模式进行处理分析，增强了人机交互[15];采用人工智能、多模态大数据等技术的自适应学习系统，能够实时跟踪学习者的学习状态和学习内容，智能化调整学习方式，对其实施精准教学，从而促进其个性化发展;得益于5G技术的智能虚拟现实，使得实时VR/AR/MR和远程学习得到更好的支持，实现教育的个性化和情境化[16];物联网技术、云计算、可穿戴设备和人工智能等技术构建起来的新型智慧教室，使得采集和分析课堂教学行为数据更加自动化和智能化。孙众等提出了人工智能支持课堂教学分析框架（TESTII）[17]，旨在利用人工智能技术促使课堂教学行为分析实现标准化、高效化、可计算化、可规模化。

随着人工智能技术在教育领域的渗透，多种智能技术手段深入课堂教学，为课堂教学行为数据的获取、处理与分析提供了便利，提高了研究人员的效率，使课堂教学行为分析实现自动化、规模化、常态化成为可能，为优化教学质量与教学策略提供了有力支持。各类智能设备及技术融入智慧教室，为教育教学带来便利的同时也增加了课堂教学行为分析的难度，尤其在通过教学视频对学生图像的抓取、面部特征的提取以及多源数据的采集、处理与分析等方面遇到壁垒。如何在复杂化的教学环境中分析数据获取高价值的信息，提高课堂教学行为分析的客观性与科学性，有待进一步研究。

三、人工智能还是人脑智能：多模态大数据支持下的课堂教学行为分析发展困境

多模态大数据技术支持的教学环境中，多模态学习数据变得可得、易得、准确，这使解析教学过程更加精准、全面、真实，但是技术不是万能的;教学行为数据变得“透明”，课堂教学行为分析的安全伦理问题也逐渐凸显。充分认识到多模态大数据支持下的课堂教学行为分析的发展困境，才能推进课堂教学行为分析相关研究的发展。

（一）舆论造势：多模态大数据课堂教学行为分析还不能常态化

多模态大数据支持下的课堂教学行为分析拓展了课堂教学行为分析的深度和广度，在人力和数据可视化方面与传统的课堂教学分析相比有着明显的优势。一方面，传统人工课堂教学行为分析，只通过单一的语言去获取信息，并不能满足人们对信息的需求。而多模态大数据支持下的课堂教学分析不仅关注语言，还涉及视、听、味、嗅、触等感觉形成的多模态数据。这大大拓宽了传统课堂教学行为分析的范围，满足了课堂教学行为分析的跨媒体识别诉求，为更全面地分析和预测课堂教学行为提供了丰富的大数据支撑。另一方面，传统的人工课堂观察法耗时耗力，还容易遗漏、滞后信息，且难以避免主观性。而多模态数据能补偿不完整的数据集信息，有利于还原数据集的整体意义。仅靠单模态数据，课堂教学行为前景得不到充分诊断，而多模态分析具有精准性、动态性等优势，通过融合多种数据源和上下文信息的数据，提高建模的精度，以此获得更清晰的学习过程图景，帮助研究者洞察学习过程。

低成本可穿戴设备、无线传感器、物联网设备的逐渐成熟，给多模态大数据支持的课堂教学行为分析带来了新机遇，使得多模态大数据支持的课堂教学行为分析的常态化和规模化成为可能。然而，多模态大数据支持的课堂教学行为分析并没有像预设中的那么完美，难以实现常态化和规模化。目前关于多模态课堂行为分析研究，仍然存在诸多问题，如：数据采集粗颗粒、过程分析难深入、结论反馈不落地等问题[5]。具体表现在：多模态数据复杂多元，假如无复杂的计算分析模型，信息分析将变得不准确或无意义，目前的数据分析模型还不能消除原始低级数据与高级构造测量之间的差距;不同模态可能存在其特定的意义解释，包含不同语义含义，评分模型难以组合这些模态信息;多模态的实施应用会带给课堂行为分析额外的复杂性[18]。

推进多模态大数据在课堂教学行为方面的研究，将促进多模态大数据技术与教学的深度融合，完善和发展课堂教学行为分析的理论体系，提高课堂教学行为分析的科学性和可操作性，同时能更精准化指导教学，也将为课堂教学效果的评价和提高提供新的思路和理念。未来的课堂教学行为分析将聚合物联网、人工智能、云计算、大数据分析、学习分析等技术，推动多模态大数据在课堂教学行为的研究。利用多模态大数据分析课堂教学行为成为一种常态，还需一段时间的技术开发与实践检验。

（二）技术担忧：当前人工智能技术不足以支持实体课堂教学行为分析

运用合适的课堂教学行为分析方法能够准确地对教学行为进行多角度的定量分析，人工智能技术与在线学习平台相结合，提高了在线学习行为分析的准确性，使分析更加智能化、深度化。然而，课堂教学的主要阵地为实体或线下的面对面教学，是一个比较复杂的真实情境，这大大增加了课堂教学行为分析的难度，且教学理念、教学模式、教育资源体系等随着科技的发展不断更新，人们开始对人工智能技术是否有效支持實体课堂教学行为分析进行深入思考。一方面，学习者自身的信息技术素养能否支持他们充分运用智能化学习资源开展课堂学习;另一方面，人工智能技术的应用在信息技术素养、信息化教学能力以及开发数字资源等方面，对教师提出了更高的要求，这是否会造成教师很难适应人工智能技术支持下的智慧空间或增加教师的技术负担[19]。

从技术本身而言，人工智能技术支持下的课堂教学行为分析中数据建模分析是核心要素，而建模工作应以脑科学、学习科学以及教育教学理论为基础，形成课堂教学行为分析的数据模型，再嵌入算法进行数据分析。在这一过程中，如何选择和判断有价值的课堂教学行为数据，对分析结果起到关键性作用。但目前的人工智能技术应用开发的专业领域人才，很少有技术与教育数据建模兼备的优秀专业人才，导致应用到教育领域的数据集不够完善。并且，目前自动收集与处理多模态数据的方法和工具仍不成熟，如何使用技术有效地组合不同模态数据、实现跨媒体交互与跨媒体学习是当前人工智能技术支持下课堂教学行为分析亟待突破的技术瓶颈。另外，当前的智能设备还无法做到精准识别教学对象和教学目标，运用当前的人工智能技术开展高准确性、精细化的教学行为数据分析还有一段距离。因此，在这些不得不考虑的现实问题面前，人工智能技术真正的教育应用之路漫长且充满巨大挑战。

目前，人工智能仍處在“弱人工智能”阶段，虽然已实现对深度学习和强化学习等相关技术的融合运用，但依然不具备独立自我意识，不具备情感认知、推理思考能力等，无法进入“强人工智能”阶段。学习者在学习时会产生复杂多变的情绪，及时了解学习者情绪，并给予相应的情感指导，在教育教学环节中尤其关键[19]。目前人工智能技术研发尚未突破人工意识和情绪感知方面的瓶颈，产生人脑智能的原理尚不清楚，因此，从长期来看，人工智能还需深度融合脑科学、认知学和心理学的相关研究，加深对人类情绪情感的辨别和理解，重点推动认知计算、情感计算、智能感知等技术的发展。

（三）安全伦理：人机共存中的课堂教学行为分析数据应被合理应用

人工智能技术在给教育教学带来便利的同时，又不得不考虑其带来的诸如信息安全、伦理道德等方面的问题。在人工智能的教育应用中，以学习者识别和学习投入系统为主，其应用场景主要有：教学活动的出勤签到、课堂投入度评测、课堂互动分析、学生学习行为分析以及课堂教学行为分析等[20]。这些系统利用可穿戴设备收集学习者行为动作、心理情感、面部表情等数据来发挥其“智慧”优势，以达到学习者在教育中的“主体”地位。然而，只有人才能进行自由的、有意识的活动，人工智能不具备这种有意识的活动，它的“智能”全部依赖学生学习留下的“数字足迹”[21]，主要包括学习行为数据、学习评价数据以及课堂互动数据等。

人工智能技术不断融入学校教育，教师和学生大量的基础信息、兴趣偏向、智力水平以及情感交往等信息数据被捕获、挖掘、分析、整合、共享和应用[22]。逐渐被量化的教学环境，其数据化构建使得师生变得更加“透明”，虽然这为教育研究和服务带来很大便利，但信息泄露的问题也逐渐凸显[2]。这些数据由谁处理、是否可以被共享、数据的用途是否具有商业性等，都是人工智能技术发展不可回避的问题。另外，人工智能技术全方位提高了获取隐私的能力，学生在课堂上打哈欠、开小差，一举一动都被人“监视”，教育大数据时代下的学生无处可藏，人工智能无限放大了其内心的恐惧[23]。人工智能剥夺了人最根本的自由，不仅没有解放人，而且让人逐渐成了“被实践”的对象[23]。使用数据和人工智能，需要慎之又慎，任何人不应将师生彻底地数据化，不能丧失“人是教育主体”的原则。

习近平指出，要加强人工智能发展的潜在风险研判和防范，维护人民利益和国家安全，确保人工智能安全、可靠、可控[24]。如何通过合理监管有效引入和发展人工智能技术，自然成为社会舆论绕不开的难题。在技术发展的快车道上，为保障人工智能对教育和人的支持与服务，必须要有来自诸如法律、政策、媒体监督、舆论审查、伦理宗教等各种形式的规制，引导技术的正确高质量发展，做到“道”先“魔”后[25]。在挖掘、分析、整合、共享和运用数据的过程中，要加强保护信息安全和隐私安全，严格遵守相应的法律法规和伦理原则，全面提升师生的信息素养[2]。

四、人工与人脑的统一：课堂教学行为分析研究与发展的新路径

人工智能具有高效的执行力，更能迎合个体的性格和需求，提升教学效果，因此在教育领域对其依赖程度会持续加强。人工智能无论怎么构造，都不可能具有人脑的所有性能，尤其不可能具有人脑的创造力。因此，技术与人的有机结合，依然是人工智能教育应用的根本之策。人脑智能和人工智能的协作智能，是人工智能技术支持下的课堂行为分析与发展的新路径。

（一）合理分析技术与人的关系

一直以来，人与技术的关系存在两大对立观点，即技术悲观主义和技术乐观主义。技术悲观主义担忧技术使人类的主体地位丧失，特别关注技术异化后对人类造成的奴役、压迫和统治，反映了技术对人的控制;技术乐观主义无条件地信任人类的理性，坚信技术只是人类为满足自身需求所使用的手段和工具，强调了人对技术的主宰[26]。无论是技术被人主宰还是人被技术控制，都无法充分发挥技术的价值。技术在教育领域的应用中，技术乐观主义容易造成技术成为教学活动的主角，教学活动日益机械化，忽视技术的人文价值。而技术悲观主义容易低估技术在教育中的工具价值，必须承认技术的工具价值，但也不必要过多地恐慌人和技术关系的失调。

从依靠人脑的传统课堂教学行为分析到人工智能课堂教学行为分析，一系列技术的成熟与进步为数据的采集、处理与分析提供了便利。技术极具应用价值，但也不能迷信技术。当人们极度信奉“技术至上”时，就会出现“技术异化”现象。马克思揭示了资本主义社会下工人与劳动的异化关系，即本应该属于工人的劳动及其成果，结果却成了工人无法控制的对立物，原来的主体反而成了被动的、受制于物和丧失主体本性的东西[27]。与马克思的异化劳动一样，人工智能产生于人类本身，是人类智能的异化物[27]，即人脑和人工智能之间存在疏离或异化关系。

人和技术的冲突必然导致技术异化现象，人创造了技术，但在目前的很多方面，又受技术的掌控和支配[28]。因此，没有人脑就没有人工智能，人工智能无法脱离人脑而形成独立主体，人工智能的一切类脑活动都是以人脑为基础的。尽管人工智能已经开始深入课堂教学和管理中，成为推动教育教学改革的重要因素，但这都是基于“人机分离”之上完成的，智慧学习环境只是通过各种技术，协助学习者完成学习获得知识，实现学习的个性化、精准化、超时空化[25]，但是知识的创新和能力的提高最终还是要依靠人脑来完成。

（二）从数据到智慧：人工智能与人脑智慧的关系

人类认知包括神经、心理、语言、思维和文化等五个等级，其中神经认知和心理认知属于人类和动物共有的认知，语言认知、思维认知和文化认知是人类特有的认知[29]。从人类五个认知等级和目前技术的发展情况来看，人工智能都是在模仿人类智能，且并未达到人脑智能的水平[30]。由此，人工智能在无限接近人脑智慧，但却无法超越。人工智能提供真实课堂教学情境中客观存在的数据，为人脑开展主观思考提供参照。人工智能技术支持下的课堂教学行为分析系统应该是什么样的？

托马斯·斯特恩斯·艾略特（Thomas Steams Eliot）提出的DIKW（Data，Information，Knowledge，Wisdom）模型阐明了数据、信息、知识和智慧的关系[31]。他指出数据（Data）指的是各种信息符号，如数字、文字、图像等。信息（Information）指学习者对数据加工和处理后，将自身的理解与认知赋予这些数据使数据具有意义。知识（Knowledge）则指构建新知识的过程，学习者将信息融入原有的认知结构中，结合原有知识进行新知识的重新构建。而智慧（Wisdom）则指综合运用知识的过程，学习者使用构建的新知识进行自我操作与表达，与此同时发现新问题，从而引发进一步深层次的思考。根据DIKW模型，构建人工智能技术支持下的课堂教学行为分析DIKW层次关系，如图1所示。

数据是开展课堂教学行为分析的基础。在人工智能技术的帮助下，可采集到图像、文本、音视频、情感生理符号等多源化、定量、定性的海量学习者数据。这些直接来自于真实的课堂教学情境数据单独存在时仅仅代表数据本身，并没有任何潜在意义，需要运用不同的方式组织和处理数据，分析数据间的关系，使数据具有意义，进而得到信息。研究者可運用数据提取的信息（教学规则）作用于教学实践，为教师的教育教学实践提供借鉴。根据规则提取与归纳信息使其产生联系，信息就形成了知识，经过进一步的推理、分析和思考，知识很有可能产生更深层次的新知识。最后是智慧层，智慧是人类独一无二的能力，其能力主要表现为收集知识、加工知识、应用知识和传播知识。基于各种技术支持下的课堂教学行为分析能够依据数据的采集、处理与分析实现反哺教学的目标，但这仅仅是通过机器、算法程序等模拟人脑特有的机制完成知识地收集到传播过程，知识的创新才是最终目标。人工智能无法充分呈现开放世界，缺乏人类现实世界的丰富经验和情感体验，不具有以一种特定方式进行思考的能力[32]。因此，人工智能技术支持下的课堂教学行为分析需要人脑智慧完成规则的最优决策和知识创新工作。

（三）人脑和人工统一：技术与人的和谐发展

人类生活离不开技术，任何一次的技术革命都必将打破原有存在人与技术之间的平衡。例如，工业时代打破了过去依靠手工制造的生产活动而采用机器生产，人们为了在新时代生活不得不学会使用机器。人工智能时代的到来，使人在世界中原有的主体地位受到威胁和破坏，如智能机器的智力可以与人类比肩甚至超越人类。技术由简单变成复杂的机器后，问题就从人与技术的共存关系转为人与机器如何和谐共存。人类开始恐慌，智能时代的技术是否会破坏比较融洽的人与技术关系，人与人类技术或机器该如何打交道？如何相互依存，和谐共处？

人类不必恐慌智能时代的技术会使得人与技术的关系失调。首先，技术不断进步，人类自身也会得以不断解放。传统的课堂教学行为分析全部依靠人脑经验进行观察评价，费时费力，效率低下;而人工智能技术支持下的课堂教学行为分析，实现了数据采集的自动化、智能化，数据分析结果可以更快更直接地反馈给教育工作者，解放了其体力和一定程度的脑力。人工智能虽然已经拥有超越人类智能的能力，但仍是人类器官的投影或延伸，它只是实现了人类从体力到脑力的更加全面彻底的解放[30]。其次，智能机器具备沟通理解能力，甚至智力超过人类，越来越善于与人类合作，因此在未来，人与技术的关系必然是一种和谐共生的平衡关系[33]，人机共存将成为未来社会的一种新常态。

在实际课堂教学中，人工智能技术与人脑必须统一起来，为课堂教学行为分析带来创新突破。人脑智能和人工智能的协作智能，是人工智能技术支持下的课堂行为分析与发展的新路径，因此，本研究提出人工智能技术支持下的课堂教学行为分析框架（如图2所示）。通过人脑积累的教育经历与经验积累，预置课堂教学行为分析机制，指导人工智能利用软硬件工具完成数据的采集、处理与分析，并将分析结果以人类能够理解的文字、言语、行为等可视化，最后反馈于人，帮助人作出最优决策，改进教学策略、教学方式与教学行为，优化学习者的学习过程，精准实现个性化学习，实现人类智慧和人工智能的和谐共生。

目前，人工智能技术助力课堂教学行为分析已成为研究趋势。通过回顾课堂教学行为分析的进展，分析人工智能技术支持下的课堂教学行为分析发展困境，可以看出“人工与人脑统一”的课堂行为分析将成为新路径。在推进人工智能环境下的课堂教学行为分析发展进程中，必须认识到数据的重要地位，将人工智能技术运用于课堂教学分析时，需要关注各种数据的收集、处理和融合，未来的课堂教学行为数据需要不断提高测量准确性和信息全面性，不断建立有效的分析方法，以更智能、高效、准确、全面地反映学习者的学习过程[33]。其次，还需重视人工智能技术可能带来的信息安全、伦理道德问题，加强各种形式的规制和引导，确保人工智能可用、可靠、可控。人类社会即将进入人机共存时代，关注如何有效地实现“人工和人脑的统一”，是未来人工智能技术支持的课堂教学分析的新思路和新方法。

[参考文献]

[1] 刘清堂，何皓怡，吴林静，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.

[2] 张琪，武法提，许文静.多模态数据支持的学习投入评测：现状、启示与研究趋向[J].远程教育杂志，2020，38（1）：76-86.

[3] 钱铁云.人工智能是否可以超越人类智能？——计算机和人脑、算法和思维的关系[J].科学技术与辩证法，2004（5）：44-47.

[4] 韩东屏.未来的机器人将取代人类吗？[J].华中科技大学学报（社会科学版），2020，34（5）：8-16，59.

[5] 张文梅，祁彬斌，范文翔.数据驱动的教学行为分析：现状、逻辑与发展趋向[J].远程教育杂志，2021，39（1）：84-93.

[6] FANSELOW J F， RICHARD L L. Bilingual， ESOL and foreign language teacher preparation： models， practices， issues[M].Washington：Tesol，1977.

[7] 傅德荣，章慧敏 等.教育信息处理[M].北京：北京师范大学出版社，2011.

[8] 孟凡玉，陈佑清.小学数学课堂师生互动质量的观察与评价——基于“课堂师生互动评估系统（CLASS）”的实证研究[J].基础教育，2015，12（5）：69-77.

[9] 崔允漷，王少非.有效教学的理念与框架[J].中小学教材教学，2005（2）：5-7.

[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] COHEN R B E G. Analyzing teaching behavior[J].American educational research journal，1970，8（3）：589-592.

[12] 顾小清，王炜.支持教师专业发展的课堂分析技术新探索[J].中国電化教育，2004（7）：18-21.

[13] 穆肃，左萍萍.信息化教学环境下课堂教学行为分析方法的研究[J].电化教育研究，2015，36（9）：62-69.

[14] 方海光，高辰柱，陈佳.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.

[15] LITMAN D， SILLIMAN S. ITSPOKE： an intelligent tutoring spoken dialogue system[C]// Demonstration papers at HLT-NAACL 2004. 2004：5-8.

[16] 兰国帅，郭倩，魏家财，杨喜玲，于亚萌，陈静静.5G+智能技术：构筑“智能+”时代的智能教育新生态系统[J].远程教育杂志，2019，37（3）：3-16.

[17] 孙众，吕恺悦，施智平，骆力明.TESTII框架：人工智能支持课堂教学分析的发展走向[J].电化教育研究，2021，42（2）：33-39，77.

[18] 张琪，李福华，孙基男.多模态学习分析：走向计算教育时代的学习分析学[J].中国电化教育，2020（9）：7-14，39.

[19] 黄璐，郑永和.人工智能教育发展中的问题及建议[J].科技导报，2018，36（17）：102-105.

[20] 刁生富，吴选红.重估人工智能与人的生存[M].北京：人民出版社，2019：189.

[21] 孙伟平，戴益斌.关于人工智能主体地位的哲学思考[J].社会科学战线，2018（7）：16-22.

[22] 刘德建，杜静，姜男，黄荣怀.人工智能融入学校教育的发展趋势[J].开放教育研究，2018，24（4）：33-42.

[23] 李芒，张华阳.对人工智能在教育中应用的批判与主张[J].电化教育研究，2020，41（3）：29-39.

[24] 习近平.确保人工智能关键核心技术牢牢掌握在自己手里[N].人民日报（海外版），2018-11-01.

[25] 唐汉卫.人工智能时代教育将如何存在[J].教育研究，2018，39（11）：18-24.

[26] 王美倩.具身视野下教育中人与技术关系重构的理论探索[D].武汉：华中师范大学，2018.

[27] 欧阳英.从马克思的异化理论看人工智能的意义[J].世界哲学，2019（2）：5-12，160.

[28] 李芒.论教育技术视域中“人与技术”之关系[J].中国电化教育，2008（7）：11-15.

[29] 蔡曙山.论人类认知的五个层级[J].学术界，2015（12）：5-20.

[30] 蔡曙山，薛小迪.人工智能与人类智能——从认知科学五个层级的理论看人机大战[J].北京大学学报（哲学社会科学版），2016， 53（4）：145-154.

[31] CHI E H. A taxonomy of visualization techniques using the data state reference model[C]//IEEE Symposium on Information Visualization 2000. INFOVIS 2000. Proceedings.IEEE，2000：69-75.

[32] 宋灵青，许林.人工智能教育应用的逻辑起点与边界——以知识学习为例[J].中国电化教育，2019（6）：14-20.

[33] 穆肃，崔萌，黄晓地.全景透视多模态学习分析的数据整合方法[J].现代远程教育研究，2021，33（1）：26-37，48.