技术赋能的课堂教学诊断：特征与发展空间

闫寒冰，赵佳斌，王 巍

(华东师范大学，上海 200062)

一、引言

2020年，中共中央、国务院印发的《深化新时代教育评价改革总体方案》明确指出，要充分利用信息技术，创新评价工具，提高教育评价的科学性、专业性、客观性。班级授课制形成以来，课堂教学成为教师教学和学生学习的重要形式，针对教师的课堂教学评价便成为了教育评价中的重要一环[1]。课堂教学诊断可以帮助教师发现教学过程中存在的问题，从而提升教师专业能力和教育教学质量[2]。当前传统的课堂教学诊断形式以现场观察法、访谈法和问卷调查法为主[3]，存在主观性较强、反馈延迟、干扰课堂等问题[4]。人工智能等技术的发展可以转变已有诊断和评价方式，为解决传统课堂教学诊断的问题提供新的思路，技术赋能的课堂教学诊断日益成为研究与实践领域的关注重点[5]。那么，现有技术赋能的课堂教学诊断的整体情况如何？有哪些趋势特征和发展空间？为回答这些关键问题，本研究选取相关典型案例进行深入分析，以期为技术支持的课堂教学诊断的未来研究与实践提供参考。

二、研究设计

(一)研究方法

为了了解技术赋能的课堂教学诊断的现有特征与发展空间，本研究使用基于系统综述方法的三方模型(The Tripartite Model)来对案例发现进行讨论和总结。三方模型提供了一个全面的报告视角和形式，主要由“描述(Descriptive)-综合(Synthesis)-评判(Critique)”三个步骤组成[6]。具体到本研究中，在描述阶段，研究者将基于研究框架对案例进行概况描述；在综合阶段，研究者将在描述阶段的基础上，提出技术赋能的教学诊断模型，为教学诊断的模式和工具开发提供参考；在评判阶段，研究者基于前两个阶段的讨论与发现，探讨技术赋能的课堂教学诊断的特征与发展空间。

(二)案例来源

本研究以中文“课堂教学诊断”“课堂教学评价”“课堂教学分析”和英文“classroom teaching diagnosis”“classroom teaching evaluate”“classroom teaching analysis”为关键词，在中国知网、Web of Science、IEEE Xplore数据库平台进行文献案例检索，检索时间为2021年11月7日。文献案例选取要求如下：(1)在案例中应用一定的技术来赋能诊断过程；(2)诊断过程中关注教师和教学环境的研究案例；(3)针对课堂教学且已有相关方案或实践。通过文章题目、摘要和关键词等信息剔除重复文献后，从第一次检索的结果中筛选出有关开展课堂教学诊断的文献41篇，通过全文阅读排除不符合主题的13篇文献，获得28篇相关文献。研究者再通过“滚雪球”形式，使用文献关联软件Connected Papers进行相关文献查找，最终得到英文文献19篇，中文文献20篇，由于有一篇中文文献讲述了3个案例，因此，选取最终符合要求的41个研究案例作为分析的对象。

从案例发表时间来看，技术赋能的课堂教学诊断在一定程度上受到学习分析研究热潮的影响，从2013年开始逐渐受到研究者的关注(见图1)，且相关案例数量具有增长趋势。

(三)研究框架

技术赋能的课堂教学诊断是基于相关理论基础，利用人工智能、数据挖掘等技术来收集和分析师生在课堂教学过程中的信息和数据，并最终以可视化的形式来解读分析结果，帮助教师作出教学决策的诊断方式。对这类教学案例进行分析，自然要关注对教与学数据的采集、处理与分析情况的梳理。同时，为了立体化地分析课堂教学诊断的案例，本研究还关注其上位的诊断范式与诊断层次。

所谓范式，是指研究共同体运用基本相似的方法来研究同一领域的特定问题[7]。在课堂教学诊断的研究中具有三类典型的范式：经验-解释型、指标-诊断型和教学切片型[8]。其中经验-解释型取向的范式以诊断者的个体经验作为判断依据，是一类定性诊断，也是当前中小学主要的研究范式，具有方便、易行等特点，缺点在于不专业且缺少具体标准。指标-诊断取向的范式以诊断者既定的编码、量表等作为基本的判断依据，基于此收集数据来诊断课堂教学活动的优劣，属于定量研究。前两种范式在实践中存在诊断的客观依据不足、无真实数据支持和盲目照搬量表等问题，无法保证诊断的客观性和有效性[9]。为了克服以上两种范式的不足，研究者提出了第三种范式——教学切片型研究范式。这是一种通过选取典型教学行为片段，基于真实课堂教学情境的定性定量相结合的教学诊断范式。归纳隐含这种范式能够归纳课堂教学背后的规律与经验，使课堂教学研究走向精细化。三类诊断范式的比较见表1。

表1 三类诊断范式的比较

诊断层次是指从运行机制角度出发，将课堂教学诊断分为要素诊断、结构诊断和功能诊断三个层次[10]。这三种诊断分别依据一定的标准对教学要素、教学结构以及对要素和结构的效能予以判断。这三类诊断实际上是对课堂教学从单要素到多要素、再到体系功能的判断升级。

基于以上研究与分析，本研究将案例的分析框架分为诊断范式、诊断层次、数据采集、数据处理、数据呈现五个一级维度，以及相应的二级维度(如表2所示)。对于诊断范式与诊断层次这两个维度，本研究主要是依据二级维度的特征判断案例的归属，并分析其中存在的问题。对于数据采集、数据处理和数据呈现三个维度，主要是通过记录每个案例的具体信息汇总分析问题。

表2 教学诊断分析框架

三、研究结果

(一)诊断范式情况

教学切片型范式相比其他范式更加精细化，因而也更受学者认可。但切片操作由于存在繁琐和机械等问题[11]，在传统的课堂教学诊断中应用较少。而在技术赋能的这些案例中，由于有机器学习和深度学习等技术的辅助，编码分析过程自动高效，趋向于教学切片型范式的案例大比例呈现，41个案例中有35个案例是收集课堂教学中的真实数据。研究者通过高清摄像头、学习平台和可穿戴设备来实时采集课堂教学中的行为、生理和文本数据，为后续的分析诊断提供了客观的证据支持，具有更多教师教学和学生学习的课堂细节。

虽然如此，严格意义上来讲，这35个案例并不完全符合教学切片型范式的特征。教学切片型范式不仅需要基于“证据”，还需基于“标准”进行诊断[12]，同时还需要通过定性定量等方法，对其背后隐藏的教学规律进行深入分析。在这35个案例中，仅有17个案例制定了相应的诊断标准来对结果进行评判，这其中，又有14个案例对结果进行了定性定量分析。简言之，虽然有85%的案例倾向于教学切片型范式，但完全符合教学切片型范式要求的案例只有总量的34%。

进一步分析，在基于“标准”进行诊断分析的17个案例中，它们所参照的标准又可分为相对性、绝对性和个体内差异三种标准类型[13]。其中采用绝对性评价(又称标准参照)标准的案例，依据某种特定的操作标准直接解释结果。如基于IRF理论将课堂分为七种类型标准，以此判断课堂中师生互动的效果[14]；基于教学行为序列频度来划分教师信息技术应用能力的评判标准[15]。采用相对性评价(又称常模参照)标准的案例，是将个体的成绩与对应团体的平均成绩或者常模进行相互比较，确定个体的相对水平。如通过分析98位教师与1973名学生的互动指数分布情况，根据指数的分位数来对互动程度进行低、中、高三类分组[16]；以优秀教师的情况作为相对标准予以参照，从而发现新手教师存在的问题[17]。采用个体内差异评价标准的案例是对个体的过去和现在进行比较，仅有1个案例考虑到追踪不同年份教师的能力趋势变化[18]。

(二)诊断层次与所依据的理论模型

基于诊断层次对案例进行分类，发现现有案例仍属于要素诊断(25个)和结构诊断(16个)，而没有属于功能诊断的案例。在要素诊断这一层次，现有案例关注的要素比较多元，以对教师信息技术应用的关注偏多。如通过关注教师在信息化课堂环境中的信息技术和教学媒体的应用情况，来判断教师信息技术应用能力类型[15]。此外，还有研究关注课堂教学中的认知目标、情感倾向、教学投入度以及教师情境意识、教师课堂监控能力等。在结构诊断这一层次，现有案例研究主要倾向于关注两个方面：教学结构与师生互动。其中，教学结构主要是通过分析课堂中教师行为和学生行为的占比情况(如S-T行为分析)、课堂活动的高低结构(如SPS教学结构模型)来判断课堂教学是以教师主导还是学生主体。而师生互动主要是通过活动行为交互(如TBAS模型)[19]和言语行为交互(如IRF对话结构模型)[14]来分析课堂中师生之间的交互情况。这些案例无论属于哪种诊断层次，均依据相应的理论模型，如表3所示。

表3 案例诊断内容情况表

研究者所依据的理论模型，又可具体分为用于教学分析的教学理论模型、支持诊断过程的分析系统模型以及作为诊断标准的参照标准模型三类。图2通过齿轮图来表示三类模型的关系，并例举了案例中的具体模型。这三类模型在案例中各司其职，通过选择性地应用来实现教学诊断的最终目的。

(三)课堂教学诊断的数据采集

本研究对案例的数据来源、采集工具、采集变量和数据内容进行整理。数据来源主要分为音视频数据、生理数据、文本数据、数字数据和环境数据(见表4)。进一步梳理案例中相应的采集工具、采集变量和数据内容。梳理得知，音视频数据、文本数据和数字平台数据仍是主要的数据来源。音视频数据由教室内高清摄像机、录音机等设备录制，基于此类数据来分析课堂中师生的活动和言语行为，活动行为主要指课堂中发生的演示、巡视、板书等具体行为和教学活动，课堂中技术和媒体的应用是研究者比较关注的课堂活动行为[20]。言语行为则是关于课堂提问、讲授和讨论等交流对话。文本数据是以文字材料的形式呈现，主要来自音视频转录、网络平台和学习管理系统搜集，关于学生的课堂反馈与评教文本数据是主要的文本数据形式[21]。数字平台数据则是师生在应用各类软件、教学平台过程中所留下的行为痕迹，主要通过后台日志来采集发生的教学活动[22]。随着技术的发展与普及，有研究通过生理采集和传感设备来获取师生的生理数据和教室中的环境数据，如眼动追踪仪、便携式脑电帽、可穿戴腕表、坐标定位器和动作捕捉传感器等[23]，基于此类数据来进一步分析教师的辅助性教学行为，例如注视、手势、课堂走动和身体姿态等[17，24]。

表4 案例数据采集情况表

(四)课堂教学诊断的数据处理

基于刘邦奇等[16]与Ndukwe等[25]对学习分析与教学分析的技术分类，结合本研究案例分析的特征，将所应用的算法技术划分为分类聚类技术、文本挖掘技术、深度学习技术和关系挖掘技术(见表5)。分类聚类技术以决策树、K-means聚类算法为代表，基于教学数据的特征来对课堂活动、事件和模式等进行分类，例如，使用K-Means聚类分析来判别挖掘智慧课堂中教师的改进型、交互型和理想型教学模式[20]。使用随机森林算法开发的自动分类系统来编码教师讲课、全班讨论和学生小组作业三类课堂活动[26]。文本挖掘技术以自然语言处理技术为代表，对各类文本材料如评教文本、交流对话和访谈等进行情感与主题挖掘，如开发一个文本数据挖掘+机器学习的模型(EPDM+ML)来对学生评价数据进行自动编码与情感判断[27]。深度学习技术以卷积神经网络CNN、循环神经网络RNN为代表，在视频图像分析和多模态数据融合方面如师生表情与动作识别、教学活动感知等方面起到重要作用，如采用以CNN为基础的轮廓检测、人脸检测和动作幅度检测技术来对教师行为、学生行为等进行自动编码[28]。对于采集的眼动、EEG与皮肤电等多模态数据，有案例使用CNN对师生课堂活动与交互层次进行自动编码生成[29]。关系挖掘技术以滞后序列分析、认知网络为代表，从行为、认知和社会关系角度出发来深入探究师生的认知结构与行为模式。

表5 案例数据分析情况表

技术的发展为教学诊断提供更多的选择来分析课堂教学，也提高了诊断分析的效率，但是技术完成的编码分析准确性如何，需要进一步验证。现有案例对准确性的检验存在不足，仅有小部分案例(13个)对机器分析得出的结果进行检验，如通过制定一个优秀的教师评定框架，对该教师的职称、论文、教学设计等成果进行综合评定得到的结果与机器的分类结果进行比较计算准确率[20]，通过使用教学大赛中课例的获奖等级与机器判定的结果进行对比判断[24]，以及通过人工编码与机器编码结果进行对比、采用课堂观察以及使用量表等来计算准确率。

(五)课堂教学诊断的数据呈现

在数据呈现阶段，需向被诊断的对象师生清晰呈现有意义的分析结果，通过可视化的形式来促进教师对课堂教学过程的认知和反思[30]。基于案例中可视化工具的特点，将呈现形式主要分为基本的统计图表、象限图、网络图、空间分布图和时间序列图，表6总结了可视化类型以及其中典型的呈现形式与相应的呈现内容。

表6 案例结果呈现情况表

四、技术赋能的教学诊断模型

通过对案例的描述分析，可知教学诊断中的范式机制、模型框架和数据分析与呈现为诊断过程提供了科学、客观、高效、可视的特性。此外，已有教学分析模型[25]和数据驱动决策框架[30]强调在技术和数据支持的分析过程中需以目标和问题为导向，并通过不断迭代循环来优化过程，且最终目的都是提高决策的精准。基于以上分析，本研究提出技术赋能的教学诊断模型——TTDM(Technology-enabled Teaching Diagnosis Model)，来帮助教学实践者更加系统地参与到教学诊断中。TTDM遵循诊断目标、数据分析、数据呈现与基于诊断结果的教学决策四个步骤的迭代循环(见图3)，以期支持教师对课堂教学质量的自我认知，促使教师改善教学实践，最终提高学生的学习成效。

该循环从确定诊断目标开始，在该阶段诊断者需明确诊断需求和机制，结合现有教学理论和分析模型等来支撑教学诊断目的、方法和结果，从而构建教学诊断的整体框架。在数据分析阶段，需收集与诊断目标相关的数据与信息，明确采集工具与数据来源，从而获得完成诊断目标所需的真实数据如音视频数据、生理数据、物理环境数据等。然后应用深度学习、机器学习等各类算法技术对获得的数据证据进行高效与深度的分析。在数据呈现阶段，通过可视化的形式来呈现结果以促进教师认知，并基于所制定的参照标准对结果提供具有解释性的诊断反馈，如相应的教学资源推荐和教学行为指导等。教师在此阶段对提供的报告结果进行观察、理解与反思，对自己的课堂教学总结得出合理的结论。在最后的教学决策阶段，教师基于上一阶段的反思发现自己教学中的问题并获得实践性知识，制定和执行新的教学计划来解决诊断中发现的问题，从而提升自己的教学水平与能力。教师获得能力提升达到所需的结果后便可结束这个循环，此时可以基于自身情况确定新的诊断目标进入新的诊断循环，不断迭代反复提升课堂教学能力。

五、结论与启示

(一)特征

1.诊断范式切片化

课堂教学切片诊断是一种将课堂教学进行分解然后独立诊断的课堂研究方法。技术的应用使得教学诊断中的“切片”更加方便高效，研究案例中大部分采用教学切片的形式，将师生行为和话语按照教学活动或时间进行拆分，对课堂进行深入精细的剖析，发现课堂中存在的具体问题。

2.数据采集多模态

课堂教学环境中存在着大量的师生数据，在技术的辅助下，课堂教学数据采集趋向多模态，更加全面的数据采集能帮助诊断者用数据化手段来测度课堂，从而发现课堂教学的全貌，透过丰富的课堂教学数据归纳总结教学现象与规律[31]。其中，包括关注的主体多元，不仅关注课堂中的教师数据，也关注学生数据；采集的数据多维，不仅是课堂教学中的活动数据，还关注言语数据，并且还会采集更加细微的姿态、表情、语音语调、目光注视等数据。

3.编码分析自动化

传统的课堂教学诊断需要大量的人工编码和分析，存在效率低、反馈不及时等现实问题。在技术的帮助下，当前案例将机械重复的编码和分析工作交由机器来完成，可以自动化地得出诊断结论并反馈给师生。这样不仅可以减轻诊断者和教师的负担，还为后续规模化的应用奠定了基础。

4.采集证据客观化

对课堂教学的评价缺少客观证据、主观性过强一直是传统诊断方式存在的弊端[11]。在技术的支持下，通过采集课堂中的数据，并对采集得到的数据进行统计分析，可以得到教学课堂中师生的具体言语交流、行为频次和序列等客观证据，在这些客观依据的基础上，再进行课堂教学的诊断分析，有助于整个诊断的客观性和科学性发展。

5.呈现形式可视化

结果呈现是分析诊断的最后一步，能将诊断的结果形象直观地反馈给师生也是技术应用的一大优势。虽然案例所关注的诊断内容和诊断方式不同，但对结果呈现均采用了丰富多样的可视化形式，从而促进教师的反思与理解。

(二)发展空间

随着越来越多的技术被应用于课堂教学诊断，在一定程度上助力诊断向着客观、全面和高效的方向发展。但通过案例分析，发现技术赋能的课堂教学诊断在科学、客观、高效、可视、精准几个维度(参考图3所示的TTDM模型)上均有较大的发展空间。

1.加强对诊断标准的制定和对结果的信效度检验，提高诊断的科学性

要加强对“标准”的制定。诊断最初是医学上的术语，其前提是有相对应的生理指标可供参照，而“标准”亦是课堂教学诊断的前提。现有案例虽然都会产生诊断结果，但是往往没有相对应的标准来对结果进行合理解释。一方面，要基于教育教学理论，考虑教师的专业发展来科学地制定相应标准，而不是简单地设定一个目标值来作比较。另一方面，对于不同阶段的教师群体要设置不同的评价标准，建立区分性的评价指标，才能使拥有不同经验的教师都有所提升，追踪式诊断也有助于教师自身差异的对比。

另外，要对机器得出的结果做信效度验证。机器自动化的编码分析在降低人工负担的同时，也在一定程度上降低了结果的准确性。一方面，要明确编码分析所适宜的场景，已有研究发现，同样的分析技术应用于不同的视频类型和不同学科会存在较大的准确性差异[20，28]。另一方面，要对得出的结果进行验证，结合人工分析和该教师的其他数据来对它的准确性作以判断，并不断修正迭代机器分析的路径。

2.尽可能采用轻量级设备做无干扰数据采集，提高诊断的客观性

要想真正地应用于教学实践一线，需要大量地采用具有低成本、易操作和无干扰特征的轻量级采集设备。现有的采集设备正在向轻量级不断发展，如IATracer，一个轻量级的多模态教师数据采集系统由一个领夹式麦克风和一个定位徽章组成，链接谷歌云的API接口，可收集教师的位置信息和对话信息[32]。不断尝试无干扰数据的采集并力争通过这些设备实现对关键教学特征的覆盖，将是技术赋能的课堂教学诊断的重要努力方向。

元宇宙将是另一个实现无干扰全面采集的方向。基于元宇宙构建的数字化课堂世界，可以为师生提供沉浸式的教学互动场景，满足师生教与学的需求[33]。相较于真实的课堂教学场景，课堂元宇宙具有教学环境可控、实践高效便利和数据采集多样的特性。可以基于诊断目标和教学技能点来有针对性地设置虚拟的教学情境，实现现实课堂无法完成的教学操作，随时随地开展教学实践并在过程中结合多模态生理技术，采集脑电、眼动和心电等生理数据来精准地作出教学诊断。已有研究利用虚拟现实教室来研究教室环境的复杂性是否会影响职前教师对教学干扰的注意和反应[34]。

3.通过专家知识嵌入提高诊断层次，实现诊断的高效能

目前的案例中，没有案例可以达到功能诊断的层次。这一层次的诊断是在要素和结构诊断的基础上，更加关注效能的发挥程度，考虑得更加综合全面，机制更加复杂。为了实现诊断的高效能，必须依靠强大的理论模型，这虽然是所有案例都已做到的，但面对多元复杂、高度情境化的课堂教学，仅依靠静态的理论模型还不够，需要更多动态的专家知识。机器虽然可以帮助研究者进行简单的编码分析，但是机器没有智慧，而人机协同决策中机器可以通过“学习”来获取专家知识，专家通过“认知”来评估机器得出的决策[35]。反映在课堂教学诊断中，即使大部分工作交由机器完成后，人类专家也需要对机器得出的诊断结果进行提炼总结并反馈给机器进行迭代优化。在人机协同决策的背景下，机器将“习得”专家知识，进而可以具有更高层次的课堂功能诊断。

4.加强对“可操作见解”的追求，提升可视呈现的价值

所谓的可操作见解(Actionable Insight)是指可视化的呈现不能停留在只是出现各种表征信息的图形，而要有助于非数据分析专业人士得出清晰、明确的结论，它运用历史性的、实时的、流动的数据，兼具描述性、预测性、诊断性和规范性的分析，不仅提供相关信息，更提供对事物清晰和深刻地理解，从而达到对可操作性见解的更高追求[36]。应用于课堂教学诊断，可认为是在对课堂数据进行挖掘与分析的基础上，对数据背后的潜在教育规律和模式进行描述性处理，经过系列可视化方式来探索某种教学因素变化的方式和原因[37]。最终以简洁、清晰可视的方式使教师快速、直观地了解分析结果以便更好地作出教学决策[38]。

5.通过在实时诊断与个性推荐之间建立有效关联，提升诊断决策的精准性

课堂教学是一个复杂的过程，教师在课堂上需要不断寻求自己的教学行为与学生需求之间的契合点[39]。对师生在课堂中的行为作出实时的诊断反馈便存在必要性，这种实时诊断被称之为教学增强(Teaching Augmentation)[40]。已有在人机交互系统和AI增强的课堂环境中使用智能眼镜、教学仪表盘和空间分布灯具等设备来实时监测和反馈课堂教学情况的研究[41]。个性推荐则是在诊断结果的基础上给出“药方”。要做到个性推荐，不仅要建设丰富的教学资源库，具有满足不同教师需求的学习内容，还需探索针对课堂教学机制和教学资源的推荐算法。

课堂教学是学校教育的主要形式，对课堂教学过程进行诊断亦是提升课堂教学质量的重要举措。人工智能、大数据技术的发展和变革为课堂教学诊断的实施提供了强大助力。本文通过分析41个技术赋能的课堂教学诊断案例，整理归纳案例的诊断范式、诊断层次以及数据采集、处理与呈现等方面的内容，并在此基础上总结技术赋能的特征和今后的发展空间，以期为我国课堂教学诊断的实践和科学研究提供参考。