基于人机协同的开放教育教学分析框架构建

刘铁柱

基于人机协同的开放教育教学分析框架构建

刘铁柱

（宁波开放大学 教学中心，浙江 宁波 315016）

传统的开放教育教学面临资源短缺、评价困难、管理繁琐、教学分析方法局限性大等问题。文章基于人机协同理念设计开放教育教学分析框架，人类教师与智能机器双向赋能，为教学、评价和管理工作高效开展打开新局面。应用该框架分析开放教育的一堂面授辅导课，通过机器视觉分析、自然语言处理和教师协同分析，突破开放教育教学分析瓶颈，提升开放教育课堂分析的效率，从而助推开放教育实现内涵式发展。

人机协同；开放教育；教学分析；教育人工智能

党的“十九大”报告中明确提出要“推动互联网、大数据、人工智能深度发展”。[1]实际上，近年来一系列政策文件对构建高质量教育体系提出新要求。《国务院关于印发新一代人工智能发展规划的通知》重点强调要构建包含智能学习、交互式学习的新型教育体系。教育部《关于实施全国中小学教师信息技术应用能力提升工程2.0的意见》提出要打造信息化教学创新团队，有条件的学校可以充分利用人工智能技术成果助力提升校长、教师教育教学创新能力。人机协同视域下，已有研究立足教育大数据、人工智能和学习分析技术，应用于教育教学全过程，为全日制教育赋能，非全日制教育成为被遗忘的角落。面对人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾，开放教育必须立足教育的公平与自由，满足人们对继续教育的诉求，重新认识终身学习的积极意义。新技术为开放教育理论体系重构和实践模式变革提供动力。

一、人机协同教学理论

（一）教育人工智能进化路径

教育人工智能（Artificial Intelligence in Education）是人工智能和教育相结合的交叉领域。[2]基于人工智能的课堂教学分析研究已经进入探索阶段，比如利用人工智能技术实现自适应学习的移动学习同伴系统，利用机器推测学员个性特点，利用认知与元认知序列探究学生隐性知识掌握情况。但已有关于人工智能课堂分析理论和方法，仍处于弱人工智能阶段，需要一段时间的进化才有理想的智能效果。通常认为的进化路径为全人工分析阶段、弱人工智能阶段、强人工智能阶段，一直到超人工智能阶段。[3]当前的教学实践中，没有自主意识的人工智能正在逐步渗透学校教学活动各方面，另一方面，整个学校教育运行正逐步基于一个大的教育人机协同系统上，教育人工智能逐步呈现“人机协同化”。[4]其中，课堂分析的量化和质性分析都可以由机器完成，借助人工智能分析的结果，人类专家可以专注于提炼教学问题、改进教学策略，再把这些数据返送给机器，达到人机协同分析的理想形态。

（二）人机协同结构与教学分析

人机协同化作为教育人工智能发展形态之一，其结构简单来说可以分为三大部分：人、人机交互接口、计算机为代表的机器。[5]其结构图如图1所示。其中，人通过观察得到数据，再分析、推理、判断得到结果，经过人机交互接口传输给计算机。对计算机输出的结果进行再加工，对结果进行评估和决策。人机交互接口尽可能提供全面、透彻、灵活的信息，使得人与机器可以与计算机进行对话。计算机中数据库是概念、事实、状态、假设、证据、目标的集合。规则库是因果关系或函数关系的集合。推理机则主要实现推理功能。在人机协同系统中，人和计算机如何发挥各自优势呢？随着人工智能的不断发展，人机协同中的“机”已经超出计算机的范畴，而是包括计算机在内的智能感知、云计算、区块链等多种智能技术。

基于上述文献梳理与分析，人机协同教学分析概念可以描述为“人类教师通过学习分析技术，结合机器，对学习者的学习过程进行全方位评价，对学习结果进行科学化和自动化的决策和管理，支持教师开展智能化的教育教学分析。”本研究小组尝试从开放教育教学实际问题出发，利用人机协同构建人工智能背景下的人机协同教学分析框架，破解开放教育教学分析的难题。

图1 人机协同结构

二、开放教育教学与分析方法困境

（一）当前开放教育教学困境

1. 资源短缺

开放教育在学科建设、专业建设、教育教学研究等方面存在诸多体制机制层面的障碍，资源投入有限，导致开放教育内涵式发展遇到瓶颈。比如在学科建设方面尚处于起步阶段，传统学科基础薄弱，对于成人教育学、远程教育学、社区教育学等需要大力扶持。[6]开放教育教学分析和研究一直处于弱势地位，没有良好的政策和制度环境，影响了开放教育的教学效果。

2. 评价困难

开放教育教学过程评价很大程度依赖于线上或线下的教学督导。但从实际工作看，教学督导缺乏科学的标准和大数据支持。一方面，督导组进行的教学检查未形成完整且具有可操作性的评价体系，线上线下标准不明确，督导不够深入。另一方面，开放教育教师提供给管理部门的材料有限，数据量不足或数据不完整，评价结果没有突出公平合理。还有管理繁琐的问题。我国开放教育主要面向成人学员，先要解决学习时间与工作、休闲时间相冲突的问题，再要考虑到学员媒介素养、适应能力、学习方法和策略相比较全日制学生都相对薄弱，这给教学管理增加不小的难度。[7]尽管当前引入了信息化管理平台，辅助管理人员进行教学管理，但平台对学员的学习状态、学生心理、学习态度等指标都未进行有效感知和分析。开放教育教学分析需要引入先进的方法策略。

（二）课堂教学分析的研究内容

1. 课堂教学行为有效性

许多教学研究者和教育实践者致力于降低能耗，提升教学效果的研究。如从关键因素分析、文化影响、参与者、教师指导等方面进行课堂教学分析，[8]通过设计教学模型和挖掘教学数据，预测有效的课程传导策略，为课堂教学质量提供保障。[9]

2. 课堂教学分析方法

最早的分析方法源于20世纪中期的课堂观察法，后来依据“互动过程分析”理论，产生了著名的弗兰德斯互动分析系统（FIAS），构建了一套行为分析的编码系统，按照一定的时间间隔来标记和分析师生行为。

3. 课堂教学行为比较

著名的国际比较研究TIMSS项目录制了美国、德国、日本、澳大利亚、瑞典等几个国家的数学课堂视频样本，发现数学成绩好坏并不是因为课堂组织、技术手段等因素，而是与师生互动、解决问题方式有着密切联系，同时也表现出很强的文化特征。不同学科、不同教学行为间的比较研究也不断开展。

表1 课堂交互分析方法综述

4. 技术辅助的学习分析

学习分析技术被《地平线报告》称为“未来教育技术发展趋势”，聚焦于在线学习的评价数据分析、学习预警数据分析、伦理隐私数据分析和资源推荐等。常用的课堂交互分析方法总结如下，见表1。以上四种分析方法的共同点是通过既定分类维度的数据采集和分析来探究课堂行为特征之间的联系。

但是仍然存在一些问题：以上方法都是观察者每隔一定时间采集一个样本，将完整的课堂拆分成片段，在片段间可能遗漏关键的信息；依赖人工专家的分析编码，且工作量大；缺少数据结构与意义理解的关系，仅作时间上的机械划分而忽略每个语言交互和行为交互背后的情境信息。因此我们需要寻找更加科学、更加全面的教学分析方法来进行研究。

三、基于人机协同理念的开放教育教学分析框架

（一）分析要素

1. 基于4MAT教学理论的分析要素

纵观学习分析技术在国内外的发展历程，数据驱动的个性化学习服务，学习行为可视化，自适应网络学习平台，社会与知识网络，跨学科合作探索和学习体验人性化等六个方向逐渐成为当下的研究热点。结合开放教育教学分析的领域和特点，我们以面授辅导课为对象，聚焦于以下三个分析要素，深入挖掘理论的中心思想。

1972年麦克锡（McCarthy）主要以克尔伯有关人们感知信息和加工信息的方式有所不同的观点为理论基础，借鉴教育学、心理学、脑科学及管理学等领域的研究成果，首创了4MAT（Mode Application Techniques）教学模式，见图2。该模式通过分析处理信息的方式（X轴从左到右代表从抽象到感性），以及处理完信息之后的响应方式（Y轴从下到上代表从探究原因到关注行动），刻画老师的教学风格和学习者的学习风格。具体分成4种教学类型：概念抽象型、指引操作型、场景经验型和原因探究型，以及8个教学阶段：连接、关注、想象、告知、练习、扩展、提炼、表现，它们形成一个完整的教学回路。其中，课堂教学风格分布越均匀，表示对各类学生的兼顾越好。这为我们分析学生学习模式，辅助教师动态调整教学策略提供理论依据。

2. 基于弗兰德斯分析理论的分析要素

1970年，美国教育学家弗兰德斯（Flanders）认为课堂教学中，大约有三分之二的课堂时间要用来讲话；语言行为是课堂中主要的教学行为，占所有教学行为的80%左右，因此评价一堂课的最佳方法是对课堂内的师生语言行为进行互动分析。由此他提出一套该系统运用一套代码系统记录在教室中师生互动的重要事件以分析研究教学行为。作为经典的课堂行为分析理论，我们将它列入分析框架当中。

图2 4MAT教学模式示意图

3. 基于知识图谱分析理论的分析要素

知识图谱（Knowledge Graph/Vault）能把复杂的知识领域通过数据挖掘、信息处理、知识计量和图形绘制而显示出来。知识图谱能为学科研究提供切实的、有价值的参考。

（二）分析维度

我们综合了三大分析要素的特点，采用4MAT理论对教师教学和学生学习风格的凝练深刻分析，利用弗兰德斯互动分析方法的改良版对师生互动特征和质量进行分析，使用知识图谱方法对课堂知识点和关系刻画课堂知识覆盖范围，重点关注教学中的以下重要特征：教师语速、教师语言凝练度、教师情绪、提问的想象力、教学风格强烈程度、教师情绪饱满度、课程主题路径和概念拓展建议等。在此列举7个分析维度，如表2所示。教师需要兼顾学生知识技能学习和情感变化、心理状态、价值取向等因素，多维度、多模态的数据更有利于人机协同教学分析。

（三）教学分析框架

本研究综合上述教学分析要素和分析维度基础上，构建基于人机协同的开放教育教学分析框架，如图3所示。充分发挥机器的计算速度快、存储量大、信息处理能力强的特点，批量准确采集开放教育课堂中教师和学生数据，然后快速精准地分析数据。机器的知识库具有很大的灵活性，可以采用关联规则等机器学习算法推荐教学资源。一方面，学生利用智能机器反馈回来的数据准确定位知识薄弱点，利于开展针对性学习；另一方面，人类教师发挥自身的优势，在机器分析的基础上进行成果归因、教学诊断和教学干预，通过对数据检测、联想、推理等，进行最终的教学决策。在这样的智能学习环境中，人机协同开展教学分析，随时调整教师的课堂教学以及学生的学习。实际运行流程如下：智能机器根据实时教学影像，分析教师教学风格特点和讲授的情绪倾向，教师可以利用一手数据调整自己讲课节奏以及情绪情感，并通过师生互动地分析数据，随时调整互动模式，选择适合学生智力水平的问题进行提问，采用“旁征博引”和“深入浅出”的语言吸引学生参与其中。相比较传统开放教育教学分析方法，该教学分析框架能够利用教育人工智能优势加强教师对课堂教学的认知评价，强化人机协同循环，依托教育大数据平台，帮助教师从多个维度分析课堂教学、改进教学，也能够给予成人学生及时、有效的学习反馈。有希望解决开放教育教学分析层次较低、教学研究环境落后的问题。

表2 课堂分析维度举例

图3 教学分析框架

开放教育的管理人员可以利用该框架对教师进行评价，确保数据的公正客观，有希望解决教学评价体系不完善、开放教学数据有限的问题。此外，对于成人学习者管理难度大、课程管理平台功能限制等问题，也可以学习和吸收人机协同的教学理念，加强学习者的学情分析，提供个性化的教学指导，完善课程管理平台的功能，提供更加优质的管理服务。

四、人机协同的开放教育应用

（一）分析对象

研究选用某城市开放大学开放教育辅警学历提升项目行政管理专业（专科）的一门选修课《办公自动化》。该课程讲解办公软件Office的高级应用，强调知识性和系统性的同时，更强调实用性和操作性。选修该课程前要求学员已经学习了《计算机应用基础》课程，进一步学习Office办公软件的高级功能，了解它们的深层次知识、掌握它们的高级技能，提高办公软件的实际操作能力。课程的主要内容为Word高级应用（版面设计、内容编排、域与修订），Excel高级应用（函数与公式、数据管理与分析），PowerPoint高级应用（演示文稿高级应用）。课程采用线上线下相结合的授课方式，线上发布教案、操作视频以及每个章节的作业，线下突出知识点讲授和答疑。

此次重点分析的课例是“Word高级应用”中“版面设计”章节下的“页面设置”，采用面授辅导课的形式，单节时长为45分钟。我们对这次课全程录像，并导入人机协同分析系统，进行教学分析。

（二）分析结果

基于人机协同分析框架的课例分析，我们首先对课堂视频中的教学场景分类，再智能分析课堂师生的行为和语言，得出教师讲授基本情况、学生听讲情况、授课特征、课堂交互质量以及课堂小结五部分的分析结果，下面依次对这些内容进行描述。

1. 教师授课基本情况

本次课教师大约讲授3245个字，平均语速是256字每分钟，央视播音员的语速约为300字每分钟。本堂课教师授课凝练度为2243.55 bits/分钟。我们认为教师授课语速及凝练度，会影响学生理解教师课堂讲授的情况。凝练度数值越大表示越凝练，参考范围在2000-2500 bits/分钟。教师常用口头禅为“所以”（42次）、“然后”（30次）、“还有”（24次），因为不自觉使用，会影响教学效率甚至无意识影响学生听讲，所以建议有意识地减少口头禅。另外，老师用于维持课堂秩序的话语次数为5，该指标反映了老师进行课堂整顿和管控的程度，可见这堂课上教师没有把精力放在维持课堂秩序上，即课堂秩序良好。

4MAT分析结果显示，本课堂侧重于发展概念和技能，偏向概念具象方式的教学。教学风格强烈程度为：0.09（参考范围：0-0.25），表明教师比较好地兼顾了各类学生。此外，教师情感饱满程度和教师积极话语次数会直接影响学生课堂的投入程度，本节课情感饱满程度为0.2（数值越大越饱满），积极话语次数39次，情感变化程度0.12（数值越大表示变化越强烈）。

2. 学生听讲情况

学生发言主题是学生课堂知识兴奋点或教师引导的学生关注点，学生发言时长则反映了教师推动互动的结果。如果分布集中在较短或较长，教师需通过教学意图来判断是否未达预期，可以检查课堂交互质量类数据和课堂类型来综合分析原因。本堂课学生发言总时长5分30秒，全部发言学生的学习风格在4MAT各个象限都有分布，表面本堂课学生多样性得以发展。再来看学生的语言情感：正向44秒，中性4分30秒，负极16秒，学生情感如果过多偏于负面，则需检查原因。

3. 授课特征

首先我们关注课程设计，若何、为何、是何、如何的分布情况，反映了教师在课程设计上对场景设置、原因探索引导、概念抽象概括、和方式方法操作的总体设计。若何（what if）批判问题，为何（why）探究原因，是何（what、who、where、when）倾向概念描述，如何（how）指向如何做、怎样做。本堂课四项得分为若何51，为何33，是何47，如何19。另一方面关注授课是否深入浅出，结果深入浅出得分0.1（数值越大越好，参考《诗经》的深入浅出分0.11），语言可理解程度为0.9（数值越大越好，参考一般白话文的可理解程度为0.835），还有进步空间。关于课堂想象力，也就是创设思维场景的指标，数值越大表示思维越发散，用语越有想象力，本次课得分为0.15，作为参考，《三体》的发散值为0.198。

我们以左右脑激活理论为基础，分析教师授课过程中对学生左右脑激活情况。人的左脑主要负责逻辑思维、数学和语言能力，具有连续性、延续性和分析性的特点；右脑负责形象思维、艺术和创造力，具有无序性、跳跃性、直觉性的特点。本堂课激活左脑时长3分20秒，激活右脑时长1分40秒，左右脑比例刚好2.0，所以本次课以左脑激发为主。最后本次课的教师行为占有率在0.5附近，且师生行为转换不多，属于混合型课堂。

4. 课堂交互质量

图4 课堂知识图谱

表3 课堂交互质量表

我们首先来看S-T曲线，也就是师生互动曲线。沿横轴方向的线段代表老师在讲话，沿纵轴方向的线段代表学生在讲话。当曲线偏向横轴时，表示老师活动占多数；而当曲线偏向纵轴时，学生活动占多数。当某段曲线整体平行于45度线时，表示在此段时间内老师学生互动充分。本堂课的师生互动情况如表3中的第一张图所示，课堂的前四分之一部分和中间教师讲授占比高，其余部分学生参与比较好。弗兰德斯互动分析雷达图如表3中第二张图所示，从七个维度来分析课堂互动质量，它们分别是教师发问、学生发问、教学话题、教师话题互动稳定、学生话题稳定、教学与管控比以及启发性，雷达图蓝色覆盖面积越大越好，而激励学生主动参与课堂的分值达到了8.29%，启发性达到0.27，都在参考范围里面。当然，师生交互质量还有许多可以参考的指标，如教师反应比例、学生反应比例、课堂安静及混乱百分比等，这些在矩阵分析表中都能体现，在此不另加描述。

5. 知识图谱分析

整理课堂知识图谱，包含本堂课的知识内容呈现以及建议的知识内容拓展部分，如图4所示。最终的报告还提供分时段的知识图谱，给教师设计教学时提供更多选择。

6. 教学诊断和评价

依据机器返回的数据，人类教师从以下几个方面对课例进行诊断和评价。

第一，语言，教师的语速偏快，语言凝练度适中，教师语言易于理解。教师可以适度降低语速，有意识地减少口头禅，使学生跟得上老师的思路，更好地理解上课内容；第二，课堂管控和学生激励，教师对课堂管控稍显频繁，课堂总体引导积极，情感饱满程度良好。在课堂秩序良好的班级中，教师对课堂管控可以适当宽松；第三，思维激发：教师已经能够有意识地创设问题来激发学生主动思考的能力。但是本堂课的教学内容对左脑刺激比较显著，需要对右脑使用习惯的学生加强兼顾，比如，教师可以参考知识图谱中的知识内容拓展，展开相关知识点的深入讲解，进一步提高想象力，加强对学生右脑刺激；第四，课堂互动，教学话题、学生发问、教师发问、学生话题的数据反馈来看比较稳定。课堂提问启发性较好，教师话题互动稳定，教学管控做得比较紧，可以使课堂气氛逐渐宽松，引导学生清晰完整地表达自我；第五，教学风格，教师的教学风格兼容并蓄，能够很好地兼顾不同风格的学生，受到学生的喜爱。

五、总结

随着人机协同理论在教育领域不断深入，人工智能与教育教学深度融合的趋势愈发显著。[10]开放教育作为“服务全民终身学习的教育体系”的重要部分，是实现人的全面发展的有效途径，不应该被遗忘。新形势下，开放教育教学分析方式也随之发生转变。在协同分析与评价方面，改变原有督导组传统的分析与评价方式方法，同时借助大数据技术实现全方位的课堂呈现，更加公正、客观、科学地实现教学评价。本文选用一堂线下辅导课进行分析，有其局限性；开放教育教学内容丰富，仅仅用一堂理工类的选修课作为案例也是不够的。未来需试验其他教学形式的课堂和多学科的教学案例，充分发挥人机协同教育教学的优势，为提升开放教育教学质量助力。

［1］ 中华人民共和国国家互联网信息办公室.加快推进大数据与实体经济深度融合[EB/OL]. (2019-06-21) http://www.cac.gov.cn/2019-06/21/c_1124651748.htm.

［2］ 詹国辉, 刘涛, 戴芬园. 人工智能驱动的高校智慧教学空间融合研究[J]. 宁波大学学报: 教育科学版, 2022, 44(3): 66-74.

［3］ 孙众, 吕恺悦, 骆力明,等. 基于人工智能的课堂教学分析[J]. 中国电化教育, 2020(10): 15-23.

［4］ 吴茵荷, 蔡连玉, 周跃良. 教育的人机协同化与未来教师核心素养——基于智能结构三维模型的分析[J]. 电化教育研究, 2021, 42(9): 27-34.

［5］ 刘步青. 人机协同系统的哲学研究[M]. 北京: 光明日报出版社, 2018: 55-57．

［6］ 崔新有. 开放大学试点: 困境与突破[J]. 开放教育研究, 2020, 26(4): 12-17.

［7］ 王雪菲. 现代成人远程开放教育的挑战与对策[J]. 中国成人教育, 2016(22): 22-24.

［8］ ROBERT C. KLEINSASSER. Teacher efficacy in teaching and teacher education[J]. Teaching and Teacher Education, 2014: 168-179.

［9］ Parkavi A, Lakshmi K, Srinivasa K G. Predicting effective course conduction strategy using datamining techniques[J]. Educational Research and Reviews, 2017, 12(24): 1188-1198.

［10］田红玉. 5G信息技术赋能新文科建设[J]. 宁波大学学报: 教育科学版, 2022, 44(2): 48-55.

A Case Study of Constructing Open Education and Teaching Analysis Framework on Human-Machine Cooperation

LIU Tie-zhu

（Teaching Center, Ningbo Open University, Ningbo 315016, China）

Traditional open education and teaching faces challenges in resources, evaluation, cumbersome management, and teaching analysis. This study designed an open education and teaching analysis framework on the concept of human-machine collaboration, which interactively empowers human teachers and intelligent machines and opens up new horizons for efficient instruction, evaluation and management. It thus analyzed a face-to-face tutorial class in open education, through machine-aided vision analysis, natural language processing and teachers collaborative analysis, so as to break through the bottlenecks of open education and teaching analysis and improve the efficiency of open classroom analysis. This will be helpful to achieve open education’s connotative development.

Human-machine collaboration; open education; teaching analysis; educational artificial intelligence

G724.82

A

1008-0627（2023）01-0050-09

全国教育科学规划重点项目“数据驱动的精准教学模型建构及其实证研究”（DCA160262）；浙江省高等教育学会重点项目“浙江高校教师数字化转型胜任力研究”（KT2022044）；宁波市教育科学规划项目“基于混合式教学模式的成人智慧学习空间建构研究”（2022YGH038）

刘铁柱（1988-），男，浙江宁波人，讲师，研究方向：开放教育、现代远程教育。E-mail：liucraft@qq.com

（责任编辑 赵 蔚）