人工智能课堂教学分析与改进：人在回路的协同机制

孙众 于子淳

[摘   要] 课堂教学分析是教学改进的依据，而教学改进是提升教学质量的关键，两者相互作用，构成课堂教学研究的回路。当前人工智能在课堂教学研究领域，存在人机协同机制不明确、教学分析与改进关联不密切、教学实践应用的指导性不强等困境。研究借鉴使用理论的双路径学习和人在回路设计优化思路，提出以“教学结构”为课堂教学分析与改进回路的焦点，将回路分为高干预区和低干预区，论述人类智慧与人工智能在回路中的协同机制。研究发现，构建TESTII课堂教学分析模型，和“结构分析、问题发现、策略改进、实践应用”的4A改进模型，可以形成人在回路的人机协同课堂教学分析与改进机制，为促进课堂教学结构变革和提高课堂教学质量提供可行的解决方案。

[关键词] 人工智能； 課堂教学分析； 教学改进； 双路径学习； 人在回路

[中图分类号] G434            [文献标志码] A

[作者简介] 孙众（1973—），女，辽宁凤城人。教授，博士，主要从事人工智能教育、技术支持的教师专业发展研究。 E-mail：sunzhong@cnu.edu.cn。

一、引   言

课堂是教育教学改革的主阵地，是提高教育教学质量的关键环境[1]。将课堂教学分析与改进视为一个完整的回路，通过分析来支持改进，基于改进来优化分析，已成为课堂教学研究迭代更新的推动力量。传统的课堂教学分析与改进，多以现场或录像观察、访谈问卷等为主要分析方法，以集体听评课加专家意见为反馈和改进的来源，存在费时低效、主观性较强、反馈延迟、难以汇集群体智慧等问题。随着智能技术的迅猛发展，以及人工智能促进教师队伍建设等系列政策[2]的颁布，人工智能技术支持的课堂教学研究，迎来发展契机，也迫切需要理论与实践上的深入探索。

二、人工智能支持课堂教学研究的关键问题

人工智能是模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的技术学科。它包括计算机视觉、自然语言理解、知识图谱、机器学习等为代表的模拟人类智能的技术。运用人工智能助力课堂教学研究，是新兴交叉研究方向。下面以几种代表性技术加以列举。

计算机视觉可从识别师生行为数据、表情数据等，分析课堂交互、注意力、参与度等。比如Watanabe等运用计算机视觉技术分析课堂视频，用多层神经网络对教师的板书和讲授行为，以及学生记笔记和听课行为之间的交互进行建模[3]；SensorStar实验室和巴黎商学院用计算机视觉分析学生上课反应，判断学生注意力，通过收集微笑、皱眉和声音等，或分析在线学习过程中的眼球运动和面部表情，测定学生课堂参与度[4-5]。

自然语言处理技术可为课堂教学分析、评测等提供良好支持[7]，尤其是课堂言语分析方面。比如马玉慧等提出基于深度学习的课堂提问自动分析方法[6]，采用卷积神经网络及长短时记忆网络，对80节课的9090条课堂教师提问文本分类分析后，在提问内容和提问类型两个维度上的整体准确率分别是85.17%和87.84%，基本可以替代人工分析，实现规模化课堂提问话语自动分析。曹一鸣等采用机器学习，构建面向教育2030的数学课堂对话人工智能评价体系，实现大规模课堂教学分析与比较，以及课堂对话规律挖掘[8]。

多模态学习分析（MultiModal Learning Analysis）是采用多种方式获取与分析学习者不同层面的数据，能更精准更全面地洞悉复杂的课堂学习过程[9-10]。例如整合不同模态数据建立回归模型，对学习情感等非认知因素进行诊断检测和预测分析，包括面部表情与交互特征的融合[12]，皮肤电活动和日志数据的融合[13]，师生对话、任务进度的融合[14]，以及语音、自我报告和交互特征的融合等[15]，提供个性化的学习支架和反馈[11]。以上述研究为代表的人工智能技术，为打破传统课堂教学研究困境带来曙光，同时也面临诸多挑战。比如闫寒冰等梳理41个智能技术支持课堂教学的研究发现，现有研究在课堂教学分析的标准制定、改进的结果验证、人机协同、可操作见解、实时反馈和个性推荐等方面仍有较大的发展空间[16]。的确，人工智能支持的课堂教学分析与改进，涉及人机协同的分析标准、结果验证、反馈与推荐等多环节，共同构成完整的回路。要在该回路里达到科学有效的人机协同，需面对两个关键问题。

第一，采用何种人机协同课堂分析和改进思路，才是教师在实践中会接受并使用的？

第二，建立何种人机协同课堂分析和改进机制，才能体现人类与机器智能的优势互补？

三、使用理论：决定教师实践

行动的双路径学习

当教师处于复杂、不确定的教育场域中，决定采用何种教学行为，并非完全来自外界输入如培训、指导等所获得的理论知识，这是因为自身原有的习惯思维、信念价值观等难以轻易改变。直接转化成指导实践的教学行为，往往是使用中获得的理论。阿吉里斯和舍恩提出“使用理论”，描绘出主导人行为变化的缄默结构，是一种双路径学习，如图1所示[17]。

根据使用理论的观点，若一个行动领域内有多个变量，那么主导变量才是行动者试图达成的价值观，它决定着行动策略，并带来行为后果。若只改正行动策略，就能带来理想的行为结果时，单路径学习发挥作用；而当单路径学习失效时，教师需要反思并改变教学理念、价值观和信念等起决定作用的主导变量，则启动双路径学习。由此产生的整体变化，会更彻底、深刻而持久[18]。

“使用理论”与“教师实践性知识”颇有相通之意。教师实践性知识，是指教师知识的形成，更多地来源于教师的个人生活史和教育实践现场。与通过学习、培训等途径获得的理论知识不同，实践性知识具有实践性、情境性、综合性、缄默性、个体性等特征。杜威的实用主义知识论，在理论层面为教师实践性知识的“合理合法性”提供支持。该观点体现在教师身上，是有关教育教学行动及其产生结果之间关系的“实践性知识”，具有引导未来行动的功能[19]。

根据以上分析可知，教师在行动中愿意接受并使用的理论知识，是单路径与双路径学习交叉发挥作用的结果。教学策略决定教学行为，两者之间的连接属于单路径学习；当教师从实践中获得的知识体系或策略，无法带来预期的结果时，必须改变教育理念、教育思想等主导变量，进入到双路径学习。已有的人工智能技术，若只停留于识别师生动作、言语、认知等行为结果，给出教学策略层面上的反馈与改进，那么是在单路径学习里绕圈圈。当单路径学习失效时，会暴露出“标准制定不合理、结果验证不明确、人机协同不清晰、个性推荐不到位”等问题。解决这类问题的方法，是启动双路径学习，让人机协同的课堂教学研究帮助教师调整主导变量。

在课堂教学里，什么是能体现出教育思想和教育理念的主导变量呢？何克抗指出，教学结构是教育理念和教育思想的外在表现，它是根据课堂教学里，由教师、学生、教学内容和教学媒体四个要素及其关系，决定不同的课堂教学结构，可以分为“以教为中心”“以学为中心”和“教师主导—学生主体”双主教学结构[20]。在课堂教学分析与改进的回路里，教学结构是主导变量，教师实践性知识和教学策略，属于行动策略，教育实践则是行为结果。因此教师愿意接受并应用于实践的课堂研究回路，是教学结构与教学策略兼具的分析与改进。依赖教学行为分析结果，给出教学策略的改进建议，能达成单路径学习；而对教学结构为代表的主导变量进行分析与改进，则在启动双路径学习。两者相互配合，共同构成教师在实践中会使用的有效理论。

那么，建立何种人机协同机制，才能使人工智能赋能课堂教学分析与改进，是本文要面对的第二个关键问题。

四、人在回路：人机协同的优化设计机制

教学改进的本质是优化设计。人在回路（Human-in-the-loop）是源于面向工程的优化设计思想。“人在回路”一词是表述人在设计迭代中的参与，目的是利用“人”比机器更善于进行综合且模糊判断的优势，将人工经验与自动优化相结合，使优化结果更加符合工程实践要求的同时，提高优化效率。该思想已应用于飞机设计、导弹发射、模拟驾驶等领域[21-22]。

反思传统的课堂教学分析与改进流程可以发现，不仅“人在回路”，而且“人是全部的回路”。课堂教学分析与改进的质量，取决于教师个体的经验、认识甚至个性，导致教师集体的成长和经验的继承偏向于主观且低效。当人工智能初进入课堂研究时，依靠算法进行课堂行为识别、注意力监测、参与度等分析，给出诊断报告，教师据此进行改进，容易把人排除在自动分析与优化的回路以外，导致“人不在回路”，那么出现“改结果验证、人机协同、可操作见解、实时反馈与个性化推荐等方面，具有较大的发展空间”等问题，也在意料之中。

借鉴人在回路的优化设计思路，辨析哪些回路是需要人的参与，哪些回路是可以交给机器的，哪些回路是需要将人工经验与自动分析相结合，建立人机协同机制，成为人工智能技术赋能课堂教学研究的关键所在。

根据使用理论的双路径学习模型，可以把课堂教学分析与改进的研究回路，分为低干预区和高干预区，如图2所示。

低干预是指教学分析规则明确且可计算，教学改进策略丰富且可匹配，需要由专家教师等提供人为干预的比例较低。比如计算机视觉技术可分析课堂师生行为，自然语言理解技术可分析课堂话语和问答，知识图谱或事理图谱分析课堂认知水平等。机器自动分析后发现实践效果不佳，可以与教育领域里储备丰富的教学策略、教学方法、教学案例等进行匹配，如增加学生自主学习和探究学习的行为比率；教师调整提问方式与技巧，减少“是不是、对不对、好不好”等浅层的问答，适当增加“如何做、为什么、还有哪些可能性”等激发学生深度思考的问题；建立当前知识与学生已储备知识基础之间的关联，重新设计先行组织者，为认知结构变量的可利用性、可辨别性、稳定性等提供支架等，用教学策略指导行为改进。

高干预是指分析规则模糊，现有改进策略不能直接解决实践问题，需经由隐性策略向显性策略的生成与转化，或者调整教学结构等主导变量，才能解决实践困境。此分析过程对于专家或者教师群体依赖度较高，可由机器先分析，人类在此基础上给出解决方案。比如课堂某个环节教师讲授偏多，到底是必要的重难点剖析，还是过度的灌输式教学，是要根据实际情况加以分析的。面对不同教学目标或者不同学习者，同样的教学活动，会有不同的分析结果与改进建议。

在课堂教学分析与改进回路里，低干预区里采用的是单路径学习，由机器智能发挥技术优势，规模化、快速、准确地分析课堂，用成熟、稳定、显性的教学策略，指导教师改进行为结果；高干预区需启动双路径学习，主要依靠人类独有的教学艺术和智慧，帮助教师改变教学理念、教学结构等主导变量，指导生成隐性、灵活、综合、变通的教学策略，再与已有的显性策略相结合，共同指导教学实践，带来深入而长期的教学改进。因此，使用理论的双路径学习，加上人在回路的优化设计，共同构成课堂教学分析与改进的人机协同机制。

五、人机协同的课堂教学分析与改进模型

从问题的定性到科学的归因，再到问题的解决策略，形成环环相扣而又行之有效的改进流程，是有效改进教育教学的关键要素[23]。明确人机协同机制后，本文提出人机协同课堂教学分析与改进的全回路模型，如图3所示。全回路模型分为TESTII课堂教学分析模型和4A教学改进模型。两个模型均以“教学结构”为主导变量，对于分析模型而言，教学结构分析是终点，人机协同开展从教学行为到教学策略与教学结构的分析，对于改进模型而言，教学结构分析是起点，调整当前教学结构，改变主导变量后，再来改进教学策略与教学行为，之后再将实践结果，输入新一轮教学分析，实现循环迭代式的优化。模型里划分低干预和高干预区，用以區分机器智能和人类智慧发挥主要作用的区域，但两个区域并非截然分开，会有部分重合区域，代表从隐性到显性的实践性知识螺旋创生过程，是人类智慧与机器学习群体智能的相互作用区域。

（一）TESTII课堂教学分析模型

本团队提出的人工智能课堂教学分析模型，以教学事件为基本分析维度，以教学结构为分析目标，采用计算机视觉和自然语言理解等人工智能技术，从教学事件识别与教学阶段划分、教学法结构序列、时间取样的行为和言语交互分析、基于证据的教学解读和人机协同的教学改进等阶段，构建课堂教学分析TESTII（Teaching Events， SPS， Time Coding， Interpretation， Improvement）模型[24]。下面简要介绍模型中的五个阶段。

阶段1：识别九大教学事件，归类为不同教学阶段（Teaching Events Identify and Classify）

课堂教学里，教师常用的最小设计与实施单位是教学活动。加涅认为，只有指向学生有效认知加工的教学活动，才是有意义的教学活动，称之教学事件[25]，因此本模型将加涅所提出的九大教学事件作为课堂教学分析维度。通过利用计算机视觉技术和自然语言理解技术，对课堂教学视频以及教学设计方案文本进行多模态分析，识别出教学事件，并划分为导入、新授等常见教学阶段。

阶段2：分析教学阶段中的教学法结构序列（Sequencing of Pedagogical Structure，SPS）

参考Jacobson等学者提出的教学法结构序列[26]，根据教师指导所占比重，将不同教学阶段里的教学法，分为高结构化H（教师讲授为主）和低结构化L（学生发现学习为主）。技术上采用自然语言理解技术，建立教学法结构序列分类器，通过对分类后文本数据中的句子和篇章分别进行建模，得出结构序列。

阶段3：对不同结构序列里的言语和行为，进行时间取样的交互编码（Time Coding）

TESTII框架在不同结构序列的内部进行时间取样，分析该结构序列内的师生行为和言语交互，为精准改进提供证据。技术上先采用自然语言理解的深度学习模型Word2vec，和基于深度卷积神经网络的目标监测技术，分析结构序列内的言语交互和行为交互，再由教师或研究人员结合分析结果，综合判断不同教学结构序列和教学阶段里的师生角色。

阶段4：结合已有教育教学理论，基于证据解读分析结果（Interpretation）

TESTII模型在本阶段提供课堂教学分析报告，比如一节课里教学事件的数量和时间分布图、与事件对应的教学阶段划分结果、按照阶段生成的教学法结构序列等。根据以上数据，判断本课实际所采用的是以教为中心、以学为中心，还是教师主导—学生主体的教学结构。

阶段5：根据解读结果，进入到课堂教学改进阶段（Improvement）

分析模型的终点，是判断出本节课的教学结构，这也是改进模型的起点。

（二）4A课堂教学改进模型

改进科学（Improvement Science）是一种以持续探究和学习为中心的解决问题的方法，已经在管理、卫生、制造等领域得到广泛应用[27]。这种方法能帮助组织明确系统如何工作，以及采取什么样的行动才能提高组织整体绩效。有学者认为，教育领域里的改进科学，需要两种类型的知识，分别是特定学科的基础知识和复杂的知识体系。前者主要来自教育理论学习，后者需在实践中从问题里概括升华，通过迭代实现改进[28]。可见，改进科学从另一个角度，也验证了使用理论、教师实践性知识的观点。

结合上述分析，本文将人机协同的课堂教学改进模型，划分为四个阶段，分别是结构分析（Structure Analysis），问题发现（Problem Addressed），策略改进（Strategies Adjusted），实践应用（Practical Application）。

阶段1：教学结构分析Structure Analysis

作为课堂教学分析和改进模型的中心点和联结点，判断当前课堂教学结构是否合理，再由人类教师根据教学目标和学习者特征等，选择恰当的教学结构，是本阶段的主要目的。此阶段中的改进意见，主要由人类专家教师完成。研究发现，教师主导—学生主体的双主教学结构，已经在教育界得到广泛共识。然而在日常听课交流中，或者在全国课堂教学参赛案例里，相当一部分课堂还是采用以教为中心的教学结构，课堂里师讲生听、师示范生操练的比例偏高。这说明双主结构在理论接受与实践应用还有一段距离。因此由专家教师或者教研组等人类专家为主，帮助教师判断并重新定位教育理念、教学结构等主导变量，成为有效教学改进的关键阶段。具体形式可以采用面对面或远程、同步或异步的教研交流，或者以案例分析、任务驱动为主的理论培训等方式。

阶段2：问题发现Problem Addressed

教学模式是特定教育教学理念和思想的反映，是在一定教与学理论指导下的教学活动的基本结构，是简明而稳定的教学活动和策略的组合。不同的教学结构，会产生不同的教学模式，每一种教学模式，都有特定的步骤与序列。教学结构分为教为中心、学为中心和主导主体三种类型，教学模式的数量可谓极其丰富，表现也多种多样。很多教师认同主导主体教学结构，但是教学实践效果不佳时，问题很可能出现在教学模式选择不当，或者实施不当。因此在本阶段，不能由机器代替人类给出解决方案，多数情况还是要依靠人类专家或教师同行或自我反思等多种形式，采用文献研究、历史研究、基于设计的研究等多种方法，帮助教师发现问题，根据调整后的教学结构，重新选择或设计教学模式。

阶段3：策略改进Strategies Adjusted

教学策略是指在教学过程中，为达到一定的教学目标而采取的一系列教学方式和行为。与模式相比，策略更为多样而灵活。一个教学模式是多种策略的组合，同一种策略，可以应用于不同的模式。在课堂教学中，教学策略是最有活力，可直接影响教学行为的方法和手段。如果把教学策略看成一个知识库，那么库里既有凝聚人类千年以来教育智慧的稳定成果，也有與时俱进，动态生成的新生力量。用野中郁次郎等提出的SECI知识管理理论来看，知识库不断经历从个体到群体，从隐性到显性，从社会化、表征化、联结化和内在化的螺旋创生历程[29]。

本阶段需由人类智慧与人工智能共同发挥作用。对于已有明确应用的场景，经实验检验有较好效果的显性策略，可以由人工智能，根据分析结果中发现的教学不足，进行精准匹配与个性化推荐；若无法直接套用已有显性策略，需要重新改造或创造，将隐性策略转化成显性，或者从个体经验转为群体经验时，以教师实践社区、学习共同体、混合式教研等多种形式，采用众包[30]、联邦学习[31]等群体智能发现技术，通过任务分配、质量控制、专家发现等关键算法，提供人工智能与人类智慧协同作用的改进策略。

阶段4：实践应用Practical Application

当教师明确教学结构等主导变量，有了改进的教学模式和策略等，可以从言语交互、问题层次、师生行为、技术应用等维度，实施教学改进。此时的实践，是在主导变量和行动策略等指导下的具体应用，可采用算法推荐的策略和案例，也可以灵活调整，以适应真实学情。根据改进方案实施的教学实践，可以进入到下一轮的教学分析，进行人机协同的迭代优化。

图4   人机协同的教育研究方法与人工智能技术分布示意图

在课堂教学分析与改进模型中，每个阶段可以采用不同的教育研究方法和人工智能技术。如图4所示。在TESTII分析模型中，低干预区可以由智能技术为主，如计算机视觉、自语音识别转换、自然语言理解、知识图谱等，对师生的外显行为、言语、认知、情感等加以识别与计算，通过多模态分析，为具有教学意义的结构序列、师生角色判断等提供依据，在高干预区，采用出声思维法、焦点小组访谈法等教育研究方法，形成基于证据的教学结构判断。在4A教学改进模型中，高干预区的改进仍以人类智慧为主，采用文献研究、历史研究、基于设计的研究等教育研究方法，重新定位教学结构，选择教学模式，创造或改造出新的教学策略，在低干预区，可采用以人工智能为主的研究方法，通过众包、联邦学习等群体智能发现算法，推荐个性化的教学改进策略，教师可以根据需要，重点改进言语、问答、行为、技术应用等一个或多个方面，再由行动研究、案例研究等，驗证改进有效性。

六、结   语

课堂教学质量提升，离不开科学而有效的课堂教学分析与改进。人工智能助推教师队伍建设的着力点之一，正是利用智能技术优化课堂教学。本研究以使用理论和人在回路设计优化为基础，提出以“教学结构”为焦点，将课堂教学分析与改进回路划分为高干预区和低干预区，通过TESTII课堂教学分析模型和4A改进模型，构建人机协同提高课堂教学质量的整体解决方案。

诚然，在此过程中还要面对很多难题。例如建立类型丰富且样本合理的课堂教学公共案例集，共享可用于课堂行为和言语分析的计算机视觉、自然语言理解的算法代码，建立开放的、可共建共享的教学问题与改进策略匹配库，以及可用于众包发现、联邦学习的教师实践社区等，均是人机协同课堂教学研究领域需要突破的问题。

[参考文献]

[1] 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（4）：15-23.

[2] 教育部.关于加强和改进新时代基础教育教研工作的意见[J].中华人民共和国国务院公报，2020（8）：69-72.

[3] WATANABE E， OZEKI T， KOHAMA T. Analysis of interactions between lecturers and students[C]//Proceedings of the 8th International Conference on Learning Analytics and Knowledge. Association for Computing Machinery. New York： United States，2018： 370-374.

[4] SPREEUWENBERG R. Does emotive computing belong in the classroom[J]. EdSurge，2017.

[5] ROUAST P V， ADAM M T P， CHIONG R. Deep learning for human affect recognition： Insights and new developments[J]. IEEE transactions on affective computing， 2019， 12（2）： 524-543.

[6] 马玉慧，夏雪莹，张文慧. 基于深度学习的教师课堂提问分析方法研究[J].电化教育研究，2021，42（9）：108-114.

[7] 郭炯，荣乾，郝建江.国外人工智能教学应用研究综述[J].电化教育研究，2020，41（2）：91-98，107.

[8] 曹一鸣，宋宇，赵文君，李铭璇. 面向教育2030的数学课堂对话人工智能评价体系构建研究[J]. 数学教育学报，2022，31（1）：7-12.

[9] BLIKSTEIN P， WORSLEY M. Multimodal learning analytics and education data mining： using computational technologies to measure complex learning tasks[J]. Journal of learning analytics， 2016， 3（2）： 220-238.

[10] 牟智佳.多模态学习分析：学习分析研究新生长点[J].电化教育研究，2020，41（5）：27-32，51.

[11] MUDRICK N V. Designing adaptive intelligent tutoring systems： fostering cognitive， affective， and metacognitive self-regulated learning processes using multimodal， multichannel process data[D]. Raleigh：North Carolina State University， 2018.

[12] BOSCH N， D'MELLO S K， OCUMPAUGH J， BAKER R S， SHUTE V. Using video to automatically detect learner affect in computer-enabled classrooms[J]. ACM transactions on interactive intelligent systems， 2016， 6（2）： 1-26.

[13] KAPOOR A， BURLESON W， PICARD R W. Automatic prediction of frustration[J]. International journal of human-computer studies， 2007， 65（8）： 724-736.

[14] GRAFSGAARD J F， WIGGINS J B， VAIL A K. The additive value of multimodal features for predicting engagement， frustration， and learning during tutoring[C]//Proceedings of the 16th International Conference on Multimodal Interaction. Association for Computing Machinery. New York： United States， 2014： 42-49.

[15] EZ-ZAOUIA M， LAVOU？魪 E. EMODA： a tutor oriented multimodal and contextual emotional dashboard[C]//Proceedings of the Seventh International Learning Analytics & Knowledge Conference. Association for Computing Machinery. New York： United States， 2017： 429-438.

[16] 閆寒冰，赵佳斌，王巍. 技术赋能的课堂教学诊断：特征与发展空间[J]. 现代远距离教育， 2022（2）：4-11.

[17] 克里斯·阿基里斯等.行动科学：探究与介入的概念、方法与技能[M].北京：教育科学出版社，2012.

[18] 汪滢，汪琼. 基于Moodle的双路径学习设计与实践——以全国中小学教师交互式电子白板网络培训为例[J]. 中国电化教育， 2015（11）：84-91.

[19] 陈向明，赵康. 从杜威的实用主义知识论看教师的实践性知识[J]. 教育研究， 2012（4）： 108-114.

[20] 何克抗.关于信息技术与课程整合的理论思考[J].中小学信息技术教育，2002（Z1）：27-36.

[21] 李润泽，张宇飞，陈海昕. “人在回路”思想在飞机气动优化设计中演变与发展[J]. 空气动力学学报，2017，35（4）：15.

[22] 杨亚联， 王磊， 杨果， 胡晓松. 人在环路模拟驾驶仿真实验系统研发[J]. 重庆大学学报，2015，38（4）：38-44.

[23] 胡庆芳. 课堂教学诊断改进系统的重建[J].思想理论教育，2009（4）：41-47.

[24] 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.

[25] GAGN？魪 R M. The conditions of learning[M]. 4th ed. New York： Holt， Rinehart & Winston， 1985.

[26] JACOBSON M J， KIM B， PATHAK Z， ZHANG B H. 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.

[27] LEMAHIEU P G， BRYK A S， GRUNOW A， GOMEZ L M. Working to improve： seven approaches to improvement science in education[J]. Quality assurance in education， 2017，25（1）：2-4.

[28] LANGLEY G J， MOEN R D， NOLAN K M， et al. The improvement guide： a practical approach to enhancing organizational performance[M]. 2nd ed. San Francisco： John Wiley & Sons， 2009.

[29] 钟启泉. 从SECI理论看教师专业发展的特质[J]. 全球教育展望，2008（2）：7-14

[30] 童咏昕，袁野，成雨蓉. 时空众包数据管理技术研究综述[J]. 软件学报，2017，28（1）：35-58.

[31] 杨强，童咏昕，王晏晟，范力欣，王薇，陈雷，王魏，康焱. 群体智能中的联邦学习算法综述[J]. 智能科学与技术学报，2022，4（1）： 29-44.

Classroom Teaching Analysis and Improvement Based on Artificial Intelligence： Human-in-the-loop Collaboration Mechanism

SUN Zhong，  YU Zichun

（Information Engineering College， Capital Normal University， Beijing 100048）

[Abstract] Classroom teaching analysis is the basis for teaching improvement， while teaching improvement is the key to improve teaching quality. The interaction between the two form the loop of classroom teaching research. The current artificial intelligence in the field of classroom teaching research is plagued by unclear human-machine collaboration mechanism， loose correlation between teaching analysis and improvement， and weak guidance for teaching practical application.  Based on the double loop learning of Theory-In-Use and Human-in-the-loop design optimization ideas， this study proposes to use "teaching structure" as the focal point of classroom teaching analysis and improvement loop， divide the loop into high-intervention and low-intervention zones， and discusses the collaboration mechanism of human intelligence and artificial intelligence in the loop. The research finds that the TESTII classroom teaching analysis model and the 4A improvement model of "structure analysis， problem identification， strategy improvement， and practice application" can form a human-machine collaborative classroom teaching analysis and improvement mechanism， which can provide feasible solutions for promoting the reform of classroom teaching structure and improving the quality of classroom teaching.

[Keywords] Artificial Intelligence; Classroom Teaching Analysis; Classroom Teaching Improvement; Double Loop Learning; Human-in-the-loop