面向思维培养：基于精准标注技术的智能化课堂教学分析及应用 ＊

宋 宇 许昌良 朱 佳 柴少明

（1.华南师范大学人工智能与课堂教学交叉研究中心，广州 510631；2.广州市华侨外国语学校，广州510095；3.浙江师范大学浙江省智能教育技术与应用重点实验室，浙江金华 321004；4.华南师范大学国际商学院，广州 510631）

一、引言

课堂教学是学校教育的核心环节，是衡量教师专业水平的主要方式，课堂教学的有效性直接关系着创新人才的培养和教育事业的高质量发展。中共中央、国务院出台了《关于深化教育教学改革全面提高义务教育质量的意见》，要求强化课堂主阵地作用，运用现代智能技术手段，发展互动式、启发式、探究式新型教学，切实提高课堂教学质量。与传统讲授式教学相比，新型课堂教学更加注重通过师生之间的有效对话协同探究知识，增强深度理解，启发学生思维，促进高阶思维能力的提升（邵发仙等，2019）。思维培养是课堂教学的重要目标，其着眼点在于增强学生处理复杂信息和分析问题的能力，对于提升创新能力和实践应用能力具有独特价值（钟启泉，2021）。与此同时，创建面向高阶思维培养的课堂也更具有挑战，课堂教学中产生大量过程性数据，且思维进阶与认知演化规律具有内隐性，传统仅依靠专家进行主观评价的方式难以高效地处理大规模课堂教学数据（刘清堂等，2018），无法科学而精准地评测课堂教学质量，也难以提炼出高阶思维发展的模式，这就需要更为有效的分析技术和方法。

智能技术的发展为评测课堂教学水平和创建面向高阶思维培养的优质课堂注入了新的动能。随着智慧课堂的建设和机器学习技术的不断成熟，智能技术服务课堂教学测评的能力不断增强，范畴不断拓展（王陆等，2021）。其中，以神经网络为代表的机器学习技术能够实现课堂教学过程的自动标注，为处理大规模且复杂的课堂教学数据提供了有效的手段，以序列模式挖掘技术为代表的数据挖掘技术为深入剖析课堂教学中的思维特征、探索思维进阶规律提供了可能。但是，目前不论在研究层面还是实践应用方面，开展智能化课堂教学分析多停留在对浅表行为或言语类别进行静态化测评阶段，监控学生的抬头次数、计算学生举手次数等技术裹挟教育的现象屡见不鲜，出现了重形式而轻内容，重知识习得而轻思维发展的倾向，也与借助智能技术发展高阶思维的初衷相悖。为了更好地发挥智能技术的强大功能，赋能课堂教学评价，最终达到发展高阶思维的目的，本研究发展了支持大规模智能化分析的课堂教学自动标注方法，并以标注数据为基础借助序列模式挖掘方法展现了思维进阶规律，以期助力课堂教学质量的精准、高效评价，为创建优质的课堂提供有力支撑。

二、文献综述

（2.1）课堂教学与思维发展

课堂教学是学校教育的主体，增强课堂教学的有效性对于促进学生高阶思维发展和创新能力提升具有重要意义。与传统讲授式课堂教学不同，新型课堂教学强调教师围绕课堂教学目标，通过对话和交流的方式与学生协同展开知识探究、思维启发和问题解决 （Howe et al., 2019）。新型课堂教学以维果茨基所提出的建构主义理论为主要依据，该理论强调了文化、社会对认知发展的重要作用，着重探讨了语言与思维发展之间的关系（Mercer, 2013）。新型课堂教学以课堂对话为主要实现方式，课堂对话是课堂教学的表征，对话的有效性直接关系着教学质量与水平，课堂教学从根本上说是一种对话实践的过程（佐藤学，2012）。课堂对话是师生实现思想交流碰撞的主要渠道，也承载着启发思维的重要功能（宋宇等，2021）。

新型课堂教学以思维培养为主要目的，促进高阶思维发展是开展课堂教学分析的重要目标导向。思维方式是指人脑接受、处理提炼信息的过程（Sternberg, 1997），思维方式具有可塑性并可依据复杂程度分为低阶思维与高阶思维，低阶思维处理的信息模式较为单一且呈浅表性，而高阶思维能够处理数量较大、结构复杂且灵活多变的信息（Zhang, 2013），较为典型的高阶思维包括分析式思维、归纳式思维、推理迁移思维、创新思维等（Hennessy et al., 2020）。高阶思维需要在课堂教学中得以训练和发展，是课堂教学的重要目标（OECD, 2019）。通过教师的激发和引导，拥有不同观点的学生在交互作用之际可以实现思维的相互碰撞或者相互印证，引发自身的思考与反思，促进知识探究和意义建构，实现从个体表达到集体智慧再反馈回个体认知的良性循环。课堂教学为高阶思维的发展提供了场域和条件，通过精心设计的问题链条搭建思维发展的链条，促进思维由低水平向高水平进阶，使得知识得到精细加工、有效转化和创新应用（张光陆，2021）。值得注意的是，由于课堂教学场景的多样性以及课堂话语的丰富性，面向思维培养目标对课堂教学展开分析评测也更为复杂、更加耗时，仅依靠人工进行手动编码和专家的主观评价缺乏稳定性和客观性，这就对课堂教学的分析方法和技术提出了更高要求（祝智庭，2018）。

（2.2）智能技术及其在课堂教学中的应用

智能技术的快速发展为实现大规模、及时且精准的课堂教学评价提供了有效手段（刘清堂等，2018）。随着人工智能技术、物联网、云计算的快速发展以及智慧校园建设的大力推进，课堂教学场域产生了大量过程性、伴生性数据，智能技术可以极大地提升数据分析效率和效能。智能技术是指运用机器学习、大数据分析挖掘、知识图谱等新型技术从大规模数据中挖掘规律、发现知识和提取模式的分析方法（刘三女牙等，2020）。传统对于课堂教学的分析主要依靠人工进行，多采用观评课的质性分析方法，对分析者专业水平要求较高且容易出现主观性偏强的问题（孙众等，2021）；与此同时，也有学者提出了人工标注的方法，即借助观察量表对于课堂教学的转录文本进行手动标注，对各类课堂行为和言语是否出现以及出现频次进行统计，该种方法虽然一度成为课堂分析的主流方法，但是其分析过程复杂低效，往往一节40 分钟的课堂需要至少6—7 个小时完成标注，规模化分析能力较弱，难以对课堂教学中的思维特征进行有效提取 （Hennessy et al., 2020）。因此，借助智能技术开展课堂教学研究具有极大的必要性。

智能技术中的自动标注技术近年来在国际课堂研究领域引起了主流学者的重点关注。自动标注技术是指借助机器学习算法对音视频转录后的文本进行智能识别、自动分类标注并输出结果的过程，相比于传统的课堂观察和统计分析方法具备高准确度、高速度和规模化的优势（Song et al., 2020）。自动标注技术一般涉及创建数据集、机器学习与模型训练、智能标注与校准三个阶段，其中模型训练是较为关键的环节。目前模型训练主要基于神经网络算法，神经网络是一种通过模拟生物神经系统结构与功能处理复杂任务的数学计算模型，是由具有适应性的简单单元组成的并行互连的网络结构，被广泛应用于人工智能和深度学习领域（LeCun et al., 2015）。基于神经网络的自动标注技术能够学习课堂教学过程中的内在规律并提取其关键特征，在自然语言处理、声音识别和图像解析方面具有极大的优势，逐渐在教育教学的研究和应用中释放其技术潜能（刘三女牙等，2020）。目前，常见的用于自动标注的神经网络算法包括卷积神经网络、长短期记忆网络、循环神经网络等，其中卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络算法，在处理语义的局部信息方面具有优势，长短期记忆网络是循环神经网络的优化算法，能够对长序列数据中的语义信息进行整体识别与提取（Song et al.,2020）。数据挖掘技术能够基于标注后的课堂教学数据进行模式提炼和规律分析，主要包括序列模式发现、分类或预测模型发现、聚类分析、关联规则发现等（牟智佳等，2018）。大数据挖掘技术能够从大量的、种类多样、有噪声的数据中提取隐含在其中的信息，有助于帮助人们更好地理解课堂教学的目标和模式，展现课堂之中难以发现的联系和底层逻辑，其中，序列模式挖掘方法在提炼行为或言语的先后顺序方面具有独特优势（Vista et al., 2016）。

在智能化课堂教学分析以及自动标注技术的研究方面，主要有两种取向。第一，以课堂教学表现形式作为分析课堂教学水平的依据，往往遵循发起（Initiation）-回应（Response）-反馈（Feedback）/评价（Evaluation）模式，即经典IRF 或IRE 模式（Howe et al., 2013）。以此为基础，不同研究者发展出多种课堂教学分析评测体系，其中较为成熟的包括弗兰德斯互动分析体系（Flanders Interaction Analysis System）（Flanders, 1970）、基于信息技术的弗兰德斯互动分析体系（Information Technology-based Interaction Analysis System）（顾小清等，2004），以及S-T 分析体系等（刘清堂等，2018）。该种取向往往借助图像处理技术标注和监测学生举手次数、使用人脸识别技术测算学生抬头次数和眨眼情况，借助声音识别技术分析课堂对话的持续时间和说话的主体，多关注提问、回答、表扬、指导等浅表形式的互动行为和言语，由于其易识别和方便量化处理的优势，在教育信息技术领域得到广泛应用。但是仅依靠表现形式对课堂教学进行评价无法有效体现思维培养、认知发展等重要的教育教学目标，且过于追求高频问答次数容易陷入表面活跃而内里空心化的课堂样态。第二，以教育教学功能作为分析课堂教学的依据。近五年来，国际主流研究团队在进行课堂教学分析时更加注重功能为先和质量引领，剑桥大学团队提出了Cambridge Dialogue Analysis Scheme （CDAS）课堂对话指标体系，其主要指标包括阐释、分析、总结归纳、联系与反思等，体现了对话在促进思维发展中的功能（Hennessy et al., 2020）。吴汴等（2018）基于自然语言处理技术分析小组讨论的对话模式，以提升学生协作能力。宋宇等（2021）采用机器深度学习的方法对课堂对话进行标注，探究对话促进知识建构的过程性规律。王陆等（2021）采用大数据分析挖掘方法对课堂教学过程进行循证分析，对各类型课堂教学行为出现的频次进行统计，提炼了高水平问题的特征。

（2.3）前人研究不足与本文研究主张

智能技术为推动课堂教学高质量发展提供了工具技术手段，也为揭示思维进阶规律和培育高阶思维创设了条件。前人研究提供了有益借鉴，但是也存在以下不足：智能课堂教学分析在发展初期多以简单的行为和言语分析为主，基于音视频文本的自动标注水平相对较低，难以对课堂教学过程中的细粒度特征进行有效的特征识别与机器标注。人工智能技术常常被赋予主导作用，容易出现依照智能技术的功能设计课堂教学的现象，对课堂教学的标注和分析多关注对话频次、互动主体、行为持续时间等浅层次的行为数据，较少关注语言或行为背后所体现的思维进阶和认知发展过程。

为此，本研究旨在发展适应课堂教学场域的精准标注技术，实现面向思维培养的智能化课堂分析。为了更好地达成以上目标需坚持三个基本主张：第一，建立指向思维培养的课堂教学评测体系是先导性工作。由于课堂教学系统的复杂性、教学过程的多样性以及思维发展的内隐性，以往使用较多的Flanders 编码体系及其衍生体系等仅对简单教学行为大类进行评测，难以对接高质量教育发展背景下高阶思维发展的要求。此外，神经网络模型又具有“黑箱”特性，仅依靠技术力量难以透过网络内部神经元的行为或状态对教育教学过程提供有效分析和解释，因此建立面向思维培养的评价体系目的在于使得人工智能技术更贴合教育教学的实际需要，更符合认知发展规律和思维培养目标。第二，发展适应课堂教学场域的文本自动标注技术具有极大必要性。借助神经网络技术对课堂教学进行快速、高效、精准的智能标注，克服人工标注中出现的速率慢、准确度低、人工训练成本高等问题，满足规模化数据分析的需求，提取课堂教学过程中涉及思维发展的关键特征。第三，采用序列模式挖掘技术揭示教学过程中内隐的思维进阶规律，是智能技术赋能课堂教学分析的重要价值所在。在选取智能技术时应注重对教学行为的多元属性和群体行为的交互过程进行深度解构，提炼高质量课堂教学模式，对教师教学行为和思维启发的内隐状态进行精准表征，揭示课堂对话促进认知发展和思维进阶的演进规律，为教师培训、教研工作、教学评价提供数据支撑和可循证的专业反馈。

三、研究内容

基于以上三个基本主张，本研究的主要内容将从以下三个方面展开。第一，提出面向思维培养的课堂教学评价指标体系，该评价体系旨在适应智能化课堂教学分析和自动标注的需要，具有可测量和可操作性，评价体系将在提问-反馈经典模式的基础上引入体现思维发展的指标，以更有效地对接高质量教育发展背景下的思维培养目标，同时该指标体系应具有广泛的代表性和适用性，以支持区域和校际间的对比分析。第二，基于音视频转录文本发展课堂对话自动标注方法，课堂对话为课堂教学转型的主要实现方式，也是借助智能技术测评课堂教学的载体，采用混合神经网络能够依据评价体系对课堂教学中涉及思维培养的关键特征进行自动标注和有效提取，是实现规模化分析的关键步骤。第三，采用序列模式挖掘技术探究课堂教学中的深层认知规律和思维进阶规律，解构促进高阶思维培养的教学模式。三方面研究内容为一个有机整体，三者前后相继、环环相扣，第一部分评价体系的建设是实施智能课堂教学分析的基础；第二部分有关自动标注的研究是智能化课堂教学分析的主体，有助于开展大规模课堂教学数据处理和思维特征提取；第三部分有关序列模式挖掘的分析是智能课堂教学分析的关键环节，是自动标注技术得以有效服务于课堂教学改进的延伸，有助于挖掘课堂教学演进规律，提炼高质量课堂教学的模式，促进高阶思维的发展。

（3.1）创建面向思维培养的课堂教学评价体系—智能课堂教学分析的基础

评价体系是人工智能技术应用于课堂教学分析的基础，是实现精准机器标注的依据，是将抽象的思维培养目标转变为可测量、可评价指标的关键步骤。为了提高评价体系的科学性和广泛适用性，本研究首先采用了文献计量法从近20 年（2000—2020 年）课堂教学领域的期刊文献和评价模型中提炼使用率较高的指标。文献计量法以文献体系和文献计量特征为研究对象，采用数学、统计学等计量研究方法，研究文献的分布结构、数量关系、变化规律，进而探讨相应领域的结构、特征和规律，能够从宏观视角为该领域研究状况提供科学客观的概述。文献选取主要来源于Web of Science （WOS）数据库和知网数据库，WOS 是国际研究较为权威的数据库，收录了SSCI 和SCI 期刊文献，文献质量较高且获得广泛的国际认可，知网数据库收录了CSSCI 核心期刊。从两个数据库中共检索论文6 021 篇，其中完整呈现有关评价体系的论文有79 篇。在此基础上，作者创设了课堂教学分析评测体系Coding Instrument for Productive Classroom Dialogue （CI-PCD），评价体系分为九大类指标，分别为基础知识、个人观点表达、分析阐释、总结归纳、迁移创新、回应建构、认同、质疑和指导，该九大类指标或能直接体现某种思维，或对思维培养具有促进作用，其中前两项指标由于多依靠记忆或简单信息处理体现了低阶思维，而分析阐释、总结归纳、迁移创新和回应建构由于体现了复杂信息处理和认知过程，则代表了高阶思维。在此基础上，本评价体系结合了课堂教学表现形式，将大类指标进一步划分为提问和回应两者形式，共形成十五项指标，指标描述及其对应的思维培养功能见表1。

表1 CI-PCD 评价指标介绍

（3.2）发展基于音视频转录文本的课堂教学自动标注技术—智能课堂教学分析的主体

本文发展了基于音视频文本的课堂教学自动标注技术，该技术能够快速、精准地对大规模的教学数据进行标注，且可以依据评价体系对语义特征进行提炼，识别课堂教学中的思维培养特征。如图1所示，作者团队创设的自动标注技术在实施过程中主要包括四个步骤，第一步，采用智能录播设备对课堂教学过程进行数据采集，并将音视频采集到的课堂教学话语信息转录为文本形式，建立课堂教学语料库。课堂对话是借助人工智能技术评析课堂教学的主要载体和有效手段，对话是知识传递、信息共享、思维启发的最主要渠道，课堂对话相比于表情、动作等具有最大的信息负载量和较小的伦理和隐私安全风险，因此，本研究在开展自动标注工作时主要围绕课堂对话展开。第二步，对数据进行初步清洗和预处理，采用语言表征模型Bidirectional Encoder Representations from Transformers（BERT）对文本进行预处理，该模型可以有效地将课堂话语文本表示为连续向量，并将其应用于神经网络的下游计算任务，适合深度学习模式的输入格式，为自动标注提供数据准备。第三步，采用混合神经网络算法学习标注数据并进行模型训练。神经网络在分类任务中广泛应用于文本数据的深层信息学习，本研究创设了卷积神经网络（Convolutional Neural Network, CNN）与双向长短期记忆网络（Bi-directional Long Short Term Memory Network, Bi-LSTM）相结合的混合神经网络模型CNN-BiLSTM，前者能够对话语中的词和短语等局部信息进行提取，后者的优势在于能够结合上下文内容对序列数据中的全局特征信息进行理解，两者相结合有助于对课堂教学内容进行更为精准的识别。第四，输出机器自动标注的结果，为课堂教学话语自动赋予编码和标签，并依据模型参数水平评价机器标注水平。

图1 课堂教学的机器自动标注模型

本研究创设的基于CNN-BiLSTM 混合神经网络的自动标注技术具有以下优势。第一，模型对课堂教学场域具有良好的适应性，能够精准地对课堂教学话语进行归类和编码。经过大规模课堂教学数据训练，该机器自动标注的精确率、召回率和F1 评分均已达到0.85 以上，精确率是指机器标注和人工标注对比的一致性程度，召回率是考查机器能否标注到人工标注的内容，F1 评分是综合了前两者的综合表现水平，这三类参数广泛应用于评价机器学习模型的性能。高参数水平表示该机器自动标注方法具有较高的可靠性和有效性，能够有效支持和替代研究人员完成课堂教学数据的标注。第二，能够快速和大规模地处理课堂教学数据。经过模型训练，机器自动完成一节课（40 分钟）的标注时间平均只需要15 秒，与人工标注6-7 小时相对比，极大地提高了标注的效率，能够快速处理多类型多层次的课堂教学过程性数据，是规模化课堂教学分析的保障。第三，能够提炼课堂教学过程中的深层特征。该模型依据上述3.1 章节的评价指标对课堂教学中所体现的分析阐释、归纳总结、迁移创新等思维特征进行了有效识别和提炼，其价值在于超越了对提问、回答等简单课堂行为的识别，能够挖掘对话文本中隐藏的语义信息并反映课堂教学过程中的思维特征。综上，该自动标注技术的创设是智能技术赋能课堂教学评测的关键，极大地提升了课堂教学的评测效率和效能，且能挖掘隐藏在表象行为言语背后的思维特征，使得课堂教学分析更加贴合思维培养的目标。

（3.3）序列模式挖掘与思维进阶规律探究—智能课堂教学分析的关键环节

在上述自动标注的基础上，为了更好地呈现课堂教学特征及其对思维进阶的作用，需要进一步对课堂教学的标注数据进行挖掘，以揭示课堂教学中思维发展的过程性规律。传统课堂教学评测往往基于标注数据进行静态的描述性统计，输出各类语言或行为是否出现和出现的频次，该种静态分析方法无法回应师生是如何通过对话搭建思维进阶的链条、高阶思维发展的演进模式是什么等问题，也难以为教师改进教学方式提供有针对性的过程性指导。数据挖掘技术可以从大量课堂数据中揭示出隐含的、先前未知的并有潜在价值的信息，它是一种决策支持过程，能够自动化地分析数据并作出归纳性的推理，提升教学评价的科学性（Vista et al., 2016）。其中，序列模式挖掘方法能够有效揭示课堂教学中思维进阶的规律，序列模式挖掘是在一组有序数据列组成的数据集中，提炼出具有较高出现频率和重要性序列的分析挖掘方法，序列模式挖掘的对象以及结果在时间或空间上是有序排列的，在分析过程中，一个序列（Sequence）是一个完整的信息流，序列由项目（Item）组成，可以标识事件之间的前后关系，常以支持度（support）代表序列整个数据集中的重要性程度。具体而言，本研究主要采用了两种序列模式挖掘方法，第一种为滞后序列分析方法 （Lag Sequential Analysis），该方法主要用于检验课堂教学过程中一种行为之后另外一种行为出现的概率及其是否存在统计意义上的显著性，能够判断课堂教学中出现较为频繁或重要程度较高的演进路径（杨现民等，2016）。随后，采用扩展的Dijkstra 算法挖掘课堂对话中的长序列路径，提取高质量课堂中经常出现的有价值的长序列模式，由于较长的课堂对话序列路径会比短路径体现更为多元的认知发展功能，因此围绕长链条对话的挖掘在促进思维培养过程中具有更高的价值。在3.2 章节自动标注的数据基础之上，序列模式挖掘方法可以呈现师生对话中协同探究和启发思维的过程，阐明某种类型的教师提问会引发何种学生回应，而依据回应教师又将作出何种反馈，揭示在高质量课堂教学中思维由低阶转入高阶的演进模式，从而为改进教师课堂教学方式、提升教育教学质量提供科学依据。

四、智能化课堂教学分析的实践应用

为了将智能课堂教学分析更好地应用于课堂教学实践，本团队在广东省A 学校进行了为期一学年的教学改进试验，该试验采用智能技术对教师课堂教学水平进行全过程监测，涵盖语文、数学、英语三门科目，共有28 位教师参与。本文将对比第一次和最后一次数据分析结果，以验证智能技术是否能够有效地发现、挖掘课堂教学中的思维特征并提升学生的高阶思维品质。首先，采用卷积神经网络与双向长短期记忆网络相结合的混合神经网络算法对该学校课堂教学语料进行自动标注，机器标注的参数水平分别为精确率0.884 2、召回率0.878 2、F1 得分0.870 2，这三个参数是机器学习领域常用的衡量算法应用效果的参数，表明本研究所提出的自动标注方法在实践应用中具有较高的置信度水平和良好的模型表现，能够较为精准地为课堂教学话语进行分类，并能有效识别内隐于师生对话中的思维特征。

随后，采用了独立样本t 检验的方法，对比第一次监测和最后一次监测中各类别对话所占百分比的差异情况，若t 值呈现显著性差异则表明前后两次监测教师课堂教学水平有了明显变化。由表2 可知，体现低阶思维的“基础知识”和“个人观点表达”对话类型出现百分比较高，而在体现了高阶思维的对话类别中，“分析阐释”类对话出现频率较高，而其它高阶类对话出现比例较低。这表明教师在课堂教学中能够帮助学生夯实基础知识和基本技能，引导学生表达个人观点，同时注重引导学生分析问题，增强对问题的深度理解，但是在培养归纳总结、迁移创新思维方面还亟需加强。在语文、数学和英语三个科目中，第一次课堂教学监测水平和最后一次监测水平呈现显著性差异，围绕基础知识展开的低阶思维类对话比例显著下降，而涉及高阶思维的分析阐释、总结归纳和回应建构类对话比例显著增加，这说明经过开展智能监测分析，教师在课堂教学中更加注重高阶思维培养，能够有效运用触发思维发展的问题和反馈话语，引导学生发展高阶思维的水平明显增强。

表2 第一次监测与最后一次监测课堂教学中各类别对话的均值与差异

滞后序列挖掘可以揭示课堂教学的演进规律。图2 为依据各互动节点的出度、入度创建的有向连通图，点表示对话类别，而边（显示为有向路径）用于描述对话之间的关系，箭头方向代表课堂教学中对话的演进方向，图中的线条为呈现显著性的对话路径，表明其在课堂教学过程中具有突出的重要性。通过对比发现，最后一次监测中课堂教学的对话演进路径更为多元，教师能够通过有效的提问和反馈激发学生思考，灵活发挥各类对话的功能以实现思维的综合提升。

图2 课堂教学演进规律（左为第一次监测、右为最后一次监测）

对话链条是思维链条的体现，相比于碎片化的短链条，长对话链条代表师生对话深度较高、更能够发挥多元认知和思维培养功能，采用扩展的Dijkstra 算法可挖掘课堂教学中的长对话序列，呈现思维由低阶向高阶发展的演进模式。图3 呈现了第一次和最后一次监测中呈显著水平的长对话链条，图中的点代表各课堂对话类型，箭头方向代表对话演进路径，虚线圈表明该圈内的对话类型具有较高的聚类效果，经常一起出现。研究发现，低阶思维类对话，即基础知识、个人观点表达类对话，具有较高的聚类拟合度且经常作为长对话链条的前序部分出现，对于激发思考和深入理解具有先导作用；分析类对话发挥了重要的桥梁作用，促使课堂教学由低阶思维向高阶思维进阶；总结归纳类、迁移创新类、回应建构类对话具有较高的聚类效果，经常出现在长对话链条的尾端。在第一次课堂教学监测中，对话链条相对较短，且涉及高阶思维的课堂对话容易出现碎片化的状态，对话演进路径很少能延伸到体现高阶思维的“总结归纳”“迁移创新”和“回应建构”类别上；在最后一次监测中，课堂教学中的对话链条更长，教师注重对知识进行总结归纳，提炼升华，重视推理迁移思维的培养,呈现出基础知识习得→引导个人观点表达→分析阐述问题→总结归纳知识→迁移创新的思维进阶模式。通过对比发现，前后课堂教学在高阶思维培养方面具有明显差距，智能课堂教学分析为评测教师教学水平提供了科学客观依据，有助于服务课堂教学转型升级，促进学生高阶思维培养。

图3 课堂教学中的长对话链条（左为第一次监测、右为最后一次监测，由于图片位置限制，对话类型用其编码符号表示）

五、总结与展望

发展新型课堂教学对于推进教育高质量发展和培养新时代实践型创新型人才具有重要意义，新型课堂教学以课堂对话为主要实现形式，以思维培养为主要目标。智能技术为新型课堂教学的有效评析提供了重要的工具手段，其中，自动标注技术是智能化课堂教学分析的重要环节，有助于精准提炼课堂教学过程中的思维特征、展现思维进阶规律。本研究主要从三方面形成了研究成果：第一，创建了面向思维培养的课堂教学评价体系CI-PCD，共包含基础知识、个人观点表达、分析阐释、归纳总结、迁移创新、回应建构、认同、质疑、指导9 大类15 项指标，该体系是智能技术赋能课堂教学分析的基础，是实现精准标注的依据。第二，创设了基于音视频转录文本的课堂教学自动标注方法，提出了卷积神经网络与双向长短期记忆相结合的混合神经网络算法，能够快速、高效地处理大规模课堂教学数据。第三，发展了适应课堂教学场域的序列模式挖掘方法，该方法能够有效提炼教学模式，探明课堂教学中的思维进阶规律。通过数据复盘和实践检验，证实了评测体系的适切性，验证了自动标注技术能够有效提炼内隐于课堂教学话语中的思维特征。与此同时，研究发现在智能技术的加持下，涉及高阶思维的课堂对话比例得到显著提升，思维链条更长且能体现由低阶思维朝向高阶思维进阶的规律，其中较为显著的长链条对话表现为夯实基础知识→鼓励学生表达→分析阐释问题→引导总结归纳→激发迁移创新的进阶模式，发挥了多元认知功能，有助于培养学生高阶思维品质。

未来推进智能化课堂教学分析可以从以下几方面着眼。第一，发展以课堂对话为主、多模态数据融合的协同标注与分析方法。对话是课堂教学中信息分享、知识建构和启发思维的最重要渠道，话语分析已经较为成熟且可以有效应用于课堂教学评测之中，在此基础上，未来研究可进一步融合行为数据、面部表情数据、图像场景数据等多模态数据进行协同标注和分析，“协同”不仅仅是局限于狭义的物理属性，它既是介质的互联，亦是内涵和功能的互联，以期达到常态化协同分析的状态。在此过程中，挖掘多模态数据背后所反映的认知和思维发展内涵，整合多模态数据的信息源，从教育教学功能上实现协同分析是其中的关键。第二，研究覆盖多场景多样态的课堂教学分析模式。随着课堂教学改革的发展，课堂结构和课堂形态也发生了相应变化，除了新授课课型之外，还会涉及研究型、小组学习、实践型等多种样态课堂，此外，随着物联网、虚拟现实技术的快速发展，教学场景、教学组织形式也深刻发生着变化。这就要求立足于课程教学理论发展适用于不同样态课型的分析方法，并以此为依据探究适合于多样态课堂的优质教学模式。第三，智能化课堂教学分析应对标教育教学的培养目标，例如思维发展、综合素养、认知能力等，避免机器过度学习和无效学习，要通过理论模型建构和路径选择引入人的智慧决策，重点发挥神经网络在因果推断、行为动机、认知决策等方面的强大作用，智能技术的选择最终要能转化为可实践可应用的策略，以更加科学、精准地服务于课堂教学评价和改进，促进课堂教学的系统性重塑，提高教学育人的质量。

（宋宇工作邮箱sungyuepku@foxmail.com）