基于课堂智能分析大模型的教师教学能力分析框架及其应用研究

方海光 洪心 舒丽丽 王显闯

摘要：当前，外部社会数智化正通过知识组合方式不断影响处于“三元空间”的包含教师在内的人类主体，知识获取途径的复杂性和多元化使教师教学能力培养逐渐指向“个性化”大趋势。基于课堂智能分析场景的案例增量数据来进行垂直大模型学习，成为课堂智能分析大模型训练和人工智能支持教师能力分析及教师专业发展的主要方向之一。在此背景下，文章首先基于能力形成的过程视角和斯皮尔曼的二因素理论，构建了教师教学能力结构模型；然后，文章对课堂教学行为和教学能力进行智能分析判别，构建了基于课堂智能分析大模型的教师教学能力分析框架和培养机制；最后，文章以北京市某学校的五年级语文老师为例，初步构建了该教师课堂教学行为与教学能力的映射关系和教师教学能力框架。文章通过研究，旨在为教师教学能力的个性化培养和智能评测提供有力支持。

关键词：课堂智能分析；教学能力结构；能力分析框架；垂直大模型

【中图分类号】G40-057 【文献标识码】A 【论文编号】1009—8097（2024）02—0043—10 【DOI】10.3969/j.issn.1009-8097.2024.02.005

教师的专业发展是当代教育改革实践的重要议题，而其核心焦点在于提升教师的教学能力，这一进程强调不仅要更深入地理解教学能力的内涵，还要积极推动人工智能与教育的深度融合，以更精准的方式探索教学能力机制，从而促进教师专业发展的迅速有效进行。2022年，教育部等八部门发布的《新时代基础教育强师计划》明确指出“要以高水平教师教育体系建设为支撑，以提升教师思想政治素质、师德师风水平和教育教学能力为重点”[1]，旨在到2035年，实现教师教育教学能力的显著加强；2018年、2021年，教育部先后开展了两批人工智能助推教师队伍建设试点工作[2][3]，以推进智能技术与教师队伍建设的深度融合创新。可见，培养适切智能化教育环境下的高水平教师队伍已成为当前教学改革的必然趋势和客观要求。而随着GPT系列、文心系列等各种大规模智能大模型的不断涌现，基于课堂智能分析场景的案例增量数据进行垂直大模型学习，成为当前课堂智能分析大模型训练和人工智能支持教师能力分析及教师专业发展的主要方向之一，也为“智能+教师教学能力发展”研究提供了新的视角和工具。基于此，本研究从能力形成的过程视角审视教师教学能力结构的现实表征，根据教师课堂专业水平发展数据，构建了基于课堂智能分析大模型的教师教学能力分析框架，通过人机协同方式初步评估了教师的教学能力水平和发展偏好，以期为实现教师教学能力的个性化培养和智能评测提供参考。

一 研究背景

在人工智能助推教师队伍建设和人机协同教育创新发展的趋势下，目前的首要问题便是教师教学能力的发展和培养。对此，从培养途径来看，教学竞赛、在线平台、教師研修成为提高教师教学能力的重要手段[4][5]。而随着学习共同体理论的发展，又将教学能力培养从个体维度投射到环境背景下，有研究依托名师工作室平台，提出教学能力的培养需要驱动教师的内在动力，在自然情景和问题中对其给予更多的外在支持[6]。从评价方式来看，主要是从专家听评课、问卷访谈、量表评价等质性角度提出培养建议，多具有主观性。后来依托课堂行为数据量化分析方法评价教师教学能力的研究不断开展，根据采集关注点和环境的不同，一般使用的研究方法有S-T分析法、Flanders分析法、iFIAS分析法、IIS图分析法、滞后序列分析法等，如有研究基于课堂视频智能分析技术，探究人机协同教研对教师教学反思能力的影响[7]；有研究通过汇聚教师大数据，构建了可重用的区域教师能力画像教育数据模型[8]。然而，不管是质性分析还是量化角分析，传统的教学能力评测或培养方法都具有一定的局限性，并与当前数智化环境下的教师专业发展规划存在“两张皮”问题，主要表现为：①传统教师教学能力评价的“一刀切”方法与促进教师专业发展“个性化”需求不匹配；②当前教师教学能力培养的方案或路径与教学能力内涵不相适应；③以往教师的教学能力结构与真实、客观环境下教师所表现的教学能力之间并不相符；④传统的教学行为分析方法与评价方式已经逐渐无法适应教学能力发展的需要。

2022年，ChatGPT类人工智能掀起人类社会的多领域变革[9]，人工智能技术迎来了“模型通用化”的第三次范式转变[10]。由于学校、师生、管理等数据的隐私属性，教育领域多是采用基于通用大模型进行二次开发的针对教育领域或任务进行优化设计的垂直大模型，大模型强大的数据处理能力和涌现能力为课堂教学行为分析过程的高度智能化、分析内容的深度理解化和分析结果的即时呈现化提供了契机。

综上所述，本研究认为探究教师需具备的教学能力问题前需先认识到：①教学能力具有普遍性和特殊性意义[11]，已有的培养方案或路径大多是从普遍性角度提出来的，而当今外部社会数智化正通过知识组合方式不断影响着处于“三元空间”的包含教师在内的人类主体[12]，知识获取途径的复杂性和多元化使教师教学能力培养逐渐指向“个性化”和“持续性”大趋势[13]。因此，教师教学能力的培养并非需要促进各能力要素的整体提升，处于不同阶段或状态的教师应选择适合自身特点的路径。②课堂智能分析大模型为教师教学能力的评价提供了手段和依据，并且模型优化是一个不断迭代的过程，教学能力的评价需要发挥人机协同智慧。

二 基于课堂智能分析大模型的教师教学能力结构模型

为更好地进行教师教学能力和发展偏好的分析，需要首先探究教师教学能力结构样态。心理学领域认为，能力是人在具体实践活动过程中带有的表现人个性心理特征的属性。1904年，心理学家斯皮尔曼运用因素分析方法提出二因素理论，认为能力包含一般因素G和特殊因素S，该理论不仅经受住了科学检验[14]，而且为测量一个个体的G和该个体的任何一个S提供了理论工具。同时，研究发现当前对教师教学能力的培养逐渐从集中培训转向强调教师个性化探究取向的专业发展，教师专业发展也逐渐走向个性化[15][16]。而对教师能力结构框架的研究，就是期望能够在不同情景的实践活动中，找到发挥关键性作用的相对单纯的个性特征。为此，本研究从能力的形成过程视角，在参考二因素理论的基础上突出教师的个性化能力，将教师教学能力分解为胜任能力（一般因素）、掌握能力（一般因素中的特殊因素）、拓展能力（特殊因素中的一般因素）和卓越能力（特殊因素）四个维度，构建了基于课堂智能分析大模型的教师教学能力结构模型，如图1所示。

1 胜任能力

胜任能力（Competencies，C）是教师职业必须具备的基本素养和一般能力，指向教学活动领域的共性能力。依据《高等师范学校学生的教师职业技能训练大纲（试行）》对课堂教学技能的分类，可将胜任能力划分为课堂导入能力、课堂讲授能力、课堂提问能力、课堂板书板画能力、课堂反馈和强化能力、课堂组织教学能力、课堂应变能力、信息技术应用能力、课堂演示能力、课堂评价能力、课堂结束能力11种。

2 掌握能力

掌握能力（Mastery Competencies，MC）是指教师在课堂教学和对学生的全面发展施加影响的过程中，起重要支撑作用并产生决定性效能的能力，表现为课堂教学中相对稳定持久的几个教学能力的总和。能力区分强弱，按照处理具体问题时能力表现出的差异性，由低到高可划分为新手级、基础级、熟练级和精通级[17]，而掌握能力为胜任能力中熟练或精通级的某一个或某几个能力的综合，具有胜任能力所缺少的跨领域整合能力。掌握能力以归纳验证为途径，是在长期的教学实践中累积表现出的教学风格，具有稳定性和独特性，如教师善于运用提问技巧、擅长利用不同的信息技术支持课堂教学等。

3 拓展能力

“拓展”可被定义为改变某事物的现有状态，以扩展或拓宽其发展途径[22]。因此，拓展能力（Advanced Competencies，AC）可被理解为一种培养开放创新精神的过程，具备除胜任能力所要求的能力指标之外的一些能力特征，如拥有拓展能力的教师多为兼具教学、科研、管理方面能力于一身的复合型教师。教师拓展能力包括课标解读、教育科研、著述写作、跨学科整合、融合教育、知识创新等方面的能力，其维度及内涵如表1所示。

4 卓越能力

卓越能力（Excellence in Competencies，EC）表现为在多个领域内表现出杰出和创新的教育能力。卓越能力不仅强调广度上的范围扩大，还包括深度上在特定领域的深刻见解，是个人特质、专业技能、专业知识、动机态度的有机整合。2017年，《中国教育报》在头版中将顾明远、叶澜等90位教育大家推选为“当代教育名家”，按照其评选标准，最核心的特质便是具有丰富的教育思想和教育见解，如教师对复杂问题的深刻理解和解决方案的创新，以及将教学实践经验归纳总结、升华为指导教育活动理论的能力。

总之，胜任能力是教师胜任工作所需要的一般能力，掌握能力体现为胜任能力在垂直领域中某些子能力的程度加强和整合，拓展能力是胜任能力所包含范围的进一步扩大，卓越能力是教师自我完善和自我发展的一种需求，指向教学能力的最高层次。胜任能力确定了一个教师的G的量，掌握能力和拓展能力是教师在面对每一个独特教学任务时所表现的S，并且随着教师经验在教育实践中的日益丰富，各能力系统之间会为实现某一教学目标协同合作，通过不断补充、完善G和S，趋向更高层次的动态平衡状态，而平衡态即教师卓越能力的形成。从一般到特殊，四种能力构成了教师教学能力的全集。在当前教育数字化转型的背景下（教师数字素养需求、人机协同教育应用给教师带来的角色认同和主体角色危机等），越来越强调掌握能力或拓展能力两种路径的培养模式，关注特殊性而非全面性，以适应不断演变的教育环境。

三 基于课堂智能分析大模型的教师教学能力分析框架构建

考虑到教师的教学能力外显于各种具体的教学活动，不同的活动又对应于特定的教学能力，因此本研究将结合大模型技术与实践经验，以课堂教学行为分析为切入点来构建教师教学能力分析框架，以此深化教师教学能力的个性化培养与发展。

1 基于课堂智能分析大模型的教师教学能力分析框架

本研究根据数据多元分析、教学全过程数据采集、及时分析反馈等原则，设计了基于课堂智能分析大模型的教师教学能力分析框架，如图2所示。

①数据来源。为确保数据来源的可靠性，收集教师课前教学设计方案和课后教学反思记录，并利用智能设备进行课堂教学数据非入侵、伴随式、无感式采集，所获得的课堂实录应包含教师全景、教师跟踪、学生全景、学生跟踪、板书特写、多媒体信号6路视频画面。

②数据处理。收集到的课堂源数据需进一步处理转化为可供“智能分析”的结构化数据，主要包括师生行为数据、师生言语数据、教学设计数据和教学特征数据，总的来看可分为文本和视频两种数据类型。在这一处理过程中，文本数据标注、“图像+视频序列”智能识别方法以及自然语言处理等技术为本框架的实现提供了强有力的支持。

③智能分析。基于多模态数据分析大模型和专家评课垂直大模型，可实现对教师教学能力的量化和质性分析。首先，多模态数据分析大模型属于判别式大模型，依据iFLAS分析工具和功能-行为-结构（Function-Behavior-Structure，FBS）映射模型構建教学行为与能力之间的映射关系已在学理和实践中得到佐证、检验[23]，因此多模态数据分析大模型的主要任务便是对输入的多模态数据进行分类和识别，并运用教师与能力的映射关系方法训练模型，从而实现行为输入、能力输出的智能解析过程。值得注意的是，为保证数据的准确性，在此过程中不仅要训练大量的数据集和测试集，还需要增添人工打点矫正的过程。其次，多模态数据分析大模型的输出结果是关于教师胜任能力情况的数据，将所得的各项统计结果与常模数据进行对比，多次接近或高于常模上限的指标数据构成教师的掌握能力模型。最后，教师拓展能力和卓越能力的构建主要依赖于专家点评，将处理后的结构化数据再次输入生成式的专家评课垂直大模型，通过“大规模预训练+下游任务微调”方式训练专家评课语料库，实现模拟专家评课内容的生成应用。

④能力框架。依托基于课堂智能分析大模型的教师教学能力结构模型，以数据伴生为基础，从课堂教学数据中分析抽象出教师真实的教学能力样貌，这一方法真正实现了对任何教师个体的教学能力进行测量，而不是给出一个平均值或平均水平。这有助于获知教师发展偏好，确保教师教学能力培养走向适切的个性化培养路径。

2 基于课堂智能分析大模型的教师教学能力培养机制

教师能力的培养需要通过一定的机制才能实现，机制是指利用一定条件实现预期目标的活动过程。基于教师教学能力结构模型和教学能力分析框架，本研究构建了基于课堂智能分析大模型的教师教学能力培养机制，如图3所示。

具体机制流程为：在对教师进行教学能力前测的基础上，结合常模数据，对教师各项教学能力进行综合分析诊断和培养，如其能力模型指标有一个或若干个接近或超过常模上限，则进入第二个循环“掌握能力”的深化加强，通过开展多层次、多类型的教学实践，每一轮结束后立即进行测评反馈，从而使个人特征维度下可突出强化的能力要素达到动态稳定状态。否则进入第三个循环，依托专家评课垂直大模型挑选出具有开放性和创新性的突出能力，根据拓展能力属性，有针对性地寻找标杆教师，并选择适宜的智能技术和资源，支持特定能力的培养。当教师积累够一定的教学经验时，会根据自身教学发展需求进行自主学习，并根据多模态数据分析大模型的测评反馈不断重复这个过程，教师的教学能力真正实现内化和高度整合化，直到突变找到在该发展阶段下一条专属的、个别的卓越能力。

四 案例应用

为验证前述分析框架对教师教学能力的智能分析能力，本研究于2023年4月对北京市某小学的一位五年级语文老师进行了跟踪研究。该教师拥有二级教师职称，已从教3年。本研究试图通过分析该教师的连续10节授课视频和教学设计来描绘其教学能力结构。

1 教师胜任能力分析

多模态数据分析大模型将原教学行为类别进行降维处理，使用因子载荷排序并删除载荷小于0.6的教学行为，得到该教师清洗前后的公共组合行为变量，如表2、表3所示。其中，B表示“行为”，即iFIAS分析法将课堂教学行为划分为14个行为维度，B1～B14分别代表教师接受情感、教师表扬或鼓励、教师采纳学生观点、教师提问、教师讲授、教师指令、教师批评或维护教师权威、学生被动应答、学生主动说话、学生与同伴讨论、无助于教学的混乱、有益于教学的沉寂、教师操作技术、学生操作技术。F1～F5表示可提取的“公共组合行为变量”。之后，将其和基于专家模糊评述获得的教学行为与能力映射关系模型进行映射分析，得到11种教学能力所对应的简化教学行为，教学行为与能力的映射关系如表4所示。该映射关系可以表述基本的教学行为与教学能力之间关系的重要程度，从而实现行为表示能力的目的。

本研究用教学行为出现的频次表示对应教学能力的体现程度，并通过雷达图对该教师当前的胜任能力进行表征，如图4所示。

2 教师掌握能力和拓展能力分析

综上可以发现，该教师较为突出的教学能力是课堂导入能力、课堂反馈和强化能力。此外，观看视频发现，该教师平均每节课都会花费10分钟的时间进行课堂导入，方式涉及视频、角色扮演、知识回顾等，并以追问型、学生讨论思考再答型等开放性问答模型多次与学生进行互动，因此该教师在今后的课堂中可继续借助信息技术、问题驱动等方式加强这两项能力的培养，以深化为掌握能力。在拓展能力方面，利用专家评课垂直大模型进行分析，发现该教师表现出课标解读能力、跨学科整合能力的创新能力，课堂智能分析大模型处理的部分数据如表5所示。

3 教师教学能力框架

结合该教师的职业背景，发现该教师还未表现出卓越能力，由此可形成该教师在此阶段的教学能力框架，如图5所示。该教师可据此教学能力框架在后续教学中进行针对性学习和培训。

五 结语

教师的教学能力是教师能力素质的集中体现，是一个复杂的发展过程。根据本研究构建的基于课堂智能分析大模型的教师教学能力分析框架，可以得出以下结论：①教师教学能力是普遍性和特殊性的综合，优秀教师的成长并非是实现各能力维度的综合提升；②通过人机协同相结合的方式采集到的多模态数据，在一定程度上避免了教师教学能力评价的局部化、间断性等问题，使其分析更具全面性和智能性；③在实践活动中，人的生理、社会文化心理、基础心理等都有可能影响其行为的选择和发生，因此教师教学能力的培养必须考虑教师性别、教龄、所在地区、所教学段等基本信息的影响，以便有针对性地开展培训活动。

此外，本研究的不足之处在于：此系统实施的前提是需要通过多类型、多学科、海量的数据来不断训练优化大模型的智能性，当前所得结果大多需要通过人机协同的方式进行矫正，存在一定的主观性。另外，教学能力具有复杂性和难隐喻性，本研究教学能力结构的划分从一个较为宏观的角度展开，降维处理后的教学行为与教学能力之间映射关系的科学性需要更多不同类别课堂的进一步系统分析和验证。基于本研究分析结论的局限性，如何解决确定教学能力成分需满足的相对完备性和可操作性之間的相斥性问题，将是下一步研究的重点之一。

参考文献

[1]中华人民共和国教育部.教育部等八部门关于印发《新时代基础教育强师计划》的通知[OL].

[2]教师厅.教育部办公厅关于开展人工智能助推教师队伍建设行动试点工作的通知[OL].

[3]教师函.教育部关于实施第二批人工智能助推教师队伍建设行动试点工作的通知[OL].

[4]王磊，姚晓霞，柴田.基于“四位一体”教学能力培养的青年教师教学竞赛体系的构建及其实践——以西北农林科技大学为例[J].中国林业教育，2023，（1）：6-10.

[5]衷克定，王慧敏.基于在線平台数据分析的教师教学能力发展阶段探究[J].现代远程教育研究，2019，（3）：49-56.

[6]马丽斌.专业学习共同体视域下高职教师实践教学能力培养——基于名师工作室平台[J].高教论坛，2022，（7）：84-87.

[7]蔡慧英，卢琳萌，顾小清.人机协同教研会促进教师教学反思能力的发展吗？——基于课堂视频智能分析技术的实证研究[J].现代远距离教育，2023，（1）：40-49.

[8]方海光，孔新梅，洪心，等.面向教育数字化服务的教育数据模型体系研究[J].远程教育杂志，2022，（4）：45-54.

[9]郑永和，丁雨楠，郑一，等.ChatGPT类人工智能催生的多领域变革与挑战（笔谈）[J].天津师范大学学报（社会科学版），2023，（3）：49-63.

[10]吴砥，李环，陈旭.人工智能通用大模型教育应用影响探析[J].开放教育研究，2023，（2）：19-25、45.

[11]申继亮，王凯荣.论教师的教学能力[J].北京师范大学学报（人文社会科学版），2000，（1）：64-71.

[12]田小红，季益龙，周跃良.教师能力结构再造：教育数字化转型的关键支撑[J].华东师范大学学报（教育科学版），2023，（3）：91-100.

[13]赵莉，李王伟，徐晓东.个性化和持续性教师专业发展模式的构建与效果研究[J].中国电化教育，2021，（5）：110-117、123.

[14]王亚南，刘昌.斯皮尔曼：从智力二因素论的创立到方法论上的突破[J].南京师大学报（社会科学版），2011，（6）：95-101.

[15]赵莉，李王伟，徐晓东.个性化和持续性教师专业发展模式的构建与效果研究[J].中国电化教育，2021，（5）：110-117、123.

[16]朱旭东.教师教育标准体系的建立：未来教师教育的方向[J].教育研究，2010，（6）：30-36.

[17]罗生全.教师关键能力结构及其实践转化[J].中国教师，2019，（12）：22-25.

[18][21]程敏芬，蒋娜娜.新时代卓越教师的融合教育能力及培养[J].绥化学院学报，2023，（1）：106-110.

[19]周春良.卓越教师的个性特征与成长机制研究[D].上海：华东师范大学，2014：53-55.

[20]张劼.跨学科融合教学的问题与实践[J].中国教师，2021，（9）：65-68.

[22]傅敏，刘燚.论现代数学教师的能力结构[J].课程·教材·教法，2005，（4）：78-82.

[23]王秋晨.中小学教师教学行为与能力的映射关系模型解析研究[D].北京：首都师范大学，2023：46-48.

Analysis Framework of Teachers Teaching Competency Based on Classroom Intelligent Analysis Large Model and its Application Research

Abstract： At present， the digital intelligentization of external society is continuously influencing the human subjects including teachers in the “three-dimensional space” through the way of knowledge combination. The complexity and diversification of knowledge acquisition channels make the cultivation of teachers teaching competency gradually point to the gerneral trend of “individuation”. One of the main directions of the classroom intelligent analysis large model training and the teachers competencies analysis and teachers professional development supported by artificial intelligence is to conduct vertical big model learning based on the case incremental data of the classroom intelligent analysis scenarios. Under this context， the paper firstly constructed the teachers teaching competency structure model based on the process perspective of ability formation and Spearman's two-factor theory. Subsequently， the intelligent analysis discrimination of classroom teaching behaviors and teaching competency was conducted， which constructed an analysis framework and training mechanism of teachers teaching competency based on the classroom intelligent analysis large model. Finally， taking a fifth-grade Chinese language teacher in an elementary school as an example， the mapping relationship between the teachers classroom teaching behaviors and teaching competency， as well as the framework of teachers teaching competency were preliminarily constructed. Through this research， the paper was aimed to provide strong support for the personalized training and intelligent assessment of teachers teaching competency.

Keywords： classroom intelligent analysis; teaching competency structure; competency analysis framework; vertical large model