数据驱动循证教研?加速教学数字化转型

王陆 牟艳娜

王 陆：首都师范大学教授、博士生导师，北京市基础教育信息化实验教学示范中心主任，首都师范大学教育技术研究所所长，首都师范大学现代教育技术重点实验室主任、校学术委员会委员。她还兼任全球华人探究学会副理事长、全球华人计算机教育应用学会执行理事委员、中国人工智能学会全国计算机辅助教育专业委员会常务理事、教育部“国培计划”专家库首批教师教育专家等。

党的二十大报告明确指出，高质量发展是全面建设社会主义现代化国家的首要任务。在此背景下，教育领域正在加快教育数字化转型，以此推动教育高质量发展。教学数字化转型是教育数字化转型的重要领域，而教师无疑是推动教学数字化转型的核心力量。因此，提升教师的数字素养，充分挖掘数据要素的价值就显得尤为关键。但当前教师在分析和解读课堂数据以及基于数据改进课堂方面还面临较大挑战，许多教师在教学数据的选取、分析与利用上还存在认识偏差。为此，我们特别专访了首都师范大学的王陆教授。她带领研究团队在基于大数据的课堂教学研究领域已深耕24年，积累了丰富的理论与实践经验。

高质量课堂的数据特征

记 者：王教授，您好！课堂是教育教学以及师生成长的主要阵地。基于您长期以来的研究与实践，您认为高质量的课堂应具备哪些特征？

王 陆：教学的本质是教会学生学习。在我看来，一堂高质量的好课应该能够促进学生的深度学习并提升学生的高阶思维水平，发展与培养学生的合理推理能力、问题求解能力、批判性思维能力、合理决策能力和创新能力。这些能力的培养，将使学生学会学习并终身受益。若能够实现这样的课堂教学，我认为就已经达成了高质量的课堂标准。

我领导的靠谱COP项目团队经过基于教育大数据循证的课堂教学研究发现，高质量课堂的数据特征共有九个关键指标，分别是创造性问题、批判性问题、冲突管理、深化认识层、记忆性问题（负向）、深度一对话（负向）、提升肯定、教育信念和反思性知识。这九个关键指标与教师的教学支持行为、社会情感行为两类教学行为以及教师的实践性知识密切相关。

记 者：这些关键指标有的听起来非常专业。为了帮助教师更好地理解，您能否做进一步阐释？

王 陆：好的。教学是由问题构成的，教学的一切都可以视为问题的衍生物。因此，教学的数字化转型，要从问题的类型、理答方式、问题结构、师生对话深度等多维度对教学进行数字刻画，从而获得教学的多维数据要素。

我们首先来分析问题类型。教师提问的问题类型包括记忆性问题、推理性问题、批判性问题、创造性问题、常规管理性问题五种。其中，记忆性问题对应的是事实性知识，推理性问题对应的是原理性知识。而新课程改革的导向是注重培养学生的高阶思维。因此，从问题类型就可以判断出教师的提问是否符合新课程理念。

教师将问题抛出后，接着要进行理答。理答的方式有先点名再提问、提问后让学生齐答、提问后让举手者答和鼓励学生提出问题等五种方式。教师的理答反映出教师的教育信念，也影响到学生课堂的参与度和是否具备发生主动学习的条件。

在理答后，势必会产生对话深度，即教师提出问题的难度与所任教班级学生认知程度之间的匹配度。对话深度分五级，从深度一到深度五。对话深度过高表明，教师提出的问题对这个班的学生来说可能太难了，也表明教师没有给予适当的学习支架。当对话深度太浅时，则说明对于这个班级的学生而言，教师的问题设计过于容易，缺乏挑战性，不太可能引发高阶认知。

我们再来看课堂的问题结构。国际上通用的是麦卡锡博士提出的4MAT模型，我们可以用“四何”问题来简单概括：是何问题指向事实性知识的获取；为何问题指向原理性知识的获取；如何问题指向策略性知识的获取；若何问题指向创造迁移性知识的获取。根据这个模型，教师会发现课堂教学中的问题结构是否恰当。

在问题之外，小组合作学习的效果也影响着教学质量。美国学者约翰逊指出，任何合作学习都起于冲突止于合作、任何合作学习都起于分工止于合作。因此，我们会从冲突管理、小组责任的分配和合作学习参与度等指标来评估小组合作学习的质量。

著名教育心理学家布卢姆将认知领域的教育目标分为记忆、理解、运用、分析、综合和评价六个等级。记忆、理解与运用属于低阶认知层级，分析、评价和创造属于高阶认知层级。他的学生安德森后来在上述认知过程维度上又增加了知识维度（包括事实性知识、概念性知识、程序性知识和元认知知识）的分类，将布卢姆的认知目标分类框架从一维拓展到二维。

上述指标是有关教师课堂教学行为的，教育信念和反思性知识属于教师的实践性知识。教育信念即教师内心真正信奉的什么是好的教育的知识。反思性知识则是指学习者对自身学习活动的过程以及活动中与学习相关的其他因素的思考与认识，即他对自身思维和认识的认识。只有当教师作为一名学习者能够清晰地意识到自己的思维，并且更加了解自己的认识时，他们才会在专业学习中学得更好。

记 者：您的研究团队是如何借助这些关键指标评估课堂教学质量的呢？

王 陆：针对高质量课堂教学特征的研究一般都采用循证研究的方式。依据国内外实证研究文献中的证据线索，我们从来自全国26个省（自治区、直辖市）共56380节人工智能自动分析的视频课例数据库中，筛选出124节同时包含布卢姆认知层级、合作学习参与度、知识建构层级以及教师实践性知识数据的课例。从中我们再选出人工智能自动分析结果为A等级且布卢姆认知层级不低于应用级的课，由此获得了36节“好课”。

经过差异性检验，我们发现“好课”与全国常模数据在问题类型、师生互动、教师回应、小组合作学习参与度、布卢姆认知层级和教师实践性知识等多个维度均出现统计学意义上的显著差异。在此基础上，我们又进行了相关性分析，并依据各数据维度之间的相关性，绘制了网络关系图，由此发现学生的布卢姆平均认知层级、记忆性问题和认知记忆性回答三个节点均处于网络的重要位置，与课堂教学质量的关系密切。只不过，后两者与课堂教学质量负相关。

接下来，我们依据上述结果建立了以学生布卢姆平均认知层级为因变量的结构方程模型，发现课堂教学中的创造性问题、批判性问题、知识建构层级中的深化认识层等对学生布卢姆平均认知层级具有直接影响，创造性问题和冲突管理受教师的教育信念影响，等等。通过这种循证研究的方式，我们发现了高质量课堂的数据特征。

大数据实现了对课堂教学研究的全面赋能

记 者：教学规律的发现在很大程度上依赖于大量的数据。数据现已成为继土地、劳动力、资本、技术之后的第五大生产要素。数据在推动教育数字化转型中也具有基础性地位。那么，教师在研究课堂教学时，应该获取和分析哪些数据？

王 陆：其实，很多人头脑中都有个根深蒂固的观念，那就是只有能用阿拉伯数字表示的才是数据。在大数据和人工智能技术日趋成熟的今天，这种理解过于狭隘。教师应该更多关注和挖掘课堂教学的非结构化和半结构化数据，即大数据。从课堂教学研究的角度来看，课堂录像是典型的非结构化数据，而教师在课前编写的教学设计方案和制作的课件是比较典型的半结构化数据。大数据的挖掘与分析，特指的是人们对半结构化和非结构化数据的研究、利用和挖掘。

记 者：您的团队在研究中重点关注的是哪些大数据呢？

王 陆：我们主要关注的是课堂教学中的两组大数据：教师外显的课堂教学行为大数据和教师内隐的实践性知识大数据。

我们利用人工智能对课堂录像的自动分析，可以获得63个维度的课堂教学行为数字画像，形成以问题为逻辑起点的数据证据链。包括这节课的问题类型、教师的理答方式、学生的回答类型、教师的回应分析、教师回应的态度方法以及问题结构等。

实践性知识是决定教师课堂教学行为的关键要素。实践性知识属于隐性知识，它基于教师的个人经验和个性特征，镶嵌在教师日常的教育教学情境和行动中，却无法言说、很难把握。基于语义分析，人工智能则可以实现对实践性知识的自动测量。实践性知识大数据由六个维度组成，分别是教育信念、自我知识、人际知识、策略知识、情境知识和反思性知识。教师只需将教学设计的文档上传到人工智能平台，便可获得自身实践性知识的数字画像报告。

记 者：您认为大数据在促进课堂教学研究方面发挥着哪些作用？

王 陆：美国学者古德和布罗菲指出，课堂观察、课堂写真和课堂分析是课堂教学研究的三部曲。教育数字化是利用数字技术和数字策略将真实世界的教与学数字化的过程。数字技术通过对真实世界的数字化，使得我们可以获得真实世界的数字孪生世界。我们运用多种数据挖掘算法，便可对数字世界进行数据挖掘和知识发现，再将发现的知识反哺到真实世界中，帮助我们发现课堂教学中的新规律、新现象，甚至提出新理论，解决真实世界的教与学难题，从而获得组织生产力和工作绩效的提升，产生社会效益。

因此，在课堂教学研究的不同阶段，大数据在课堂上扮演的角色也各不相同。在课堂观察阶段，大数据用于记录行为，此时大数据的作用是深化了认识论。在课堂写真阶段，大数据赋能探寻现象，其作用是重塑了价值论。在课堂分析阶段，大数据帮助发现规律， 从而改革了方法论。

例如，为了培育和发展新质生产力，借助教育来培养拔尖创新人才的需求日益迫切。这要求教师的教学面向深度学习，培养学生的高阶思维。然而，当我们研究团队对真实世界的教与学数字化后，却发现当前的教与学还是以记忆、理解等低阶认知层级为主的，严重缺乏高阶认知层级。

我们运用多种数据挖掘和知识发现的方法分析了最好和最差的30节课后发现，在教师的提问和追问中，推论层级的固化是影响课堂深度认知的关键因素，即当教师缺乏行动中反思时，便会陷入“推论层级陷阱”。这是当前课堂教学能否提质增效的关键，已经成为影响课堂教学质量的瓶颈。

我们靠谱COP团队运用更多数据挖掘和知识发现的方法，获得了破解“推论层级陷阱”的三个重要策略。策略一：批判性问题是打破僵局的重要突破口。每增加一个批判性问题，整个班级的平均认知层级就会显著提升，它能起到牵一发而动全身的作用。这是因为批判性问题是将反思性知识引入教学的最简单方法，也是提高对话深度的有效办法。策略二：评判和执行要作为关键教学行为并在教学设计时有意识地成对出现，评判和执行作为关键教学行为是促进教师教学行为正向改进的重要一环。策略三：转变教师的教育信念。教师不能将学生仅视为接收器和存储器，而应该充分发挥加工器和效应器的机制，支持学生开展更多的分析、综合、评价等高阶认知活动。在真实世界的教与学中，我们运用这三种策略大大提升了课堂教学质量。

教师要成为研究者，开展数据驱动的循证教研

记 者：我注意到，部分教师在课堂观察后，仅停留在得到数据分析结果的层面上，而没有进一步分析和改进。您认为怎样才能确保教师有效地理解、分析和运用数据，以最大化其价值？

王 陆：周斌教授说，无论是教学实践者还是研究者，都需要重视课堂中的教学现象，并由此理解教学本质。只有教学实践者能够透彻地理解教学本质，才能真正促进教学现象的有效改进。只有教学研究者走近或走进教学现象，才能真正揭示教学本质。只有从教学现象中揭示出来的教学本质，才可能回归到教学现象中，并对教学现象形成真实的影响力和指导力。

我们研究团队一直主张评价即服务的理念，即利用人工智能和大数据所获得的课堂教学质量画像不是一个对教师评价或评级的依据，而是作为大学与中小学教师合作研究教学、优化教学和实施改进教学的一种新样态证据。为此，我们特别强调教师要从对教学现象的直观观察，到利用文献证据和数据证据对教学现象进行阐释，再到利用经验证据、文献证据和数据证据等多模态证据进行循证的教学改进与优化的过程。教师要在持续的反思性实践中提升对数据的真实理解、对数据分析的深化和对数据作为证据的有效运用。

我们研究团队已为全国26个省（自治区、直辖市）的772所学校提供了课堂教学改进服务。我们在运用人工智能+大数据的课堂教学研究后发现，教师的教育信念、教学反思和外部支持是三个能够支持教师持续优化与改进教学的重要因素。

记 者：在教育数字化转型进程中，教师作为核心参与者和实践者，应该获得哪些支持以胜任其角色？您对教研组织者有哪些建议？

王 陆：教师是教育数字化转型的研究者、创新者和知识的生产者。为此，我们倡导大学与中小学合作开展数据驱动的循证教研。数据驱动的循证教研利用人工智能和大数据产生数字样态的新证据，如利用课堂教学行为大数据和实践性知识大数据共378个维度对教师进行画像，实现课前数据驱动教学设计的优化、课中数据驱动教学提质增效以及课后数据驱动教学反思的深化，从而赋能一线中小学教师实现基于“具体经验获取—反思性观察—抽象概括—积极实践”经验学习圈的教学改进范式。在教师专业实践改善的前提下，学校和教研室完成“知识社会化—知识外化—知识组合化—知识内化”的知识螺旋，从而在提升教学质量的同时，同步实现知识生产，获得组织绩效的提升。

记 者：感谢您百忙中接受本刊采访！

责任编辑：孙建辉