TESTII框架：人工智能支持課堂教學分析的發展走向

孫眾 呂愷悅 施智平 駱力明

[摘? ?要] 規則化與可計算是人工智能技術支持課堂教學分析的前提。以S-T行為及FIAS言語交互為代表的分析方法，用時間取樣的研究思路量化課堂教學，雖然對規則化、客觀分析作出了顯著貢獻，但一直受困于費時低效、未能有效建立數量結構與意義理解的聯系，以及不能較好地促進教師專業成長等問題。建立以教學事件為基本分析維度，綜合雙主教學結構等教育理論，以及計算機視覺和自然語言理解等技術，從教學事件識別與教學階段劃分、教學法結構序列、時間取樣的行為和言語交互分析、基于證據的教學解讀和人機協同的教學改進等階段，構建課堂教學分析TESTII（Teaching Events， SPS， Time Coding， Interpretation， Improvement）框架，成為人工智能支持課堂教學質量提升和變革課堂教學結構的解決方案和發展走向。

[關鍵詞] 教學結構; 教學事件; 課堂教學分析; 人工智能; 人機協同

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 孫眾（1973—），女，遼寧鳳城人。教授，博士，主要從事技術支持的教師專業發展研究。E-mail：sunzhong@cnu.edu.cn。駱力明為通訊作者，E-mail：1354@cnu.edu.cn。

一、引? ?言

課堂是集中體現教師專業水準和職業價值的、復雜的、多要素相互交織的真實情境。應用不同技術手段和研究方法，分析教師在真實課堂情境中的教學表現，已經成為課堂教學分析的重要議題。在課堂教學分析發展進程中，離不開評價理念、方法和技術的不斷創新。

近年來，我國先后發布《新一代人工智能發展規劃》[1]等系列政策文件，積極布局人工智能在不同行業的創新應用。教育作為人工智能的重要應用領域之一，也在向“人工智能+教育”的新階段邁進。《中共中央國務院關于全面深化新時代教師隊伍建設改革的意見》明確提出，教師應主動適應信息化、AI等新技術變革，積極有效開展教育教學[2]。課堂作為教學改革的主陣地和教師專業成長的大本營，如何利用人工智能技術，優化課堂教學分析的方法和技術，成為人工智能促進教師隊伍建設的突破點之一。隨著指向深度學習的評價導向，以及大數據和人工智能在教育領域的逐步推進，教育研究范式正處于轉型期。人工智能技術支持的課堂教學分析同樣面臨著理念與方法上的改進與轉型[3]。

二、時間取樣法在課堂教學量化分析中的應用

根據研究目的、理論基礎以及分析技術的差異，課堂教學分析可分為量化取徑、質性取徑和專業成長取徑[4]。其中，量化取徑分析技術的演化進程，與技術發展最為相關，先后產生了以錄像帶分析為基礎的S-T師生行為分析法、弗蘭德斯言語交互分析法FIAS、大規模國際化的課堂視頻研究項目TIMSS（The Third International Mathematics and Science Study）等代表性研究[5]。當前量化取徑課堂分析的共性之一是時間取樣。時間取樣法通常按照固定的時間間隔對教師的言語和行為進行記錄，判斷課堂的交互情況和教學風格等。

不可否認，時間取樣法對于課堂教學分析的標準化和可計算起到了重要的推進作用。后續有大量研究者沿用時間取樣的思路，不斷地改進或提出新的課堂教學量化分析方法和技術。但是采用時間取樣法的課堂教學分析存在三個主要問題：（1）手工分析時效低，大量編碼均需專業人員手工完成;（2）依賴有經驗的研究人員;（3）缺少數據結構與意義理解的關系，僅作時間上的機械分割，忽略了每個言語交互和行為交互背后的情境信息。

三、教學活動是否能成為分析維度

課堂是時空結構組成的系統，其中，空間維度是指課堂中的活動。課堂里的活動可以根據實施主體的不同，分為以教師為主開展的教的活動、以學生為主開展的學的活動，以下統稱為教學活動。那么可以用活動作為課堂教學分析的維度嗎？

教學活動是教師根據課堂實際情況，動態調整教學進程的基本單位。國內外很多學者都用教學活動作為課堂教學分析的維度。我國學者穆肅分析了國內外課堂教學行為分析方法， 結合對課堂教學活動理論的認識，設計了基于教學活動的課堂教學行為分析系統TBAS（Teaching Behavior Analysis System），該系統將信息化課堂中的活動分為教師活動、學生活動和無意義教學活動[6]。英國學者Rowntree將學習活動分為五種類型，包括報告自己的觀察或體驗、復述事實或原理等、從例子中區分不同概念和原理、列舉出自己的例子、應用新的概念和原理等[7]。印度學者 Mishra 和 Gaba 將課堂中用于自我評估的學習活動分為問題型和反思行動型，其中，問題型分為立即反饋型、最后提出標準答案型、不提供答案僅有提示型;反思行動型分為具體行為和體驗[8]。美國學者威廉·霍頓（W. K. Horton）提出學習活動分類理論，將學習活動分為吸收型活動、做的活動和聯結型活動[9]。

由此可知，以教學活動作為分析維度的研究并不鮮見，且兼顧量化取徑和教師專業成長取徑兩個方面。但是將教學活動作為課堂分析的主要維度存在兩個問題：（1）教學活動本身不會導致學習的發生。教學活動是教學意圖的載體，當教學活動背后有了明確的教學目的，且能有效地支持學習者心理認知過程時，教學活動才有真實的教學意義，學習方能發生與發展。（2）教學活動的表現形式千變萬化，類型劃分各有道理。由于缺少通用性、穩定性和內在邏輯性，教學活動可以成為分析課堂外在表現的抓手，卻很難形成可復制、標準化、可計算的判斷規則。如果課堂教學分析過于強調教學活動的類型和形式，停留在對教學活動本身的設計、實施、歸類與統計中，會走向重形式、輕本質的誤區[10]。那么，對于課堂教學來說，什么維度是比教學時間和教學活動更適合的分析維度呢？

四、教學事件作為分析維度的可行性

羅伯特·加涅（R. M. Gagne）作為教學設計學科的開拓者之一，認為教學應該以學習為核心，要根據人類認知加工機制，設計出旨在影響學習者內部心理過程的外部刺激[11]。因此，教學過程要建立在對學習過程的深刻認識上，要與學習者的內部心理過程相吻合。教師如果能夠積極而靈活地編排教學活動，就能起到促進學習的作用。反之，則無益于學習，甚至會起到干擾作用。

由此可見，教學活動不等同于教學事件。只有當教學活動具備明確的教學意圖，反映促進學生學習的目的，并且指向學習者內部心理加工時，才能被稱之為教學事件。除了對教學活動和教學事件這兩個概念進行辨析以外，教學事件與教學階段（或教學環節）、教學過程等概念也需做說明。三者雖有內在聯系，但分屬不同層次。教學過程是面向真實課堂中整個一節課或一單元或更長時間的過程安排，它包括了多個教學階段，每個教學階段的外在表現形式是教學活動，指向學習者心理認知的教學活動可以同時被稱之為教學事件。以上概念間的關系如圖1所示。

作為認知學派的代表人物，加涅把影響學習者心理認知的外部刺激稱為九大教學事件[12]，每一個教學事件都與學習者內部認知過程相對應，組成合理的教學過程，見表 1。教學事件的提出推動了教學設計領域的發展，尤其在探索如何將內部學習過程與外部教學事件匹配方面，加涅的研究作出了開拓性和引領性的貢獻。盡管九大教學事件也遭到一些批評，但它仍是迄今為止教學設計領域廣泛接受的教學理論之一[13]。

多國學者以教學事件為基礎，開展教育理論研究、指導課堂教學實踐。例如：教學設計領域專家史密斯（Patricia. L. Smith）和拉甘（Tillman. J. Ragan）將加涅九大教學事件擴展為15個事件，并將其概括為四個階段：（1）導入階段，包括引起注意、喚起興趣和動機、提出教學目標、新課概覽;（2）主體階段，即新知學習階段，包括回憶舊知、處理信息、聚焦注意力、采用學習策略、練習和評價反饋等;（3）結束階段，包括小結與復習、知識遷移、再次激勵和結束;（4）評價階段，包括評估表現、反饋與補救等[14]。眾多學者在網站設計[15]、醫學教學[16]、初中物理[17]、大學信息技術[18]、中職平面設計[19]、小學語文[20]等不同學段、不同學科的線下課程設計或大規模在線開放課程的評價[21]中，均采用九大教學事件作為理論基礎。張濤等提出的課堂切片研究法[22-24]，實質上還是以教學事件為維度分析課堂教學。

除此以外，教學事件還作為主要分析維度應用于大規模教師能力評價項目。美國加州針對職前教師的表現性評價系統（Performance Assessment for California Teachers， 簡稱PACT），包含教學事件（Teaching Event）評價和嵌入式標志評價（Embedded Signature Assessment，ESAs）兩部分[25]。教學事件是申請者記錄的教學片段，每個教學事件由五個子任務構成：學習情境、教學設計、教學實施、評價、反思。PACT是以教學事件分析為主，基于標準、基于證據的綜合評價。PACT在加州實際運行多年后，進一步發展為教師資格認證評價體系edTPA，并已在全美40多個州實際運行。

綜上所述，教學事件是為促進學習而設計的外部刺激，指向學習者心理認知加工過程。與時間取樣法和以教學活動作為分析維度相比，把教學事件作為課堂教學分析維度，不僅具有數量少、類型集中、標準相對明確等優點，而且更聚焦于課堂教學的意義，對應于學習者認知心理過程，將外部表現與內部心理加工相聯系，同時指向量化取徑、質性取徑與教師專業成長取徑，因此，可以考慮將其作為課堂教學分析的主要維度。

五、TESTII：以教學事件為主的人工智能支持課堂教學分析框架

教學事件作為教學分析維度，在課堂通用性、數量有限性、規則明確性和判斷穩定性等方面具有一定的優勢。然而，要想利用人工智能技術以實現標準化、可計算、規模化、高效處理的課堂教學分析，還需要設計出人工智能技術支持課堂教學分析的新框架。因此，以診斷課堂教學結構為目的，以教學事件為取樣單位，將事件分析和時間取樣的研究優勢相結合，本團隊提出TESTII框架，包括以下分析階段和關鍵技術，如圖2所示。

（一）階段1：識別九大教學事件，歸類為不同教學階段（Teaching Events Identify and? Classify）

如前所述，教學事件作為破解時間取樣法分析困境的解決方案，具有提高課堂教學分析效率、有效建立數量結構與意義理解的聯系、助力教師從促進學習者心理認知角度設計教學活動等優勢。因此，以教學事件分析作為TESTII框架的起點階段。

教學事件可從文本格式的教學設計方案、視頻格式的課堂教學視頻、文本格式的課堂教學實錄里提取并識別。因此，利用自然語言理解技術和計算機視覺技術進行文本和視頻分析，可以識別教學事件，成為本階段的關鍵技術。

教學設計方案是規范性與創造性兼具的教學文本集合，以有特定語法結構的句子為主要表述形式，例如：用行為動詞來編寫三維目標、用短文本說明教學策略、用相對穩定的句法結構描述師生活動等。因此，先由人工對多個訓練集的教學事件進行標簽劃分和文本標注，形成教學事件判斷規則集，再采用深度學習模型Word2vec生成基于 GRU 循環神經網絡的事件分類器，以訓練集與測試集的正確率判斷模型是否成功，實現由自然語言理解技術識別特定教學事件，并生成一節課的教學事件時間分布圖，如圖3所示。

為了更簡明清晰地呈現課堂整體結構，可以進一步將九大教學事件歸為相應的教學階段。加涅將九大教學事件歸類為三個教學階段，分別是教學準備階段，包括引起注意、告知學習目標、刺激回憶舊知;知識獲得和作業表現階段，包括呈現刺激材料、提供學習指導、引出行為和提供反饋;保持與遷移階段，包括評價行為和促進保持與遷移[26]。如前所述，史密斯和拉甘將15個教學事件劃分為四個教學階段，而且在教學設計方案中，以教學階段為段落，描述教師活動、學生活動和設計意圖等，也是我國教師較為熟悉的表述方式，更易理解與接受。絕大多數的教學設計方案里，會明確地將整節課劃分為三四個到六七個數量不等的教學階段或教學環節，并且用“激趣導入、新知學習、合作探究、遷移拓展”等詞匯對各教學階段加以概括[27]。

因此，TESTII框架所采用的研究思路是教學事件和教學階段雙重分析法。識別出課堂中的教學事件后，將教學事件降維，歸類到不同的教學階段里（見表1）。雙重分析法的作用是：（1）提醒教師從促進學生心理認知過程的角度設計教學事件;（2）幫助教師理解并非每節課必須要有全部的教學事件。只要從促進學習、符合認知規律的角度，靈活設計教學事件，把握好主要教學階段，就能更好地發揮教學創意，體現教學智慧。

在技術實現上，先參考教師撰寫教學設計時的教學階段劃分，然后到課堂視頻里對應節點的前后時間段尋找關鍵場景和師生動作變化，明確起止時間點，再將教學視頻里的聲音提取出來，將語音轉換成文本，形成教學實錄，在實錄文本里用“想一想”“請回憶同學們曾經學過的”等標志性詞匯作為劃分教學階段的線索詞匯，形成歸類教學階段的關聯分析規則，給出教學事件和教學階段的劃分結果。樣例見表2。

（二）階段2：生成不同教學階段里的教學法結構序列（Sequencing of Pedagogical Structure）

教學結構是指在一定的教育思想、教學理論和學習理論指導下的，在某種環境中展開的教學活動進程的穩定結構形式，是教學系統四個組成要素（教師、學生、教學內容和教學媒體）相互聯系、相互作用的具體體現[28]。信息技術與課堂教學深度融合的關鍵是要引發學校教育系統結構性變革和課堂教學結構變革。而課堂教學結構變革的關鍵在于不再延續以教師為中心的傳統教學結構，也不照搬西方以學生為中心的教學結構，而應轉變為教師主導、學生主體相結合的教學結構。雙主教學結構抓住了教育教學的本質屬性，又充分體現了中國特色的學術思想，自提出后便得到了廣泛認同，成為指導一線課堂的重要理論。

教學結構具有系統屬性，不僅包括教學系統四要素，還包括要素之間的相互作用關系。Jacobson提出了教學法結構序列（Sequencing of Pedagogical Structure，SPS）[29]。SPS將以教師為中心的直接講授式教學法和以學生為中心的建構主義教學法為兩極，根據教師指導所占比重，將教學法分為高結構化H（如教師講授）和低結構化L（如發現學習）。國內學者進一步完善了SPS，新增地位特征（表現為該教學方法持續時間所占的比例）和時序特征（同時或者順序）用于課堂教學分析[30]。

SPS相關成果最初在國內發表時，譯為“教學結構序列”[31]。然而分析“Pedagogical”一詞可知，SPS里的教學結構更偏向于教學法內部的結構，與何克抗教授提出的由教師、學生、教學內容和教學媒體四要素組成的教學結構并非同一層次上的概念。因此，本團隊將SPS譯為“教學法結構序列”。與單純地分析教學事件時長相比，SPS分析能夠更為細致地揭示出雙主教學結構指導的課堂里教學法結構的序列。

在技術實現上，采用自然語言理解技術建立教學法結構序列分類器。分類器的輸入屬于文本型數據。由于文本數據含有上下文信息，為更好地理解輸入數據中某個句子或詞語的含義，引入注意力機制（Attention Mechanism），其優勢是能夠直觀地解釋文本內容，表明不同句子和詞對分類類別的重要性，并給出量化的表示方式。在文本分類中，可以利用注意力機制來確定句子核心詞和事件核心句。通過對文本數據中的句子和篇章分別進行建模，給出教學法結構序列。樣例見表2。

（三）階段3：時間取樣對不同教學階段里的言語和行為交互編碼（Time Coding）

TESTII框架不再用時間進程將整節課打通后取樣統計，而是在由教學事件組成的教學階段內部時間取樣，分析該階段內的師生交互，為解讀課例里的教學法結構序列提供證據。因此，借鑒已有的量化取徑課堂教學分析法，利用人工智能技術實現教學階段內部的行為交互、言語交互分析等成為研究重點。

對于課堂中的言語交互分析，先由人工對每一個教學事件內部的關鍵詞語劃分標簽和標注文本，再采用自然語言理解的深度學習模型Word2vec，參考ITIAS等編碼體系中的規則，對數據進行訓練和驗證，完成教學階段內部的言語交互自動分類與分析統計。

對于視頻里的行為交互，先根據靜態幀對場景進行初步分類，然后通過目標檢測方法輔助檢測視頻中的關鍵互動設備，再基于深度卷積神經網絡識別師生動作行為。例如：計算機視覺可以先判斷教學視頻中師生站立、舉手、行走、黑板寫字、操作平板電腦時所產生的明顯的骨架變化，根據統計視頻畫面中的師生互動、人機互動以及生生互動情況等，實時計算分析數據，自動生成S-T分析圖或基于其他課堂教學行為編碼法的分析結果。

（四）階段4：結合已有教育教學理論，基于證據解讀分析結果（Interpretation）

可解釋是未來人工智能發展的核心訴求，是人機互信的前提。教師并非專業的數據分析師，通俗易懂且符合教育教學規律的解釋能有效幫助教師理解機器到底收集了哪些數據、分析邏輯是什么、當前的分析結果說明課堂教學中存在哪些顯性問題。當數據分析報告的可讀性、有效性和說服力等得到教師的認可時，會提高教師決定接受數據分析結果的可能性，幫助教師發現教學改進的必要性，同時也會提高教學改進方案的可信度，使數據驅動的教學分析轉換為知識驅動的教學決策。對于教師而言，借助可視化、可解釋的結果，有助于提升課堂教學設計、實施和反思等能力;對于教學研究人員而言，查看不同教師之間分析結果的橫向對比和同一教師不同階段分析結果的縱向對比，能幫助教師調整教學干預和指導策略;對于教育管理者而言，借助分析報告能更科學地制定教師繼續教育機制等。

TESTII框架提供的課堂教學解讀報告內容包括一節課里教學事件的數量和時間分布圖、與教學事件對應的教學階段劃分結果、按照教學階段生成的教學法結構序列、教學階段內部的行為交互和言語交互結果等。根據以上數據，TESTII從教師主導作用的發揮、學生主體作用的體現、教學事件合理性、教學階段完整性與遞進性等方面，形成有固定模板的解讀報告。隨著案例庫的擴大及分析結果的不斷增多，下階段可由自然語言理解技術實現評語的自動生成。

（五）階段5：結合解讀結果，人機協同優化課堂教學改進機制（Improvement）

根據建構主義觀點，個體主動的意義建構離不開與同伴的協商和對話，他人知識的顯性化可以促進個體的認知。課堂教學改進是在獲得基于證據的教學分析解讀報告以及來自同行和專家的反饋意見后，將教學隱性知識轉變為顯性知識的主要舉措。隱性知識顯性化過程中，如果能提取到足夠的標簽信息，則能夠依靠深度學習獲得可靠的顯性知識。在商業領域，以亞馬遜、淘寶等為代表的商業網站采用眾包技術對商品和服務給出評價[32]，在教育領域，也有學者采用基于眾包的語義標注系統，研究人文學科中的隱性知識標注與知識發現[33]、對學術論文審稿人的評語給出自動評價的人工智能分析系統等[34]。

教育情境的特殊性使得在商業領域較為成熟的眾包技術很難直接應用于課堂教學分析中。第一，能提供高質量課堂教學改進意見的專業群體少，不易在短時間內收集大量高質量、有針對性、切實可行的改進策略。第二，課堂教學改進缺少相對規范的知識表達結構。長期以來，在提供教學改進策略時，專家和同行多是根據個人經驗和教學智慧，運用自己的話語體系和表達邏輯，缺少一定的表達規范。第三，致力于收集課堂教學改進的信息化平臺和工具較為匱乏，導致人類專家給出的教學改進建議和策略并未得到較好的收集和保存。人工智能支持的課堂教學分析與改進，挑戰與機遇并存。本研究提出人工生成、機器生成、人機協同生成三步法，逐步實現教學事件的改進。

第一步：人工生成。本團隊已經建立的數據集里，有638個小學四年級數學課堂教學案例。來自全國的56位專家已經針對每個案例給出了評分和評語，里面有多條課堂教學改進建議和策略。本團隊組織了小規模的學科專家組，對課堂教學事件特征與教學改進策略進行一致性分析，如果判斷該策略有效，則以文本格式存入系統，代表后續可以使用;如果判斷該策略的效果不佳，則由專家團隊或從已有的策略庫中挑選，或自行編寫出更為合適的改進策略，仍以文本格式存入系統，實現策略改進。

第二步：機器生成。由于系統中已存儲了不同的課堂交互特征，以及人類專家給出的教學改進策略，因此，要用更大樣本量的課堂教學案例數據訓練機器自動生成改進教學的策略。由于已有策略庫是文本格式，因此，在機器推薦階段，可采用適用于短文本的知識庫填充技術、ProjE及改進算法，實現課堂教學改進策略的結構化抽取。之后以RDF格式存儲，再以結構化策略為標簽，將課堂交互特征分析的結果作為輸入值，建立監督學習模型，通過歷史數據訓練教學改進策略智能分類器，新的分析結果可自動預測有效的課堂教學改進策略。

第三步：人機協同生成。后續當系統收集的課堂教學案例數量足夠多，所積累的數據達到較大量級時，有可能會產生之前未被提及的教學改進策略。采用眾包（Crowd-sourcing）技術對系統積累的教學改進策略眾包數據集進行“真相發現”（Truth Discovery），使改進策略的效用最大化，初步提煉出由機器自動識別出的、產生于且適應于不同課堂交互特征的改進策略，再基于系統積累的大量“教學事件特征—教學改進策略匹配”文本對，采用基于深度神經網絡的端到端學習算法，自動生成文本形式的教學改進策略方案，并請人類專家進行抽樣驗證及修訂后，機器再次學習修訂原則，經過多輪迭代最大限度地替代人工參與，生成人機協同的教學事件改進策略。

六、結? ?語

本文以規則化與可計算作為人工智能輔助課堂教學分析的切入點，建立TESTII分析框架，以教學事件為基本分析維度，形成事件階段劃分、教學法結構序列、教學交互分析、解讀與改進五大分析階段。后續本團隊將以真實課堂案例為樣本，結合案例中的教學視頻、教學設計方案、教學反思等多種數據，持續開展人工智能支持課堂教學分析與改進的理論與實踐研究。期望將人工智能融入教育主要業務流程，形成人工智能與常態課堂教學的深度融合，以達成人工智能促進課堂教學質量提升及教師隊伍建設的目標。

[參考文獻]

[1] 國務院.新一代人工智能發展規劃[EB/OL].[2017-08-24].http：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2] 中共中央國務院關于全面深化新時代教師隊伍建設改革的意見[N].光明日報，2018-02-01（01）.

[3] 呂愷悅，施智平，孫眾.人工智能時代下的教師教育發展——“2019人工智能+教師教育國際研討會”在北京舉行[J].現代教育技術，2019，29（7）：1.

[4] 夏雪梅.以學習為中心的課堂觀察[M].北京：教育科學出版社，2017.

[5] 孫眾，馬玉慧.視頻案例多元分析法促進新手教師專業發展研究[J].電化教育研究，2013，34（8）：104-109.

[6] 穆肅，左萍萍.信息化教學環境下課堂教學行為分析方法的研究[J].電化教育研究，2015，36（9）：62-69.

[7] ROWNTREE D. Teaching through self-instruction： how to develop open learning materials[M]. London： Kogan Page，1990.

[8] MISHRA S， GABA A. How do distance learners use activities in self-instructional materials[J]. Indian journal of distance education，2001，10（1）：40-51.

[9] HORTON W K. E-learning by design[M]. San Francisco： Pfeiffer，2012：3-7.

[10] 孫眾，余勝泉，徐鳳軍.中小學信息技術學習環境下常見誤區分析[J].中國遠程教育，2002（3）：63-65.

[11] GAGNE R. The conditions of learning[M]. 4th ed. New York： Holt，Rinehart & Winston，1985.

[12] R.M.加涅.學習的條件和教學論[M].皮連生，王映學，鄭葳，譯.上海：華東師范大學出版社，1999.

[13] 盛群力.教學事件的擴展與八種學習類型的教學策略[J].浙江教育學院學報，2006（2）：31-38.

[14] SMITH P L， RAGAN T J. Instructional design[M]. Hoboken，NJ： John Wiley & Sons，Inc，2005.

[15] ZHU P， AMANT K S . An application of robert Gagné's nine events of instruction to the teaching of website localization[J]. Journal of technical writing and communication，2010，40（3）：337-362.

[16] GOODE P. Using the ASSURE model and Gagne's 9 events of instruction as a teaching strategy[J]. Nurse educator，2018，43（4）：205.

[17] 黃網官.初中物理：九大“教學事件”——基于加涅教學論的思考之二[J].教育研究與評論（中學教育教學），2015（6）：5-11.

[18] 景疆.“九大教學事件”在信息技術課程中的設計與實踐[J].計算機教育，2012（24）：91-94.

[19] 張鶴.加涅九大教學事件在中職平面設計課程教學中的應用[J].中國教育技術裝備，2019（24）：79-81.

[20] 靳彤.以教學事件為核心設計教學[J].語文建設，2015（31）：20-23.

[21] 冷靜，吳小芳，顧小清.面向深度學習的在線課程活動設計研究——基于英國開放大學的案例剖析[J].遠程教育雜志，2017，35（2）：56-65.

[22] 張濤.教學切片分析：一種新的課堂診斷范式[J].教育發展研究，2016，36（24）：55-60.

[23] 魏宏聚.教學切片分析：課堂診斷的新視角[J].教育科學研究，2019（2）：63-67.

[24] 黃寶權.走向專業的深度課堂觀察——基于課堂教學切片診斷的校本教研新嘗試[J].現代中小學教育，2017，33（9）：88-90.

[25] 卓鋒.美國加州教師表現性評價系統（PACT）探析[J].教育測量與評價（理論版），2013（12）：46-50，34.

[26] 朱葉，喻曉玲.加涅“九大教學事件”在西方經濟學教學中的應用[J].文教資料，2019（11）：187-189.

[27] 李美鳳，何飛.智慧課堂中的“練習—反饋”環節教學行為分析——基于19節省級一等獎數學課例的視頻分析[J].現代教育技術，2019，29（6）：62-68.

[28] 何克抗.教學結構理論與教學深化改革（上）[J].電化教育研究，2007（7）：5-10.

[29] JACOBSON M J， KIM B， PATHAK S， et al. To guide or not to guide： issues in the sequencing of pedagogical structure in computational model-based learning[J]. Interactive learning environments，2015，23（6）：715-730.

[30] 王冬青，劉歡，邱美玲.智慧課堂教師行為數據的分析方法與應用驗證[J].中國電化教育，2020（5）：120-127.

[31] 胡立如，張寶輝.混合學習：走向技術強化的教學結構設計[J].現代遠程教育研究，2016（4）：21-31，41.

[32] 歐陽智，魏琴，肖旭.人工智能環境下的知識管理：變革發展與系統框架[J].圖書與情報，2017（6）：104-111，132.

[33] 丁國柱，余勝泉，潘升.學習資源的語義眾包標注系統設計[J].中國電化教育，2016（9）：91-95，127.

[34] RAMACHANDRAN L， GEHRINGER E F， YADAV R K. Automated assessment of the quality of peer reviews using natural language processing techniques[J]. International journal of artificial intelligence in education，2017（25）：534-581.