基于多維數據的課堂教學行為評價研究*

炕留一 葉海智 張 瑾[通訊作者] 朱 珂

基于多維數據的課堂教學行為評價研究*

炕留一1,2葉海智1張 瑾1[通訊作者]朱 珂1

（1．河南師范大學 教育學部，河南新鄉 453007；2．河南科技學院 信息工程學院，河南新鄉 453003）

教學行為數據的多樣化、海量化及多維化，將教學行為評價從單向度和淺表化的蟄伏中喚醒，構建多維數據支持下的課堂教學行為評價模型成為沖出“藩籬”的關鍵。文章通過對比傳統時代和智能時代的課堂教學行為研究，在弗蘭德斯互動分析系統的基礎上，增添動作、情感等心理和生理行為指標，設計了基于多維數據的課堂教學行為評價指標體系。在此基礎上，文章融合多元主體參與的全方位評價理念，構建了基于多維數據的課堂教學行為評價模型，并從評價軌跡和評價結果兩個方面驗證了此模型的有效性，其實踐結果表明：基于多維數據的課堂教學行為評價有助于評價信息的多元化，讓評價的本真意蘊得以顯現，是融合課堂教學行為和話語分析的探索與嘗試。文章通過研究多維數據視閾下的課堂教學行為評價模型，旨在為創新課堂教學評價提供參考。

人工智能；多維數據；課堂教學行為；情感識別

隨著智能技術在課堂教學行為評價中得到廣泛應用，教與學之間的區隔逐漸消解，進而促使多維數據的價值在智能時代日益凸顯。2019年，《加快推進教育現代化實施方案（2018-2022年）》提出要通過大數據的應用來推動教育教學改革[1]。2020年，《深化新時代教育評價改革總體方案》也明確指出：要充分利用智能技術和大數據，注重過程性評價，促進評價方法多元化[2]。在智能時代，依托多維數據開展課堂教學行為評價將成為未來教育發展的重要轉向。課堂是教學的主要場域，課堂教學行為既包括師生的共性行為，又涵蓋師生的個性化行為，存在多樣性、多維價值和大容量的特點[3]。課堂教學過程中生成的教學行為數據具有多元化、海量化、動態生成性等特征，多維數據的生成為課堂教學行為評價提供了可靠的保障，通過從多個角度或多重層面對多種數據進行觀察與分析，可以深入剖析并挖掘教學行為數據背后蘊含的信息與規律。大數據的應用為教學研究提供了新的研究范式[4]，大數據技術推動教育評價中數據驅動決策的實現，助力教育策略的數據化治理[5]。基于多維數據對課堂教學行為進行評價，更易感知和理解師生行為[6]，實現對行為的數字畫像和數字寫真[7]，能夠本真地反映教學行為狀態，既是創新教學評價的內在需求，也是提升教育質量的重要舉措。基于此，本研究探究多維數據視閾下的課堂教學行為評價模型，以期為創新教育評價提供理論支撐和實踐指導。

一 課堂教學行為評價研究的發展

隨著教育技術的發展，課堂教學行為分析的數據樣態、技術環境、評價理念等都在不斷變化[8]，這些變化帶來了工具理性和價值理性的沖突。要想促進課堂教學行為評價中的工具理性和價值理性有效融合，還需從傳統時代和智能時代的對比中，探求教育與技術深度融合的方法和理念。基于此，本研究對比這兩個時代，從數據樣態、關鍵技術和評價理念三個維度對課堂教學行為評價的相關研究成果進行梳理，從而為探究多維數據課堂教學行為評價方法奠定基礎。

1 數據樣態

課堂教學是由教師與學生相互作用的一項復雜活動，課堂教學行為涵蓋教師行為、學生行為和互動行為。隨著教學環境和學習方式的轉變，教學數據需由簡單的數據轉向復雜的數據[9]，使數據來源趨于多維化、全面化：①傳統時代的課堂教學行為數據以單一的量表、問卷數據為主。研究者需走進教室，通過肉眼觀察師生行為，手工填寫量表和問卷，對學習者整體情況的記錄不夠全面；所觀察的師生行為多以師生言語為主，存在數據來源單一、主觀性強等弊端。此外，傳統課堂的教學行為評價以專家與同行的現場觀察為主，以鑒定與甄別為導向[10]，缺乏教學過程伴隨性數據的支持。②智能時代的課堂教學行為數據包含言語、交互、情緒等多維樣態。已有研究表明，情感、行為、認知等與深度學習存在直接關系[11]；從學習者的認知、情感和交互等多維度層面評估學習狀態，有助于發現教育中存在的問題[12]，探究教學行為蘊含的機制，為師生行為表達提供數據決策支持[13]。因此，為了確保全面性，在課堂教學行為評價中需包含情緒、動作、心理等多維教學行為指標，在數據樣態上要由單一的量表和問卷數據向言語、交互、行為、情緒等多維數據轉變。

2 關鍵技術

要實現課堂教學行為評價的便捷、高效和準確，技術支撐是不容忽視的因素。隨著技術的發展與應用，課堂教學行為評價技術已實現從傳統手工技術向智能技術的轉變：①傳統時代的技術以手工為主。觀察者需走進課堂，手工填寫評價量表以實現對課堂教學行為的記錄與分析。而手工填寫評價量表存在主觀性較強的特點，使評價結果失真、不可靠。②智能時代的技術以人工智能與大數據等新興技術為主。智能技術有助于變革課堂教學生態[14]，重構教學環境[15]，為智能化、自動化的數據采集與分析奠定了基礎。而基于多維數據的教學行為評價，可優化課堂師生行為的分析維度，提升教學評價的便捷性、高效性和準確性[16]。因此，課堂教學行為評價以人工智能、大數據等技術為支撐，借助技術感知多維教學行為，可實現數據采集、獲取及處理的自動化及智能化，有效推動了課堂教學評價。

3 評價理念

課堂教學評價理念是指引課堂教學改革的指示牌和方向標：①傳統時代的課堂教學追求知識本位的價值取向，與以單向度的教師講授為主的教學形態高度吻合[17]。傳統教學采用以督導為主的專家型評價，存在一定的片面性。為了獲得公正、準確的評價結果，體現過程性評價理念，融入全方位的反饋評價為實現課堂教學評價的客觀性、全面性和過程性提供了契機。②智能時代的課堂教學體現了多元主體參與全方位的過程性評價理念。就評價者而言，主要包括學生評價、教師同伴互評、教學督導評價和教師自我評價四個層面，基本涵蓋了主要教學相關者；就信息類型而言，既包含量化數據，又包含質性數據，兩者結合既可發揮客觀數據優勢，又可保留主觀分析經驗；就數據維度而言，包含師生動作、師生情緒、師生互動、師生話語等維度，融合了言語、情緒、身體動作等指標。

通過對已有研究的梳理，可以發現課堂教學行為評價已呈現出數據化、智能化和自動化的趨勢。為此，國內外相繼出現了多種具有影響力的課堂教學行為評價模型。例如，弗蘭德斯互動分析系統（Flanders Interaction Analysis System，FIAS）將教學行為劃分為教師言語、學生言語、靜止或混亂等3個維度、10個行為種數；該系統以師生言語為主，以量化的方式對師生顯性行為進行統計、分析與處理。S-T（Student-Teacher）課堂教學分析法從教師行為和學生行為兩個方面對教學過程進行定量分析，但因為僅涉及兩大行為，故存在數據分析顆粒度較大的弊端。而多維數據在課堂教學行為評價中的應用促進了兩個轉向：①從顯性的課堂教學行為評價轉向隱性行為與顯性行為相結合的評價；②從粗粒度的評價數據向細粒度的評價數據轉變。弗蘭德斯互動分析系統的應用，也有助于課堂教學行為評價的兩個轉向。基于此，本研究將基于弗蘭德斯互動分析系統構建評價指標體系，為設計多維數據的課堂教學行為評價模型奠定基礎。

二 基于多維數據的教學行為評價指標體系構建

本研究以弗蘭德斯互動分析系統為依托，從多維數據編碼和多維數據獲取兩個層面構建基于多維數據的教學行為評價指標體系，既涵蓋身體動作等可以觀察的顯性行為，又包含情緒、師生交互等不易觀察的隱性行為，以實現行為分析的全面性、客觀性與有效性，使數據分析精細化。

表1 基于多維數據的課堂教學行為指標體系

1 多維數據編碼

課堂是教育教學的關鍵場域，對課堂教學行為進行多維分析可以實現評價的精準化。而多維數據呈散狀分布的特點，需要相關的指標體系用于學習過程中行為、動作、情感等數據的統一編碼與建模，以實現對學習真實發生過程的探究[18]。弗蘭德斯互動分析系統是課堂言語和交互行為量化分析的典型代表，而人工智能和大數據等技術的應用，為動作、情感等行為數據的收集與分析提供了可能。因此，本研究結合基于人工智能的課堂教學評價中的師生數據劃分[19]，增添動作、情感等心理和生理行為指標，構建了基于多維數據的課堂教學行為評價指標體系，如表1所示。

課堂教學數據分為行為數據和話語數據兩種。其中，行為數據可以加深教師對教學過程的理解與描繪，但存在純技術的缺陷；而話語數據可以再現課堂全貌，但存在主觀判斷不足的問題，因此需結合這兩種數據來分析課堂教學行為，以相互補其不足。在基于多維數據的課堂教學行為評價指標體系中，行為數據設有7個一級指標，包括：教師動作、教師情緒、教師音量、教師語速、學生動作、學生情緒、師生交互。話語數據主要是課堂真實情境中的師生話語——在課堂中，可以采用人工智能技術，借助攝像頭、腦電波、眼動儀等設備實時采集課堂中的師生行為，且每3秒對課堂教學過程中的真實數據（包含音頻、視頻、動作和面部表情等數據）進行采樣，并按編碼指標體系生成對應的編碼碼號，作為教學行為觀察記錄，形成課堂行為的序列數據。為了便于處理，本研究將基于多維數據的課堂教學行為評價指標體系的一級指標進一步細化至二級指標，并完成對應編碼。基于智能技術的編碼過程可以取代重復性的人工編碼工作，并在技術迭代優化的過程中逐步提高編碼精度，使智能技術賦能教學行為的評價過程。

2 多維數據獲取

教學過程行為數據主要來源于課堂教學情境、教學視頻、教學語音、教學圖像、在線教育平臺的教學過程（文本或平臺的其他數據）等，因此利用傳統的單一數據較難對教學狀態與教學效果進行精準化、全面性的診斷。此外，教師在課堂情境下快速捕捉學習者的情緒比較困難[20]，尤其是面對整個班級的學生時更是難上加難。而智能技術的發展，豐富了課堂教學行為觀察的方法與技術，使多維數據的獲取與分析具有了可行性和可操作性。

利用計算機視覺（Computer Vision，CV）、智能語音識別（Intelligence Speech Recognition，ISR）、面部識別技術（Facial Recognition Technology，FRT）、自然語言處理（Natural Language Processing，NLP）等智能技術分析課堂教學行為，可以實現對教學過程中行為數據的伴隨性采集，形成精準的課堂教學行為分析結果[21]。基于此，本研究借助圖像識別技術、語音識別技術、自然語言處理、可穿戴設備等技術進行動作檢測和情緒行為識別來獲取行為數據，借助語音識別技術、文本挖掘技術和語義分析技術獲取話語數據，同時利用自然語言處理技術定位課堂管理、口語表述、內容講授和師生問答等環節，提高了教學過程評價的精準度。運用智能技術對課堂多維數據進行分析、開展人機智能協作，既可發揮客觀數據優勢，又保留了主觀分析經驗，有助于實現教學過程和教學結果的動態統一。

三 基于多維數據的課堂教學行為評價模型設計

多維數據課堂教學行為評價指標體系可以客觀、全面、細粒度地評價課堂教學行為。基于此，本研究從數據層、主體層與實施層三個層面設計了基于多維數據的課堂教學行為評價模型，并從量化結果與質性結果兩個方面闡釋了評價的實現機理。

1 課堂教學行為評價模型構建

人工智能技術正重塑教育樣態，并為教育領域提供了機遇與挑戰。傳統的教學評價通過教學督導和專家獲取豐富的經驗與有價值的建議，但是會耗費較多的時間和人力資源，影響教學評價結果的客觀性、及時性。基于人工智能技術的課堂教學評價則通過獲取與分析教學過程中的師生動作、師生交互、師生情緒和師生話語等多維數據，彌補傳統評價方法的主觀性和經驗依賴性，并根據記錄的師生課堂行為，實現個性化指導和精準化教學。本研究構建的基于多維數據的課堂教學行為評價模型包括數據層、主體層與實施層，其中數據層主要綜合師生的行為數據和話語數據，主體層體現多元主體參與的全方位評價理念，而實施層表征教育評價的開展過程，具體如圖1所示。

圖1 基于多維數據的課堂教學行為評價模型

（1）數據層：評價數據的采集與處理

多維數據是開展全面性教學評價的關鍵與核心。教學過程的數字化，使教學行為分析的數據化成為可能。隨著智能技術在數據采集中的應用，采集方式由傳統的課堂觀察、回放視頻錄像等形式轉變為集常態化和伴隨性采集于一體的智能化形式。結合基于多維數據的課堂教學行為指標體系，可以采取AI視頻分析技術對教學過程進行自動化分析研究[22]，依托信息技術自動化、智能化獲取量化結果，同時依托語義分析批量處理話語數據獲得質性結果。質性結果和量化結果經過折合，得到最終的評價結果。在數據采集與分析的基礎上，要實現對教學過程數據分析與結果報告的數字化呈現[23]，以彌補傳統呈現形式的不便與弊端，助力教學活動。借助技術對課堂中的師生動作、師生話語、師生情緒等多維數據進行分析，可以在一定程度上克服傳統評價的主觀性和經驗依賴性，實現課堂行為的實時監測與優化，打開顯性行為和隱性行為背后的“黑箱”，幫助師生精準獲取自身發展特質，實現教學評價的精準化。

（2）主體層：多元主體參與的全方位評價

通過不同的評價主體開展教學評價，發現教學過程中存在的問題并及時反饋，是教學評價的初衷，也是提高教學質量的重要途徑。基于多元主體參與的全方位評價理念，不斷提高評價結果的真實性，是教育評價改革的主要趨勢。為了提高評價的全面性，評價主體不僅包括教師和學生，還需教師同伴和教學督導等專家提供指導意見與建議。可見，評價者是由學生、教師同伴、教學督導和教師本人構成，共同對課堂教學進行全面評價。其中，學生作為教學的直接對象和參與者，是教學評價的重要信息來源，學生評價有助于了解教學的整體情況；教師同伴評價是由同一學科、同一專業的其他教師對教學開展評價，更易獲得對教學體系安排、內容設置、重難點處理、知識更新等方面較為科學、合理的評價數據；教學督導評價是由專業人員開展的評價，更易獲得教師共性方面的數據；教師自我評價則屬于一種教學反思范疇，通過對教學目標、教學計劃、教學內容、教學效果等方面的反思，提高教師的專業發展能力。評價主體的多元化，有利于提高評價結果的全面性和真實性。

（3）實施層：評價軌跡的形成

在智能時代，多維教學行為數據通過評價軌跡展示了最直接的教學過程。評價軌跡是對評價者實施評價過程的可視化呈現，可以實現評價過程的全域、立體展示。通過評價軌跡對師生課堂教學進行畫像，能夠實現內隱機理與外顯表征的連結，幫助師生進行教與學反思。隨著大數據技術和人工智能技術的發展，基于多維數據的評價將會提高課堂教學評價的全面性和客觀性。不同顏色的中心圈表示不同的評價結果，本研究分別賦予其很差、較差、合格、良好、優秀等5個評價等級，并用由深至淺的5種顏色表示，詳見圖1中數字1、2、3、4、5所代表的深淺顏色不同的中心圈。在評價實施的過程中，不同的評價主體針對不同的評價行為將會產生不同的評價結果，形成不同的評價軌跡。評價軌跡錯綜交疊，形成復雜的網絡結構，詳見圖1中的八邊形虛線區域。隨著智能技術的發展，可借助計算機完成評價軌跡的批量處理，并深度挖掘其蘊含的規律，從而高效地分析教學過程。

2 評價結果的實現機理

評價主體的多元性和數據采集的多維性，符合全方位的評價理念。借助人工智能技術實現對數據的追蹤、記錄和分析，獲得及時、準確、有效的評價反饋，為教師有效利用課堂資源提供了契機。人工智能技術的應用、科學量化工具的引入和教學錄音錄像設備的優化，豐富了課堂教學行為觀察的方法和技術，并使其具有可操作性。隨著技術的發展，智能技術可實現對數據的批量記錄與處理。人工智能算法已能解決很多復雜的問題，運用人工智能算法獲得的量化結果和質性結果經過折合后，得到最終的評價結果。

（1）量化結果

課堂教學過程中的師生行為按照表1進行編碼，并借助人工智能技術轉換成相應的特征序列。其中，圖像和語音識別是利用智能技術分析計算機攝像頭采集的圖像，把聲音轉換成文字[24]。借助可穿戴設備（如智能眼睛）和植入設備（如腦接口），可實現對情感和神經腦網絡的識別，以及對師生情緒和表情的自動采集、編碼、處理。自然語言處理是將人類學習和機器推理相結合，通過虛擬實體自動分析和表達人類語言，完成對師生話語的自動響應、文本翻譯和語音識別等操作[25]。相關技術的發展，為量化結果的獲取奠定了基礎。

如前文所述，評價者包括學生、教師同伴、教學督導和教師本人。公式（1）定義了所有評價者對被評價對象開展評價的特征序列，以描述每個評價者對師生行為的評價概況。其中，CN×M是所有評價者對師生行為進行評價的特征矩陣，N表示評價者的人數，M表示師生行為的特征數，Cji代表第j個評價者對第i個指標的評價值。

另外，本研究用Uj表示特征向量，代表各因素的相對重要性；用Sj表示第j個評價者，用ωi(Sj)表示第j個評價者的權重。Scorequan表示最終量化結果，通過公式（2）計算得出。

（2）質性結果

采用量化的形式對課堂教學行為進行觀察記錄，可以獲取相對客觀的數據，但是存在純技術的缺陷，因此需要對課堂過程中的話語文本進行質性分析。完整的話語文本能準確反映課堂實錄，兩者結合可以提高課堂教學評價的準確性和全面性。話語分析是采用一定的技術，分析教學過程中的師生文本數據并發現主題之間的關系[26]。借助計算機語義分析批量處理，得到參考得分，用ScoreC表示。為了盡量避免學生、教師同伴、教學督導和教師本人的盲目主觀打分，以保證評價結果的公平性，評價者得分需在參考得分上下浮動（上下浮動值可根據學校或者課程的實際情況而定）。也就是說，在上下浮動范圍內的值被視為有效值，而超過上下浮動范圍的值被視為無效值、予以剔除處理。本研究用數值d表示設置的上下浮動值常量，其中Si表示第i個評價對象的質性得分，Sm表示所有評價者的質性得分總和。Scorequal表示所有評價者的最終質性結果。當Si∈[ScoreC(1-d),ScoreC(1+d)]，其中m≤N，通過公式（3）計算出最終質性結果。最后，通過對量化結果與質性結果賦值權重進行折合計算，得到最終的評價結果。

四 基于多維數據的課堂教學行為評價模型實踐

為了驗證評價模型的效果，本研究依托華中地區A大學“人工智能+教師專業發展”實驗室開展基于多維數據的課堂教學行為評價模型（下文簡稱“評價模型”）實踐。該實驗室涵蓋水平診斷、聽評教研和培訓發展三重功能，可滿足數據的常態化采集、智能化分析、可視化呈現、便捷化存儲等目標。該實驗室借助智能環境下的VR/AI音視頻終端設備、音視頻處理技術等手段，可以全方位采集師生課堂教學過程數據，為教學行為分析提供數據支持，實現集教、評、學、管于一體的總體畫像。2021年，本研究在該實驗室進行了小規模的實驗，邀請5名教育技術學領域專家組成測評小組，采用非形式化的專家評審法對不同學科的6門課程進行評價，依據評價模型生成30份測評報告，同時評價系統自動生成6份評測報告。本研究主要從評價軌跡和評價結果兩個方面，進行評價模型實踐效果的驗證。

1 評價軌跡分析

為了清晰地呈現評價軌跡，本研究選取2020級師范生校級公選課“現代教育技術”課程，以其第三章“智能化教學環境應用”中“智能技術的發展歷程”的內容講解為分析對象；同時，隨機選取專家A、專家B和系統C對課堂教學中師生行為的20個二級指標進行分析，最后采用Python中的matplotlib和scikit-learn等工具包對評價軌跡進行可視化表征，結果如圖2所示。

圖2 評價軌跡可視化表征

本研究將20個二級指標生成的數據集進行模型訓練及分類，用橫坐標表示行為指標的數字化表征1（Digital Representation 1，DR1）、縱坐標表示行為指標的數字化表征2（Digital Representation 2，DR2）；不同的形狀表示不同評價者對教學行為的評價情況，其中圓形代表專家A，三角形代表專家B，五角星形代表系統C。由圖2可以看出，A、B、C的分布情況相對一致，僅少數軌跡存在一定的差異，生成的評價軌跡在正常可接受范圍內，故從評價軌跡來看評價模型具有一定的可行性。

2 評價結果分析

綜上，通過對評價軌跡的一致性和評價結果的決定系數進行分析，本研究初步驗證了評價模型的有效性。后續研究將持續優化評價模型并擴大實驗規模，使基于多維數據的課堂教學行為評價趨于常態化。基于多維數據的課堂教學行為評價模型可作為師生專業成長的數據檔案，用于師生能力優化評估；可成為師生能力的發展圖譜，系統性、結構化地促進師生的專業發展；可滿足教育教學的實時監測，實現教育教學的過程化管理。

五 結語

本研究從多維數據視角，探討了如何對課堂教學行為進行全面、客觀的評價，旨在通過課堂教學的行為數據和話語數據分析，實現基于多維數據的伴隨性采集和及時有效的監測評價，為教學行為評價提供理論參考。然而，師生教學行為數據具有多樣性、多維價值、大容量等特點，且數據的采集與獲取涉及倫理問題。基于此，后續研究將持續推進基于多維數據的教學行為評價相關研究，做好師生隱私保護的同時，滿足教學評價的常態化，實現教學行為數據的深度挖掘與測評診斷，以提升教學評價的個性化、準確化和高效化，并為推動課堂教學評價改革提供新思路。

[1]中共中央辦公廳,國務院辦公廳.加快推進教育現代化實施方案(2018-2022年)[OL].

[2]中共中央國務院.深化新時代教育評價改革總體方案[OL].

[3]王陸,李瑤.課堂教學行為大數據透視下的教學現象探析[J].電化教育研究,2017,(4):77-85.

[4]張文梅,祁彬斌,范文翔.數據驅動的教學行為分析:現狀、邏輯與發展趨向[J].遠程教育雜志,2021,(1):84-93.

[5]艾興,張玉.從數字畫像到數字孿生體:數智融合驅動下數字孿生學習者構建新探[J].遠程教育雜志,2021,(1):41-50.

[6]牟智佳,符雅茹.多模態學習分析研究綜述[J].現代教育技術,2021,(6):23-31.

[7]張治,戚業國.基于大數據的多源多維綜合素質評價模型的構建[J].中國電化教育,2017,(9):69-77、97.

[8]趙麗,賀瑋,王洋.人工智能支持的課堂教學行為分析:困境與路徑[J].電化教育研究,2022,(1):86-92.

[9]于方,劉延申,郝明睿,等.基于多源履職數據的大學院系畫像構建與應用[J].現代教育技術,2021,(6):119-126.

[10]吳立寶,曹雅楠,曹一鳴.人工智能賦能課堂教學評價改革與技術實現的框架構建[J].中國電化教育,2021,(5):94-101.

[11]王麗英,何云帆,田俊華.在線學習行為多模態數據融合模型構建及實證[J].中國遠程教育,2020,(6):22-30、51、76.

[12]黃濤,趙媛,耿晶,等.數據驅動的精準化學習評價機制與方法[J].現代遠程教育研究,2021,(1):3-12.

[13]朱珂,張思妍,劉濛雨.基于情感計算的虛擬教師模型設計與應用優勢[J].現代教育技術,2020,(6):78-85.

[14]顧小清,王超.打開技術創新課堂教學的新窗:刻畫AIoT課堂應用場景[J].現代遠程教育研究,2021,(2):3-12.

[15]朱珂,張瑩,李瑞麗.全息課堂:基于數字孿生的可視化三維學習空間新探[J].遠程教育雜志,2020,(4):38-47.

[16]劉清堂,何皓怡,吳林靜,等.基于人工智能的課堂教學行為分析方法及其應用[J].中國電化教育,2019,(9):13-21.

[17]陳佑清,陶濤.“以學評教”的課堂教學評價指標設計[J].課程·教材·教法,2016,(1):45-52.

[18]胡航,楊旸.多模態數據分析視閾下深度學習評價路徑與策略[J].中國遠程教育,2022,(2):13-19、76.

[19]Guo J, Bai L, Yu Z, et al. An AI-application-oriented in-class teaching evaluation model by using statistical modeling and ensemble learning[J]. Sensors, 2021,(1):3-20.

[20]劉智,方常麗,劉三女牙,等.物理學習空間中學習者情緒感知研究綜述[J].遠程教育雜志,2019,(2):33-44.

[21]教育部.人工智能助力教師教學創新[OL].

[22]駱祖瑩,趙琦琦,段福慶.基于教師近場語音的課堂教學過程自動分析[J].現代教育技術,2021,(8):76-84.

[23]趙剛,朱文娟,胡碧靈,等.多維度特征融合的教學行為智能分析模式構建[J].電化教育研究,2020,(10):36-44.

[24]Tongu G, Ozkara B O. Automatic recognition of student emotions from facial expressions during a lecture[J]. Computers & Education, 2020,148:103797.

[25]Rico-Juan J R, Gallego A J, Calvo-Zaragoza J. Automatic detection of inconsistencies between numerical scores and textual feedback in peer-assessment processes with machine learning[J]. Computers & Education, 2019,140:103609.

[26]張瑾,張夷楠,葉海智,等.教師在線學習社區中會話主題發現及演化分析[J].遠程教育雜志,2021,(2):85-94.

Research on the Classroom Teaching Behavior Evaluation Based on the Multi-dimensional Data

KANG Liu-yi1,2YE Hai-zhi1ZHANG Jin1[Corresponding Author]ZHU Ke1

The diversification, quantification and multi-dimensionalization of teaching behavior data has awakened the teaching behavior evaluation from the uni-dimensional and superficial dormancy, and the construction of a classroom teaching behavior evaluation model supported by multi-dimensional data has become the key to breaking out of the “fence”. By comparing the research of classroom teaching behavior in the traditional and intelligent era, based on the Flanders interactive analysis system and adding action, emotion and other psychological and physiological behavior indicators, this paper constructed the classroom teaching behavior evaluation index system based on multi-dimensional data. Accordingly,this paper integrated the all-round evaluation concept of multi-subject participation, built the classroom teaching behavior evaluation model based on multi-dimensional data, and verified the effectiveness of the model from two aspects of evaluation trajectory and evaluation result. The practical results indicated that the classroom teaching behavior evaluation based on multi-dimensional data was helpful for the diversification of evaluation information, so that the true meaning of evaluation could be revealed, and it was an exploration and attempt to integrate classroom teaching behavior and discourse analysis.

artificial intelligence; multi-dimensional data; classroom teaching behavior; emotion recognition

G40-057

A

1009—8097（2022）04—0068—10

10.3969/j.issn.1009-8097.2022.04.008

基金項目：本文為河南省高校人文社會科學研究一般項目“在線課程評價指標體系構建”（項目編號：2021-ZZJH-120）、河南省高校科技創新團隊支持計劃“教育大數據分析與應用”（項目編號：22IRTSTHN031）的階段性研究成果。

炕留一，河南科技學院講師，河南師范大學在讀博士，研究方向為教育評價、教師專業發展，郵箱為877350620@qq.com。

2021年8月13日

編輯：小時