论文部分内容阅读
开展智能研修创新教师培养模式是人工智能助推新时代教师队伍建设的重要途径,而精准教研是落实教师培养和智能研修的切入点和方向标。精准教研任务包括了教师教学能力精准评估以及教师画像建模等。教师课堂教学表现是教师教学能力最直观的外部表征,且契合教师画像的内涵,能通过教师课堂教学行为体现出课堂教学生态的过程性与动态性特征。虽然当前关于教师课堂教学表现方面的研究在课堂教学事件或教学结构的自动化识别与智能分析方面取得了一定成果,但是这些研究参考的教学行为数据稀疏,忽视了教师行为所反映的专业能力与教学意义,对教师的评价更是缺乏系统性的理论支持。因此,本研究致力于以多模态细粒度的教师课堂教学行为作为证据,全面系统地刻画教师课堂教学表现,形成有效的具有教师课堂教学表现意义的课堂教学行为数据集和行为编码体系,构建出教师课堂教学表现智能刻画模型。为实现以上目标,本研究主要回答三个研究问题:(1)理论框架的构建问题:教师课堂教学表现的系统性刻画要素有哪些?(2)行为数据集的构建问题:哪些行为指标可以表征教师课堂教学表现要素?(3)智能刻画的实现问题:如何实现教师课堂教学表现的智能刻画?为回答这三个研究问题,本研究分为三个阶段展开探究:理论框架构建阶段、行为数据体系的构建与验证阶段以及智能刻画模型的训练与验证阶段。在理论框架构建阶段,本研究构建了教师课堂教学表现刻画框架。具体来说,本研究首先分析了教师课堂教学表现的内涵、一般评价方法与经典的课堂评价方案,然后以课堂评价评分系统为理论基础,从情感支持、教学支持和课堂管理三个课堂教学领域来系统性地评估教师在课堂教学过程中的教学表现。接着,本研究由下而上,探寻每一课堂教学领域下符合领域内涵且可通过教学行为表征的教学表现维度或要素。因此,在本研究最终构建的框架中,每一个课堂教学实践领域又根据领域内涵与行为的教学意义分为不同的教学表现维度。并且,每一教学表现维度均可由课堂教学行为指标测量得到。在教师课堂教学表现刻画框架中,情感支持领域下具体包括教师课堂教学亲和力维度、教师课堂教学情感状态维度。教师的课堂教学亲和力维度又可分为言语亲和力与非言语亲和力两个子维度;而教师的课堂教学情感状态维度可分为面部情感和语音情感。教学支持领域具体包括教师的课堂教学动作类别以及教师的课堂教学姿态开放性。教师的课堂教学动作具体根据教学行为特征分为说明性动作、象征性行动等七种类别;而教师课堂教学姿态开放性则包括开放性、封闭性和模糊性三类。课堂管理领域下包括教师关注力和学生课堂学习参与状态两个维度。教师的课堂教学关注力由关注对象(及属性)、关注时间、关注频率组成;学生课堂学习参与状态由学习参与状态和非学习参与状态组成。教师课堂教学表现刻画框架的构建为后续制定行为编码体系与训练教师课堂教学表现智能刻画模型提供了系统的理论支撑。在行为数据体系的构建与验证阶段,本研究构建并验证了教师课堂教学表现的行为编码体系。具体来说,基于教师课堂教学表现刻画框架各领域下的具体教学表现维度,本研究通过文献综述,分析得到关于各教学表现维度的研究发现、传统评价方法与具体的评价指标,同时综合各教学表现维度内涵和实际的课堂教学情境与教师实践行为,概括出评估每一教学表现维度的行为指标,形成刻画教师课堂教学表现的初始行为编码体系。教师课堂教学表现初始行为编码体系是基于理论和已有测量指标归纳构建出来的,这一方面可能存在与课堂教学实践不契合的地方,一方面也存在有用性和可靠性的问题,不具有推广使用的信度和权威性。因此,为进一步获得权威可靠的教师课堂教学表现行为编码体系,本研究采用专家法和问卷调查对初始行为编码体系进行多轮验证、修改和完善。教师课堂教学动作、教学亲和力、关注力以及学生学习参与状态四个教师课堂教学表现维度的行为编码体系均为本研究结合已有研究发现、传统问卷量表项目以及实际教学情境构建而得,需要经过验证来修订完善;而教师姿态开放性、情感状态两种教学表现维度的行为判定均使用已有的权威可靠的编码体系或者特征库,因此本研究未对其进行验证。在智能刻画模型的训练与验证阶段,本研究实现了对教师课堂教学表现的智能刻画和模型验证。由于本研究收集到的课堂教学视频以教师为主体,且视角为正向平视,本研究无法实现对学生行为的识别,即无法实现对课堂管理领域下教师课堂教学关注力与学生课堂学习参与状态的识别。因此,本研究利用机器学习和深度学习算法等人工智能技术,以教师亲和力、情感状态、教学动作与姿态开放性为例,实现对教师课堂教学表现维度的特征提取及自动化识别与判断,并将机器识别结果与人工判断结果进行对比,进一步验证行为编码体系与智能刻画模型系统的有效性与可靠性。由于教师课堂教学表现的行为指标具有多模态性,既需要利用视频图像识别外显行为,也需要音频信号识别语音信息,因此本研究根据刻画模型所分析的数据类型,将智能模型的训练分为两部分,即基于视频图像分析的教学表现智能刻画模型与基于语音信号分析的教学表现智能刻画模型两部分。最后,本研究设计出教师课堂教学表现智能刻画模型的可视化结果,在实际教学中开展应用,将可视化结果提供给教师,通过调查教师对智能模型的使用体验来分析其在实践中的可用性和实用性。本研究的主要结论如下:第一,本研究构建的教师课堂教学表现刻画框架能够指导教学表现行为编码体系的构建,支持对教师课堂教学表现的系统性刻画;第二,本研究提出的教师课堂教学表现行为编码体系具有可靠性、权威性和可推广性,并注重体现教学行为在教师课堂教学表现方面的教学意义,依据该编码体系得到的行为数据集能够很好地支持教师课堂教学表现智能刻画模型的训练;第三,本研究训练得到教师课堂教学表现智能刻画模型具有较好的性能和可解释性,可以实现对课堂教学视频的自动化分析,而且,教师对该智能刻画模型系统的使用体验感良好,对其具有一定的接受度。本研究的意义在于:在理论层面,突出了教师课堂教学表现的系统性和全面性,强调了教学行为作为刻画证据的可行性,丰富了教师课堂教学表现的刻画理论,明确了教师课堂教学行为所传达的关于教学表现的信息与教学意义。在方法层面,首先,保证各教师课堂教学表现维度既具备其所在领域的内涵又能通过具体的教学行为测量得到;其次,将编码体系的验证与教学实践结合,综合学生的真实感受、一线教师的实际经验以及专家的专业知识,从多个视角和多个主体感知来修订验证行为编码体系;然后,细化教师行为,从多模态行为出发训练模型,并且使用同一学习模型完成不同行为识别任务,提高了视频分析效率;使用了预训练模型结合微调的构架来解决样本量较少的问题;最后,通过对比人工自主判断结果与分类模型判断的结果来分析智能刻画模型的有效性和可靠性,一定程度上弥补了数据驱动方法在模型解释方面的不足。在实践层面,关注的是教学行为所反映的教师课堂教学表现,而不局限于教学行为的分类或教学事件的判定;对教学表现的刻画所依据的教学行为数据种类较多,具有多模态特征,而不仅仅是单一类别的肢体行为数据;构建出符合我国课堂教学文化背景的、通用的、用于刻画教师课堂教学表现的教学行为数据集,系统、详细地概括了教师的课堂教学表现行为。最后,本研究训练得到教师课堂教学表现智能刻画模型具有系统性的智能化意义,在人工智能技术的服务与支持下,本研究的智能刻画模型系统提高了课堂教学评价的效率,弥补人工观察评估教师教学行为带来的固有不足。