面向課堂教學(xué)評價的形式化建模與智能計算

張立山 馮碩 李亭亭

摘要：隨著課堂教學(xué)從固化單一的教師傳授，向強(qiáng)調(diào)小組協(xié)作參與的教學(xué)轉(zhuǎn)變，如何面向以協(xié)作學(xué)習(xí)為基本特征的課堂實施形成性評價已成為教學(xué)評價改革亟需解決的問題。在智能技術(shù)支持下，形式化建模可以將復(fù)雜多變的課堂教學(xué)過程解構(gòu)，形成數(shù)理模型;智能計算可以通過算法評估學(xué)生學(xué)習(xí)狀態(tài)，并根據(jù)教學(xué)原則生成教學(xué)輔助信息。二者的結(jié)合可以促進(jìn)人類智能與機(jī)器智能的有效融合，形成人機(jī)協(xié)同的課堂評價機(jī)制。面向課堂教學(xué)評價的形式化建模與智能計算通用架構(gòu)，自下而上包含教與學(xué)行為的感知和存儲、教與學(xué)行為評估模型的構(gòu)建、教與學(xué)狀態(tài)的智能計算和教學(xué)輔助信息的生成四個部分。前兩部分著重對教育情境和問題的表征，是形式化建模的關(guān)鍵步驟;后兩部分著重具體技術(shù)路線的實現(xiàn)，是智能計算的具體過程和功能體現(xiàn)。整個系統(tǒng)以教與學(xué)行為的感知和存儲為基礎(chǔ)，通過構(gòu)建評估模型，確定模型的輸出;然后引入智能算法對模型進(jìn)行計算，達(dá)成對教與學(xué)狀態(tài)的評估;最后根據(jù)相應(yīng)教學(xué)原則，自動生成輔助教師進(jìn)行課堂教學(xué)評價的信息。該通用架構(gòu)以及人機(jī)協(xié)同教學(xué)、評價機(jī)制的進(jìn)一步完善需要研究者攜手教師進(jìn)行“共同設(shè)計”，協(xié)同教育學(xué)、計算機(jī)科學(xué)、心理學(xué)等多學(xué)科進(jìn)行交叉研究。

關(guān)鍵詞：課堂教學(xué);智能教育;智能計算;形式化建模;形成性評價

中圖分類號：G434? ?文獻(xiàn)標(biāo)識碼：A? ? 文章編號：1009-5195（2021）01-0013-13? doi10.3969/j.issn.1009-5195.2021.01.002

基金項目：科技創(chuàng)新2030——“新一代人工智能”重大項目“混合增強(qiáng)在線教育關(guān)鍵技術(shù)與系統(tǒng)研究”（2020AAA0108804）;國家自然科學(xué)基金青年項目“項目式學(xué)習(xí)輔助系統(tǒng)的學(xué)生模型研究”（61807004）。

作者簡介：張立山，副研究員，碩士生導(dǎo)師，華中師范大學(xué)人工智能教育學(xué)部、國家數(shù)字化學(xué)習(xí)工程技術(shù)研究中心（湖北武漢 430070）;馮碩、李亭亭，碩士研究生，華中師范大學(xué)人工智能教育學(xué)部、國家數(shù)字化學(xué)習(xí)工程技術(shù)研究中心（湖北武漢 430070）。

一、問題的提出

教育評價是教育發(fā)展的指揮棒，事關(guān)教育發(fā)展的方向。2020年10月，中共中央、國務(wù)院印發(fā)了《深化新時代教育評價改革總體方案》，提出要克服“唯分?jǐn)?shù)”等頑瘴痼疾，“改進(jìn)結(jié)果評價，強(qiáng)化過程評價”（新華網(wǎng)，2020）。課堂教學(xué)評價是教育評價體系的重要一環(huán)，實施什么樣的課堂教學(xué)評價體現(xiàn)了我們提倡什么樣的課堂。目前課堂教學(xué)評價主要有總結(jié)性評價和形成性評價兩種方式。總結(jié)性評價旨在判斷課程結(jié)束時學(xué)生已達(dá)到的成就，形成性評價意在對教與學(xué)的每個階段提供反饋和糾正（Bloom，1969）。后者由于注重對學(xué)生學(xué)習(xí)過程證據(jù)的收集與分析，可以使學(xué)生個體得到更多的關(guān)注與更精細(xì)化的幫助與支持，因而成為課堂教學(xué)評價改革的焦點。本文的“課堂教學(xué)評價”也主要聚焦于課堂中的形成性評價。

傳統(tǒng)的課堂形成性評價在實施過程中，面臨諸多困難。一方面，傳統(tǒng)的形成性評價技術(shù)和策略對教師提出了很高的要求，需要其具備證據(jù)思維，并在教學(xué)的同時觀察和記錄學(xué)生的過程表現(xiàn)（趙士果，2013）。這增加了實施形成性評價的難度。另一方面，課堂觀察記錄、活動記錄、檔案袋等傳統(tǒng)形成性評價技術(shù)采用紙質(zhì)材料，填寫、收發(fā)和整理等過程十分耗時，且對學(xué)習(xí)制品等評價材料的貯存也較為困難。近些年，盡管部分課堂教學(xué)系統(tǒng)或?qū)W習(xí)管理系統(tǒng)創(chuàng)造了電子形式記錄過程數(shù)據(jù)的條件（宋飛，2008），但仍未從根本上解決形成性評價的推行難處。因為這些評價技術(shù)只關(guān)注了評價的收集數(shù)據(jù)環(huán)節(jié)，未能系統(tǒng)解決教師實施形成性評價的問題。

隨著信息技術(shù)深入課堂，翻轉(zhuǎn)課堂、問題解決學(xué)習(xí)、項目式學(xué)習(xí)等以學(xué)生為中心、以培養(yǎng)學(xué)生高階能力（如協(xié)作探究能力、創(chuàng)新能力等）為主要目標(biāo)的新型教學(xué)模式紛紛涌現(xiàn)。這些課堂的學(xué)習(xí)任務(wù)和活動往往比較復(fù)雜、難度較高，所以分組協(xié)作解決問題、共同創(chuàng)造學(xué)習(xí)制品是常見的方式。同時，這種復(fù)雜教學(xué)活動的開展需要教師能夠根據(jù)學(xué)生的學(xué)習(xí)進(jìn)程及時調(diào)整教學(xué)策略。這些都對課堂教學(xué)評價的智能化提出了較高要求。如何面向以協(xié)作學(xué)習(xí)為基本特征的課堂實施形成性評價已成為課堂教學(xué)評價改革迫切需要解決的問題。

一些研究人員提出用形式化建模與智能計算來更系統(tǒng)地幫助和支持教師，以形成人機(jī)協(xié)同的課堂評價機(jī)制。形式化建模方法起源于軟件工程，旨在對軟件開發(fā)流程進(jìn)行梳理基礎(chǔ)上的建模表征，實現(xiàn)軟件設(shè)計、開發(fā)和驗證等的標(biāo)準(zhǔn)化（王戟等， 2019）。對課堂教學(xué)進(jìn)行形式化建模需要依據(jù)軟硬件設(shè)備采集數(shù)據(jù)，按照一定的標(biāo)準(zhǔn)建立數(shù)據(jù)集，并在此基礎(chǔ)上，針對實際課堂需求，明確模型的輸入和輸出狀態(tài)。智能計算是引入機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等智能算法對建模后的輸入數(shù)據(jù)進(jìn)行計算，得到以數(shù)學(xué)表征的輸出狀態(tài)，并籍此分析學(xué)習(xí)者潛在學(xué)習(xí)特征和規(guī)律的過程。在課堂教學(xué)評價中，形式化建模就是對課堂教與學(xué)的行為進(jìn)行符號表征，形成數(shù)理模型;智能計算則是對所表征的教與學(xué)行為進(jìn)行分析計算，輔助教師進(jìn)行課堂教學(xué)評價。二者的聯(lián)動既可以在課堂教學(xué)評價的證據(jù)收集和解釋環(huán)節(jié)實現(xiàn)自動化，又可以在實施教學(xué)行為環(huán)節(jié)給予教師支持，因而成為了課堂教學(xué)評價改革的重要方向。

二、典型課堂教學(xué)評價系統(tǒng)與架構(gòu)

在智能技術(shù)的支持下，課堂管理系統(tǒng)發(fā)展迅速?？紤]到提供課堂教學(xué)評價的課堂管理系統(tǒng)必須具備實時分析、評價學(xué)習(xí)過程，為教師提供反饋信息等基本功能，我們通過調(diào)研總結(jié)了國內(nèi)外6種典型智能教學(xué)或管理系統(tǒng)（見表1）。其中，Lynnette是一個專門教授學(xué)生求解線性方程的智能導(dǎo)學(xué)系統(tǒng)（Long et al.，2013），Lumilo是一款能可視化呈現(xiàn)信息并進(jìn)行一定虛擬交互的智能眼鏡（Holstein et al.， 2019），二者通過一定機(jī)制可以幫助教師實時感知學(xué)生的信息;FACT系統(tǒng)是可以支持學(xué)生進(jìn)行數(shù)學(xué)問題協(xié)作解決，同時增強(qiáng)教師感知和控制能力的智能課堂管理系統(tǒng)（VanLehn et al.，2019）;雨課堂通過采集學(xué)生課前、課中和課后學(xué)習(xí)信息，輔助教師教學(xué)（王帥國，2017）;Spinoza通過分析學(xué)生編程過程中的實時代碼和操作行為，給予學(xué)生和教師指導(dǎo)與幫助（Deeb et al.，2018）;SAIL Smart Space（Tissenbaum et al.，2019）和MTClassroom（Martinez-Maldonado et al.，2014）都是智慧教室，可實現(xiàn)學(xué)生在觸摸式桌面學(xué)習(xí)，內(nèi)置的軟件對學(xué)生學(xué)習(xí)進(jìn)行實時分析并發(fā)送給教師，教師使用平板電腦的儀表盤程序?qū)崟r查看學(xué)生狀態(tài)和控制活動流程。

研究對上述6種典型智能系統(tǒng)的輸入數(shù)據(jù)、輸出狀態(tài)、支撐設(shè)備和計算路徑進(jìn)行了梳理和比較。結(jié)果發(fā)現(xiàn)，這些系統(tǒng)基本都以學(xué)生的操作行為、答題記錄為輸入數(shù)據(jù)，并通過一定的計算方式，為教師提供學(xué)生在認(rèn)知、學(xué)習(xí)狀態(tài)和與他人協(xié)作方面的信息與指導(dǎo)。在計算路徑上，這些系統(tǒng)都遵循了形式化建模與智能計算的思想，且不單關(guān)注了學(xué)生在課堂上的個人學(xué)習(xí)行為和小組協(xié)作學(xué)習(xí)行為，還為個人、小組和班級三個層級活動的轉(zhuǎn)換提供了支持。

在實際課堂中，學(xué)生可能在個體學(xué)習(xí)和協(xié)作學(xué)習(xí)之間相互切換，因此面向課堂教學(xué)評價的智能系統(tǒng)需要同時關(guān)注這兩種學(xué)習(xí)的過程。面向一對一個性化教學(xué)的智能導(dǎo)學(xué)系統(tǒng)通用架構(gòu)規(guī)定其通常需要實現(xiàn)四個方面的主要功能 （VanLehn，2016），如圖1所示：第一階段，表現(xiàn)（Performance），監(jiān)測學(xué)生的知識表現(xiàn);第二階段，反映（Mirror），將學(xué)生的實際表現(xiàn)反饋給學(xué)生，促進(jìn)學(xué)生反思;第三階段，評估（Assessment），對學(xué)生表現(xiàn)進(jìn)行測評;最后，干預(yù)（Intervention），根據(jù)測評結(jié)果，給予學(xué)生教學(xué)干預(yù)。協(xié)作學(xué)習(xí)管理系統(tǒng)同樣需要實現(xiàn)四個方面的功能（Soller et al.，2005），如圖2所示：第一階段，收集和聚合學(xué)生交互數(shù)據(jù);第二階段，進(jìn)行數(shù)據(jù)整合，實現(xiàn)學(xué)生交互的可視化，以確定學(xué)生當(dāng)前交互狀態(tài);第三階段，計算學(xué)生實際交互與期望交互的異同;第四階段，生成教學(xué)干預(yù)，提供建議和指導(dǎo)。從形式化建模與智能計算的內(nèi)涵看，智能導(dǎo)學(xué)系統(tǒng)和協(xié)作學(xué)習(xí)管理系統(tǒng)通用架構(gòu)的前兩個階段屬于形式化建模范疇，后兩個階段屬于智能計算范疇。可見，支持這兩類學(xué)習(xí)行為的系統(tǒng)的通用架構(gòu)是互通的，我們可以這兩種通用架構(gòu)為基礎(chǔ)，構(gòu)建面向課堂教學(xué)評價的智能系統(tǒng)通用架構(gòu)。

三、面向課堂教學(xué)評價的形式化建模與智能 計算設(shè)計

架構(gòu)，是一類復(fù)雜系統(tǒng)的底層標(biāo)準(zhǔn)，是有關(guān)系統(tǒng)整體結(jié)構(gòu)與組件的抽象描述，對具體系統(tǒng)的模塊實現(xiàn)具有指導(dǎo)意義。針對課堂教學(xué)評價的復(fù)雜性，我們在調(diào)研和分析典型系統(tǒng)基礎(chǔ)上，參考了智能導(dǎo)學(xué)系統(tǒng)和協(xié)作學(xué)習(xí)管理系統(tǒng)的架構(gòu)設(shè)計，最終形成了面向課堂教學(xué)評價的形式化建模與智能計算通用架構(gòu)，如圖3所示。該架構(gòu)自下而上包含四個部分：教與學(xué)行為的感知和存儲、教與學(xué)行為評估模型的構(gòu)建、教與學(xué)狀態(tài)評估的智能計算以及教學(xué)輔助信息的生成。前兩部分聚焦對教育情境和問題的表征，是形式化建模的關(guān)鍵步驟;后兩部分側(cè)重具體技術(shù)路線的實現(xiàn)，是智能計算的具體過程和功能體現(xiàn)。整個系統(tǒng)以教與學(xué)行為的感知和存儲為基礎(chǔ)，通過構(gòu)建評估模型，確定模型的輸出，即狀態(tài);然后通過引入智能算法對模型進(jìn)行計算，達(dá)成對教與學(xué)狀態(tài)的評估;最后根據(jù)相應(yīng)教學(xué)原則，自動生成輔助教師進(jìn)行課堂教學(xué)評價的信息。

1.教與學(xué)行為的感知和存儲

形式化建模質(zhì)量取決于高質(zhì)量數(shù)據(jù)集的獲取，因此如何在課堂中對教師和學(xué)生的行為進(jìn)行感知并以數(shù)據(jù)集方式進(jìn)行存儲，是事關(guān)形式化建模效果的關(guān)鍵問題。課堂智能設(shè)備的日漸豐富創(chuàng)造了泛在式學(xué)習(xí)分析的條件，對網(wǎng)絡(luò)和物理兩個空間的教與學(xué)數(shù)據(jù)進(jìn)行采集可以更全面反映課堂實際。

在網(wǎng)絡(luò)空間中，課堂軟件系統(tǒng)可以對教師和學(xué)生的課堂行為（如答題、記筆記、文字輸入等）進(jìn)行捕捉，并通過一定的數(shù)據(jù)標(biāo)準(zhǔn)進(jìn)行存儲。目前主要的數(shù)據(jù)標(biāo)準(zhǔn)有SCORM和xAPI兩種。SCORM（Shareable Content Object Reference Model）是數(shù)字化學(xué)習(xí)互操作性的行業(yè)標(biāo)準(zhǔn)，規(guī)范著在線學(xué)習(xí)內(nèi)容和學(xué)習(xí)管理系統(tǒng)之間的通信方式（李青等，2013）。任何SCORM內(nèi)容都可以在符合SCORM標(biāo)準(zhǔn)的學(xué)習(xí)管理系統(tǒng)顯示。此標(biāo)準(zhǔn)可以記錄學(xué)生的學(xué)習(xí)狀態(tài)、學(xué)習(xí)時間和學(xué)習(xí)效果（是否通過測試）等。但是因為學(xué)生在學(xué)習(xí)管理系統(tǒng)中的學(xué)習(xí)時間相對有限，SCORM并不能體現(xiàn)學(xué)生數(shù)字化學(xué)習(xí)的全貌。另一種數(shù)據(jù)標(biāo)準(zhǔn)xAPI（Experience API）則有效彌補(bǔ)了SCORM的不足，它不僅可以記錄學(xué)生在學(xué)習(xí)管理系統(tǒng)中的學(xué)習(xí)情況，還可以記錄學(xué)生在移動學(xué)習(xí)、游戲化學(xué)習(xí)、協(xié)作學(xué)習(xí)、混合學(xué)習(xí)等多種學(xué)習(xí)模式中的數(shù)據(jù)，使得記錄學(xué)生多種學(xué)習(xí)經(jīng)歷成為可能（李青等，2013;唐燁偉等，2015）。xAPI在語法上采用三元組的形式（<行為人，動作，結(jié)果>）記錄教學(xué)活動中每一個參與者的所有行為動作，可以為后續(xù)進(jìn)行數(shù)據(jù)挖掘與分析提供支持。

在物理空間中，可以利用眼動追蹤、腦機(jī)接口、皮電、心電傳感器等設(shè)備伴隨式采集師生的生理和行為數(shù)據(jù)。如眼動追蹤技術(shù)可以通過采集眼動數(shù)據(jù)，反映認(rèn)知狀態(tài)。這種技術(shù)的典型設(shè)備是眼動儀，分為頭戴式和非頭戴式兩種。非頭戴式不與分析對象直接接觸，通過固定攝像機(jī)捕捉眼部運(yùn)動相關(guān)數(shù)據(jù)，所以分析對象的活動被限制，適合在實驗場景應(yīng)用（Lund，2016）。在課堂場景下，師生更適合佩戴頭戴式眼動儀（類似于眼鏡，如圖4），可以實時采集眼球運(yùn)動和瞳孔反應(yīng)等數(shù)據(jù)，后續(xù)通過智能計算可以反映師生的認(rèn)知負(fù)荷等情況（Prieto et al.，2017）。腦電接口技術(shù)主要關(guān)注腦部活動，采集神經(jīng)信號數(shù)據(jù)進(jìn)行分析。與眼動追蹤技術(shù)類似，目前腦機(jī)接口技術(shù)呈現(xiàn)出兩種類似發(fā)展方向：一種是依賴固定裝置的測量技術(shù)，典型代表是功能性核磁共振（Ferrari et al.，2012）。這種技術(shù)可以深層次地反映腦部活動狀況，但缺點是不能在實際場景中應(yīng)用。另一種是便攜式腦電設(shè)備（Ramadan et al.，2017），可以采集腦部淺層活動的信號，根據(jù)特定的頻率提取特定的腦電波，比如Alpha、Beta和Gamma波等。這些原始數(shù)據(jù)可以通過后續(xù)的計算分析，反映學(xué)生的注意力、情緒情感和認(rèn)知負(fù)荷等情況。可穿戴傳感器也可以佩戴在手腕處，常用的有皮膚電活動傳感器和心電傳感器，分別采集皮膚電和心電數(shù)據(jù)。這些數(shù)據(jù)與學(xué)生的學(xué)習(xí)有一定相關(guān)性，可以通過分析計算相應(yīng)情緒狀態(tài)（Fortenbacher et al.，2017）。這種傳感器一般類似于手環(huán)，學(xué)生可以佩戴在手上，不影響正常課堂活動。除可穿戴設(shè)備之外，固定設(shè)備如攝像機(jī)、壓力傳感器等也可以作為收集學(xué)生面部表情和身體姿態(tài)信息的工具，用于實時分析學(xué)生的情緒狀態(tài)（VanLehn et al.，2016）。這些設(shè)備的優(yōu)勢是可以在不干擾教師和學(xué)生的情況下進(jìn)行信息的采集。

2. 教與學(xué)行為評估模型的構(gòu)建

在感知和存儲教與學(xué)行為數(shù)據(jù)的基礎(chǔ)上，對所獲得的信息進(jìn)行數(shù)學(xué)表征，建立教學(xué)行為評估模型，是保證評價效果的關(guān)鍵。這個過程需要厘清智能模型輸出需求，即需要從顯性的教與學(xué)行為中挖掘什么樣的內(nèi)隱狀態(tài)或心智模式。從學(xué)生層面來看，在以協(xié)作學(xué)習(xí)為主要形式的新型教學(xué)模式中，智能教學(xué)評價系統(tǒng)需要利用不同的向量表征學(xué)生的個體異常狀態(tài)、認(rèn)知狀態(tài)和非認(rèn)知狀態(tài)，以及小組的問題解決進(jìn)度和協(xié)作情況。同時，也要對教師如何依據(jù)學(xué)生狀態(tài)做出教學(xué)干預(yù)以及干預(yù)的策略進(jìn)行表征。

（1）個體異常狀態(tài)

學(xué)生個體常見的異常狀態(tài)包括離線、沉默和濫用提示等。當(dāng)智能教學(xué)評價系統(tǒng)檢測到學(xué)生的離線狀態(tài)，需向?qū)W生發(fā)起離線提醒，并設(shè)置相應(yīng)的離線保護(hù)機(jī)制，以防學(xué)生和小組的解決方案丟失。沉默狀態(tài)是系統(tǒng)在一定時間內(nèi)，沒有監(jiān)測到學(xué)生操作行為的情況。協(xié)作學(xué)習(xí)中一個常見且十分重要的問題就是小組中一些學(xué)生不積極參與，甚至是不參與。這就需要從系統(tǒng)監(jiān)測角度對此進(jìn)行跟蹤。濫用提示則是學(xué)生的“取巧”行為（Aleven et al.，2016）。針對復(fù)雜問題，智能系統(tǒng)會為學(xué)生設(shè)立提示機(jī)制，幫助學(xué)生攻克難題。恰當(dāng)利用提示，將有助于學(xué)生找到正確解決問題的方向并減少認(rèn)知負(fù)荷。但如果學(xué)生通過“投機(jī)取巧”和濫用提示解決問題，其知識水平和能力就得不到提高。因此，這種狀態(tài)也需要監(jiān)測。

（2）個體認(rèn)知狀態(tài)

學(xué)生的學(xué)習(xí)認(rèn)知狀態(tài)是指學(xué)生關(guān)于某一問題或知識點的理解和掌握程度。表征學(xué)生的認(rèn)知狀態(tài)一般是在特定系統(tǒng)中，學(xué)生進(jìn)行答題，系統(tǒng)根據(jù)學(xué)生的答題情況進(jìn)行評價。認(rèn)知狀態(tài)的評價一般有粗顆粒和細(xì)顆粒兩個評價維度。這里的顆粒度指的是任務(wù)領(lǐng)域知識的聚合程度。對任務(wù)領(lǐng)域的每個知識點的掌握程度進(jìn)行評價即為細(xì)顆粒度評價，對學(xué)生狀態(tài)給出簡單的數(shù)字評價（如答題正確數(shù)、嘗試次數(shù)和求助次數(shù)等）即為粗顆粒度評價（Vanlehn，2006）。這兩個維度的評價對于教師的課堂教學(xué)而言都有相應(yīng)的用途：細(xì)顆粒度的評價可以讓教師了解到學(xué)生知識體系中的薄弱之處，發(fā)現(xiàn)潛在的知識誤區(qū);粗顆粒度的評價可以使教師在一個較為概括的層面把握學(xué)生的學(xué)習(xí)情況，發(fā)現(xiàn)學(xué)生所處的認(rèn)知狀態(tài)。因此在課堂實踐中，二者是相輔相成的關(guān)系。

（3）個體非認(rèn)知狀態(tài)

在課堂學(xué)習(xí)中，學(xué)生的非認(rèn)知狀態(tài)主要包括專注力、情感和壓力等。有研究發(fā)現(xiàn)，若學(xué)生在學(xué)習(xí)活動中高度參與、積極投入，會產(chǎn)生一定的心流效應(yīng)，即沉浸在學(xué)習(xí)中，生理上表現(xiàn)為高興、愉悅的情緒，且有較高的專注力（Csikszentmihalyi et al.，1990）。反之，若學(xué)生在學(xué)習(xí)任務(wù)中迷失，跟不上學(xué)習(xí)進(jìn)度，往往表現(xiàn)出消極、厭惡的情緒，專注力低，壓力過高。這時教師若能對“迷失”的學(xué)生及時給予干預(yù)和幫助，學(xué)生就可能回歸到課堂節(jié)奏中。

（4）小組問題解決進(jìn)度

為了讓教師快速了解小組協(xié)作解決問題的情況，課堂教學(xué)評價系統(tǒng)需要具有可視化問題解決進(jìn)度的功能，幫助教師對課堂進(jìn)行管理和把控。因為協(xié)作課堂中，教師需要進(jìn)行活動、任務(wù)的設(shè)計與分配，并根據(jù)學(xué)生狀態(tài)實時調(diào)整自己的課堂進(jìn)度和安排;而學(xué)生也需要及時了解自己及小組的學(xué)習(xí)情況和進(jìn)度（Tissenbaum et al.，2012），保證自己不掉隊。因此需要為協(xié)作學(xué)習(xí)中的師生提供這樣的系統(tǒng)：一方面，教師可以在系統(tǒng)中查看學(xué)生和小組學(xué)習(xí)的進(jìn)度，以及他們完成任務(wù)的狀況。如果發(fā)現(xiàn)某小組在錯誤的方向上努力或因為某個問題停滯不前，教師可以進(jìn)行及時干預(yù)。另一方面，學(xué)生也可以查看自己、他人或小組學(xué)習(xí)的進(jìn)度和作品。可視化問題解決進(jìn)程增強(qiáng)了教師和學(xué)生的課堂感知能力，可以幫助他們調(diào)整教與學(xué)的策略。

（5）小組協(xié)作學(xué)習(xí)狀態(tài)

對小組協(xié)作學(xué)習(xí)狀態(tài)的監(jiān)測同樣重要。Chi等（2014）認(rèn)為，學(xué)生在學(xué)習(xí)活動中參與程度越高，學(xué)習(xí)效果越好，且從被動學(xué)習(xí)、主動學(xué)習(xí)、建構(gòu)學(xué)習(xí)到互動學(xué)習(xí)，學(xué)習(xí)效果依次增加。但值得注意的是，并非劃分小組就可以達(dá)到使學(xué)生進(jìn)行互動學(xué)習(xí)的目的。在小組協(xié)作學(xué)習(xí)中，若某個成員不表達(dá)觀點，只是被動地聽其他人的發(fā)言，對小組無貢獻(xiàn)，那么該成員就是在被動學(xué)習(xí)（VanLehn et al.，2019）。被動學(xué)習(xí)者學(xué)習(xí)效果較差。只有當(dāng)所有成員都表達(dá)自己的觀點，積極參與討論，學(xué)習(xí)制品建立在所有成員的貢獻(xiàn)基礎(chǔ)上，這種學(xué)習(xí)才是互動學(xué)習(xí)，才是有效的協(xié)作學(xué)習(xí)。學(xué)生之間的有效協(xié)作學(xué)習(xí)即使是在計算機(jī)的支持下，也不是自發(fā)的（Viswanathan et al.，2017）。因此，教師和課堂教學(xué)系統(tǒng)需要了解學(xué)生和小組的協(xié)作狀態(tài)，發(fā)現(xiàn)可干預(yù)的時機(jī)，鼓勵學(xué)生積極參與到協(xié)作任務(wù)當(dāng)中。

（6）教學(xué)干預(yù)

教師干預(yù)行為的種類很多，根據(jù)干預(yù)學(xué)生狀態(tài)的不同，可分為認(rèn)知類干預(yù)和非認(rèn)知類干預(yù)：認(rèn)知類干預(yù)是對學(xué)生認(rèn)知的反饋，如給出直接答案、暗示和提示等（Vanlehn，2006）;非認(rèn)知類干預(yù)是對學(xué)生非認(rèn)知的反饋，如表揚(yáng)、獎勵和批評等（Tillery et al.， 2010;Shen et al.，2016;Ausin et al.，2019）。教師需要根據(jù)不同的學(xué)生狀態(tài)做出不同的干預(yù)行為。同時，干預(yù)的時機(jī)也特別重要，尤其是在小組協(xié)作學(xué)習(xí)中。然而，干預(yù)行為的類型和時機(jī)的選擇對于教師而言比較困難。解決之策就是把相關(guān)學(xué)生狀態(tài)和干預(yù)行為分類匹配，形成教學(xué)原則。當(dāng)學(xué)生出現(xiàn)某種狀態(tài)時，教師就可以即時作出應(yīng)對。因此，課堂教學(xué)評價系統(tǒng)需要評估干預(yù)策略的效果，尋找最優(yōu)策略，幫助教師形成教學(xué)原則。

3.教與學(xué)狀態(tài)評估的智能計算

厘清模型輸入和輸出后，就需要引入有關(guān)智能計算模型進(jìn)行計算。因為不同的教與學(xué)狀態(tài)有不同的算法模型，限于篇幅，我們僅對前文提及的個體認(rèn)知和非認(rèn)知狀態(tài)、小組的協(xié)作學(xué)習(xí)狀態(tài)（可視化問題解決進(jìn)度是數(shù)據(jù)的可視化分析）以及教師的干預(yù)行為類型和時機(jī)，進(jìn)行相應(yīng)智能算法與應(yīng)用的介紹。

（1）評估個體異常狀態(tài)的方法

智能算法在學(xué)生異常狀態(tài)的評估應(yīng)用主要是監(jiān)測濫用提示或幫助。在智能教學(xué)系統(tǒng)中，系統(tǒng)給學(xué)生提供幫助的方式主要有三種，即時幫助、延時幫助和按需幫助。按需幫助的設(shè)定是當(dāng)學(xué)生學(xué)習(xí)遇到困難時，系統(tǒng)會提供學(xué)習(xí)提示、線索和暗示等。但需要預(yù)防的是學(xué)生短時間內(nèi)多次發(fā)起幫助請求，濫用幫助反饋。監(jiān)測這種狀態(tài)的方法是在系統(tǒng)中建立基于Bug的規(guī)則，當(dāng)系統(tǒng)監(jiān)測到學(xué)生行為符合規(guī)則時，就觸發(fā)警告信息。規(guī)則的建立主要基于以下考慮：做出深入思考行為的時間、步驟所涉及的技能和學(xué)生掌握該技能的可能性，以及學(xué)生在這一步驟中已經(jīng)做了什么，比如之前不成功嘗試次數(shù)等（Aleven et al.， 2006）。一個典型的基于Bug的規(guī)則就是當(dāng)學(xué)生在某一環(huán)節(jié)遇到困難時，若請求幫助的時間小于系統(tǒng)所設(shè)定的最小思考時間，且多次請求幫助，系統(tǒng)就判定符合設(shè)定的規(guī)則，對學(xué)生進(jìn)行警告。

（2）評估個體認(rèn)知狀態(tài)的方法

學(xué)生認(rèn)知狀態(tài)監(jiān)測方面的算法研究已經(jīng)較為成熟，其中最為經(jīng)典的是貝葉斯知識追蹤模型，它通過分析學(xué)生在具體任務(wù)中的表現(xiàn)，預(yù)測學(xué)生掌握知識點的概率來追蹤學(xué)生的知識掌握程度變化（Corbett et al.， 1994）。該模型假設(shè)學(xué)生解決問題不僅取決于是否掌握了該知識點，也取決于失誤（Slip）概率和猜測（Guess）概率。即當(dāng)學(xué)生運(yùn)用已經(jīng)學(xué)會的知識點解決問題時，有一定的概率因為粗心大意而做錯。同樣，當(dāng)學(xué)生沒有學(xué)會知識點時，也有一定的概率因為猜測而做對。因此，貝葉斯知識追蹤模型有初始學(xué)習(xí)、習(xí)得、失誤和猜測四個參數(shù)。還有研究者使用邏輯回歸模型對學(xué)生的知識掌握程度進(jìn)行追蹤，旨在改進(jìn)貝葉斯知識追蹤模型的一些弊端（Pavlik Jr et al.， 2009）。此外，認(rèn)知模型由于可以提供學(xué)習(xí)者在領(lǐng)域任務(wù)中需要習(xí)得的技能信息，也在學(xué)生認(rèn)知狀態(tài)監(jiān)測方面受到重視。然而構(gòu)建認(rèn)知模型的傳統(tǒng)方法，比如結(jié)構(gòu)性訪談和出聲思維法，需要專業(yè)知識并且非常耗時。最新研究在良構(gòu)知識（數(shù)學(xué)、生物等有確定事實和規(guī)則的知識）和劣構(gòu)知識（有關(guān)概念應(yīng)用的知識）的認(rèn)知模型構(gòu)建方面已有相應(yīng)進(jìn)展，減少了模型構(gòu)建的工作量。在良構(gòu)知識上，常用的方法是采用KC模型和Q矩陣。隨著深度學(xué)習(xí)模型的廣泛應(yīng)用，針對劣構(gòu)知識，研究人員開始基于卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks）和長短時記憶網(wǎng)絡(luò)（Long Short-Term Memory）來構(gòu)建認(rèn)知模型（Chaplot et al.，2018）。

（3）評估個體非認(rèn)知狀態(tài)的方法

在非認(rèn)知狀態(tài)的自動評估中，智能計算主要通過對特征進(jìn)行提取和分類來實現(xiàn)對學(xué)生情緒狀態(tài)的分析。VanLehn等人（2016）使用基于多層動態(tài)貝葉斯網(wǎng)絡(luò)分類模型的面部追蹤器對視頻中的學(xué)生表情特征進(jìn)行提取，輸出表征學(xué)生狀態(tài)的高維向量（El Kaliouby， 2005）;Arroyo等人（2009）融合學(xué)習(xí)者姿勢、使用鼠標(biāo)壓力等多模態(tài)數(shù)據(jù)計算其情緒狀態(tài)。近年來，隨著腦機(jī)接口技術(shù)的應(yīng)用，學(xué)習(xí)者腦電數(shù)據(jù)也被用于學(xué)習(xí)狀態(tài)監(jiān)測中。如王朋利等人（2020）利用腦機(jī)接口技術(shù)，采用支持向量機(jī)算法模型，根據(jù)注意力水平的高低將學(xué)生的學(xué)習(xí)風(fēng)格分為視覺型、聽覺型、讀寫型和動覺型等。

（4）評估小組協(xié)作學(xué)習(xí)狀態(tài)的方法

對學(xué)生協(xié)作狀態(tài)的智能計算在網(wǎng)絡(luò)空間和物理空間均可實現(xiàn)，常見的是對軟件日志記錄的學(xué)生操作和學(xué)生語音的分析。一些研究人員采用了無監(jiān)督的機(jī)器學(xué)習(xí)算法對日志文件進(jìn)行數(shù)據(jù)挖掘，以發(fā)現(xiàn)學(xué)生的共同行為模式（Perera et al.，2008;Martinez-Maldonado et al.，2011;Martinez-Maldonado et al.，2013）。也有研究人員對系統(tǒng)日志文件和麥克風(fēng)收集的聲音進(jìn)行特征提取，分析學(xué)生的操作行為和語音，智能分類識別小組學(xué)生的學(xué)習(xí)類型，以判斷協(xié)作是否真正發(fā)生（Viswanathan et al.， 2017）。

（5）評估教學(xué)干預(yù)策略與時機(jī)的方法

教學(xué)干預(yù)行為的智能計算則是以強(qiáng)化學(xué)習(xí)算法為主。強(qiáng)化學(xué)習(xí)是一種自監(jiān)督學(xué)習(xí)的機(jī)器學(xué)習(xí)算法，通過觀測環(huán)境反饋、訓(xùn)練和優(yōu)化決策，幫助代理做出有效決策（萬里鵬等，2019）。Shen等人（2016）在智能導(dǎo)學(xué)系統(tǒng)中運(yùn)用強(qiáng)化學(xué)習(xí)算法，研究了學(xué)習(xí)者不同特征與不同干預(yù)時機(jī)的匹配問題，以尋找最優(yōu)教學(xué)干預(yù)時機(jī)。Ausin等人（2019）采用深度強(qiáng)化學(xué)習(xí)模型（DQN和Double-

DQN算法），通過使用高斯過程方法，尋找適用于學(xué)習(xí)者特征的教學(xué)策略。在真實教學(xué)場景中，強(qiáng)化學(xué)習(xí)算法的應(yīng)用，需要將相應(yīng)的教學(xué)干預(yù)進(jìn)行分類編碼，然后利用強(qiáng)化學(xué)習(xí)的手段發(fā)現(xiàn)最優(yōu)的教學(xué)干預(yù)策略。

4.教學(xué)輔助信息的生成

通過算法評估學(xué)生的狀態(tài)后，如何根據(jù)教學(xué)原則生成教學(xué)輔助信息是面向課堂的智能教學(xué)評價模型架構(gòu)最上層需要解決的問題。教學(xué)輔助信息的生成，即是在教學(xué)智能評估的基礎(chǔ)上，根據(jù)一定的原則和規(guī)則，自動生成輔助教學(xué)實踐的信息。就推送對象而論，教學(xué)輔助信息可以分成兩類：給教師的提示和給學(xué)生的反饋。給教師的提示實際上是對學(xué)生狀態(tài)評估的進(jìn)一步表征。形式上可以是圖形符號的，也可以是文字的。內(nèi)容上可以是學(xué)生異常狀態(tài)的警示，也可以是相關(guān)的教學(xué)提示和建議。在協(xié)作學(xué)習(xí)中，給學(xué)生的反饋，主要涉及三方面：一是對學(xué)生異常狀態(tài)的反饋，二是對學(xué)生認(rèn)知情況的反饋，三是對學(xué)生非認(rèn)知情況的反饋。對學(xué)生異常狀態(tài)的反饋是在監(jiān)測過程中由系統(tǒng)自動提示。后兩者比較復(fù)雜，因此這里重點討論。

（1）對認(rèn)知情況的反饋

對學(xué)生認(rèn)知情況的反饋，是對學(xué)生問題理解和解決情況的反饋。構(gòu)建這種認(rèn)知反饋需要特定的原則和規(guī)則，這些原則和規(guī)則的制定來源于所采用的教與學(xué)理論和實踐經(jīng)驗，以及所提倡的教學(xué)模式、范式等。教育心理學(xué)等研究認(rèn)為，在協(xié)作學(xué)習(xí)課堂模式中，對學(xué)生的認(rèn)知反饋需要是啟發(fā)式的，以促進(jìn)學(xué)生的主動參與和群體協(xié)作。反饋錯誤或者缺乏啟發(fā)性，可能會破壞啟發(fā)過程，進(jìn)而影響協(xié)作效果。因為學(xué)生很可能不再進(jìn)行觀點的匯聚，而只是想著獲得正確的反饋（VanLehn et al.，2019）。因此，面向協(xié)作學(xué)習(xí)的認(rèn)知反饋應(yīng)是面向?qū)W生學(xué)習(xí)過程生成的推斷性和啟發(fā)式評價。這就要求系統(tǒng)必須能識別學(xué)生解答的具體模式，智能地生成課堂教學(xué)評價。即課堂教學(xué)系統(tǒng)不僅需要理解學(xué)生的正確作答和操作行為，還要能發(fā)現(xiàn)或者預(yù)測學(xué)生可能發(fā)生的錯誤，并推斷出學(xué)生犯錯誤的原因和知識誤區(qū)，進(jìn)而給學(xué)生發(fā)送啟發(fā)式的疑問句，引導(dǎo)學(xué)生思考和進(jìn)一步討論。另外，反饋也可以發(fā)給教師，但這時不再是啟發(fā)式問句形式，而是學(xué)生犯錯誤的原因和知識盲區(qū)。由于這類反饋和問題情境緊密相連，很難由統(tǒng)一的智能計算算法完成，所以需要教師根據(jù)學(xué)生的具體錯誤，人工給出反饋。典型的帶有啟發(fā)式認(rèn)知反饋的課堂管理系統(tǒng)是FACT 系統(tǒng)（VanLehn et al.，2019）。

（2）對非認(rèn)知狀態(tài)的反饋

對于非認(rèn)知狀態(tài)的反饋，智能代理的作用非常關(guān)鍵。研究表明，智能代理可以減少不利于學(xué)生學(xué)習(xí)的情緒（ Woolf et al.，2010;Arroyo et al.，2011;Andallaza et al.，2013），減少學(xué)生濫用提示的行為（D Baker et al.，2006;Woolf et al.，2010;Arroyo et al.，2011），激發(fā)學(xué)習(xí)動機(jī)，提升自我效能感和改善學(xué)習(xí)態(tài)度（Baylor et al.，2005;Robison et al.，2009;Woolf et al.，2010;Arroyo et al.，2011;Gulz et al.，2011）。通常，智能非認(rèn)知代理對學(xué)生非認(rèn)知情況的反饋是在識別學(xué)生狀態(tài)的基礎(chǔ)上，與智能導(dǎo)學(xué)系統(tǒng)相關(guān)機(jī)制協(xié)同，根據(jù)教學(xué)原則和規(guī)則做出的反饋，以實時調(diào)節(jié)學(xué)生在解決問題或任務(wù)過程時的元認(rèn)知水平、情緒狀況和專注水平等。如VanLehn等人（2016）利用智能導(dǎo)學(xué)系統(tǒng)中的智能代理對學(xué)生任務(wù)進(jìn)程中的非認(rèn)知狀態(tài)進(jìn)行識別，利用隨機(jī)森林算法自動給出干預(yù)信息，調(diào)節(jié)學(xué)生負(fù)面情緒。

四、智能技術(shù)增強(qiáng)課堂教學(xué)評價的應(yīng)用示例

協(xié)作學(xué)習(xí)課堂教學(xué)評價的復(fù)雜性，主要體現(xiàn)在教師在真實課堂情境下如何在課堂時間、課堂教學(xué)進(jìn)度等限制下，協(xié)調(diào)學(xué)生個體、小組和班級三個層級的活動安排和進(jìn)度。應(yīng)對這種復(fù)雜性需要形式化建模與智能計算的支持。具體來講，課堂教學(xué)評價需要一種可以實時分析學(xué)生、小組行為和狀態(tài)的機(jī)制，及時為學(xué)生提供恰當(dāng)反饋，為教師提供相應(yīng)的提示。這種機(jī)制需要智能系統(tǒng)軟件和硬件設(shè)備的支持，以形成可行的解決方案。當(dāng)前國內(nèi)外學(xué)界都在對智能化的課堂教學(xué)評價進(jìn)行積極的探索和思考，形成了不同的解決方案，這里介紹三個相對成熟的方案。

1.卡內(nèi)基梅隆大學(xué)的混合現(xiàn)實技術(shù)工具及系統(tǒng)

卡內(nèi)基梅隆大學(xué)人機(jī)交互研究所開發(fā)了教學(xué)生求解線性方程問題的智能導(dǎo)學(xué)系統(tǒng)Lynnette（Long et al.，2013）和面向教師的可穿戴工具智能眼鏡Lumilo（Holstein et al.， 2019），兩個系統(tǒng)工具可以通過學(xué)習(xí)管理系統(tǒng)完成數(shù)據(jù)通信為教師提供支持。學(xué)生使用Lynnette進(jìn)行學(xué)習(xí)，Lynnette可以對學(xué)生每一個學(xué)習(xí)步驟進(jìn)行分析，識別錯誤后，給學(xué)生發(fā)送提示和反饋等信息。在形式化建模過程中，Lynnette主要采集學(xué)生答題信息和操作記錄，輸出學(xué)生的認(rèn)知狀態(tài)和異常狀態(tài)。在具體算法運(yùn)用方面，它采用了貝葉斯知識追蹤的方法，追蹤每個學(xué)生的知識掌握情況。Lumilo是一款可以增強(qiáng)教師對學(xué)生學(xué)習(xí)、元認(rèn)知和行為的實時感知能力的混合現(xiàn)實（Mixed-Reality，MR）智能眼鏡，使用了Unity3D和HoloToolkit進(jìn)行開發(fā)。它可以把Lynnette對學(xué)生的分析進(jìn)行再處理和可視化，呈現(xiàn)在教師佩戴的智能眼鏡上，增強(qiáng)教師對每個學(xué)生的感知。

Lumilo把學(xué)生的行為和答題分為錯誤使用系統(tǒng)（例如，猜測、濫用提示）、無效掙扎（例如，多次嘗試但學(xué)習(xí)效果不好）、掙扎（例如，很多錯誤）、非常出色（例如，做對了N個問題）和沉默（例如，兩分鐘之內(nèi)沒有交互）等不同狀態(tài)進(jìn)行建模表征和智能計算。每種狀態(tài)用不同的圖形化符號與之相對應(yīng)，如紅色問號表征“無效掙扎”狀態(tài)。當(dāng)教師佩戴Lumilo時，可以看到學(xué)生頭頂出現(xiàn)的不同顏色和形狀符號，由此了解他們的實時狀態(tài)，如圖5右所示。針對一些學(xué)生因為害羞不主動舉手這一問題，該系統(tǒng)也提供了相應(yīng)的解決方案。系統(tǒng)會分析學(xué)生的解答，自動顯示舉手。為方便教師系統(tǒng)了解學(xué)生的解決過程，而不是某個特定時刻的特定狀態(tài)，系統(tǒng)還會對學(xué)生的行為進(jìn)行分析，經(jīng)Lumilo可視化后，教師只要“點擊”學(xué)生頭上的標(biāo)識，就可以看到某位學(xué)生的解決過程。這樣教師就可以對某個學(xué)生的解決過程進(jìn)行回溯性分析，快速發(fā)現(xiàn)問題所在。

由上可見，智能導(dǎo)學(xué)系統(tǒng)對學(xué)生學(xué)習(xí)行為的數(shù)理表征以及智能算法在相應(yīng)認(rèn)知狀態(tài)探測中的應(yīng)用，極大地優(yōu)化了課堂教學(xué)評價。尤其該系統(tǒng)通過學(xué)生模型的動態(tài)更新，結(jié)合混合現(xiàn)實技術(shù)提供的可視化功能，使教師不僅可以觀察學(xué)生的表情、動作和行為，還可以及時看到相關(guān)分析和建議信息，這在一定程度上避免了教師因查看平板電腦課堂系統(tǒng)上的信息而忽略了現(xiàn)實中學(xué)生學(xué)習(xí)狀態(tài)和動作的情況。

2.亞利桑那州立大學(xué)的FACT系統(tǒng)

FACT 是亞利桑那州立大學(xué)團(tuán)隊開發(fā)的一個課堂管理系統(tǒng)（VanLehn et al.， 2019），主要通過教師儀表盤呈現(xiàn)學(xué)生課堂學(xué)習(xí)行為和狀態(tài)，如圖6所示。在FACT課堂管理系統(tǒng)中，教師可以管理和控制教學(xué)進(jìn)度，具備分組、暫停課堂、投影學(xué)生屏幕至大屏幕和給學(xué)生發(fā)送文字信息等功能。在感知學(xué)生狀態(tài)方面，教師可以通過系統(tǒng)看到哪些學(xué)生在尋求幫助，查看學(xué)生和小組的任務(wù)解決進(jìn)度，查看學(xué)生的作品，獲得學(xué)生離線警告等。

如圖6所示，F(xiàn)ACT系統(tǒng)提供的教師儀表盤上設(shè)置有進(jìn)度條功能，可以顯示每個學(xué)生的錯誤比例和錯誤類型。當(dāng)學(xué)生錯誤太多時，會觸發(fā)警告。FACT還內(nèi)置了多個評測器，引入多種算法對學(xué)生狀態(tài)進(jìn)行實時評估。不同的課堂任務(wù)有不同的標(biāo)準(zhǔn)作品，所以也就有不同的評測器。如在監(jiān)測學(xué)生認(rèn)知狀態(tài)方面，系統(tǒng)內(nèi)置了作品評測器，可以完成對學(xué)生作品與標(biāo)準(zhǔn)作品間的比較。在一些協(xié)作討論任務(wù)中，評測器通過讀取和計算相應(yīng)圖和文字的位置，評估學(xué)生的解題進(jìn)度。系統(tǒng)還會依據(jù)學(xué)生的解題進(jìn)度，適時地給予啟發(fā)式的文字提示，以促進(jìn)學(xué)生的深入討論。具體的實現(xiàn)方式是：系統(tǒng)首先把相關(guān)信息發(fā)送至教師端，讓教師了解學(xué)生的學(xué)習(xí)情況，包括知識點掌握的正確與錯誤情況、學(xué)生理解上的潛在誤區(qū)和擬發(fā)送給學(xué)生的提示。教師審核后發(fā)送，學(xué)生才可以接收到提示，進(jìn)而根據(jù)提示繼續(xù)思考和討論。FACT系統(tǒng)還開發(fā)了過程評測器，用于評測小組協(xié)作狀態(tài)，方式是通過監(jiān)測小組學(xué)生的操作行為和語音，識別異常協(xié)作狀態(tài)。當(dāng)小組參與失衡，出現(xiàn)不對稱貢獻(xiàn)，系統(tǒng)會觸發(fā)警告。例如，當(dāng)小組學(xué)生共同參與完成海報的不同部分時，“分開工作”（Working Separately）的標(biāo)識就會觸發(fā);當(dāng)系統(tǒng)監(jiān)測到小組中某個學(xué)生獨自完成了小組的所有操作，系統(tǒng)的“獨自工作”（Working Alone）標(biāo)識就會觸發(fā)。這樣就可使教師對學(xué)生的協(xié)作狀態(tài)一目了然。

由上可知，傳統(tǒng)的自適應(yīng)技術(shù)主要強(qiáng)調(diào)對學(xué)生知識狀態(tài)的追蹤與分析，更多是面向教室外的獨立學(xué)習(xí)場景，而FACT系統(tǒng)整合了課堂管理系統(tǒng)和智能導(dǎo)學(xué)系統(tǒng)的相關(guān)技術(shù)，通過表征和計算學(xué)生的學(xué)習(xí)過程，自適應(yīng)地給予教師教學(xué)幫助和支持。

3.清華大學(xué)的混合式教學(xué)課堂系統(tǒng)

雨課堂是清華大學(xué)團(tuán)隊開發(fā)的面向混合式教學(xué)場景的課堂系統(tǒng)，可以支持?jǐn)?shù)據(jù)驅(qū)動的課堂教學(xué)，為課前、課中和課后三個教學(xué)階段提供全景式的數(shù)據(jù)和信息支持（王帥國， 2017）。它支持手機(jī)和電腦使用，可以利用遠(yuǎn)程服務(wù)器對教與學(xué)的數(shù)據(jù)進(jìn)行采集和分析。雨課堂以插件形式內(nèi)置在PowerPoint中（如圖7所示），教師不需要學(xué)習(xí)繁瑣的系統(tǒng)，就可以進(jìn)行相對復(fù)雜的混合式教學(xué)以及課堂教學(xué)評價。

在課上，雨課堂提供了包括師生幻燈片同步播放（教師端PPT翻頁，學(xué)生端幻燈片同步放映）、實時測試（教師可以創(chuàng)建主觀題、客觀題和填空題等，在課堂上對學(xué)生進(jìn)行實時測試）、學(xué)生匿名反饋（學(xué)生若對某頁不懂，可以點擊“不懂”，教師收到匿名的反饋信息）和實時彈幕（學(xué)生可以發(fā)送彈幕，進(jìn)行集體討論）等功能，有效支撐了教師的課程教學(xué)。由于這些師生交互都是以雨課堂為媒介開展的，所有的交互都可以按照既定格式沉淀在日志文件當(dāng)中，也就完成了對課堂上師生互動的建模。而這些數(shù)據(jù)的整合分析，學(xué)生狀態(tài)的可視化呈現(xiàn)，也可以幫助教師量化教學(xué)效果，改進(jìn)教學(xué)過程（王帥國，2017）。當(dāng)前雨課堂提供的課堂教學(xué)評價主要通過描述性統(tǒng)計分析實現(xiàn)，如何構(gòu)造更加智能的計算方法是其今后所要解決的主要問題之一。

五、研究展望

目前，智能教學(xué)領(lǐng)域處于快速發(fā)展時期，研究人員已經(jīng)取得了很多成果，主要體現(xiàn)在算法模型的優(yōu)化、智能軟硬件系統(tǒng)的開發(fā)以及相應(yīng)實證研究的開展上。面向課堂教學(xué)的評價，不可能拋開教師這個課堂主導(dǎo)者，完全由智能軟硬件獨立完成，因此系統(tǒng)地探究教師和機(jī)器智能如何在課堂上協(xié)同教學(xué)是本領(lǐng)域的關(guān)鍵問題和主要任務(wù)。這需要研究者從多個學(xué)科視角解釋學(xué)習(xí)過程、設(shè)計人機(jī)交互的課堂教學(xué)機(jī)制，同時將教師的參與納入其中，與教師協(xié)同開展研究。

1.人機(jī)協(xié)同教學(xué)的機(jī)制研究

面向課堂教學(xué)評價的建模需要厘清教師和機(jī)器智能協(xié)同教學(xué)的機(jī)制，并分別對二者的感知能力和可施展的教學(xué)動作進(jìn)行表征。以往智能導(dǎo)學(xué)系統(tǒng)的研究強(qiáng)調(diào)通過建立學(xué)生模型對學(xué)生狀態(tài)進(jìn)行追蹤，對教師建模和教學(xué)實際需求的研究并不多，因此，面向課堂教學(xué)評價的建模首先需要解決的就是教師和機(jī)器的有效協(xié)同教學(xué)機(jī)制問題。如果將課堂教學(xué)大體分為感知學(xué)生狀態(tài)和實施教學(xué)行為兩個部分的話，那么對于此科學(xué)問題的研究，就需要進(jìn)一步明確機(jī)器智能如何幫助教師更加全面和精確地感知學(xué)生的狀態(tài)，以及如何幫助教師實施更加豐富有效的教學(xué)行為。研究可以通過量化所有可感知的學(xué)生狀態(tài)和可實施的教學(xué)行為，從而明晰人機(jī)協(xié)同教學(xué)機(jī)制，并對教學(xué)過程進(jìn)行評價。

2.通用架構(gòu)的普適性研究

形式化建模與智能計算是對教師和學(xué)生的行為和狀態(tài)進(jìn)行采集、建模分析和智能評估，最后生成教學(xué)輔助信息的過程。值得注意的是，教育系統(tǒng)是十分復(fù)雜的，不同教育場景、不同特征群體具有不同的特征。在這種差異下，智能算法能否有效遷移，能否適應(yīng)不同場景和不同群體，是需要研究的問題。我們需要探討形式化建模和智能計算算法的可遷移性和遷移的制約因素。比如，針對低齡兒童如小學(xué)一至三年級學(xué)生建立的協(xié)作學(xué)習(xí)行為模型和智能評估算法，是否能夠遷移到小學(xué)高年級學(xué)生的協(xié)作學(xué)習(xí)評估上？在遷移過程中需要對哪些實現(xiàn)細(xì)節(jié)和參數(shù)進(jìn)行調(diào)整？另外，對于不同學(xué)科、不同知識類型的課程內(nèi)容，相關(guān)算法能否有效遷移？普適性如何？這都是需要重點研究的問題。

3.協(xié)同多學(xué)科進(jìn)行交叉研究

對上述兩個復(fù)雜科學(xué)問題的探究，需要跨學(xué)科團(tuán)隊的研究力量支持、多種學(xué)科協(xié)同研究，包括計算機(jī)科學(xué)、教育學(xué)、心理學(xué)和認(rèn)知神經(jīng)科學(xué)等。跨學(xué)科研究可以從多種角度發(fā)現(xiàn)教與學(xué)規(guī)律，更加系統(tǒng)地解釋教與學(xué)機(jī)制、促進(jìn)教與學(xué)成效。如計算機(jī)科學(xué)可以在采集教與學(xué)數(shù)據(jù)、建模表征以及智能計算方面起技術(shù)支撐作用;心理學(xué)、認(rèn)知神經(jīng)科學(xué)等學(xué)科可以揭示學(xué)生認(rèn)知和非認(rèn)知狀態(tài)變化機(jī)制;教育學(xué)在整個研究中起著導(dǎo)向作用，可以指導(dǎo)我們分析教育需求、設(shè)計教學(xué)模式和開展實證研究。近期，DMello主導(dǎo)了一支囊括了上述多個學(xué)科、跨?？鐚W(xué)科研究團(tuán)隊，致力于對課堂交流理解、課堂活動組織框架和共同設(shè)計等進(jìn)行研究，探索教師、學(xué)生、AI學(xué)習(xí)伙伴間的有效課堂互動機(jī)制，得到了美國國家科學(xué)基金會（National Science Foundation， NSF）2000萬美元的資金支持（Institute of Cognitive Science，2020）。

4.攜手教師進(jìn)行“共同設(shè)計”

在傳統(tǒng)教育研究方法中，研究人員是作為觀察者，由外向內(nèi)觀察課堂，教師大多按照研究人員設(shè)定的腳本進(jìn)行教學(xué)。這種研究方法實際上忽視了教師的體驗和寶貴的教學(xué)經(jīng)驗。自基于設(shè)計的研究、迭代設(shè)計研究被提出以來，國際教育研究界開始注重讓教師參與到研究設(shè)計中。Holstein等人（2019）采用基于設(shè)計的研究方法，制定了一系列與非技術(shù)背景教師有效溝通的工作流程，從調(diào)研需求、設(shè)計、仿真到開發(fā)，教師參與到每一步中，提升了智能教學(xué)輔助工具在課堂的適用性和實用性。教育設(shè)計開發(fā)研究不是一蹴而就的，這種“共同設(shè)計”（Co-Design）的研究范式注重對教育教學(xué)需求的調(diào)研、應(yīng)用和迭代修改，能深入課堂解決實際教育問題。目前，以人工智能技術(shù)為代表的計算機(jī)技術(shù)正快速進(jìn)入教育領(lǐng)域，我們應(yīng)遵循一定的研究范式，在設(shè)計、開發(fā)和應(yīng)用等全環(huán)節(jié)引入教師的參與，在學(xué)習(xí)科學(xué)等先進(jìn)理論指導(dǎo)下，在一定周期進(jìn)行系統(tǒng)研究和應(yīng)用，提升教師教學(xué)效果和學(xué)生學(xué)習(xí)效果。

六、結(jié)語

新時代的課堂教學(xué)評價理論、手段和技術(shù)應(yīng)著眼于追蹤學(xué)生知識能力的生發(fā)，評價整個學(xué)習(xí)過程。利用新的技術(shù)手段促進(jìn)課堂教學(xué)評價的實施，應(yīng)重視教師與機(jī)器智能的協(xié)同，解決如何科學(xué)地將技術(shù)融入課堂，賦能教育，激發(fā)教師教學(xué)創(chuàng)造力，促進(jìn)學(xué)生學(xué)習(xí)及其高階能力發(fā)展和情感培養(yǎng)的研究課題。形式化建模可以將復(fù)雜多變的課堂教學(xué)過程進(jìn)行解構(gòu)和數(shù)理表征，構(gòu)建教育研究者與計算機(jī)科學(xué)研究者相互溝通的基礎(chǔ)，而智能計算技術(shù)可以在此基礎(chǔ)上實現(xiàn)部分課堂教學(xué)評價的自動化。二者將人類教師智能與機(jī)器智能在課堂教學(xué)上的有效融合，有助于在未來課堂實現(xiàn)以學(xué)生為中心，培養(yǎng)協(xié)作交流、創(chuàng)新等高階能力的關(guān)鍵目標(biāo)。

參考文獻(xiàn)：

[1]李青，孔沖（2013）.下一代SCORM標(biāo)準(zhǔn)的新動向——ADL TLA和Experience API解讀[J].電化教育研究， 34（8）：61-67，72.

[2]宋飛 （2008）.網(wǎng)絡(luò)學(xué)習(xí)形成性評價探究[J]. 現(xiàn)代遠(yuǎn)程教育研究， （6）： 37-39.

[3]唐燁偉，趙桐，王偉（2015）.xAPI——新一代學(xué)習(xí)技術(shù)規(guī)范引領(lǐng)智慧教育新標(biāo)準(zhǔn)[J].現(xiàn)代教育技術(shù)，25（1）：107-113.

[4]萬里鵬，蘭旭光，張翰博等（2019）.深度強(qiáng)化學(xué)習(xí)理論及其應(yīng)用綜述[J].模式識別與人工智能，32（1）：67-81.

[5]王戟， 詹乃軍， 馮新宇等（2019）.形式化方法概貌[J]. 軟件學(xué)報， 30（1）： 33-61.

[6]王朋利，柯清超，張潔琪（2020）. 腦機(jī)接口的智能化課堂教學(xué)應(yīng)用研究[J].開放教育研究， 26（1）： 72-81.

[7]王帥國（2017）.雨課堂：移動互聯(lián)網(wǎng)與大數(shù)據(jù)背景下的智慧教學(xué)工具[J].現(xiàn)代教育技術(shù)， 27（5）： 26-32.

[8]新華網(wǎng)（2020）.中共中央 國務(wù)院印發(fā)《深化新時代教育評價改革總體方案》[EB/0L]. [2020-10-27]. http：//www.xinhuanet.com/2020-10/13/c_1126601551.htmhttp：//www.gov.cn/zhengce/2020-10/13/content_5551032.htm.

[9]趙士果（2013）.促進(jìn)學(xué)習(xí)的課堂評價研究[D]. 上海：華東師范大學(xué).

[10]Aleven， V.， Mclaren， B.， & Roll， I. et al. （2006）. Toward Meta-Cognitive Tutoring： A Model of Help Seeking With a Cognitive Tutor[J]. International Journal of Artificial Intelligence in Education， 16（2）： 101-128.

[11]Aleven， V.， Roll， I.， & McLaren， B. M. et al. （2016）. Help Helps， But Only So Much： Research on Help Seeking With Intelligent Tutoring Systems[J]. International Journal of Artificial Intelligence in Education， 26（1）： 205-223.

[12]Andallaza， T. C. S.， & Rodrigo， M. M. T. （2013）. Development of an Affect-Sensitive Agent for Aplusix[M]// Lane， H. C.， Yacef， K.， & Mostow， J. et al. （Eds.）（2013）.? ?Artificial Intelligence in Education. Berlin， Heidelberg： Springer： 575-578.

[13]Arroyo， I.， Cooper， D. G.， & Burleson， W. et al. （2009）. Emotion Sensors Go to School[C]// Proceedings of the 2009 Conference on Artificial Intelligence in Education： Building Learning Systems That Care： From Knowledge Representation to Affective Modelling. NLD ： IOS Press： 17-24.

[14]Arroyo， I.， Woolf， B. P.， & Cooper， D. G. et al. （2011）. The Impact of Animated Pedagogical Agents on Girlsand BoysEmotions， Attitudes， Behaviors and Learning[C]// Proceedings of the IEEE 11th International Conference on Advanced Learning Technologies. Athens， GA， USA： IEEE： 506-510.

[15]Ausin， M. S.， Azizsoltani， H.， & Barnes， T. et al. （2019）. Leveraging Deep Reinforcement Learning for Pedagogical Policy Induction in an Intelligent Tutoring System[C]// Proceedings of the 12th International Conference on Educational Data Mining （EDM 2019）. Montreal， Canada： 168-177.

[16]Baylor， A. L.， & Kim， Y. （2005）. Simulating Instructional Roles Through Pedagogical Agents[J]. International Journal of Artificial Intelligence in Education， 15（2）： 95-115.

[17]Bloom， B. S. （1969）. Some Theoretical Issues Relating to Educational Evaluation[M]// Tyler， R. W.， & Rickey， H. G.（Eds.） （1969）. Educational Evaluation： New Roles， New Means. The 63rd Yearbook of the National Society for the Study of Education， Part 2. Chicago， IL： University of Chicago Press： 26-50.

[18]Chaplot， D. S.， MacLellan， C.， & Salakhutdinov， R. et al. （2018）. Learning Cognitive Models Using Neural Networks[C]// Proceedings of the International Conference on Artificial Intelligence in Education （AIED 2018）.Cham： Springer： 43-56.

[19]Chi， M. T.， & Wylie， R. （2014）. The ICAP Framework： Linking Cognitive Engagement to Active Learning Outcomes[J]. Educational Psychologist， 49（4）： 219-243.

[20]Corbett， A. T.， & Anderson， J. R. （1994）. Knowledge Tracing： Modeling the Acquisition of Procedural Knowledge[J]. User Modeling and User-Adapted Interaction， 4（4）： 253-278.

[21]Csikszentmihalyi， M.， & Csikzentmihaly， M. （1990）. Flow： The Psychology of Optimal Experience[M]. New York： Harper & Row.

[22]D Baker， R. S.， Corbett， A. T.， & Koedinger， K. R. et al. （2006）. Adapting to When Students Game an Intelligent Tutoring System[M]//? Ikeda， M.， Ashley， K. D.， & Chan， T. W. （Eds.）（2006）.? Intelligent Tutoring Systems. Berlin， Heidelberg： Springer： 392-401.

[23]Deeb， F. A.， DiLillo， A.， & Hickey， T. （2018）. Using Spinoza Log Data to Enhance CS1 Pedagogy[C]// Proceedings of the International Conference on Computer Supported Education. Cham： Springer：14-36.

[24]El Kaliouby， R. A. （2005）. Mind-Reading Machines： Automated Inference of Complex Mental States[D]. University of Cambridge.

[25]Ferrari， M.， & Quaresima， V. （2012）. A Brief Review on the History of Human Functional Near-Infrared Spectroscopy（Fnirs） Development and Fields of Application[J]. Neuroimage， 63（2）： 921-935.

[26]Fortenbacher， A.， Pinkwart， N.， & Yun， H. （2017）. Learning Analytics for Sensor-Based Adaptive Learning[C]// Proceedings of the Seventh International Learning Analytics & Knowledge Conference. New York， NY， USA： Association for Computing Machinery： 592-593.

[27]Gulz， A.， Haake， M.， & Silvervarg， A. （2011）. Extending a Teachable Agent With a Social Conversation Module-Effects on Student Experiences and Learning[M]// Biswas， G.， Bull， S.， & Kay， J. et al. （Eds.）（2011）.? Artificial Intelligence in Education. Berlin， Heidelberg： Springer： 106-114.

[28]Holstein， K.， McLaren， B. M.， & Aleven， V. （2019）. Co-Designing a Real-Time Classroom Orchestration Tool to Support Teacher-AI Complementarity[J]. Journal of Learning Analytics， 6（2）： 27-52.

[29]Institute of Cognitive Science （2020）. Interdisciplinary Team of CU Researchers to Lead New National AI Institute[EB/OL]. [2020-10-22]. https：//www.colorado.edu/ics/2020/08/27/

interdisciplinary-team-cu-researchers-lead-new-national-

ai-institute.

[30]Long， Y.， & Aleven， V. （2013）. Supporting Students Self-Regulated Learning With an Open Learner Model in a Linear Equation Tutor[M]// Lane， H. C.， Yacef， K.， & Mostow， J. et al. （Eds.）（2013）. Artificial Intelligence in Education. Berlin， Heidelberg： Springer： 219-228.

[31]Lund， H. （2016）. Eye Tracking in Library and Information Science： A Literature Review[J]. Library Hi Tech， 34（4）： 585-614.

[32]Martinez-Maldonado， R.， Clayphan， A.， & Yacef， K. et al. （2014）. MTFeedback： Providing Notifications to Enhance Teacher Awareness of Small Group Work in the Classroom[J]. IEEE Transactions on Learning Technologies， 8（2）： 187-200.

[33]Martinez-Maldonado， R.， Kay， J.， & Yacef， K. （2013）. An Automatic Approach for Mining Patterns of Collaboration Around an Interactive Tabletop[M]// Lane， H. C.， Yacef， K.， & Mostow， J. et al. （Eds.）（2013）. Artificial Intelligence in Education. Berlin， Heidelberg： Springer： 101-110.

[34]Martinez-Maldonado， R.， Yacef， K.， & Kay， J. et al. （2011）. Analysing Frequent Sequential Patterns of Collaborative Learning Activity Around an Interactive Tabletop[C]//Proceedings of the 4th International Conference on Educational Data Mining. Eindhoven ， Netherlands： CEUR-WS： 111-120.

[35]Pavlik Jr， P. I.， Cen， H.， & Koedinger， K. R. （2009）. Performance Factors Analysis-A New Alternative to Knowledge Tracing[M]// Dimitrova， V.， Mizoguchi， R.， & Boulay， B. D. et al. （Eds.）（2009）. Artificial Intelligence in Education. Brighton， England： IOS Press ： 531-538.

[36]Perera， D.， Kay， J.， & Koprinska， I. et al. （2008）. Clustering and Sequential Pattern Mining of Online Collaborative Learning Data[J]. IEEE Transactions on Knowledge and Data Engineering， 21（6）： 759-772.

[37]Prieto， L. P.， Sharma， K.， &? Kidzinski， ?. et al.. （2017）. Orchestration Load Indicators and Patterns： In-The-Wild Studies Using Mobile Eye-Tracking[J]. IEEE Transactions on Learning Technologies， 11（2）： 216-229.

[38]Ramadan， R. A.， & Vasilakos， A. V. （2017）. Brain Computer Interface： Control Signals Review[J]. Neurocomputing， 223： 26-44.

[39]Robison， J.， McQuiggan， S.， & Lester， J. （2009）. Evaluating the Consequences of Affective Feedback in Intelligent Tutoring Systems[C]// Proceedings of the 2009 3rd International Conference on Affective Computing and Intelligent Interaction and Workshops. Amsterdam， Netherlands： IEEE： 1-6.

[40]Shen， S.， & Chi， M. （2016）. Reinforcement Learning： the Sooner the Better， or the Later the Better？[C]// Proceedings of the 2016 Conference on User Modeling Adaptation and Personalization （UMAP16）. New York， NY， USA： Association for Computing Machinery： 37-44.

[41]Soller， A.， Martínez， A.， & Jermann， P.， et al. （2005）. From Mirroring to Guiding： A Review of State of the Art Technology for Supporting Collaborative Learning[J]. International Journal of Artificial Intelligence in Education， 15（4）： 261-290.

[42]Tillery， A. D.， Varjas， K.， & Meyers， J. et al. （2010）. General Education TeachersPerceptions of Behavior Management and Intervention Strategies[J]. Journal of Positive Behavior Interventions， 12（2）： 86-102.

[43]Tissenbaum， M.， Lui， M.， & Slotta， J. D. （2012）. Co-Designing Collaborative Smart Classroom Curriculum for Secondary School Science[J]. Journal of Universal Computer Science， 18（3）： 327-352.

[44]Tissenbaum， M.， & Slotta， J. （2019）. Supporting Classroom Orchestration With Real-Time Feedback： A Role for Teacher Dashboards and Real-Time Agents[J]. International Journal of Computer-Supported Collaborative Learning， 14（7）：1-27.

[45]Vanlehn， K. （2006）. The Behavior of Tutoring Systems[J]. International Journal of Artificial Intelligence in Education， 16（3）： 227-265.

[46]VanLehn， K. （2016）. Regulative Loops， Step Loops and Task Loops[J]. International Journal of Artificial Intelligence in Education， 26（1）： 107-112.

[47]VanLehn， K.， Burkhardt， H.， & Cheema， S. et al. （2019）. Can an Orchestration System Increase Collaborative， Productive Struggle in Teaching-By-Eliciting Classrooms？[J]. Interactive Learning Environments，? （2）： 1-19.

[48]VanLehn， K.， Zhang， L.， & Burleson， W. et al. （2016）. Can a Non-Cognitive Learning Companion Increase the Effectiveness of a Meta-Cognitive Learning Strategy？[J]. IEEE Transactions on Learning Technologies， 10（3）： 277-289.

[49]Viswanathan， S. A.， & VanLehn， K. （2017）. Using the Tablet Gestures and Speech of Pairs of Students to Classify Their Collaboration[J]. IEEE Transactions on Learning Technologies， 11（2）： 230-242.

[50]Woolf， B. P.， Arroyo， I.， & Muldner， K. et al. （2010）. The Effect of Motivational Learning Companions on Low Achieving Students and Students With Disabilities[C]// Aleven， V.， Kay， J.， & Mostow， J. （Eds.）（2010）. Intelligent Tutoring Systems. Berlin， Heidelberg： Springer： 327-337.

收稿日期 2020-12-08 責(zé)任編輯 汪燕

Formal Modeling and Intelligent Computing for Classroom Instruction and Assessment

ZHANG Lishan， FENG Shuo， LI Tingting

Abstract： Classroom teaching is transforming from teacher-centered instruction to student-centered and group-based collaborative learning. However， it is difficult to provide students formative feedback while they are learning in groups， because teachers can only be at one group at a time. With the support of intelligent technology， formal modeling can deconstruct the complex process of classroom teaching into a series of mathematic models， so that intelligent computing can be applied to evaluating students learning states， and generate adaptive teaching intervention. These techniques can enable human-machine hybrid formative feedback generation. This paper proposed a generalized framework of formal modeling and intelligent computing in the context of classroom teaching， which contains four components： sensing of teaching and learning activities， the assessment of teaching and learning activities， intelligent computing for teaching and learning states， and teaching intervention generation. The former two components deal with formal modeling， and the latter two deal with intelligent computing. In specific， the sensing component is the basement of the entire framework. Then， the assessment states of students need to be defined. Intelligent computing does the actual computation work. Finally， the computed states are used for teaching intervention generation. To better conduct human-machine hybrid teaching， the corresponding human-machine collaboration mechanism needs to be further studied. It requires researchers and front-line teachers to co-design the studies and perform cross-disciplinary research.

Keywords： Classroom Instruction; Artificial Intelligence in Education; Intelligent Computing; Formal Modeling; Formative Assessment