人工智能視域下教師課堂教學(xué)行為分析
——以物理課堂為例

管彤彤 張立強(qiáng) 彭朝陽(yáng)

（1.云南師范大學(xué) 物理與電子信息學(xué)院，云南 昆明 650500 2.北京師范大學(xué) 心理學(xué)部，北京 100875）

隨著人工智能技術(shù)的不斷升級(jí)和發(fā)展，人工智能賦能教育創(chuàng)新已經(jīng)成為我國(guó)教育改革的重要抓手，基于證據(jù)意識(shí)的教育教學(xué)研究也逐漸引起了研究者廣泛的關(guān)注[1]。當(dāng)前，教師教育實(shí)踐的科學(xué)性尚有不足，對(duì)教師課堂教學(xué)的評(píng)價(jià)往往是基于人力完成，耗時(shí)耗力，缺乏量化的證據(jù)支持，而人工智能技術(shù)憑借強(qiáng)大的數(shù)據(jù)挖掘以及計(jì)算分析功能，能夠高效采集真實(shí)數(shù)據(jù)、識(shí)別數(shù)據(jù)并分析數(shù)據(jù)間的邏輯關(guān)系，為教師改進(jìn)教學(xué)提供客觀的證據(jù)支撐，強(qiáng)化課堂教學(xué)評(píng)價(jià)對(duì)教師教學(xué)與學(xué)生學(xué)習(xí)的反饋?zhàn)饔茫普n堂教學(xué)的智能化創(chuàng)新[2]。因此，人工智能與教育教學(xué)的深度融合將是提高教師教學(xué)能力及專業(yè)發(fā)展水平的關(guān)鍵途徑。

目前，人工智能技術(shù)賦能課堂教學(xué)的相關(guān)研究方興未艾，大多是利用智能手段監(jiān)控課堂上學(xué)生的學(xué)習(xí)狀態(tài)，以幫助教師調(diào)整和改進(jìn)教學(xué)，而鮮少聚焦于課堂教學(xué)中的教師行為[3]。課堂作為學(xué)校教育的主陣地，教師的課堂教學(xué)行為對(duì)教學(xué)質(zhì)量有著巨大影響，基于人工智能技術(shù)合理且廣泛地采集課堂中教師自身的多模態(tài)數(shù)據(jù)，可以為其教學(xué)反思和能力提升提供事實(shí)依據(jù)。同時(shí)，當(dāng)前的人工智能處于弱人工智能階段[4]，基于人工智能進(jìn)行學(xué)科教學(xué)分析的研究更是相對(duì)匱乏。以物理學(xué)科為例，物理作為基礎(chǔ)教育的科學(xué)課程之一，以培養(yǎng)學(xué)生核心素養(yǎng)為導(dǎo)向，有其獨(dú)特的育人價(jià)值[5]。另外，物理課堂教學(xué)的目標(biāo)不僅僅是提高學(xué)生的物理成績(jī)，更多的是培養(yǎng)學(xué)生的物理學(xué)科核心素養(yǎng)及科學(xué)素養(yǎng)，滿足學(xué)生終身發(fā)展的需求，而學(xué)生的科學(xué)素養(yǎng)很大程度上取決于教師的水平和能力。

因此，為提高物理課堂教學(xué)質(zhì)量、提升物理教師教學(xué)水平，本研究選用物理教師課堂教學(xué)視頻，結(jié)合人工智能技術(shù)對(duì)視頻中教師的言語(yǔ)表達(dá)及情感狀態(tài)等進(jìn)行量化分析，利用人工智能算法和深度學(xué)習(xí)算法輔助評(píng)價(jià)教師的課堂教學(xué)能力，為教師反思和改進(jìn)課堂教學(xué)提供決策依據(jù)，助推高質(zhì)量、高素質(zhì)、專業(yè)化教師的培養(yǎng)。

本研究的思路如下：首先介紹基于人工智能的課堂教學(xué)分析系統(tǒng)框架，再詳細(xì)敘述基于人工智能的物理課堂教師行為研究路徑，包括Python 編程輔助S-T分析法、人工智能技術(shù)對(duì)教師言語(yǔ)的處理及深度學(xué)習(xí)YOLO v5 算法對(duì)教師面部表情的處理，最后對(duì)選取的物理課堂教學(xué)視頻進(jìn)行對(duì)比分析，并結(jié)合新課程課堂評(píng)價(jià)表得出結(jié)論。

一、基于人工智能的課堂教學(xué)分析系統(tǒng)架構(gòu)

結(jié)合目前人工智能技術(shù)對(duì)課堂教學(xué)分析的現(xiàn)實(shí)需求，基于人工智能的課堂教學(xué)分析系統(tǒng)架構(gòu)分為對(duì)象層、數(shù)據(jù)層、技術(shù)層和應(yīng)用層，如圖1 所示。

圖1 基于人工智能的課堂教學(xué)分析系統(tǒng)架構(gòu)

課堂教學(xué)是一種師生雙邊互動(dòng)活動(dòng)，因此，人工智能視域下的分析是基于教師和學(xué)生兩大對(duì)象。通過(guò)采集的多模態(tài)數(shù)據(jù)，包括言語(yǔ)、行為、心理、生理、學(xué)業(yè)以及腦數(shù)據(jù)等，設(shè)計(jì)并利用算法進(jìn)行語(yǔ)音識(shí)別、姿態(tài)識(shí)別、表情識(shí)別和腦數(shù)據(jù)識(shí)別等，進(jìn)而量化分析課堂教學(xué)，實(shí)現(xiàn)其在教師教學(xué)反饋、教師教研、教育評(píng)估、教學(xué)診斷等方面的應(yīng)用價(jià)值。

二、基于人工智能的物理課堂教師行為研究路徑

本研究選用A、B 兩位物理教師的課堂教學(xué)視頻，A教師的教學(xué)視頻曾獲全國(guó)青年教師講課比賽一等獎(jiǎng)，B 教師的教學(xué)視頻是某中學(xué)的公開課，授課內(nèi)容均為高中物理選擇性必修二第二章第四節(jié)“互感與自感”。借助人工智能技術(shù)采集兩位教師的言語(yǔ)數(shù)據(jù)和面部數(shù)據(jù)，對(duì)課堂師生互動(dòng)、類型、詞頻、語(yǔ)態(tài)及情感進(jìn)行分析，輔助教師及時(shí)反思和調(diào)整教學(xué)行為，推動(dòng)教師專業(yè)化發(fā)展。為此，本研究基于人工智能技術(shù)開展研究，研究路徑如圖2 所示。

圖2 基于人工智能的物理課堂教師行為研究路徑

（一）python 編程輔助S-T 分析法

為直觀地展示課堂上的師生行為情況，采用S-T分析法進(jìn)行分析[6]。這是一種較為成熟的師生行為量化分析方法，它將課堂行為分為學(xué)生行為與教師行為，“S”代表學(xué)生行為，“T”代表教師行為，具體定義如表1 所示。

表1 S-T 分析法的行為定義

本研究設(shè)定每隔30s 進(jìn)行采樣，以手工的方式收集S、T數(shù)據(jù)后，采用python 代碼對(duì)已經(jīng)收集到的數(shù)據(jù)進(jìn)行計(jì)數(shù)、排列，以T行為為橫軸、S行為為縱軸，進(jìn)而得到隨時(shí)間變化的S-T曲線圖。再根據(jù)公式Rt=Nt/N，Ch=（g-1）/ N進(jìn)行計(jì)算。其中，Rt表示教師行為占有率，Rt值越高，則教師行為越多；Ch表示師生行為轉(zhuǎn)換率，Ch值越高，則課堂師生互動(dòng)越多；N表示師生行為總數(shù)，Nt表示教師行為總數(shù)，g為師生連續(xù)行為總數(shù)，g-1 為教師行為和學(xué)生行為間的轉(zhuǎn)換次數(shù)。根據(jù)課堂類型判定標(biāo)準(zhǔn)（見表2），以Rt值為橫坐標(biāo)，Ch值為縱坐標(biāo)，繪制Rt-Ch圖框架并標(biāo)記對(duì)應(yīng)坐標(biāo)點(diǎn)，依據(jù)點(diǎn)所在的位置判定課堂類型。

表2 S-T 分析法的課堂類型判定標(biāo)準(zhǔn)

（二）人工智能技術(shù)對(duì)言語(yǔ)數(shù)據(jù)的處理

為了對(duì)教師的行為有客觀精確的評(píng)價(jià)，本研究將視頻多模態(tài)化處理，利用iMovie 剪輯將單一的視頻數(shù)據(jù)分割成純音頻數(shù)據(jù)和純視頻數(shù)據(jù)。

言語(yǔ)行為占據(jù)課堂教學(xué)行為的80%左右[7]，而教師的言語(yǔ)又是教學(xué)內(nèi)容傳播的載體，決定教學(xué)活動(dòng)的開展，影響學(xué)生學(xué)習(xí)的效果，因此，本研究分別對(duì)詞頻和語(yǔ)態(tài)進(jìn)行分析，進(jìn)而多角度評(píng)價(jià)教師的課堂語(yǔ)言。

在學(xué)科教學(xué)中，教師對(duì)關(guān)鍵概念和關(guān)鍵詞的重復(fù)和強(qiáng)化可以引發(fā)學(xué)生的無(wú)意注意，使他們于不知不覺中對(duì)關(guān)鍵概念進(jìn)行重復(fù)，加深對(duì)知識(shí)的理解。為此，在詞頻分析部分，本研究使用Python 編程語(yǔ)言，根據(jù)中國(guó)常用詞庫(kù)調(diào)用jieba 庫(kù)分詞，除去常用語(yǔ)氣詞及標(biāo)點(diǎn)符號(hào)，篩選并統(tǒng)計(jì)詞頻，再調(diào)用wordclould 庫(kù)繪制詞云圖，將教師的重復(fù)詞一目了然地呈現(xiàn)出來(lái)。

為了多層次、多方面地研究教師的課堂語(yǔ)言，本研究同時(shí)分析了教師語(yǔ)態(tài)。教師語(yǔ)態(tài)的好壞是影響教學(xué)效果的關(guān)鍵之一，優(yōu)秀教師的語(yǔ)言表達(dá)準(zhǔn)確且生動(dòng)，而語(yǔ)言能力差的教師在表達(dá)上往往詞不達(dá)意、枯燥乏味。同時(shí)，好的教師要避免使用“啊、嗯、那么、是不是”等口頭禪，保證教學(xué)語(yǔ)言的準(zhǔn)確和規(guī)范。基于此，在語(yǔ)態(tài)分析部分，同樣使用Python 編程語(yǔ)言對(duì)言語(yǔ)數(shù)據(jù)轉(zhuǎn)化的文本進(jìn)行分句，將分好的詞組和句子輸入搭建好的人工智能網(wǎng)絡(luò)中，統(tǒng)計(jì)句子中出現(xiàn)的語(yǔ)態(tài)，將含有語(yǔ)態(tài)詞最多的句子由大到小進(jìn)行排列，并輸出含語(yǔ)氣詞最多的前5 個(gè)句子和出現(xiàn)最多的前5 個(gè)語(yǔ)態(tài)詞，幫助教師明晰自身課堂語(yǔ)態(tài)上存在的問題，進(jìn)而修正語(yǔ)言行為，提高課堂教學(xué)質(zhì)量。

（三）人工智能技術(shù)對(duì)面部數(shù)據(jù)的處理

面部表情識(shí)別是通過(guò)捕捉人臉面部表情，利用人工智能技術(shù)識(shí)別并分析出人的表情所透露出來(lái)的情感、情緒。已有的研究更多地關(guān)注于課堂中學(xué)生的情緒狀況，而少有對(duì)教師的課堂情緒進(jìn)行研究。在教學(xué)過(guò)程中，教師情緒變化最明顯的體現(xiàn)是其面部表情，教師通過(guò)面部傳達(dá)其課堂教學(xué)的情緒，而教師情緒是影響學(xué)習(xí)者學(xué)習(xí)的中介變量，會(huì)影響學(xué)生的動(dòng)機(jī)、認(rèn)知和行為[8]，進(jìn)而直接影響教學(xué)質(zhì)量與育人質(zhì)量[9]。因此，借助人工智能技術(shù)采集教師面部數(shù)據(jù)[10]，獲取教師的情感特征，并反饋給教師，可以幫助教師及時(shí)調(diào)整課堂教學(xué)狀態(tài)與教學(xué)方法。

本研究采用深度學(xué)習(xí)YOLO v5 網(wǎng)絡(luò)識(shí)別教師的面部表情。YOLO v5 網(wǎng)絡(luò)是YOLO 系列網(wǎng)絡(luò)中現(xiàn)階段較為前沿的一個(gè)網(wǎng)絡(luò)[11]，YOLO v5 主要由輸入端、Backone、Neck 以及Prediction 四部分組成。其中，Backbone 是一種卷積神經(jīng)網(wǎng)絡(luò)，用于將不同圖像的圖像特征聚攏形成新的圖像特征；Neck 將圖像特征傳遞到預(yù)測(cè)層的網(wǎng)絡(luò)層，用于混合和組合圖像特征；Head 對(duì)圖像特征進(jìn)行預(yù)測(cè)，生成邊界框并預(yù)測(cè)類別。此外，YOLO v5 還包含下列基礎(chǔ)組件。CBL：由Conv+BN+Leaky_relu 激活函數(shù)組成；Res unit：一種殘差結(jié)構(gòu)，用來(lái)構(gòu)建深層網(wǎng)絡(luò)；CSP1_X：借鑒CSPNet 網(wǎng)絡(luò)結(jié)構(gòu)，該模塊由CBL 模塊、卷積層以及Res unint 模塊、Concate組成；CSP2_X 通過(guò)模仿CSPNet 網(wǎng)絡(luò)結(jié)構(gòu)，由卷積層和X個(gè)Res unint 模塊Concate 組合而成；Focus：首先將多個(gè)slice 結(jié)果Concat 起來(lái)，然后將其送入CBL 模塊中；SPP：以金字塔池化方式對(duì)多尺度特征進(jìn)行融合。

YOLO v5 算法在數(shù)據(jù)預(yù)處理上進(jìn)行了改進(jìn)，將數(shù)據(jù)集中的任意4 張照片以隨機(jī)縮放、裁剪、排布的方式得到一張新圖片，使得圖像的結(jié)構(gòu)變得充實(shí)、背景內(nèi)容更加豐富，這是YOLO v5 算法中用來(lái)提升模型的訓(xùn)練速度和網(wǎng)絡(luò)精度的Mosaic 數(shù)據(jù)增強(qiáng)方式。除了此種方式，YOLO v5 網(wǎng)絡(luò)模型還通過(guò)自適應(yīng)錨框計(jì)算和自適應(yīng)圖像縮放方式來(lái)輔助網(wǎng)絡(luò)訓(xùn)練。因?yàn)楸狙芯渴占降募円曨l文件不符合YOLO v5 模型訓(xùn)練的要求，所以本實(shí)驗(yàn)基于“.avi”視頻文件的特點(diǎn)調(diào)用opencv 庫(kù)，按照每2s 的間隔對(duì)兩份視頻文件進(jìn)行圖像分割，并將分割完成的圖像文件分別放入兩個(gè)獨(dú)立的文件夾中用于區(qū)分。因?yàn)閅OLO v5 網(wǎng)絡(luò)在訓(xùn)練時(shí)需要對(duì)圖像進(jìn)行標(biāo)定，所以本研究用Labelimg 軟件對(duì)已經(jīng)分割的圖像進(jìn)行標(biāo)定。當(dāng)前已有研究者分別對(duì)教師及學(xué)生的面部表情進(jìn)行分類研究[12]，本研究根據(jù)物理課程的性質(zhì)和教學(xué)特點(diǎn)，為視頻中的教師打上這4 種標(biāo)簽： Excited（激情）、Quiet（冷靜）、Thinking（思考）及Operate（操作演示）。具體如表3 所示。

表3 物理課堂教學(xué)教師表情的4 種標(biāo)簽

接著將標(biāo)定完的圖像格式轉(zhuǎn)換成符合YOLO 網(wǎng)絡(luò)框架的txt 格式，并放入YOLO v5 模型中訓(xùn)練，生成權(quán)重文件，再將原視頻輸入YOLO v5 網(wǎng)絡(luò)中進(jìn)行測(cè)試，進(jìn)而比較這兩個(gè)視頻中4 個(gè)標(biāo)簽出現(xiàn)的次數(shù)。

為避免在網(wǎng)絡(luò)訓(xùn)練時(shí)出現(xiàn)過(guò)擬合的現(xiàn)象，本研究對(duì)YOLO v5 網(wǎng)絡(luò)訓(xùn)練的精確度進(jìn)行了驗(yàn)證。選擇100 張A教師教學(xué)視頻的圖像和100張B教師教學(xué)視頻的圖像，利用數(shù)據(jù)增強(qiáng)的方式（包括旋轉(zhuǎn)、鏡像、像素降低等）將原圖像數(shù)據(jù)集擴(kuò)充為2 000 張圖像。

圖3 展示的是YOLO v5 網(wǎng)絡(luò)在訓(xùn)練時(shí)的損失值、精確度和回歸率的變化。前3 列展示的是網(wǎng)絡(luò)訓(xùn)練時(shí)訓(xùn)練集和驗(yàn)證集在Box、目的性和分類上的損失值變化。因?yàn)閾p失值表示真實(shí)值與預(yù)測(cè)值間的差距，其數(shù)值是越小越好，所以，如圖3 所示，本實(shí)驗(yàn)中YOLO v5 網(wǎng)絡(luò)的訓(xùn)練是非常成功的。在深度學(xué)習(xí)中，精確度展示的是模型網(wǎng)絡(luò)預(yù)測(cè)正確的比值，回歸率展示的是模型能夠?qū)φ鎸?shí)數(shù)據(jù)預(yù)測(cè)的比值，二者在網(wǎng)絡(luò)中都是越大表示模型訓(xùn)練得越好，因此，本實(shí)驗(yàn)中YOLO v5 網(wǎng)絡(luò)不管是在訓(xùn)練集上還是驗(yàn)證集上，都有非常優(yōu)異的表現(xiàn)。綜上所述，本模型對(duì)A、B 兩位教師在物理課堂上的面部表情變化能夠做到精確預(yù)測(cè)。

圖3 YOLO v5 網(wǎng)絡(luò)訓(xùn)練圖

三、基于人工智能的物理課堂教師行為實(shí)例分析

（一）S-T 分析及Rt-Ch 課堂類型判定

結(jié)合課堂言語(yǔ)與行為分析，采取S-T師生行為分析模型，分別對(duì)兩段視頻每隔30s 進(jìn)行采樣，收集并記錄S、T數(shù)據(jù)，利用Python 語(yǔ)言編程得到A、B 兩位教師的S-T曲線圖（見圖4）。A 教師課堂教師行為（占有率63%）明顯少于B 教師課堂教師行為（占有率82%），說(shuō)明B 教師在課堂中占據(jù)絕對(duì)的主體地位，而A 教師在課堂中并未牢牢地把持話語(yǔ)權(quán)，而是給予學(xué)生更多思考和表現(xiàn)的機(jī)會(huì)；A 教師課堂學(xué)生行為（占有率37%）明顯多于B 教師課堂學(xué)生行為（占有率18%），說(shuō)明B 教師課堂上學(xué)生的表現(xiàn)機(jī)會(huì)較少，主要都是在傾聽教師的講授，而A 教師課堂上的學(xué)生更加積極地參與課堂，主動(dòng)思考、勇于表達(dá)，體現(xiàn)了學(xué)生的主體性。

圖4 A 教師（左）和B 教師（右）課堂的Rt-Ch 課堂類型判定圖

根據(jù)Rt-Ch課堂類型標(biāo)準(zhǔn)，運(yùn)算得出A 教師課堂Rt=0.63，Ch=0.38，屬于混合型課堂；B 教師課堂Rt=0.82，Ch=0.25，屬于講授型課堂。其中，A 教師課堂的Ch值大于B 教師的課堂，可見，A 教師課堂中的師生互動(dòng)行為更多，課堂學(xué)習(xí)氣氛活躍，更加民主、平等；相對(duì)來(lái)說(shuō)，B 教師的課堂上，師生間交流少，課堂氣氛較沉悶。

（二）詞頻及語(yǔ)態(tài)分析

通過(guò)Python 編程語(yǔ)言，分別對(duì)A、B 兩位教師進(jìn)行詞頻統(tǒng)計(jì)。A 教師和B 教師在課堂上輸出頻率最高的詞都是“電流”，然而，A 教師輸出頻次為106，B 教師輸出頻次僅為51；A 教師和B 教師課堂上輸出頻率次高的詞都是“線圈”，但是，A 教師輸出頻次為66，B 教師輸出頻次僅為43。顯然，“電流”和“線圈”都是這兩節(jié)課的關(guān)鍵詞，但在關(guān)鍵詞的重復(fù)和聚焦程度上，A 教師比B 教師做得更好，且A 教師無(wú)關(guān)的口語(yǔ)表達(dá)比B 教師要少。

基于人工智能網(wǎng)絡(luò)，進(jìn)一步對(duì)教師語(yǔ)態(tài)進(jìn)行分析。首先將已采集到的兩位教師的言語(yǔ)txt 文件基于常用詞標(biāo)點(diǎn)符號(hào)進(jìn)行語(yǔ)句分割，同時(shí)調(diào)用jieba 庫(kù)分割出兩者的常用詞。接下來(lái)，利用Python 語(yǔ)言逐個(gè)統(tǒng)計(jì)已經(jīng)得到的語(yǔ)句中的語(yǔ)態(tài)詞，根據(jù)單個(gè)句子中語(yǔ)態(tài)詞的多少判定句子的語(yǔ)氣程度，最后輸出每個(gè)txt 文件中語(yǔ)氣程度最高的前5 句。與此同時(shí)，對(duì)照中國(guó)語(yǔ)態(tài)詞庫(kù)，輸出采集到的兩個(gè)txt 文件中出現(xiàn)頻率最高的5 個(gè)語(yǔ)態(tài)詞，得到的結(jié)果如下頁(yè)表4、表5、表6 所示。

表4 A 教師語(yǔ)態(tài)分析的句子結(jié)果

表5 B 教師語(yǔ)態(tài)分析的句子結(jié)果

表6 A、B 教師前五的語(yǔ)態(tài)詞

根據(jù)分析結(jié)果，A、B 教師的課堂作為公開課，在語(yǔ)態(tài)的處理上都有一定的規(guī)范性，都注重物理實(shí)驗(yàn)教學(xué)的引導(dǎo)性。仔細(xì)比較發(fā)現(xiàn)，B 教師的口頭禪明顯多于A教師，A 教師在語(yǔ)態(tài)處理上優(yōu)于B 教師。結(jié)合具體教學(xué)內(nèi)容來(lái)看，在“互感與自感”這一節(jié)中，教材深入分析了自感現(xiàn)象，總結(jié)了自感電動(dòng)勢(shì)的規(guī)律及影響因素，其目的是讓學(xué)生了解互感現(xiàn)象是常見的電磁感應(yīng)現(xiàn)象，為之后變壓器的學(xué)習(xí)做鋪墊。本小節(jié)的重難點(diǎn)是自感電動(dòng)勢(shì)方向的判斷和自感現(xiàn)象中實(shí)際電流的特點(diǎn)分析。對(duì)照表4、表6 可以發(fā)現(xiàn)，A 教師多是圍繞“電流的變化”“電流方向的變化”等，從實(shí)驗(yàn)現(xiàn)象到物理概念，循序漸進(jìn)地引發(fā)學(xué)生思考，緊扣教學(xué)重難點(diǎn)；而對(duì)照表5、表6，B 教師的語(yǔ)態(tài)引導(dǎo)與提問大多是圍繞教學(xué)實(shí)驗(yàn)現(xiàn)象展開的，相較于A 教師，其對(duì)重難點(diǎn)的引導(dǎo)較為欠缺。

（三）面部表情分析

本研究對(duì)YOLO v5 網(wǎng)絡(luò)輸出的視頻文件每2s 提取出單個(gè)視頻中的每幀圖像，其中，A 教師共分割得到44 880張圖像，B教師共得到34 659張圖像。通過(guò)Labelimg 軟件的標(biāo)定，將分別帶有Quiet（冷靜）、Excited（激情）、Thinking（思考）以及Operate（操作演示）標(biāo)簽的圖像放入YOLO v5 網(wǎng)絡(luò)。在分析圖像的過(guò)程中，本研究發(fā)現(xiàn)在單個(gè)圖像中會(huì)存在兩種不同標(biāo)簽的現(xiàn)象，所以通過(guò)代碼對(duì)圖像中的標(biāo)簽識(shí)別結(jié)果比例化，以便于對(duì)視頻中的結(jié)果進(jìn)行分析，得到的結(jié)果如圖5 所示。

圖5 A、B 教師情感百分比對(duì)比圖

整體來(lái)說(shuō)，A、B 教師都處于正向情緒狀態(tài)。相對(duì)而言，A 教師在課堂中情緒更飽滿、更有激情，在課堂中的實(shí)驗(yàn)操作、演示行為也更多，能夠吸引學(xué)生學(xué)習(xí)物理的興趣；而B 教師的課堂情緒相對(duì)平靜，操作演示行為也較少。就教學(xué)內(nèi)容來(lái)說(shuō)，“互感與自感”這部分內(nèi)容作為必修課基礎(chǔ)之上的拓展，是達(dá)到促進(jìn)學(xué)生個(gè)性發(fā)展目標(biāo)的主要載體和手段。本小節(jié)有一定的難度，教師在教學(xué)過(guò)程中要充分利用實(shí)驗(yàn)教學(xué)，循序漸進(jìn)，引發(fā)學(xué)生的好奇心和興趣，不能使學(xué)生產(chǎn)生對(duì)物理學(xué)習(xí)的畏懼心理和認(rèn)知障礙。另外，已有研究表明，教師的課堂情緒狀態(tài)直接影響教師的課堂教學(xué)效果[14]，積極情緒可以擴(kuò)展人的瞬間思維活動(dòng)，使思維更加靈活、開放，能夠產(chǎn)生更多的問題解決策略。因此，物理教師在課堂中滿懷激情，有助于課堂教學(xué)的邏輯推演和問題解決，有利于發(fā)揮教學(xué)機(jī)制的作用，也為物理教學(xué)提供了最佳情緒背景。由此可見，A 教師的教學(xué)情緒更能促進(jìn)學(xué)生學(xué)習(xí)。

綜上，本研究結(jié)合人工智能技術(shù)對(duì)課堂教學(xué)視頻中兩位物理教師的行為進(jìn)行觀測(cè)、統(tǒng)計(jì)與分析，基于新課程理念下中學(xué)課堂教學(xué)評(píng)價(jià)表中關(guān)于“教師基本素質(zhì)”的評(píng)價(jià)內(nèi)容（見下頁(yè)表7）[15]，得出以下結(jié)論。

表7 中學(xué)課堂教學(xué)中關(guān)于教師基本素質(zhì)的評(píng)價(jià)內(nèi)容

從主導(dǎo)作用上看，B教師課堂的話語(yǔ)權(quán)被教師掌握，學(xué)生行為較少，師生之間交流少，課堂情緒也較為平靜，課堂氣氛較沉悶；而A 教師的課堂更關(guān)注教師主導(dǎo)、學(xué)生主體，師生互動(dòng)關(guān)系密切，教師的課堂教學(xué)情緒也更加飽滿，能夠引發(fā)學(xué)生學(xué)習(xí)物理的熱情，學(xué)生的行為和思維更加積極，課堂學(xué)習(xí)氣氛活躍。

從教學(xué)技能上看，B 教師在課堂中關(guān)注實(shí)驗(yàn)引入教學(xué)，但實(shí)驗(yàn)操作和演示較少，語(yǔ)言的無(wú)關(guān)表達(dá)較多；A 教師的課堂教學(xué)同樣關(guān)注引導(dǎo)學(xué)生觀察和解釋實(shí)驗(yàn)現(xiàn)象，其言語(yǔ)更具規(guī)范性，緊扣教學(xué)重難點(diǎn)。本研究中人工智能技術(shù)對(duì)教師課堂教學(xué)的評(píng)價(jià)是過(guò)程性評(píng)價(jià)，通過(guò)對(duì)教師的言語(yǔ)、面部等行為的采集與分析，評(píng)價(jià)課堂中教師的主導(dǎo)作用、教學(xué)技能、課堂氛圍等。但是，目前人工智能多是采用模式識(shí)別、圖像識(shí)別等技術(shù)，還難以判斷具體學(xué)科知識(shí)和學(xué)科教學(xué)特色。因此，基于主導(dǎo)作用和教學(xué)技能這兩項(xiàng)來(lái)看，A 教師的基本素質(zhì)更好，課堂教學(xué)效果更佳，更有利于促進(jìn)學(xué)生的有效學(xué)習(xí)和認(rèn)知發(fā)展。

四、總結(jié)與展望

目前，人工智能視域下基于證據(jù)對(duì)課堂教學(xué)進(jìn)行可視化、量化分析是教育人工智能下一步推進(jìn)的重點(diǎn)[15]。本研究通過(guò)利用人工智能技術(shù)對(duì)兩位物理教師的語(yǔ)言、面部表情等行為數(shù)據(jù)進(jìn)行采集與識(shí)別，運(yùn)用人工智能算法對(duì)所采集的數(shù)據(jù)加以運(yùn)算與分析，并結(jié)合新課程理念下中學(xué)課堂教學(xué)中關(guān)于教師素質(zhì)的評(píng)價(jià)內(nèi)容，對(duì)比分析兩位教師的數(shù)據(jù)分析結(jié)果，輔助評(píng)價(jià)課堂教學(xué)中教師的主導(dǎo)作用、教學(xué)能力、教學(xué)技能等，幫助教師優(yōu)化教學(xué)過(guò)程及改進(jìn)教學(xué)方式。

關(guān)于基于人工智能技術(shù)對(duì)學(xué)科教學(xué)的研究，國(guó)內(nèi)外已有不少教育工作者進(jìn)行了理論探索和框架構(gòu)建[16]，但鮮有具體的實(shí)踐分析。本研究立足于物理學(xué)科，在人工智能技術(shù)結(jié)合課堂教學(xué)分析的系統(tǒng)框架下，從教師教育的角度出發(fā)，以物理教師課堂教學(xué)行為為對(duì)象，進(jìn)行了具體的嘗試，幫助教師進(jìn)行教學(xué)反思，實(shí)現(xiàn)以促進(jìn)學(xué)生發(fā)展為目標(biāo)的高質(zhì)量教學(xué)。當(dāng)然，本研究還存在著一定的不足，由于不同學(xué)科有著不同的知識(shí)體系，基于學(xué)科知識(shí)圖譜的構(gòu)建仍是一大挑戰(zhàn)，人工智能技術(shù)與具體學(xué)科教學(xué)的融合還有待進(jìn)一步深入研究。