摘要：隨著課堂教學從固化單一的教師傳授，向強調小組協作參與的教學轉變，如何面向以協作學習為基本特征的課堂實施形成性評價已成為教學評價改革亟需解決的問題。在智能技術支持下，形式化建模可以將復雜多變的課堂教學過程解構，形成數理模型;智能計算可以通過算法評估學生學習狀態，并根據教學原則生成教學輔助信息。

　　二者的結合可以促進人類智能與機器智能的有效融合，形成人機協同的課堂評價機制。面向課堂教學評價的形式化建模與智能計算通用架構，自下而上包含教與學行為的感知和存儲、教與學行為評估模型的構建、教與學狀態的智能計算和教學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，是形式化建模的關鍵步驟;后兩部分著重具體技術路線的實現，是智能計算的具體過程和功能體現。

　　整個系統以教與學行為的感知和存儲為基礎，通過構建評估模型，確定模型的輸出;然后引入智能算法對模型進行計算，達成對教與學狀態的評估;最后根據相應教學原則，自動生成輔助教師進行課堂教學評價的信息。該通用架構以及人機協同教學、評價機制的進一步完善需要研究者攜手教師進行“共同設計”，協同教育學、計算機科學、心理學等多學科進行交叉研究。

　　關鍵詞：課堂教學;智能教育;智能計算;形式化建模;形成性評價

　　作者：張立山

　　一、問題的提出

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

　　傳統的課堂形成性評價在實施過程中，面臨諸多困難。一方面，傳統的形成性評價技術和策略對教師提出了很高的要求，需要其具備證據思維，并在教學的同時觀察和記錄學生的過程表現(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、檔案袋等傳統形成性評價技術采用紙質材料，填寫、收發和整理等過程十分耗時，且對學習制品等評價材料的貯存也較為困難。近些年，盡管部分課堂教學系統或學習管理系統創造了電子形式記錄過程數據的條件(宋飛，2008)，但仍未從根本上解決形成性評價的推行難處。因為這些評價技術只關注了評價的收集數據環節，未能系統解決教師實施形成性評價的問題。

　　隨著信息技術深入課堂，翻轉課堂、問題解決學習、項目式學習等以學生為中心、以培養學生高階能力(如協作探究能力、創新能力等)為主要目標的新型教學模式紛紛涌現。這些課堂的學習任務和活動往往比較復雜、難度較高，所以分組協作解決問題、共同創造學習制品是常見的方式。同時，這種復雜教學活動的開展需要教師能夠根據學生的學習進程及時調整教學策略。這些都對課堂教學評價的智能化提出了較高要求。如何面向以協作學習為基本特征的課堂實施形成性評價已成為課堂教學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地幫助和支持教師，以形成人機協同的課堂評價機制。形式化建模方法起源于軟件工程，旨在對軟件開發流程進行梳理基礎上的建模表征，實現軟件設計、開發和驗證等的標準化(王戟等， 2019)。對課堂教學進行形式化建模需要依據軟硬件設備采集數據，按照一定的標準建立數據集，并在此基礎上，針對實際課堂需求，明確模型的輸入和輸出狀態。智能計算是引入機器學習、深度學習等智能算法對建模后的輸入數據進行計算，得到以數學表征的輸出狀態，并籍此分析學習者潛在學習特征和規律的過程。在課堂教學評價中，形式化建模就是對課堂教與學的行為進行符號表征，形成數理模型;智能計算則是對所表征的教與學行為進行分析計算，輔助教師進行課堂教學評價。二者的聯動既可以在課堂教學評價的證據收集和解釋環節實現自動化，又可以在實施教學行為環節給予教師支持，因而成為了課堂教學評價改革的重要方向。

　　二、典型課堂教學評價系統與架構

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

　　研究對上述6種典型智能系統的輸入數據、輸出狀態、支撐設備和計算路徑進行了梳理和比較。結果發現，這些系統基本都以學生的操作行為、答題記錄為輸入數據，并通過一定的計算方式，為教師提供學生在認知、學習狀態和與他人協作方面的信息與指導。在計算路徑上，這些系統都遵循了形式化建模與智能計算的思想，且不單關注了學生在課堂上的個人學習行為和小組協作學習行為，還為個人、小組和班級三個層級活動的轉換提供了支持。

　　在實際課堂中，學生可能在個體學習和協作學習之間相互切換，因此面向課堂教學評價的智能系統需要同時關注這兩種學習的過程。面向一對一個性化教學的智能導學系統通用架構規定其通常需要實現四個方面的主要功能 (VanLehn，2016)，如圖1所示：第一階段，表現(Performance)，監測學生的知識表現;第二階段，反映(Mirror)，將學生的實際表現反饋給學生，促進學生反思;第三階段，評估(Assessment)，對學生表現進行測評;最后，干預(Intervention)，根據測評結果，給予學生教學干預。協作學習管理系統同樣需要實現四個方面的功能(Soller et al.，2005)，如圖2所示：第一階段，收集和聚合學生交互數據;第二階段，進行數據整合，實現學生交互的可視化，以確定學生當前交互狀態;第三階段，計算學生實際交互與期望交互的異同;第四階段，生成教學干預，提供建議和指導。從形式化建模與智能計算的內涵看，智能導學系統和協作學習管理系統通用架構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，支持這兩類學習行為的系統的通用架構是互通的，我們可以這兩種通用架構為基礎，構建面向課堂教學評價的智能系統通用架構。

　　三、面向課堂教學評價的形式化建模與智能 計算設計

　　架構，是一類復雜系統的底層標準，是有關系統整體結構與組件的抽象描述，對具體系統的模塊實現具有指導意義。針對課堂教學評價的復雜性，我們在調研和分析典型系統基礎上，參考了智能導學系統和協作學習管理系統的架構設計，最終形成了面向課堂教學評價的形式化建模與智能計算通用架構，如圖3所示。該架構自下而上包含四個部分：教與學行為的感知和存儲、教與學行為評估模型的構建、教與學狀態評估的智能計算以及教學輔助信息的生成。前兩部分聚焦對教育情境和問題的表征，是形式化建模的關鍵步驟;后兩部分側重具體技術路線的實現，是智能計算的具體過程和功能體現。整個系統以教與學行為的感知和存儲為基礎，通過構建評估模型，確定模型的輸出，即狀態;然后通過引入智能算法對模型進行計算，達成對教與學狀態的評估;最后根據相應教學原則，自動生成輔助教師進行課堂教學評價的信息。

　　1.教與學行為的感知和存儲

　　形式化建模質量取決于高質量數據集的獲取，因此如何在課堂中對教師和學生的行為進行感知并以數據集方式進行存儲，是事關形式化建模效果的關鍵問題。課堂智能設備的日漸豐富創造了泛在式學習分析的條件，對網絡和物理兩個空間的教與學數據進行采集可以更全面反映課堂實際。

　　在網絡空間中，課堂軟件系統可以對教師和學生的課堂行為(如答題、記筆記、文字輸入等)進行捕捉，并通過一定的數據標準進行存儲。目前主要的數據標準有SCORM和xAPI兩種。SCORM(Shareable Content Object Reference Model)是數字化學習互操作性的行業標準，規范著在線學習內容和學習管理系統之間的通信方式(李青等，2013)。任何SCORM內容都可以在符合SCORM標準的學習管理系統顯示。此標準可以記錄學生的學習狀態、學習時間和學習效果(是否通過測試)等。但是因為學生在學習管理系統中的學習時間相對有限，SCORM并不能體現學生數字化學習的全貌。另一種數據標準xAPI(Experience API)則有效彌補了SCORM的不足，它不僅可以記錄學生在學習管理系統中的學習情況，還可以記錄學生在移動學習、游戲化學習、協作學習、混合學習等多種學習模式中的數據，使得記錄學生多種學習經歷成為可能(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，結果>)記錄教學活動中每一個參與者的所有行為動作，可以為后續進行數據挖掘與分析提供支持。

　　在物理空間中，可以利用眼動追蹤、腦機接口、皮電、心電傳感器等設備伴隨式采集師生的生理和行為數據。如眼動追蹤技術可以通過采集眼動數據，反映認知狀態。這種技術的典型設備是眼動儀，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，通過固定攝像機捕捉眼部運動相關數據，所以分析對象的活動被限制，適合在實驗場景應用(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動和瞳孔反應等數據，后續通過智能計算可以反映師生的認知負荷等情況(Prieto et al.，2017)。

　　腦電接口技術主要關注腦部活動，采集神經信號數據進行分析。與眼動追蹤技術類似，目前腦機接口技術呈現出兩種類似發展方向：一種是依賴固定裝置的測量技術，典型代表是功能性核磁共振(Ferrari et al.，2012)。這種技術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用。另一種是便攜式腦電設備(Ramadan et al.，2017)，可以采集腦部淺層活動的信號，根據特定的頻率提取特定的腦電波，比如Alpha、Beta和Gamma波等。這些原始數據可以通過后續的計算分析，反映學生的注意力、情緒情感和認知負荷等情況。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據。這些數據與學生的學習有一定相關性，可以通過分析計算相應情緒狀態(Fortenbacher et al.，2017)。

　　這種傳感器一般類似于手環，學生可以佩戴在手上，不影響正常課堂活動。除可穿戴設備之外，固定設備如攝像機、壓力傳感器等也可以作為收集學生面部表情和身體姿態信息的工具，用于實時分析學生的情緒狀態(VanLehn et al.，2016)。這些設備的優勢是可以在不干擾教師和學生的情況下進行信息的采集。

　　推薦閱讀：科普童話：新課堂教育類期刊投稿