基于智慧课堂的学情诊断：实践、挑战与未来

基于智慧课堂的学情诊断：实践、挑战与未来摘要：依托计算机视觉、自然语言处理、自动语音识别等人工智能技术，智慧课堂有效推动了课堂教学环节的变革创新。在此过程中，作为主要教学环节之一的学情诊断同样呈现出新样态、新特点。在探索学情诊断框架的基础上，中小学一线教师利用智慧课堂提供的丰富功能进行学生学习数据的采集、分析与解释，在不断提升学情诊断的准确性、客观性、可读性的同时，也暴露出技术性、理论性挑战与主体性、制度性风险。面对挑战与风险，应继续发挥人工智能技术的优势，完善指向核心素养的学情诊断框架，增强教师的诊断素养并建立健全相关安全保障机制。关键词：智慧课堂；人工智能技术；学情诊断；学习数据引言维果茨基提出了“最近发展区”这一概念，说明学生的学习发展是建立在“既知”基础上不断破解“未知”的过程。在此过程中，教师承担着引领责任，应当准确判断学生的“既知”水平，从而设计符合他们成长发展需要的课堂教学内容及活动。学情诊断就是教师为了实现有效教学而对学生的认知能力、知识水平、动机兴趣、心理状态等智力及非智力要素开展的评估、分析活动。在日常教学准备中，教师通过批阅作业、问答、观察等方式开展学情诊断，了解和掌握学生的认知能力、知识储备、情感态度等。如今，在人工智能技术的推动下，以学生过程性学习数据为客观依据的学情诊断能够更加精准地获知学生的学习收获、障碍、需求等情况，方便教师在此基础上开展个性化教学。教育部自2019年启动了“智慧教育示范区”建设项目，旨在促进信息技术特别是智能技术与教育教学活动的深度融合，支撑学生评价体系与方式的改革。以此为契机，各地中小学校着手创设智慧课堂，积极推动传统课堂教学环节的智能化变革，其中优化学情诊断过程及结果是关键领域之一。然而，一些传统的学情诊断在内容上存在片面化、浅表化等现实问题，在方式上容易陷入技术陷阱，只要涉及测验、数据、图表分析就被轻易地冠以“智慧”之名[1]。为了解决这些问题，应当明确人工智能技术在学情诊断中的优势及用途，进一步总结相关代表性案例的实践经验，启示教师利用人工智能技术开展更加科学、精准的学情诊断。一、技术基础智慧课堂是利用人工智能、大数据、互联网等信息技术搭建的促进教师、学生、内容之间充分互动的教学环境，其本质是由技术赋能实现教学环境的网络化、数字化、智能化[2]。在智慧课堂建设过程中，人工智能技术，如计算机视觉、自然语言处理、自动语音识别等，发挥着特别重要的作用，为全方位、多层次、伴随性采集学生学习过程数据提供了有利条件，推动了学情诊断的自动化，极大地节约了诊断成本并提升了结果的准确性[3]。（一）计算机视觉计算机视觉是一项使用计算机模拟人类视觉系统过程及功能的技术，赋予计算机“感知”周围环境的能力。借助特定设备，计算机能够观测识别到人类无法观察的红外线、微波等，具备更广泛的数据获取能力。此外，这种观测过程避免了与观测对象的接触，相对安全可靠。在教育教学背景下，该技术可以用于识别学生的面部表情、身体姿态、眼神注视点等特征，能够反映学生的学习参与度[4]。随着机器学习研究与实践的不断深入，图像的特征提取与识别大多由卷积神经网络（ConvolutionalNeuralNetworks，简称CNN）或深度卷积神经网络（(DeepConvolutionalNeuralNetworks，简称DCNN）加以实现，并且使用三维卷积神经网络来处理包含图像、音频等多模态数据的视频片段，有效提升了识别准确率。（二）自然语言处理自然语言处理是计算机对人类语言的理解和运用，通常基于规则的或统计的模型来实现。伴随着BERT、GPT-4等预训练语言模型的涌现，自然语言处理在语言翻译、文本分类、情感分析等方面的应用都迎来了突破和创新。以文本情感分析为例，其语言模型的开发依次经过文本输入、文本预处理、特征提取、参数选择、模型训练、模型评估等步骤[5]。将训练完成的模型部署到学情诊断场景中，可以对学生的作文、心得感想等文本材料进行自动化分析，帮助教师及时掌握学生在学习过程中的情感态度变化。（三）自动语音识别自动语音识别是基于计算机的人类语音解码和转录过程。自动语音识别系统包括训练和识别两个阶段，涉及预处理、特征提取、相似性度量、后处理等具体步骤。通过将采集获取的课堂音频数据进行关键词筛选及语义剖析，教师能够更加迅速、直观地了解学生的发言内容和表达方式，更加准确地评估学生的表达能力、思维逻辑和知识储备情况，进而制订更加精准的教学计划和策略。二、实践探索我国高度重视发展人工智能技术，并将之深度融入智慧课堂建设，不仅深刻改变了课堂教学的内容及过程，而且有助于教师开展更加高效的学情诊断。传统学情诊断主要是以班级为单位的整体评价，并将学业成绩及排名作为评判学生学习状况和能力水平的依据。当前，借助人工智能技术衍生的丰富功能，中小学一线教师能够对学生学习数据进行全面分析，获取的学情诊断结果呈现出更高水平的准确性、客观性、可读性，更加精准地反映出学生个体与班级整体的学习状况与需求。（一）准确性：构建科学系统的学情诊断框架明确学生学习的应然结果是进行学情诊断的前提。一方面，教师依据教学目标制订诊断指标，通过对照比较让学生充分暴露不足与问题，更好地了解每位学生的起点。智能教学系统在课前将相关练习题发送到学生端，并在学生填答提交后进行自动批改，再将结果反馈到教师端，帮助教师准确找到每位学生的“最近发展区”[6]。这类智能系统不仅可以评判选择题，而且能对图像、作文、演说等多种类型的练习进行自动评估[7]。只有认识到学生“既知”与“应知”之间的差距，教师才能有针对性地设计课堂教学内容与活动。另一方面，确切的学情诊断指标能够进一步指导教师选取所需的数据资料与适恰的采集手段。在面向培养核心素养的教学中，学生学习的应然结果不再局限于考试成绩，而是更加关注高阶认知素养、实践创新能力，全面考虑学生的学习兴趣、自主性及合作学习意愿。这些能力素养、情感态度不再是通过简单的问答测验就能够反映出来的，而是需要结合更加多元的学习数据。以数学学科能力的学情诊断为例，首先建立以“学习理解—实践应用—迁移创新”为核心结构的数学学科能力概念内涵，进而梳理内隐能力与外显行为的联系，最后构建由多种外显行为组成的学情数据采集框架[8]。学情诊断指标框架需要解决方向不明、内容不清、手段模糊等问题，并根据培养目标、理论成果、实践经验不断进行丰富和完善，帮助教师开展更加精准的学情诊断。（二）客观性：充分利用AI技术进行学情诊断教师在传统的学情诊断过程中主要面临两个问题：一是难以对全体学生同时进行评价，二是容易因主观因素导致误判。由于视频图像忠实地记录了课堂教学活动的开展情况，因此，教师可以尝试利用智慧课堂的视频录制及分析功能，对前一节课中学生个体与整体学习状况进行客观研判，从而更有效地设计新课教学。教师借助布置在教室内的多个摄像头，先通过实时监测和跟踪相结合的方式获得每个学生的实时图像流，再应用计算机视觉算法模型（三维卷积神经网络）学习目标行为的时空特征，从而实现捕捉识别学生举手、抬头、走动、板书等神情动作。学生的外显行为表现被客观地记录下来，并用以指征原本“不可见”“不可评”的品格、认知、情感等，而使测验成绩不再作为衡量学生学习状况的唯一方式。以学习品质中“毅力”的评估为例，上海市长宁区的教师利用“数字作业”对学生完成作业的起止时间、作答时长、作答顺序、是否订正、订正时间等数据进行收集分析，并结合自己对学生的观察了解，以多元数据提升学情诊断的准确性[9]。这有利于全方位刻画学生发展状况，也为学校、教师制定学生核心素养发展策略提供依据。此外，教师能够继续通过视频录像回顾学生的课堂行为，进一步反思教学方法、过程及效果，也有助于实现自身专业发展。（三）可读性：辅助教师解释学情诊断的结果从学生学习数据到学情诊断结果并不是一蹴而就的，而是需要教师经过一系列加工处理。由于庞大的数据量、自身数字素养等主客观条件的制约，教师难以通过传统的人工处理方法进行学情诊断。针对这一痛点，智慧课堂不仅能够采集学生学习数据，而且能够生成可视度高、动态性强的学生画像及学情诊断报告，帮助教师及时掌握关键学情信息。依托某“智慧课堂”平台，采用频繁模式挖掘算法与关联规则挖掘算法，构建起学生观看微课视频、完成习题作业、抢答发言、与同学讨论、向教师提问等行为数据与其学习成绩间的可视化关系图，能够直观地反映出学生学习成绩变化的原因[10]。同时，“智慧课堂”还能基于学习数据将学生划分为不同类型，如参与度低又学习水平不高的边缘型学生、表现积极但深度学习较少的努力型学生、目标完成度高且发展均衡的优秀型学生，进而为不同类型的学生生成认知网络图像，通过知识节点的大小、连接线的粗细等视觉要素直观地展示学生的知识掌握水平。教师利用图表、图形等可视化方式加以简明清晰的文字语言描述，可以提升诊断结果的可读性，更高效地理解学生的学习情况，从而为学习特征相似的学生组建起学习共同体，制订更具针对性的教学方案并提高教学效果。三、挑战与风险作为一种新兴的课堂形式，智慧课堂为学情诊断带来了全新的工具和方法，也重塑了中小学教师的学生观、技术观、课堂观。在这一进程中，教师若要在日常学情诊断时充分发挥人工智能技术的优势，还需要应对诸多挑战或风险。（一）技术性挑战：人工智能技术尚存缺陷在复杂、多变的教育场景中，人工智能技术所取得的成效与理想目标间仍然存在差距。学情诊断涉及学生的学习行为、心理状态、兴趣爱好等诸多方面，并且它们具有高度的隐秘性和动态性。然而，当前的人工智能技术还无法完全准确地采集这些复杂信息，从而产生数据采集不全、数据质量不高、数据标签不准确等问题。例如，相较于识别成人的语音，自动语音识别在处理儿童的语音时存在更大的难度，输出结果的准确率更低。采集质量的问题进一步降低了诊断质量的准确性和可靠性。因此，在课堂这样的特殊场景中，通用人工智能应用的适应性仍有待进一步验证。（二）理论性挑战：学情诊断指标不够精准当前，学情诊断指标的制订仍然受制于思维定式，未能够充分发挥智慧课堂及人工智能技术的特点与优势。一方面，学生不仅要争取优异的学业成绩，而且需要养成良好品格、塑造健康心理、树立高远理想，故单一的、笼统的学情诊断指标很难全面反映学生的实际情况。在智慧课堂环境中，如果仍然沿用传统的诊断指标，那么，即使通过多种技术手段收集了学生学习的多元数据，也无法充分发挥这些数据的价值。另一方面，传统学情诊断指标的设定缺乏科学性，忽视了学生的发展现状与需求。在实际操作中，教师通常根据自己的经验并站在成人的视角来开展学情诊断，所用诊断指标缺乏科学的理论支撑。这种主观的学情诊断不仅无法准确反映学生的学习状态，还可能误导教师的教学决策。（三）主体性风险：教师使用态度两极分化尽管智慧课堂为教师进行学情诊断提供了丰富的工具，并且它们在数据分析速度上要明显优于教师人工处理，但教师的使用态度决定了人工智能技术能否进入课堂并发挥应有的作用。现有调查发现，部分缺乏技术信念的教师认为自己能力不足或技术难度较大而排斥在教育教学活动中使用人工智能技术，存在较强的人工智能焦虑情绪[11]。这部分教师对人工智能技术持有怀疑态度，也不知如何利用人工智能技术开展学情诊断。相反，另有部分教师过度依赖人工智能技术，将相关应用输出的结果作为唯一的学情诊断依据。这将冲击教师的课堂地位，使教师失去认识学生、把握教学过程的能力。排斥使用或者过度使用人工智能都不利于教师开展高效、精准的学情诊断。（四）制度性风险：数据及隐私保护较薄弱正如联合国教科文组织在《人工智能伦理问题建议书》中的担忧，学情诊断涉及大量学生的身份信息、学习经历等隐私数据，这些数据面临着泄露的风险。学生在使用智慧课堂提供的教学平台或软件时，往往不能意识到自己的学习行为正在被记录，部分教学软件也有数据管理和存储方面的漏洞，这些薄弱环节都要从制度和管理上进行改善。四、未来启示人工智能技术的快速发展及其在教育领域的广泛应用，以及国家在建设智慧课堂、发展智慧教育上的整体构想与政策要求，使基于智慧课堂的学情诊断成为未来趋势。面对现存挑战和风险，应从技术、理论、主体、制度等多个视角进行探索，以系统提升学情诊断的实效。第一，充分发挥AI、大数据等技术的能力优势。智能技术推动学情诊断迈向自动化：在数据收集方面，智能技术能够对学生过程性学习数据进行实时伴随式采集，有效获取多模态数据；在数据分析方面，智能技术能够对学习者学习数据开展自动分析挖掘，并且有比相人工处理明显的高速度、鲁棒性等优势。教师需依据现实条件和需求，灵活选用智能技术工具，尝试开展人机协同的精准学情诊断[12]。第二，厘清指向核心素养的学情诊断框架内涵。《义务教育课程方案（2022版）》《普通高中课程方案（2017年版2020年修订）》均坚持素养导向，并强调围绕核心素养开展学情评价与诊断。无论是传统的学情诊断，还是基于智慧课堂的学情诊断，都应以构建科学的理论框架为前提条件，在此基础上开展具体的采集、处理、分析步骤。高校专家学者、中小学一线教师应合作开发指向核心素养的学情诊断内涵框架，以期生成更加真实的学生画像，增强诊断结果的科学性和准确性。第三，增强教师应用技术手段进行学情诊断的意愿与能力。教育部于2022年11月颁布