面向课堂教学评价的形式化建模与智能计算

　　摘要：随着课堂教学从固化单一的教师传授，向强调小组协作参与的教学转变，如何面向以协作学习为基本特征的课堂实施形成性评价已成为教学评价改革亟需解决的问题。在智能技术支持下，形式化建模可以将复杂多变的课堂教学过程解构，形成数理模型;智能计算可以通过算法评估学生学习状态，并根据教学原则生成教学辅助信息。

　　二者的结合可以促进人类智能与机器智能的有效融合，形成人机协同的课堂评价机制。面向课堂教学评价的形式化建模与智能计算通用架构，自下而上包含教与学行为的感知和存储、教与学行为评估模型的构建、教与学状态的智能计算和教学辅助信息的生成四个部分。前两部分着重对教育情境和问题的表征，是形式化建模的关键步骤;后两部分着重具体技术路线的实现，是智能计算的具体过程和功能体现。

　　整个系统以教与学行为的感知和存储为基础，通过构建评估模型，确定模型的输出;然后引入智能算法对模型进行计算，达成对教与学状态的评估;最后根据相应教学原则，自动生成辅助教师进行课堂教学评价的信息。该通用架构以及人机协同教学、评价机制的进一步完善需要研究者携手教师进行“共同设计”，协同教育学、计算机科学、心理学等多学科进行交叉研究。

　　关键词：课堂教学;智能教育;智能计算;形式化建模;形成性评价

　　作者：张立山

　　一、问题的提出

　　教育评价是教育发展的指挥棒，事关教育发展的方向。2020年10月，中共中央、国务院印发了《深化新时代教育评价改革总体方案》，提出要克服“唯分数”等顽瘴痼疾，“改进结果评价，强化过程评价”(新华网，2020)。课堂教学评价是教育评价体系的重要一环，实施什么样的课堂教学评价体现了我们提倡什么样的课堂。目前课堂教学评价主要有总结性评价和形成性评价两种方式。总结性评价旨在判断课程结束时学生已达到的成就，形成性评价意在对教与学的每个阶段提供反馈和纠正(Bloom，1969)。后者由于注重对学生学习过程证据的收集与分析，可以使学生个体得到更多的关注与更精细化的帮助与支持，因而成为课堂教学评价改革的焦点。本文的“课堂教学评价”也主要聚焦于课堂中的形成性评价。

　　传统的课堂形成性评价在实施过程中，面临诸多困难。一方面，传统的形成性评价技术和策略对教师提出了很高的要求，需要其具备证据思维，并在教学的同时观察和记录学生的过程表现(赵士果，2013)。这增加了实施形成性评价的难度。另一方面，课堂观察记录、活动记录、档案袋等传统形成性评价技术采用纸质材料，填写、收发和整理等过程十分耗时，且对学习制品等评价材料的贮存也较为困难。近些年，尽管部分课堂教学系统或学习管理系统创造了电子形式记录过程数据的条件(宋飞，2008)，但仍未从根本上解决形成性评价的推行难处。因为这些评价技术只关注了评价的收集数据环节，未能系统解决教师实施形成性评价的问题。

　　随着信息技术深入课堂，翻转课堂、问题解决学习、项目式学习等以学生为中心、以培养学生高阶能力(如协作探究能力、创新能力等)为主要目标的新型教学模式纷纷涌现。这些課堂的学习任务和活动往往比较复杂、难度较高，所以分组协作解决问题、共同创造学习制品是常见的方式。同时，这种复杂教学活动的开展需要教师能够根据学生的学习进程及时调整教学策略。这些都对课堂教学评价的智能化提出了较高要求。如何面向以协作学习为基本特征的课堂实施形成性评价已成为课堂教学评价改革迫切需要解决的问题。

　　一些研究人员提出用形式化建模与智能计算来更系统地帮助和支持教师，以形成人机协同的课堂评价机制。形式化建模方法起源于软件工程，旨在对软件开发流程进行梳理基础上的建模表征，实现软件设计、开发和验证等的标准化(王戟等， 2019)。对课堂教学进行形式化建模需要依据软硬件设备采集数据，按照一定的标准建立数据集，并在此基础上，针对实际课堂需求，明确模型的输入和输出状态。智能计算是引入机器学习、深度学习等智能算法对建模后的输入数据进行计算，得到以数学表征的输出状态，并籍此分析学习者潜在学习特征和规律的过程。在课堂教学评价中，形式化建模就是对课堂教与学的行为进行符号表征，形成数理模型;智能计算则是对所表征的教与学行为进行分析计算，辅助教师进行课堂教学评价。二者的联动既可以在课堂教学评价的证据收集和解释环节实现自动化，又可以在实施教学行为环节给予教师支持，因而成为了课堂教学评价改革的重要方向。

　　二、典型课堂教学评价系统与架构

　　在智能技术的支持下，课堂管理系统发展迅速。考虑到提供课堂教学评价的课堂管理系统必须具备实时分析、评价学习过程，为教师提供反馈信息等基本功能，我们通过调研总结了国内外6种典型智能教学或管理系统(见表1)。其中，Lynnette是一个专门教授学生求解线性方程的智能导学系统(Long et al.，2013)，Lumilo是一款能可视化呈现信息并进行一定虚拟交互的智能眼镜(Holstein et al.， 2019)，二者通过一定机制可以帮助教师实时感知学生的信息;FACT系统是可以支持学生进行数学问题协作解决，同时增强教师感知和控制能力的智能课堂管理系统(VanLehn et al.，2019);雨课堂通过采集学生课前、课中和课后学习信息，辅助教师教学(王帅国，2017);Spinoza通过分析学生编程过程中的实时代码和操作行为，给予学生和教师指导与帮助(Deeb et al.，2018);SAIL Smart Space(Tissenbaum et al.，2019)和MTClassroom(Martinez-Maldonado et al.，2014)都是智慧教室，可实现学生在触摸式桌面学习，内置的软件对学生学习进行实时分析并发送给教师，教师使用平板电脑的仪表盘程序实时查看学生状态和控制活动流程。

　　研究对上述6种典型智能系统的输入数据、输出状态、支撑设备和计算路径进行了梳理和比较。结果发现，这些系统基本都以学生的操作行为、答题记录为输入数据，并通过一定的计算方式，为教师提供学生在认知、学习状态和与他人协作方面的信息与指导。在计算路径上，这些系统都遵循了形式化建模与智能计算的思想，且不单关注了学生在课堂上的个人学习行为和小组协作学习行为，还为个人、小组和班级三个层级活动的转换提供了支持。

　　在实际课堂中，学生可能在个体学习和协作学习之间相互切换，因此面向课堂教学评价的智能系统需要同时关注这两种学习的过程。面向一对一个性化教学的智能导学系统通用架构规定其通常需要实现四个方面的主要功能 (VanLehn，2016)，如图1所示：第一阶段，表现(Performance)，监测学生的知识表现;第二阶段，反映(Mirror)，将学生的实际表现反馈给学生，促进学生反思;第三阶段，评估(Assessment)，对学生表现进行测评;最后，干预(Intervention)，根据测评结果，给予学生教学干预。协作学习管理系统同样需要实现四个方面的功能(Soller et al.，2005)，如图2所示：第一阶段，收集和聚合学生交互数据;第二阶段，进行数据整合，实现学生交互的可视化，以确定学生当前交互状态;第三阶段，计算学生实际交互与期望交互的异同;第四阶段，生成教学干预，提供建议和指导。从形式化建模与智能计算的内涵看，智能导学系统和协作学习管理系统通用架构的前两个阶段属于形式化建模范畴，后两个阶段属于智能计算范畴。可见，支持这两类学习行为的系统的通用架构是互通的，我们可以这两种通用架构为基础，构建面向课堂教学评价的智能系统通用架构。

　　三、面向课堂教学评价的形式化建模与智能 计算设计

　　架构，是一类复杂系统的底层标准，是有关系统整体结构与组件的抽象描述，对具体系统的模块实现具有指导意义。针对课堂教学评价的复杂性，我们在调研和分析典型系统基础上，参考了智能导学系统和协作学习管理系统的架构设计，最终形成了面向课堂教学评价的形式化建模与智能计算通用架构，如图3所示。该架构自下而上包含四个部分：教与学行为的感知和存储、教与学行为评估模型的构建、教与学状态评估的智能计算以及教学辅助信息的生成。前两部分聚焦对教育情境和问题的表征，是形式化建模的关键步骤;后两部分侧重具体技术路线的实现，是智能计算的具体过程和功能体现。整个系统以教与学行为的感知和存储为基础，通过构建评估模型，确定模型的输出，即状态;然后通过引入智能算法对模型进行计算，达成对教与学状态的评估;最后根据相应教学原则，自动生成辅助教师进行课堂教学评价的信息。

　　1.教与学行为的感知和存储

　　形式化建模质量取决于高质量数据集的获取，因此如何在课堂中对教师和学生的行为进行感知并以数据集方式进行存储，是事关形式化建模效果的关键问题。课堂智能设备的日渐丰富创造了泛在式学习分析的条件，对网络和物理两个空间的教与学数据进行采集可以更全面反映课堂实际。

　　在网络空间中，课堂软件系统可以对教师和学生的课堂行为(如答题、记笔记、文字输入等)进行捕捉，并通过一定的数据标准进行存储。目前主要的数据标准有SCORM和xAPI两种。SCORM(Shareable Content Object Reference Model)是数字化学习互操作性的行业标准，规范着在线学习内容和学习管理系统之间的通信方式(李青等，2013)。任何SCORM内容都可以在符合SCORM标准的学习管理系统显示。此标准可以记录学生的学习状态、学习時间和学习效果(是否通过测试)等。但是因为学生在学习管理系统中的学习时间相对有限，SCORM并不能体现学生数字化学习的全貌。另一种数据标准xAPI(Experience API)则有效弥补了SCORM的不足，它不仅可以记录学生在学习管理系统中的学习情况，还可以记录学生在移动学习、游戏化学习、协作学习、混合学习等多种学习模式中的数据，使得记录学生多种学习经历成为可能(李青等，2013;唐烨伟等，2015)。xAPI在语法上采用三元组的形式(<行为人，动作，结果>)记录教学活动中每一个参与者的所有行为动作，可以为后续进行数据挖掘与分析提供支持。

　　在物理空间中，可以利用眼动追踪、脑机接口、皮电、心电传感器等设备伴随式采集师生的生理和行为数据。如眼动追踪技术可以通过采集眼动数据，反映认知状态。这种技术的典型设备是眼动仪，分为头戴式和非头戴式两种。非头戴式不与分析对象直接接触，通过固定摄像机捕捉眼部运动相关数据，所以分析对象的活动被限制，适合在实验场景应用(Lund，2016)。在课堂场景下，师生更适合佩戴头戴式眼动仪(类似于眼镜，如图4)，可以实时采集眼球运动和瞳孔反应等数据，后续通过智能计算可以反映师生的认知负荷等情况(Prieto et al.，2017)。

　　脑电接口技术主要关注脑部活动，采集神经信号数据进行分析。与眼动追踪技术类似，目前脑机接口技术呈现出两种类似发展方向：一种是依赖固定装置的测量技术，典型代表是功能性核磁共振(Ferrari et al.，2012)。这种技术可以深层次地反映脑部活动状况，但缺点是不能在实际场景中应用。另一种是便携式脑电设备(Ramadan et al.，2017)，可以采集脑部浅层活动的信号，根据特定的频率提取特定的脑电波，比如Alpha、Beta和Gamma波等。这些原始数据可以通过后续的计算分析，反映学生的注意力、情绪情感和认知负荷等情况。可穿戴传感器也可以佩戴在手腕处，常用的有皮肤电活动传感器和心电传感器，分别采集皮肤电和心电数据。这些数据与学生的学习有一定相关性，可以通过分析计算相应情绪状态(Fortenbacher et al.，2017)。

　　这种传感器一般类似于手环，学生可以佩戴在手上，不影响正常课堂活动。除可穿戴设备之外，固定设备如摄像机、压力传感器等也可以作为收集学生面部表情和身体姿态信息的工具，用于实时分析学生的情绪状态(VanLehn et al.，2016)。这些设备的优势是可以在不干扰教师和学生的情况下进行信息的采集。

　　推荐阅读：科普童话：新课堂教育类期刊投稿

期刊VIP网，您身边的高端学术顾问

文章名称： 面向课堂教学评价的形式化建模与智能计算

文章地址： http://www.qikanvip.com/jiaoyujishu/56268.html