基于課堂智能分析大模型的教師教學能力分析框架及其應用研究

方海光 洪心 舒麗麗 王顯闖

摘要：當前，外部社會數智化正通過知識組合方式不斷影響處于“三元空間”的包含教師在內的人類主體，知識獲取途徑的復雜性和多元化使教師教學能力培養逐漸指向“個性化”大趨勢?；谡n堂智能分析場景的案例增量數據來進行垂直大模型學習，成為課堂智能分析大模型訓練和人工智能支持教師能力分析及教師專業發展的主要方向之一。在此背景下，文章首先基于能力形成的過程視角和斯皮爾曼的二因素理論，構建了教師教學能力結構模型；然后，文章對課堂教學行為和教學能力進行智能分析判別，構建了基于課堂智能分析大模型的教師教學能力分析框架和培養機制；最后，文章以北京市某學校的五年級語文老師為例，初步構建了該教師課堂教學行為與教學能力的映射關系和教師教學能力框架。文章通過研究，旨在為教師教學能力的個性化培養和智能評測提供有力支持。

關鍵詞：課堂智能分析；教學能力結構；能力分析框架；垂直大模型

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）02—0043—10 【DOI】10.3969/j.issn.1009-8097.2024.02.005

教師的專業發展是當代教育改革實踐的重要議題，而其核心焦點在于提升教師的教學能力，這一進程強調不僅要更深入地理解教學能力的內涵，還要積極推動人工智能與教育的深度融合，以更精準的方式探索教學能力機制，從而促進教師專業發展的迅速有效進行。2022年，教育部等八部門發布的《新時代基礎教育強師計劃》明確指出“要以高水平教師教育體系建設為支撐，以提升教師思想政治素質、師德師風水平和教育教學能力為重點”[1]，旨在到2035年，實現教師教育教學能力的顯著加強；2018年、2021年，教育部先后開展了兩批人工智能助推教師隊伍建設試點工作[2][3]，以推進智能技術與教師隊伍建設的深度融合創新?？梢?，培養適切智能化教育環境下的高水平教師隊伍已成為當前教學改革的必然趨勢和客觀要求。而隨著GPT系列、文心系列等各種大規模智能大模型的不斷涌現，基于課堂智能分析場景的案例增量數據進行垂直大模型學習，成為當前課堂智能分析大模型訓練和人工智能支持教師能力分析及教師專業發展的主要方向之一，也為“智能+教師教學能力發展”研究提供了新的視角和工具?；诖?，本研究從能力形成的過程視角審視教師教學能力結構的現實表征，根據教師課堂專業水平發展數據，構建了基于課堂智能分析大模型的教師教學能力分析框架，通過人機協同方式初步評估了教師的教學能力水平和發展偏好，以期為實現教師教學能力的個性化培養和智能評測提供參考。

一 研究背景

在人工智能助推教師隊伍建設和人機協同教育創新發展的趨勢下，目前的首要問題便是教師教學能力的發展和培養。對此，從培養途徑來看，教學競賽、在線平臺、教師研修成為提高教師教學能力的重要手段[4][5]。而隨著學習共同體理論的發展，又將教學能力培養從個體維度投射到環境背景下，有研究依托名師工作室平臺，提出教學能力的培養需要驅動教師的內在動力，在自然情景和問題中對其給予更多的外在支持[6]。從評價方式來看，主要是從專家聽評課、問卷訪談、量表評價等質性角度提出培養建議，多具有主觀性。后來依托課堂行為數據量化分析方法評價教師教學能力的研究不斷開展，根據采集關注點和環境的不同，一般使用的研究方法有S-T分析法、Flanders分析法、iFIAS分析法、IIS圖分析法、滯后序列分析法等，如有研究基于課堂視頻智能分析技術，探究人機協同教研對教師教學反思能力的影響[7]；有研究通過匯聚教師大數據，構建了可重用的區域教師能力畫像教育數據模型[8]。然而，不管是質性分析還是量化角分析，傳統的教學能力評測或培養方法都具有一定的局限性，并與當前數智化環境下的教師專業發展規劃存在“兩張皮”問題，主要表現為：①傳統教師教學能力評價的“一刀切”方法與促進教師專業發展“個性化”需求不匹配；②當前教師教學能力培養的方案或路徑與教學能力內涵不相適應；③以往教師的教學能力結構與真實、客觀環境下教師所表現的教學能力之間并不相符；④傳統的教學行為分析方法與評價方式已經逐漸無法適應教學能力發展的需要。

2022年，ChatGPT類人工智能掀起人類社會的多領域變革[9]，人工智能技術迎來了“模型通用化”的第三次范式轉變[10]。由于學校、師生、管理等數據的隱私屬性，教育領域多是采用基于通用大模型進行二次開發的針對教育領域或任務進行優化設計的垂直大模型，大模型強大的數據處理能力和涌現能力為課堂教學行為分析過程的高度智能化、分析內容的深度理解化和分析結果的即時呈現化提供了契機。

綜上所述，本研究認為探究教師需具備的教學能力問題前需先認識到：①教學能力具有普遍性和特殊性意義[11]，已有的培養方案或路徑大多是從普遍性角度提出來的，而當今外部社會數智化正通過知識組合方式不斷影響著處于“三元空間”的包含教師在內的人類主體[12]，知識獲取途徑的復雜性和多元化使教師教學能力培養逐漸指向“個性化”和“持續性”大趨勢[13]。因此，教師教學能力的培養并非需要促進各能力要素的整體提升，處于不同階段或狀態的教師應選擇適合自身特點的路徑。②課堂智能分析大模型為教師教學能力的評價提供了手段和依據，并且模型優化是一個不斷迭代的過程，教學能力的評價需要發揮人機協同智慧。

二 基于課堂智能分析大模型的教師教學能力結構模型

為更好地進行教師教學能力和發展偏好的分析，需要首先探究教師教學能力結構樣態。心理學領域認為，能力是人在具體實踐活動過程中帶有的表現人個性心理特征的屬性。1904年，心理學家斯皮爾曼運用因素分析方法提出二因素理論，認為能力包含一般因素G和特殊因素S，該理論不僅經受住了科學檢驗[14]，而且為測量一個個體的G和該個體的任何一個S提供了理論工具。同時，研究發現當前對教師教學能力的培養逐漸從集中培訓轉向強調教師個性化探究取向的專業發展，教師專業發展也逐漸走向個性化[15][16]。而對教師能力結構框架的研究，就是期望能夠在不同情景的實踐活動中，找到發揮關鍵性作用的相對單純的個性特征。為此，本研究從能力的形成過程視角，在參考二因素理論的基礎上突出教師的個性化能力，將教師教學能力分解為勝任能力（一般因素）、掌握能力（一般因素中的特殊因素）、拓展能力（特殊因素中的一般因素）和卓越能力（特殊因素）四個維度，構建了基于課堂智能分析大模型的教師教學能力結構模型，如圖1所示。

1 勝任能力

勝任能力（Competencies，C）是教師職業必須具備的基本素養和一般能力，指向教學活動領域的共性能力。依據《高等師范學校學生的教師職業技能訓練大綱（試行）》對課堂教學技能的分類，可將勝任能力劃分為課堂導入能力、課堂講授能力、課堂提問能力、課堂板書板畫能力、課堂反饋和強化能力、課堂組織教學能力、課堂應變能力、信息技術應用能力、課堂演示能力、課堂評價能力、課堂結束能力11種。

2 掌握能力

掌握能力（Mastery Competencies，MC）是指教師在課堂教學和對學生的全面發展施加影響的過程中，起重要支撐作用并產生決定性效能的能力，表現為課堂教學中相對穩定持久的幾個教學能力的總和。能力區分強弱，按照處理具體問題時能力表現出的差異性，由低到高可劃分為新手級、基礎級、熟練級和精通級[17]，而掌握能力為勝任能力中熟練或精通級的某一個或某幾個能力的綜合，具有勝任能力所缺少的跨領域整合能力。掌握能力以歸納驗證為途徑，是在長期的教學實踐中累積表現出的教學風格，具有穩定性和獨特性，如教師善于運用提問技巧、擅長利用不同的信息技術支持課堂教學等。

3 拓展能力

“拓展”可被定義為改變某事物的現有狀態，以擴展或拓寬其發展途徑[22]。因此，拓展能力（Advanced Competencies，AC）可被理解為一種培養開放創新精神的過程，具備除勝任能力所要求的能力指標之外的一些能力特征，如擁有拓展能力的教師多為兼具教學、科研、管理方面能力于一身的復合型教師。教師拓展能力包括課標解讀、教育科研、著述寫作、跨學科整合、融合教育、知識創新等方面的能力，其維度及內涵如表1所示。

4 卓越能力

卓越能力（Excellence in Competencies，EC）表現為在多個領域內表現出杰出和創新的教育能力。卓越能力不僅強調廣度上的范圍擴大，還包括深度上在特定領域的深刻見解，是個人特質、專業技能、專業知識、動機態度的有機整合。2017年，《中國教育報》在頭版中將顧明遠、葉瀾等90位教育大家推選為“當代教育名家”，按照其評選標準，最核心的特質便是具有豐富的教育思想和教育見解，如教師對復雜問題的深刻理解和解決方案的創新，以及將教學實踐經驗歸納總結、升華為指導教育活動理論的能力。

總之，勝任能力是教師勝任工作所需要的一般能力，掌握能力體現為勝任能力在垂直領域中某些子能力的程度加強和整合，拓展能力是勝任能力所包含范圍的進一步擴大，卓越能力是教師自我完善和自我發展的一種需求，指向教學能力的最高層次。勝任能力確定了一個教師的G的量，掌握能力和拓展能力是教師在面對每一個獨特教學任務時所表現的S，并且隨著教師經驗在教育實踐中的日益豐富，各能力系統之間會為實現某一教學目標協同合作，通過不斷補充、完善G和S，趨向更高層次的動態平衡狀態，而平衡態即教師卓越能力的形成。從一般到特殊，四種能力構成了教師教學能力的全集。在當前教育數字化轉型的背景下（教師數字素養需求、人機協同教育應用給教師帶來的角色認同和主體角色危機等），越來越強調掌握能力或拓展能力兩種路徑的培養模式，關注特殊性而非全面性，以適應不斷演變的教育環境。

三 基于課堂智能分析大模型的教師教學能力分析框架構建

考慮到教師的教學能力外顯于各種具體的教學活動，不同的活動又對應于特定的教學能力，因此本研究將結合大模型技術與實踐經驗，以課堂教學行為分析為切入點來構建教師教學能力分析框架，以此深化教師教學能力的個性化培養與發展。

1 基于課堂智能分析大模型的教師教學能力分析框架

本研究根據數據多元分析、教學全過程數據采集、及時分析反饋等原則，設計了基于課堂智能分析大模型的教師教學能力分析框架，如圖2所示。

①數據來源。為確保數據來源的可靠性，收集教師課前教學設計方案和課后教學反思記錄，并利用智能設備進行課堂教學數據非入侵、伴隨式、無感式采集，所獲得的課堂實錄應包含教師全景、教師跟蹤、學生全景、學生跟蹤、板書特寫、多媒體信號6路視頻畫面。

②數據處理。收集到的課堂源數據需進一步處理轉化為可供“智能分析”的結構化數據，主要包括師生行為數據、師生言語數據、教學設計數據和教學特征數據，總的來看可分為文本和視頻兩種數據類型。在這一處理過程中，文本數據標注、“圖像+視頻序列”智能識別方法以及自然語言處理等技術為本框架的實現提供了強有力的支持。

③智能分析?；诙嗄B數據分析大模型和專家評課垂直大模型，可實現對教師教學能力的量化和質性分析。首先，多模態數據分析大模型屬于判別式大模型，依據iFLAS分析工具和功能-行為-結構（Function-Behavior-Structure，FBS）映射模型構建教學行為與能力之間的映射關系已在學理和實踐中得到佐證、檢驗[23]，因此多模態數據分析大模型的主要任務便是對輸入的多模態數據進行分類和識別，并運用教師與能力的映射關系方法訓練模型，從而實現行為輸入、能力輸出的智能解析過程。值得注意的是，為保證數據的準確性，在此過程中不僅要訓練大量的數據集和測試集，還需要增添人工打點矯正的過程。其次，多模態數據分析大模型的輸出結果是關于教師勝任能力情況的數據，將所得的各項統計結果與常模數據進行對比，多次接近或高于常模上限的指標數據構成教師的掌握能力模型。最后，教師拓展能力和卓越能力的構建主要依賴于專家點評，將處理后的結構化數據再次輸入生成式的專家評課垂直大模型，通過“大規模預訓練+下游任務微調”方式訓練專家評課語料庫，實現模擬專家評課內容的生成應用。

④能力框架。依托基于課堂智能分析大模型的教師教學能力結構模型，以數據伴生為基礎，從課堂教學數據中分析抽象出教師真實的教學能力樣貌，這一方法真正實現了對任何教師個體的教學能力進行測量，而不是給出一個平均值或平均水平。這有助于獲知教師發展偏好，確保教師教學能力培養走向適切的個性化培養路徑。

2 基于課堂智能分析大模型的教師教學能力培養機制

教師能力的培養需要通過一定的機制才能實現，機制是指利用一定條件實現預期目標的活動過程?；诮處熃虒W能力結構模型和教學能力分析框架，本研究構建了基于課堂智能分析大模型的教師教學能力培養機制，如圖3所示。

具體機制流程為：在對教師進行教學能力前測的基礎上，結合常模數據，對教師各項教學能力進行綜合分析診斷和培養，如其能力模型指標有一個或若干個接近或超過常模上限，則進入第二個循環“掌握能力”的深化加強，通過開展多層次、多類型的教學實踐，每一輪結束后立即進行測評反饋，從而使個人特征維度下可突出強化的能力要素達到動態穩定狀態。否則進入第三個循環，依托專家評課垂直大模型挑選出具有開放性和創新性的突出能力，根據拓展能力屬性，有針對性地尋找標桿教師，并選擇適宜的智能技術和資源，支持特定能力的培養。當教師積累夠一定的教學經驗時，會根據自身教學發展需求進行自主學習，并根據多模態數據分析大模型的測評反饋不斷重復這個過程，教師的教學能力真正實現內化和高度整合化，直到突變找到在該發展階段下一條專屬的、個別的卓越能力。

四 案例應用

為驗證前述分析框架對教師教學能力的智能分析能力，本研究于2023年4月對北京市某小學的一位五年級語文老師進行了跟蹤研究。該教師擁有二級教師職稱，已從教3年。本研究試圖通過分析該教師的連續10節授課視頻和教學設計來描繪其教學能力結構。

1 教師勝任能力分析

多模態數據分析大模型將原教學行為類別進行降維處理，使用因子載荷排序并刪除載荷小于0.6的教學行為，得到該教師清洗前后的公共組合行為變量，如表2、表3所示。其中，B表示“行為”，即iFIAS分析法將課堂教學行為劃分為14個行為維度，B1～B14分別代表教師接受情感、教師表揚或鼓勵、教師采納學生觀點、教師提問、教師講授、教師指令、教師批評或維護教師權威、學生被動應答、學生主動說話、學生與同伴討論、無助于教學的混亂、有益于教學的沉寂、教師操作技術、學生操作技術。F1～F5表示可提取的“公共組合行為變量”。之后，將其和基于專家模糊評述獲得的教學行為與能力映射關系模型進行映射分析，得到11種教學能力所對應的簡化教學行為，教學行為與能力的映射關系如表4所示。該映射關系可以表述基本的教學行為與教學能力之間關系的重要程度，從而實現行為表示能力的目的。

本研究用教學行為出現的頻次表示對應教學能力的體現程度，并通過雷達圖對該教師當前的勝任能力進行表征，如圖4所示。

2 教師掌握能力和拓展能力分析

綜上可以發現，該教師較為突出的教學能力是課堂導入能力、課堂反饋和強化能力。此外，觀看視頻發現，該教師平均每節課都會花費10分鐘的時間進行課堂導入，方式涉及視頻、角色扮演、知識回顧等，并以追問型、學生討論思考再答型等開放性問答模型多次與學生進行互動，因此該教師在今后的課堂中可繼續借助信息技術、問題驅動等方式加強這兩項能力的培養，以深化為掌握能力。在拓展能力方面，利用專家評課垂直大模型進行分析，發現該教師表現出課標解讀能力、跨學科整合能力的創新能力，課堂智能分析大模型處理的部分數據如表5所示。

3 教師教學能力框架

結合該教師的職業背景，發現該教師還未表現出卓越能力，由此可形成該教師在此階段的教學能力框架，如圖5所示。該教師可據此教學能力框架在后續教學中進行針對性學習和培訓。

五 結語

教師的教學能力是教師能力素質的集中體現，是一個復雜的發展過程。根據本研究構建的基于課堂智能分析大模型的教師教學能力分析框架，可以得出以下結論：①教師教學能力是普遍性和特殊性的綜合，優秀教師的成長并非是實現各能力維度的綜合提升；②通過人機協同相結合的方式采集到的多模態數據，在一定程度上避免了教師教學能力評價的局部化、間斷性等問題，使其分析更具全面性和智能性；③在實踐活動中，人的生理、社會文化心理、基礎心理等都有可能影響其行為的選擇和發生，因此教師教學能力的培養必須考慮教師性別、教齡、所在地區、所教學段等基本信息的影響，以便有針對性地開展培訓活動。

此外，本研究的不足之處在于：此系統實施的前提是需要通過多類型、多學科、海量的數據來不斷訓練優化大模型的智能性，當前所得結果大多需要通過人機協同的方式進行矯正，存在一定的主觀性。另外，教學能力具有復雜性和難隱喻性，本研究教學能力結構的劃分從一個較為宏觀的角度展開，降維處理后的教學行為與教學能力之間映射關系的科學性需要更多不同類別課堂的進一步系統分析和驗證?；诒狙芯糠治鼋Y論的局限性，如何解決確定教學能力成分需滿足的相對完備性和可操作性之間的相斥性問題，將是下一步研究的重點之一。

參考文獻

[1]中華人民共和國教育部.教育部等八部門關于印發《新時代基礎教育強師計劃》的通知[OL].

[2]教師廳.教育部辦公廳關于開展人工智能助推教師隊伍建設行動試點工作的通知[OL].

[3]教師函.教育部關于實施第二批人工智能助推教師隊伍建設行動試點工作的通知[OL].

[4]王磊，姚曉霞，柴田.基于“四位一體”教學能力培養的青年教師教學競賽體系的構建及其實踐——以西北農林科技大學為例[J].中國林業教育，2023，（1）：6-10.

[5]衷克定，王慧敏.基于在線平臺數據分析的教師教學能力發展階段探究[J].現代遠程教育研究，2019，（3）：49-56.

[6]馬麗斌.專業學習共同體視域下高職教師實踐教學能力培養——基于名師工作室平臺[J].高教論壇，2022，（7）：84-87.

[7]蔡慧英，盧琳萌，顧小清.人機協同教研會促進教師教學反思能力的發展嗎？——基于課堂視頻智能分析技術的實證研究[J].現代遠距離教育，2023，（1）：40-49.

[8]方海光，孔新梅，洪心，等.面向教育數字化服務的教育數據模型體系研究[J].遠程教育雜志，2022，（4）：45-54.

[9]鄭永和，丁雨楠，鄭一，等.ChatGPT類人工智能催生的多領域變革與挑戰（筆談）[J].天津師范大學學報（社會科學版），2023，（3）：49-63.

[10]吳砥，李環，陳旭.人工智能通用大模型教育應用影響探析[J].開放教育研究，2023，（2）：19-25、45.

[11]申繼亮，王凱榮.論教師的教學能力[J].北京師范大學學報（人文社會科學版），2000，（1）：64-71.

[12]田小紅，季益龍，周躍良.教師能力結構再造：教育數字化轉型的關鍵支撐[J].華東師范大學學報（教育科學版），2023，（3）：91-100.

[13]趙莉，李王偉，徐曉東.個性化和持續性教師專業發展模式的構建與效果研究[J].中國電化教育，2021，（5）：110-117、123.

[14]王亞南，劉昌.斯皮爾曼：從智力二因素論的創立到方法論上的突破[J].南京師大學報（社會科學版），2011，（6）：95-101.

[15]趙莉，李王偉，徐曉東.個性化和持續性教師專業發展模式的構建與效果研究[J].中國電化教育，2021，（5）：110-117、123.

[16]朱旭東.教師教育標準體系的建立：未來教師教育的方向[J].教育研究，2010，（6）：30-36.

[17]羅生全.教師關鍵能力結構及其實踐轉化[J].中國教師，2019，（12）：22-25.

[18][21]程敏芬，蔣娜娜.新時代卓越教師的融合教育能力及培養[J].綏化學院學報，2023，（1）：106-110.

[19]周春良.卓越教師的個性特征與成長機制研究[D].上海：華東師范大學，2014：53-55.

[20]張劼.跨學科融合教學的問題與實踐[J].中國教師，2021，（9）：65-68.

[22]傅敏，劉燚.論現代數學教師的能力結構[J].課程·教材·教法，2005，（4）：78-82.

[23]王秋晨.中小學教師教學行為與能力的映射關系模型解析研究[D].北京：首都師范大學，2023：46-48.

Analysis Framework of Teachers Teaching Competency Based on Classroom Intelligent Analysis Large Model and its Application Research

Abstract： At present， the digital intelligentization of external society is continuously influencing the human subjects including teachers in the “three-dimensional space” through the way of knowledge combination. The complexity and diversification of knowledge acquisition channels make the cultivation of teachers teaching competency gradually point to the gerneral trend of “individuation”. One of the main directions of the classroom intelligent analysis large model training and the teachers competencies analysis and teachers professional development supported by artificial intelligence is to conduct vertical big model learning based on the case incremental data of the classroom intelligent analysis scenarios. Under this context， the paper firstly constructed the teachers teaching competency structure model based on the process perspective of ability formation and Spearman's two-factor theory. Subsequently， the intelligent analysis discrimination of classroom teaching behaviors and teaching competency was conducted， which constructed an analysis framework and training mechanism of teachers teaching competency based on the classroom intelligent analysis large model. Finally， taking a fifth-grade Chinese language teacher in an elementary school as an example， the mapping relationship between the teachers classroom teaching behaviors and teaching competency， as well as the framework of teachers teaching competency were preliminarily constructed. Through this research， the paper was aimed to provide strong support for the personalized training and intelligent assessment of teachers teaching competency.

Keywords： classroom intelligent analysis; teaching competency structure; competency analysis framework; vertical large model