人工智能赋能课堂教学评价改革与技术实现的框架构建

吴立宝 曹雅楠 曹一鸣

关键词：人工智能;课堂教学评价;情绪识别;教师行为

一、引言

人工智能（Artificial Intelligence，AI）技术的开发和应用使得计算机能够代替完成以往人脑才能完成的智能工作，从而极大地拓展人的智力与体力。2018年教育部印发《教育信息化2.0行动计划》，提出要推动人工智能在教学、管理等方面的全流程应用，利用智能技术加快推动人才培养模式、教学方法改革;2020年中共中央、国务院印发《深化新时代教育评价改革总体方案》，明确指出要创新评价工具，利用人工智能、大数据等现代信息技术，探索开展各年级学生学习情况全过程纵向评价、德智体美劳全要素横向评价。大力发展人工智能技术，积极探索人工智能与教育评价领域的融合发展，是我国推动智慧教育的必然举措。课堂教学评价作为教育评价体系的重要环节，尝试开展人工智能下的课堂教学评价，有助于丰富评价内容，转变评价方式，记录成长轨迹，促进智慧评价的高效开展。

二、人工智能下课堂教学评价的变革

课堂教学评价是基于教师的教和学生的学，着眼于改进教师教育教学能力，提高课堂教学质量，而对课堂教学设计、过程和结果展开的评价[1]。从其价值意蕴层面上看，课堂教学评价是多元主体协作下进行价值判断的过程，是采集多方面信息发现价值的过程，是精准采集为教学改进提供决策的过程，是发挥其反馈功用发展价值的过程。当前传统的课堂教学评价表现为内部与外部的多元评价、过程与表现的评估判断、专家与同行的现场观察、鉴定与甄别的功能导向，而在人工智能技术的驱动下，将推动课堂教学评价在评价主体、内容、方式、结果等方面的变革，如图1所示。依托于人工智能所具备的数据挖掘、高速计算、自动分析等功能，辅助评价工作的高效开展，记录情感信息的动态变化，实现真实课堂的精准采集，追踪师生成长轨迹。

（一）评价主体：辅助智慧评价的高效开展

课堂教学评价是对课堂教学活动进行价值判断的过程，进行判断的前提即是对现有事实的广泛认可。以古巴（Egon G.Guba）和林肯（Yvonna S.Lincoln）为代表的“第四代评价”倡导者认为评价应为全面参与，旨在听取多方意见，协调不同价值标准间的分歧从而得到公认的结果，评价主体的多元化逐渐成为教育评价改革的发展趋势。传统课堂教学评价的多元评价主体包括内部主体和外部主体两类。内部主体是指参与到课堂教学活动内部的主体，即学生和教师;外部主体是指课堂教学活动以外的评价人员，包括评课的领导、专家和同行。评价主体多元化的同时，也伴随着评价的开展和整合的工作量急剧增大。当前的多元主体评价包括教师自评、教师对学生表现与知识掌握的评价、学生自评、学生对教师授课的评价以及听课人员对课堂的评价等形式。如此要想得到一堂课最终的评价结果则需要经历较长的统计过程，這不利于教师根据评价结果及时调整教学活动，不利于教师和学生自身对学习现状的把握和及时调控，表现出课堂教学评价开展的低效。

在人工智能技术的辅助下，利用教室内安装的摄像头、眼动仪等实时地采集课堂图像与声音信号，利用面部识别、语音识别、姿态识别等技术对课堂教学过程中的师生表现性信息进行自动运算、分析和评价。同时在教室可安装实时反馈评价数据与结果的电子显示屏或客户端，以便教师在课上实时获得评价系统的反馈数据，掌握全体学生的听课情况，从而及时调整教学内容与方法并对走神学生加以提醒，学生也可在课下及时看到整堂课中自己的学习表现。相较于传统评价方式中需要等待测验、问卷或访谈的反馈结果，人工智能下的课堂教学评价加快了评价开展进程，提高了课堂教学评价对于教师教学与学生学习的反馈作用，实现课堂教学评价的高效开展。

（二）评价内容：关注情感信息的动态变化

通过采集多方面内容的评价信息，明晰教育开展现状，挖掘教学改革切入点，探寻教学开展方向，是教育评价发现价值的体现。广泛地采集教育教学的多方面信息可为发现价值的生成提供坚实的支撑材料。课堂教学的目标应是丰富的、多元的，不应仅是追求学科成绩的提高，而应更多地关注师生多方面的发展，既着力于实现学生德智体美劳的多方面发展，也助力教师提升教学能力与专业素养。传统课堂教学评价内容主要是包括对课堂教学目标、内容、环节、方法、结果的设计与开展、教学过程中的师生表现与课堂氛围等。注重学生知识和技能的掌握，而忽视了学生成长所需的其他方面，包括情感、道德、价值观等[2]。教育评价工作要坚定以立德树人为导向的育人目标，扭转重智育轻德育、重分数轻素质的现状，强调学生的全面发展。课堂是学校教育的主场所，课堂教学既是学生认知发展的教学活动，也是育人目标达成的教育途径，因此课堂教学评价在考察学生知识掌握情况的同时，也应关注学习过程中学生的情感因素变化。

而人工智能下的课堂教学评价可通过采集师生的声音、面部表情与身体姿态等数据开展课堂情绪识别，得出教师与学生动态的情感变化信息。教师在课堂教学过程中的情感往往会通过表情、语言和动作传递给学生，饱满热情的教学情绪更能够调动起学生的学习热情，恰当地使用消极情绪能起到震慑纪律、纠正不当行为的作用，但若消极情绪长久保持则不利于良好的课堂师生关系构建，从而不利于课堂教学的高质量开展。利用人工智能技术识别和分析教学过程中教师的语调、教态和情绪等教学表现，有助于教师把控课堂情感，从而调动起积极的课堂学习氛围，建立和谐师生关系，开展高效教学。学生在学习过程中伴随着积极、正向的情感，处于专注、投入的学习状态往往更有利于生成高质量的学习效果。借助人工智能技术，把握学生课堂参与、交往互动、思维状态和课堂情感等维度的课堂表现，扭转课堂教学评价过分关注知识掌握、技能获得的现状，关注教学过程中学生的情感、态度、价值观和核心素养的生成与培养，有助于课堂教学育人目标的达成。

（三）评价方式：还原真实课堂的精准采集

教育评价是教育教学发展的“指挥棒”，为教育治理提供决策材料，为改进教师的教学行为与学生的学习行为提供反馈信息。收集材料的准确性、真实性将直接影响决策的生成与反馈的效果，因此选取恰当的评价方式，借助精准的采集工具，收集真实、客观、准确的评价数据是教育精准评价开展的先决条件。传统课堂教学评价主要是由教育专家或同行进入课堂，直接观察教学过程中的师生表现。但此种评价方式存在弊端：一是由评价人员现场评价的公开课往往由于教师的精心准备、学生的格外集中而使得与常态化课堂状态存在差异，导致评价的真实性缺失;二是评价人员采用固定的评价指标进行赋值打分，但评价指标往往存在模糊不清、难以评判的现象。例如教师讲授清晰、内容设置充实、师生互动充分等评价指标，多是以课堂整体氛围与自身的听课感受作为评判依据，评价缺乏量化证据支持而主观性较强。

将人工智能赋能于课堂教学评价可利用教室内安装的摄像头代替评价人员的现场观察，通过采集师生声音、面部和姿态信息，开展课堂语言分析、课堂行为分析与课堂情感分析，获取学生注意力、掌握程度、互动情况、情感状态等学习情况，分析教师的课堂教学行为，进而实现课堂教学的智能评价。如此开展一是教室内没有听课专家及其他教师的干扰，能使课堂回归真实、自然的状态，能够得到可信度更高的课堂教学评价结果;二是通过对每名学生学习情况的统计与分析，为评价工作的开展提供精准的针对每名学生的量化数据。依托于人工智能技术强大的数据挖掘与运算分析能力，采集真实客观、全局精准的数据，探寻数据间的潜在逻辑，为教学改进提供决策材料，助力课堂教学评价的高效精准开展。

（四）评价结果：实现师生成长的轨迹追踪

教育评价通过判断价值、发现价值，从而为改进教育提供决策材料，最终实现教育价值的提升。通过评价结果的反馈，指向师生的多方面发展，发挥其发展价值的功用。传统课堂教学评价结果主要以鉴定与甄别为功能导向，教师教学状况的评价结果往往与教师评比挂钩，而使得教师一昧地注重自身教学能力提升而忽视对学生发展的关注。对学生学习状况的评价往往以检验阶段性学习成效为目的，以终结性评价的形式，开展各年级各学科的教学质量检验，其结果难以真正反映课堂教学质量，也不利于发挥评价对改进学生学习状况的反馈作用，难以体现评价结果对于师生成长的发展性功能。

人工智能下的课堂教学评价可采集课堂教学全过程中师生的表现信息，开展过程性评价。对于教师而言，可通过对教师语言的分析，获取教师语言结构特点，有助于教师把握自身语言现状，识别和改进自身课堂教学语言风格;可通过课堂中的师生语言交互，识别课堂教学结构，判断师生交互情况;可通过对教师的语音语调与课堂教态的识别、分析与情感特征判断，帮助教师直观地认识到自身课堂情感状态，纠正不恰当的课堂教态，构建良好的课堂师生关系，提高课堂教学质量与效率。对于学生而言，可记录学生的举手发言次数、抬头听课时间、参与讨论情况以及专注力等课堂过程性数据，并及时反馈给学生，便于学生直观认识自身学习状态，从而及时调整与改进，开展形成性评价。同时依托于其大容量的存储空间、高速度的运算能力，可生成阶段性的课堂表现数据，以此追踪教师专业发展与学生全面发展的成长轨迹。还可将采集到的学生课堂表现的数据结果，与学生综合素质评价相贯通，搭建起多维度、多层面的学生全面发展测评体系。

三、人工智能下课堂教学评价的实践路径

（一）系统架构

基于人工智能技术发展现状以及课堂教学评价变革的现实需求，设计人工智能下课堂教学评价的系统架构，自上而下包括对象层、数据层、技术层和应用层，如图2所示。

课堂教学活动主要由教师的教和学生的学两方面组成，因此人工智能下的课堂教学评价着眼于教师与学生两大评价对象，通过采集其声音、姿态、面部与生理信号数据，进行识别与分析算法设计，包括语音识别、自然语言处理、姿态识别、表情识别以及基于脑电的情绪识别等，指向课堂语言分析、课堂行为分析、课堂情感分析与课堂教学评价体系四大应用场景。

（二）数据处理

1.基于声音数据的处理

声音是传递内容、表达意图与情感的介质。针对声音数据的处理，一方面可利用语音识别技术获取人类的语音信号，将其转变为相应的文本并开展进一步的自然语言处理任务。通过对情感词及關键词等的识别与标注，可进行语言文本分类，以分析课堂师生言语结构及情感信息。有研究综合卷积神经网络和Bi LSTM网络建立特征融合模型，在提取文本局部特征的同时兼顾上下文的全局特征，提高了文本分类的准确性[3]。另一方面声音信号的语音语调可以反映发言人的情感状态，例如高昂的语调往往表达激动、兴奋的情感，低沉的语调表达悲伤、阴郁的情感等。伊恩穆雷（Iain R.Murray）等从语速、平均基频、基频范围、强度、音质、基频变化、清晰度等角度，针对愤怒、高兴、悲伤、恐惧、厌恶五种情绪进行了声学参数特征划分[4]，为语音语调识别的开展积累了实践经验。

2.基于姿态数据的处理

人体姿态识别是通过对手势、动作、姿态等进行识别以反映人体状态或意图的技术，通过对人体结构的建模、定点与分割，剖析姿态动作中所传递的情感导向。徐家臻等基于人体骨架信息的提取实现对学生听讲、看书、站立、举手和写字五大行为的识别[5];刘新运等设计算法对学生起立发言、注视前方、阅读、书写、交谈、身体转向背后、使用手机、趴在桌面等课堂行为进行检测，获得了较好的识别结果[6];杨波等基于手势空间分布特征开发了手势识别算法，实现在复杂背景下实时地对人体手势进行识别[7]，为更为精细地识别与分析教师和学生姿态以反映课堂行为，积累了可实施的算法开发基础。

3.基于面部数据的处理

表情是在表达与交流过程中所流露出的情感的外在表现。面部表情识别是通过对人脸面部表情的捕捉与分析，使机器能够识别出人的表情所透露出来的信号与意图。对面部表情进行识别处理主要有两类，一是对局部特征的识别。可通过定位和分析眉毛、眼睛、鼻子、嘴唇等关键点特征，识别面部肌肉动作并以此进行面部表情分类[8]。二是对整体特征的识别。以面部整体进行识别分析，区分不同表情的面部特征，特征脸方法与弹性匹配方法均是常用的基于面部整体属性进行识别的方法[9]。

4.基于生理信号的处理

生理信号主要包括脑电、心电、机电、皮肤温度等。通过对生理信号的采集与分析，能够捕捉更为细微的情绪变化。在更为专业化的智慧教室环境中，可提供更为精准的课堂教学情绪表现分析结果。其中通过脑电特征识别学习者的情感信息具有操作易、效果好的优势，可从时域、频域、时频域、空间域四个维度对脑电信号特征进行分析，开展情绪归类[10]，因而脑电信号成为广受研究者青睐的生理信号采集选择。

（三）应用开发

1.课堂语言分析

语言是课堂教学活动中的主要交流形式，语言行为占到全体教学行为的80%[11]。以师生语言行为为抓手切入课堂教学过程，可还原课堂教学整体样貌，把握课堂教学总体结构。从互动角度分析课堂语言结构有助于把握师生的交互作用，反映教师语言是否引发学生思考，观测学生发言是否得到教师回应。借助人工智能技术对师生话语量与交互情况的统计，分析教师提问行为价值与反馈行为指向，从而调整课堂教学结构，提升师生互动实效[12];教师语言决定着教学活动的开展，影响着学生学习的质量，教学过程中采用引导性、激励性、追问性语言能够激发学生的学习热情，过多的命令性与陈述性语言则不利于教学过程中学生主体性的彰显[13]。借助人工智能技术对教师语言类别与结构的分析，有助于教师明晰课堂语言存在问题，从而辅助教师修正语言行为，提高课堂教学质量。同时通过对教师课堂语言的识别分析，还可开展不同类型教师间的比较分析，探寻卓越教师在语言类别、场景、时间分布等方面的共性特征，开展新手教师与熟手教师间课堂语言使用情况的比较研究，从而提供给教师更为精准化、更具针对性的专业发展建议。当前有研究基于SAC方法实现课堂师生互动的自动编码，统计师生各类语言占比，以量化形式剖析课堂师生语言行为[14];赵明明借助统计人工智能专家系统（SAIES）对课堂对话进行自动转录、分类与分析[15]，为基于人工智能技术分析课堂师生语言贡献了实践经验。但目前研究仍多用于区分语言类别，统计各类语言所占时间比例层面，侧重切片式的分析，师生语言行为所反映的教育意义，语言特征与行为、情绪特征等之间的关系尚未涉及，这也是未来课堂语言分析研究中需要进一步探寻的问题与方向。

2.课堂行为分析

课堂教学是由一系列教学行为所构成的认知活动，包括学生行为和教师行为。针对学生行为的分析可开展学生的课堂学习状态的判断，如认真听课、侧身交谈、趴下睡觉等，一方面可及时将识别结果反馈给教师，以便教师进行提醒和针对性辅导，同时分析结果也可作为学生课堂学习的表现性信息纳入学生的综合素质评价体系;另一方面也可结合教师的讲解、板书、巡视等教学行为，获取课堂教学行为的总体特征，帮助教师优化课堂教学活动设置，调动起学生学习积极性，使学生充分参与到课堂教学活动之中，从而提高课堂教学质量。

现有研究中，刘清堂等通过面部识别技术检验师生的人脸数目、轮廓数目等面部特征，以此识别解说、示范、板书、媒体演示、提问、点名和巡视等教师行为，以及发言、思考、笔记、作业等学生行为，并绘制出S-T曲线，划分课堂教学模式类型[16];贾鹂宇等利用面部识别与姿态识别技术完成课堂教学中学生抬头率与课堂活跃度的评估，实现对学生课堂状态的分析[17]，均是可开展的课堂行为分析范式与实践经验。

3.课堂情感分析

课堂教学的过程既是教师向学生传授知识的过程，也是师生间情感交互的过程。学生的课堂学习感受与知识掌握均会通过外显的面部表情及身体姿态予以反馈，例如处于专注、轻松、正向的表情，身体坐直抬头听课，反映学生积极地投入到教学活动中，同时知识的掌握并未给学生带来认知负担，知识掌握情况较好;处于迷茫、困惑、负面的表情，身体左右倾斜，视线未集中于黑板或书本，则反映学生的课堂参与较弱，所学知识存在认知负担，知识掌握情况较差。借助人工智能技术可采集学生面部及身体姿态数据，获取学生情感特征，从而反馈给教师以便及时调整课堂教学内容与教学方法。当前研究中汪亭亭等借助面部识别技术提取学习者的眼部与嘴部特征[18]，阿斯温（Ashwin T.S.）等借助卷积神经网络CNN结构基于面部表情、手势和身体姿势[19]，识别专注、中性和疲劳三种学习情感状态。北京师范大学开发的课堂教学效果自动监测原型系統（CAISBNU），利用面部表情识别对学生听课时的表情进行识别分析，以此评估课堂教学效果[20]。在线教育领域中，柴金焕、付彦飞等[21][22]均基于面部表情、身体动作、语音信息等获取学习者的情感特征，开展课堂情感分析，为教师针对性地开展指导，为精准全面地反映课堂教学效果提供数据支持。

现有研究成果中多是着眼于课堂中学生的情感状况，而鲜少对教师课堂情绪展开研究。教师在课堂中的情感状态一定程度上会影响整体的课堂教学氛围，教师课堂情绪的把控也是教师课堂教学能力的组成部分。因此尝试对教师课堂情绪开展分析研究是人工智能赋能课堂教学评价改革的研究方向，是搭建基于人工智能的课堂教学评价体系的重要环节，通过识别分析教师情绪表现种类与时间分布，比较新手教师与熟手教师课堂情绪表现是否存在差异，归纳卓越教师情绪表现特点，以期为教师提高课堂教学能力提供改进方向与依据。

4.课堂教学评价体系

采集多模态课堂教学活动数据，综合运用多种识别与分析技术，尝试搭建课堂教学评价体系，实现人工智能技术的自动采集、运算、分析与评估，是人工智能下课堂教学评价应用开发的根本目标。但在当前研究中多是基于单模态数据的分析评估，正如如上所言的课堂语言、行为与情感分析，而基于多模态数据的智能分析，能够更加全面立体地还原课堂教学，开展课堂教学评价。

当前已有研究尝试开展课堂教学智能分析，如韩丽等采用多姿态人脸检测与面部识别技术提取学生头、眼、唇三部分特征变化，对倾听、疑惑、理解、抗拒、不屑5种课堂表情进行识别，基于关注度、参与度、疑难度、活跃时间四方面数据评价课堂教学效果[23]。骆祖莹等基于师生对话文本以及计算机视觉技术（包括表情识别与视线检测）建立课堂教学自动评价体系[24]。孙众等通过标记骨骼关键点的人体姿态预测算法分析学生课堂行为，采用自然语言理解与大数据处理方法进行教学事件分析与评语分析，开创人机协同下的课堂教学分析新模式[25]。但现有研究多是停留于表面，关注课堂语言、行为、情感的类别、形式与频次，而较少地探究其深层的内涵、生成原因以及背后的教育意义和价值。教师的课堂语言是施加教学影响的直接途径，课堂行为是开展高效教学的行动导向，情感状态是课堂教学氛围的隐性渗透;学生的课堂语言是其课堂参与的反馈与知识掌握的检验，课堂行为是其课堂表现与学习状态的体现，情感状态是其课堂学习体会、收获、感受的情感表达，能够反映其课堂学习效果。多模态数据共同构成课堂教学的有机总体，尝试搭建多模态数据下的课堂教学评价机制，探寻数据间的内在关联，挖掘课堂表现背后的教育意义与价值，应是人工智能赋能课堂教学评价改革的发展路径与目标追求。

目前已有越来越多的基础教育学校开始将人工智能引入校园，尝试开展人工智能下的课堂教学评价。例如杭州十一中学在校园内试行的智慧课堂行为管理系统，通过面部与动作识别，完成课堂的自动考勤，并记录每名学生在课堂上阅读、书写、听讲、起立、举手和趴桌子6种行为与害怕、高兴、反感、难过、惊讶、愤怒和中性7种表情的发生次数，通过计算得到实时的课堂专注度，有助于教师及时对上课走神的学生进行提醒[26]。重庆二十九中利用FaceMind课堂实时表情分析系统实时判断学生的学习与理解情况。江西省南昌市赣江新区金太阳实验中学也部署了课堂行为分析系统，通过人工智能技术实现了课堂教学的智慧化评价。伴随着人工智能与教育愈发深度的交融，对课堂中的语音、图像、视频、空间、姿态以及多模态数据进行采集与分析，全方位追踪课堂轨迹，提取与解析课堂多维度数据，进而实现智能诊断与智能反馈的一体化课堂教学与研究将成为可能[27]，基于多模态数据的智能采集与分析技术还将更广泛地服务于课堂教学评价实践，助力课堂教学评价向着高效、精准、智能化的方向变革。

四、人工智能下课堂教学评价的未来展望

（一）探索专业化的评价指标构建

当前人工智能下课堂教学评价的开发和实施仍处于起步阶段，算法已趋于成熟但在课堂中的应用仍处于试点研究状态，难以作为完整的辅助性评价主体纳入课堂教学评价体系，评价的专业性受限。因此要嘗试构建专业化的评价指标，使其更针对性地指向课堂教学实践改进。

一是应探寻量化数据的解读原则与指导意义。人工智能技术能够实现对课堂教学中师生表现的过程性量化信息的采集与分析，但对数据的分析解读以及其如何更加有效地指导教学实践方面仍有所欠缺。对收集的量化数据的分析与评估应指向遵循教育学与心理学所要求教学规律;应指向教师课堂教学水平的提升和学生全面发展核心素养的培养;应加强对收集数据指导意义的思考与研究，使其更直观、清晰地向师生还原课堂行为表现，从而更有针对性地指导课堂教学改进。

二是应考虑不同类型与学科课堂教学评价侧重。当前研究多是针对不同课堂的共性指标开展分析，如分析教师的语言与行为类型及其比重，监测学生课堂中的注意力、活跃度、情绪状态等。不同类型课堂有各异的课堂特征与教学开展方式，如新授课强调学生对新知识的习得和理解，习题课更强调学生对知识的运用等[28]。不同类型课堂的教学目的、内容和要求不同，其所关注的课堂表现也存在差异，因此要探索专业化的课堂教学评价指标，考虑课型差异性，设计相应的观测指标与算法。不同学科有维度多样，层次不一的学科核心素养培养要求，仅依靠课堂教学的共性特征设计指标只能评价教师教学的基本规范，而无法使评价深入学科，专业性不足且难以得到教师认可[29]。人工智能下的课堂教学评价应充分发挥其大数据采集与处理的技术优势，针对不同学科特征和发展要求，开发具有学科特征的课堂教学评价指标，为智慧课堂教学评价的开展提供学科针对性的实施方案。

（二）加强个性化的教师行为反馈

当前利用人工智能技术开展课堂教学评价多着眼于学生课堂学习行为，重在利用智能化手段辅助教师完成对学生学习状态的监控，以便及时调整教学内容、改进教学方法，而鲜少将焦点放在课堂教学中的教师行为上。故应尝试利用人工智能技术对教师课堂教学中的行为进行识别，加强个性化的教师课堂行为反馈。

一方面开展教师课堂姿态的识别与反馈。构建良好的课堂师生关系、营造积极的课堂教学氛围是开展高质量教学的前提。教师作为课堂教学活动的组织者，抬手举足间都会对学生行为与情感起到示范、引导作用。例如教师授课时双臂交叉于胸前给人以强势的感受，双手背后给人以高高在上的感受，用单个手指指向学生给人以不尊重的感受等等。研究可尝试基于人体姿态识别技术判断教师课堂教学过程中的身体形态与手势动作，帮助教师认识到自己不易察觉的身体姿态。特别是对于教学经验不足的新手教师，基于直观的人工智能反馈结果，及时纠正不恰当的课堂教态，有助于构建良好的课堂师生关系，促进课堂教学的高质量开展，助推新手教师的快速成长[30]。

另一方面开展教师教学能力的观测与评价。例如通过表情与语音语调识别判断课堂的情感态度与互动氛围;通过语音识别统计师生发言动态比率以获取课堂教学结构与活动安排情况;通过对教师课堂站位的识别判断教师对学生的辅导情况;通过表情识别掌握教师的课堂把控能力以及突发事件的处理能力等等。更多地将关注点投向教师，尝试开展教师个性化课堂教学行为的识别、分析与评价，为帮助教师提高教学能力提供可观测的手段与平台，为教师教学能力评价提供个性化、针对性的量化数据支持，助力教师的专业化发展[31]。

（三）着眼发展性的未来教育挑战

人工智能在赋予教育新的发展动力，促使教育朝着智能化方向变革的同时，也将对未来教育开展带来新的挑战。要在认清变化、规避风险的基础上积极探索人工智能赋予课堂教学评价新的可能。

一是明晰教师角色变革。开展人工智能下的课堂教学评价可使人工智能作为新的评价主体，代替教师完成对学生课堂活跃度、参与度、知识掌握情况等学习信息的自动评价，还可为学生匹配个性化的学习任务，但这并不意味着教师角色将被人工智能所替代。教师要“树人”，“立德”是根本。课堂教学既是向学生传递知识的过程，同时也是育人的过程，学生在学习过程中的情感需求以及教师的榜样作用等教育因素是虚拟教师无法代替的。要明晰人工智能时代教师角色的新定位，把握教师工作的新变化，迎接人工智能辅助下教师行动的新挑战。利用人工智能代替教师完成部分教学与管理工作，可使教师将更多的精力投入创造性的工作中，促使教师教学模式完成从知识传授向知识建构的转变。

二是注重隐私数据保护。开展人工智能下的课堂教学评价意味着教师与学生在课堂教学全过程的表情、语言、动作等信息都被如实记录，面临着个人隐私被侵犯的争议。人工智能在教育领域的应用正处于起步阶段，其在数据采集、运算、分析等方面已展现出其强大优势，其对于提高课堂教学评价的全面性、综合性是一次有益的尝试与突破。利用人工智能进行课堂教学数据的采集要在规避风险的前提下审慎开展，采集数据前应充分告知被采集的学生及教师，同时规范对数据的合理使用与安全存储，做好隐私的保护工作，在确保信息安全的前提下，探索人工智能为课堂教学评价带来的新的变革。