具體地說，
在復(fù)雜的實際場域，
比如說教學(xué)，
發(fā)展專長需要十年的刻意練習(xí)。
～ 羅伯特．馬扎諾 ～
傳統(tǒng)的課堂教學(xué)研究大多是透過教師課堂實地教學(xué)，由科組伙伴和教研員等觀課者從旁觀察、記錄，課后再依據(jù)這些記錄與授課教師展開交流和研討，指出教學(xué)上有待改進(jìn)的環(huán)節(jié)，做為未來教學(xué)改進(jìn)的參考。
從經(jīng)驗和結(jié)果來看，這種常用的教研形式顯然效能有限，否則經(jīng)過各校的定時教研和多到數(shù)不清的教學(xué)研討活動，應(yīng)該大多數(shù)課堂都是效果好、成果棒的好課，但事實卻遠(yuǎn)非如此。
原因何在？主要有三，一是教學(xué)是每天的日常，教研活動則相對較少，對于教研課教師通常會精心備課，有些甚至還會事先和學(xué)生一起預(yù)演，已經(jīng)沒有常態(tài)課堂的樣貌；二是每一個觀課者對課堂的記憶常有偏差，甚至混淆，研討時和教學(xué)者的印象并不一致，容易導(dǎo)致各說各話，難以聚焦；三是基于經(jīng)驗的教研并不可靠，師傅老師或教研員通常是將自己對于教育理論的掌握、教學(xué)方法的理解、教學(xué)過程的觀察記錄，結(jié)合個人經(jīng)驗給出相應(yīng)的改進(jìn)意見，但大數(shù)據(jù)與人工智能專家吳軍博士就說：“日常的很多感覺與數(shù)據(jù)給出的結(jié)論是相反的，如果不用數(shù)據(jù)說話，我們成功的概率就會小很多”。
這絕非削弱教研員價值！當(dāng)AI成為智能教研伙伴，傳統(tǒng)角色正進(jìn)化為“數(shù)據(jù)解讀師”。在數(shù)智化課堂中，教師將獲得三重循證支持：
．教學(xué)行為鏡像：多模態(tài)AI建構(gòu)課堂全息記錄。
．決策輔助引擎：秒級生成S-T/FIAS等師生口語互動診斷報告。
．成長度量衡：追蹤“語速變異值”、“學(xué)生參與度”等微觀指標(biāo)。
本文透過P老師的三周實證案例，揭開如何藉AI驅(qū)動：
．將模糊教學(xué)感知轉(zhuǎn)化為精準(zhǔn)數(shù)據(jù)。
．把經(jīng)驗傳承升級為循證迭代。
．讓專業(yè)成長進(jìn)入可視化進(jìn)程。
構(gòu)建課堂教學(xué)行為大數(shù)據(jù)
當(dāng)信息技術(shù)融入教學(xué)之后，課堂教學(xué)的內(nèi)容就從傳統(tǒng)的只包含師生口語互動，增添了加入使用數(shù)字工具操作全過程。
隨著信息技術(shù)逐漸深入教學(xué)環(huán)境，多數(shù)學(xué)校都設(shè)置了至少一間錄播教室，專門用作教師錄課教研之用，它可以完整記錄教學(xué)過程中師生說的話語、動作、板書等內(nèi)容。在《課堂記錄是教師專業(yè)成長的百寶盒》一文介紹過以數(shù)據(jù)形式保存教學(xué)中教師和學(xué)生操作硬件設(shè)備和軟件功能的全過程。通過時間軸將二者結(jié)合，就能構(gòu)建出一節(jié)完整包含師生口語和科技互動的課堂教學(xué)行為數(shù)據(jù)，保存完整的課堂記錄。
課堂師生互動口語分析技術(shù)
教師在錄播教室錄下來的教學(xué)視頻，本意是讓授課者在課后可以隨時回看，或教研時能重現(xiàn)課堂當(dāng)時景象。但絕大多數(shù)授課者限于時間因素，在錄課之后幾乎很少回頭檢視自己的教學(xué)過程，教研時也僅能透過快進(jìn)和倒轉(zhuǎn)來找到所需的片段，相當(dāng)費時。
為了提高教學(xué)回溯的客觀性和診斷性，上世紀(jì)60年代和80年代分別出現(xiàn)了兩種不同的針對課堂上師生口語互動與行為分析的課堂觀察法，分別是美國內(nèi)德．佛蘭德斯(Ned Flanders)教授提出的佛蘭德斯互動分析系統(tǒng)(Flanders Interactive Analysis System, FIAS)，以及日本藤田廣一(Fujita Hirokazu)和吉本英夫(Yoshimoto Hideo)教授提出的S-T(Student-Teacher)分析法。
這兩種課堂分析技術(shù)都是采用觀察、編碼的方式記錄課堂上發(fā)生的行為，主要針對師生的口語對話來進(jìn)行分析。其目的都是將長時間的課堂影音轉(zhuǎn)換成易于理解和比較的統(tǒng)計數(shù)據(jù)與圖形。
S-T分析法
在S-T分析法中，觀察員每30秒鐘記錄一次課堂上的教師行為（說話）和學(xué)生行為，若是教師行為記為T，學(xué)生記為S。另有一種優(yōu)化的方法將師生正在交互對話記為D。以一節(jié)40分鐘的課堂為例，觀察者會記下80個S、T、D的連續(xù)標(biāo)記。接著按順序在坐標(biāo)軸上，T標(biāo)記畫一小段（30秒鐘長度）水平線段，S標(biāo)記則畫一段垂直線段，D標(biāo)記則畫45度角的斜線，如下圖所示，綠色折線就是根據(jù)D-T-D-D-D-D-T-D-S-S-S-S-S-……標(biāo)記順序畫出來的S-T圖。
當(dāng)課堂標(biāo)記中發(fā)生師生間的行為轉(zhuǎn)換，例如T-S、D-T、S-T、S-D、D-S、T-D等就記為一次行為轉(zhuǎn)換，計算行為轉(zhuǎn)換次數(shù)的占比得到Ch(Change Rate of Behavior)，再計算全部標(biāo)記中教師行為T次數(shù)的占比得到Rt(Teacher Occupation Rate)，如此得到Rt-Ch值。橫軸為Rt值，縱軸為Ch，就能畫出如下的Rt-Ch圖。Rt-Ch圖劃分為5區(qū)（不含D標(biāo)記的則通常分為4區(qū)），將課堂類型分為練習(xí)、對話、平衡、模塊、講授等5種不同類型，根據(jù)Rt和Ch值的相交點可以判定一節(jié)課的課堂類型，如下圖所示。
S-T分析法的優(yōu)點是簡便、直觀，容易實施，能促進(jìn)教師的教學(xué)反思。一般而言，若是S-T折線斜率在45°左右，表示這是一節(jié)平衡型的課堂，師生占用的課堂時間較為平均。S-T圖搭配Rt-Ch圖還能將課堂類型再進(jìn)一步細(xì)分，教師便能對照實施的課堂模式和原先的教學(xué)設(shè)計是否產(chǎn)生落差，深入進(jìn)行教學(xué)反思。
佛蘭德斯互動分析系統(tǒng)FIAS
FIAS和S-T法一樣，也是由觀察員記錄課堂上師生的口語互動，但記錄與分析的方法則復(fù)雜得多。FIAS將教師語言行為分成兩大類、7個不同編碼，加上學(xué)生語言行為2個編碼和無法分辨師生行為“沉寂或混亂”，一共10個編碼，如下表所示。
觀察員將課堂上的師生行為每3秒記錄編號，比如教師在10秒鐘的時間對學(xué)生提問，然后點名一個學(xué)生應(yīng)答，學(xué)生回答花了8秒鐘時間，老師聽完后接受他的觀點，接著給予表揚，記錄下來的編碼依序為448832。課堂的1分鐘會記錄20個編碼，一節(jié)課40分鐘總共有800個編碼，將它們填入觀察記錄表。
接下來可以將這些記錄做成10x10的分析矩陣，矩陣的行和列都是由那10個編碼組成。觀察表中每2個編碼編成一個坐標(biāo)，例如上表記錄下來的坐標(biāo)就是(5,5)(5,5)(5,5)(5,4)(4,4)(4,8)(8,8)(8,3)(3,2)……。得到坐標(biāo)后就可以在分析矩陣中劃記，最終得到一節(jié)課的分析矩陣。在這個分析矩陣中就可以進(jìn)行各種變量的統(tǒng)計，例如1-4行次數(shù)總計200次，一節(jié)課總次數(shù)800次，就可以得到教師間接影響占比為25%，5-7次總計300次，計算得到教師直接影響占比37.5%，兩者合計教師課堂時間占比為25%+37.5%，得到52.5%，還可得到教師間接影響與直接影響比例為66.7%(25%/37.5%)。依照各分析變量的計算公式得出數(shù)值后，可以畫出如下的佛蘭德斯變量分析圖。
FIAS的優(yōu)點是可以對師生對話內(nèi)容進(jìn)行深入分析，且由于多達(dá)10個行為編碼，使得課堂觀察較為客觀并具有診斷性，但其缺點也很明顯，就是操作復(fù)雜，且對觀察和評價者有較高的要求。由于每3秒記錄一次編碼和繁復(fù)的矩陣運算，使得佛蘭德斯分析法幾乎不可能在課堂結(jié)束時就能產(chǎn)出分析結(jié)果，通常都是先錄制教學(xué)過程，課后再由專業(yè)的觀察人員根據(jù)錄像進(jìn)行編碼和建立分析矩陣，然后才能開展細(xì)部的變量分析。正因如此，F(xiàn)IAS大多只用在課例的教學(xué)研究，散見于一些學(xué)術(shù)論文中。
一個教學(xué)改進(jìn)的實際案例
隨著人工智能逐漸成熟和普及，語音和影像識別技術(shù)已有相當(dāng)高的準(zhǔn)確性，課堂結(jié)束之后，包括復(fù)雜的FIAS都能在幾分鐘內(nèi)得到精確的分析結(jié)果，使得S-T和FIAS在AI加持下，正式走入教學(xué)實踐，為教師教研建立循證研究的新樣貌。
P老師是一位小學(xué)四年級數(shù)學(xué)老師，為了提高自己的教學(xué)質(zhì)量，她連續(xù)3周都進(jìn)行了課堂教學(xué)的音視頻錄制，根據(jù)AI提供的分析數(shù)據(jù)與建議，于下一次課中針對性地改進(jìn)缺失。
下圖是P老師這3次課的S-T和Rt-Ch圖。從S-T圖的變化可以看出，P老師的課堂是師生互動的課堂，老師在課堂上沒有長時間講述的情形，有的是課堂上安排了一段一段的學(xué)生活動時間，特別在第3次課上，因為這節(jié)是一節(jié)練習(xí)課，從Rt-Ch圖中也可看出相較前兩節(jié)是平衡偏模塊的課堂，第3節(jié)則是平衡偏模塊與練習(xí)的課堂類型。此外從S-T折線的斜率變化可以看出，P老師的課堂逐漸增加了學(xué)生活動的時間，使得斜率越來越大于45°。
下表是3次課的佛蘭德斯分析和AI語音識別數(shù)據(jù)，從中也可看出P老師用心地根據(jù)這些AI分析針對性改進(jìn)自己的課堂教學(xué)。首先看表格中的藍(lán)色部分，老師在語速、信息密度、穩(wěn)定狀態(tài)區(qū)和學(xué)生穩(wěn)定狀態(tài)區(qū)等數(shù)據(jù)，3次課都呈現(xiàn)地比較穩(wěn)定。
其次表格中的紅色格子是老師在第1次課后認(rèn)為自己必須進(jìn)一步優(yōu)化的部分，分別是教師話語比例、學(xué)生話語比例、“這個”和“所以”這兩個口頭禪。5/8的課上老師發(fā)現(xiàn)自己的話語比例幾乎達(dá)到學(xué)生的2倍，有意識地調(diào)整后在第3次課可以看到老師放手給學(xué)生，自己說得更少，達(dá)到了學(xué)生占用時間多于教師的課堂樣貌。
綠色格子數(shù)據(jù)是老師在第2次課后發(fā)現(xiàn)課堂數(shù)據(jù)變差，在第3次課時特別針對性地修正，從結(jié)果顯示效果非常明顯。
結(jié)語
當(dāng)AI成為教師的“鏡像助手”，教學(xué)大數(shù)據(jù)將揭開課堂黑箱。如案例所示，教師透過三周定向優(yōu)化，成功將教師課堂話語占比下降了19.2%，將這些時間轉(zhuǎn)換成學(xué)生自主活動，讓學(xué)生站到課堂中央，并更加精準(zhǔn)地控制口語慣性。這印證了馬扎諾理論的新解：在AI輔助下，十年專長積累可壓縮為精準(zhǔn)的成長周期。
教育終究是藝術(shù)與科學(xué)的交織。當(dāng)AI承擔(dān)量化診斷，教師更需專注于數(shù)據(jù)背后的教學(xué)智能——何時該打破平衡激發(fā)討論？何時需回歸講授厘清概念？這正是數(shù)字時代教師專業(yè)性的終極彰顯。
