陈怡等 | 我们需要怎样的课堂教学分析系统？——基于多案例的评价指标体系构建|中小学科技|教学|教研|教育|科学|评价指标|课型|陈怡(作曲家)

关注“在线学习”

获取更多资讯！

刊载信息

陈怡，余淑珍，朱晓悦，& 闫寒冰.(2025).我们需要怎样的课堂教学分析系统？——基于多案例的评价指标体系构建. 中国远程教育(12),75-89.

我们需要怎样的课堂教学分析系统？——基于多案例的评价指标体系构建
陈怡, 余淑珍, 朱晓悦, 闫寒冰

【摘要】随着数智技术深度赋能教育变革，课堂教学分析系统凭借其智能化、自动化、精准性等特征，已成为中小学开展数字化教研的主选工具，广泛应用于听评课、备课观摩、学生课堂状态分析等场景。然而，如何改进课堂教学分析系统，是开发者重点关注的；如何判断众多备选系统的优劣，是学校和教研部门重点关注的，但相关研究甚少，尚未形成完善的评价指标体系。本研究聚焦中小学课堂教学分析系统的核心功能，基于文献综述和典型系统功能提取，初步构建评价指标体系，并运用德尔菲法进行两轮专家意见征询与指标修订，应用层次分析法计算指标体系中各层级的指标权重。之后，选取六个典型课堂教学分析系统，分别面向研究者和使用者开展两轮试测，验证与迭代指标体系。最终，构建了由“功能实现”“教学支撑”和“用户体验”3个一级指标及14个二级指标组成的评价指标体系。并面向一线教师、学校与教研部门以及系统开发者三类核心主体提出实践建议，分别是完善教师数据素养培养体系、优化系统遴选与适配机制以及实施以教育需求为导向的技术研发，确保该体系在教育实践中的最大效用。

【关键词】数字化教研; 课堂教学分析系统; 评价指标; 听课评课

一、

引言

随着数智技术的发展与普及，其在教育教学与教育研究等方面的应用越来越丰富。其中，课堂教学研究通常被视作中小学教育研究中的首要问题。课堂教学行为分析作为课堂教学研究的重要组成部分（李玲等, 2023），也随着技术的引入而发生重大变化。人工智能、大数据以及多模态学习分析等技术赋予机器更强的识别、判断和决策能力，显著提升了课堂教学场景中数据获取与行为识别的全面性和准确性，为课堂教学行为分析提供了强有力的支持（赵丽等, 2022）。在此背景下，为实现更加系统化、智能化的课堂教学行为分析，课堂教学分析系统应运而生。作为一种集成多种服务和功能的综合性平台，其能够应用数智技术自动采集、储存和处理课堂教学过程中的多模态数据（如视频、音频、师生互动数据等），并基于经典的课堂教学行为分析方法（如弗兰德斯互动分析系统，FIAS；基于信息技术的互动分析编码系统，ITIAS；滞后序列分析法，LSA等），建立起数据驱动的课堂教学行为分析模型，以实现对多源数据的智能化融合分析，从而形成对教学行为的立体化解读，帮助教师、决策者和学者洞察教学情境，透视教学特征，优化教学行为，充分发挥数据要素价值（闫寒冰 & 陈怡, 2023; 张思 & 张津铭, 2024）。如今，课堂教学分析系统已成为中小学教学实践中不可或缺的工具，广泛应用于听评课、备课观摩、课堂教研等活动中，对教师的专业发展和教学质量提升具有重要支撑作用（王冬青等, 2020; 张秀梅等, 2020; 陈锋娟等, 2024）。

2024年12月，教育部教师工作司发布了34个人工智能助推教师队伍建设试点典型案例，全面展示了人工智能赋能教师专业发展的实践成效。其中，大量区域和学校在教育数字化转型过程中已常态化配备课堂教学分析系统，用于支持有关教学过程的数据采集、行为分析和策略优化。可见，课堂教学分析系统的理论价值和应用潜力得到普遍认可。然而，其推广应用仍然面临两方面核心难题。一方面，对于学校和教研部门而言，尚未形成科学、统一的评价标准，用以判断系统优劣并甄选出真正契合课堂需求，能够有效支撑教学改进的工具。另一方面，对于开发者而言，如何基于实际教学情境不断优化系统功能，提升数据分析的精准性与智能化水平，仍是亟待解决的关键问题。评价体系的缺失不仅让一线教师和学校难以高效适配优质的系统，也制约了系统研发的针对性与有效性。鉴于此，本研究综合采用文献分析法、德尔菲法与层次分析法等研究方法，尝试构建课堂教学分析系统的评价指标体系，旨在为学校和教研部门提供科学依据，助力其对优质系统的筛选，同时为开发者明确优化方向，推动系统的精细化设计与规范化发展。

二、

文献综述

对课堂教学分析系统的研究近年来在理论与实践中均取得显著进展，但仍面临诸多挑战，以下将从理论研究进展和实践应用探索两方面进行系统梳理。

（一）理论研究进展

对课堂教学分析系统的理论研究聚焦于智能化建模与多模态数据融合，目前已形成多维度分析框架。在分析模式层面，智能化建模成为主流方向。刘清堂等（2019）提出包含“数据采集与存储”“行为建模与计算”和“智能服务”三模块的智能分析模型，为系统功能设计提供了基础框架，其核心在于通过算法将原始数据转化为可解释的教学行为标签。孙众和于子淳（2023）构建了人机协同的TESTII课堂教学分析模型与4A改进模型，强调教师与技术的双向互动机制。多模态特征融合是另一研究热点。赵刚等（2020）提出了基于学生表情、脑电波等数据的多维特征融合模式，以突破单一数据源的局限性。胡航和杨旸（2022）提出了一种基于多模态数据结合深度学习进行学习行为评价的框架，通过采集脑、行为、认知、环境和技术五种模态的数据，支持学习行为与教学绩效预测分析。此外，人工智能引擎的应用显著提升了课堂行为标注效率与分析能力。卢国庆等（2021）基于自然语言处理技术实现了师生对话的自动化语义分析，为教学行为标注提供了新路径。程云等（2017）提出的基于云模型的复杂课堂行为量化方法，则通过模糊数学理论解决了行为边界模糊的难题，为智能诊断提供了新思路。上述研究为课堂教学分析系统的技术实现提供了重要理论支持，但现有成果多聚焦于算法优化、数据处理效率等技术逻辑，对系统使用主体——教师与学校决策者的实际需求关注不足，导致系统输出结果与教学改进策略的关联性较弱。此外，理论研究多基于理想化教学场景设计，对分层教学、跨课型适配等动态复杂性的探讨较为有限。

（二）实践应用探索

技术工具的突破推动了课堂教学分析系统的实践落地。在硬件与算法集成方面，辛继胜等（2020）构建了基于大数据的高校课堂分析平台，探讨了平台架构及技术。路易斯•P. 普列托（Prieto, L. P.）等通过眼动仪、脑波仪等设备与机器学习算法实现多模态数据采集与智能预测（Prieto et al., 2016）。国际实践中，STAS自动化教学行为分析系统通过数据反馈促进教师专业成长，其特色在于将行为数据与教学策略库关联，为教师提供个性化改进建议（Oskar et al., 2018）；Zhang（2022）开发的人工智能课堂感知系统整合数据采集、分析与反馈，支持课堂行为的精准诊断，例如通过学生姿态识别动态预测注意力波动。本土化创新同样取得突破性进展。杭州市建兰中学开发的“教师画像”平台通过可视化关联教学行为（如提问频率、互动类型）与核心素养指标（如批判思维、合作能力），推动数据驱动的精准教研（黄展 & 沈程, 2023）。上海市普陀区引入人工智能系统构建智慧研修机制，通过教师实践数据优化算法模型，使系统从辅助工具升级为教研流程的核心驱动力量，实现了从“经验主导”到“循证决策”的范式转型（黎亮, 2022）。上述实践应用探索验证了课堂教学分析系统的局部有效性，但其对教师专业发展的实际支撑效果缺乏充分实证支持，复杂教学场域中的应用成效仍存争议，并且多数系统的分析结果仍停留在表层行为统计（如提问频次、互动时长等），未能深入挖掘教学行为的因果关系，使得策略建议缺乏针对性和实效性。此外，市场上的系统产品种类繁多，良莠不齐，部分产品存在操作复杂、成本高昂等问题，进一步制约了在中小学校中的普及应用。

综上，课堂教学分析系统的技术创新与实践探索已初具规模，但在教育适配性和深层数据解读等方面仍显不足。作为教育数字化转型的重要支撑工具，其进一步发展亟须回归课堂教学本身，以实践需求为导向，重构技术逻辑与教学目标之间的关联。基于此，本研究致力于构建一套具有教育针对性与实践适应性的评价指标体系，既为教师、学校和教研部门提供科学依据，帮助其从众多系统中筛选出场景契合、功能实用且成本可控的优质工具，又助力开发者明确“需求驱动”的优化方向，推动系统从“技术堆砌”向“教育赋能”跃迁。这一探索不仅回应了当前课堂教学分析系统发展面临的现实挑战，也为实现教育数据智能应用与教学实践深度融合提供了有力支撑。

三、

指标体系构建

本研究旨在构建课堂教学分析系统的评价指标体系，综合运用文献分析法、德尔菲法和层次分析法，旨在提供一个科学、系统的评价框架。

（一）指标体系初拟：基于文献分析法

良好的可用性和用户体验是系统设计开发的核心目标，也是评价人机交互产品质量的重要标准（韩宏亮 & 李月琳, 2021）。以人为中心的用户体验理念已成为产品开发中的关键因素。课堂教学分析系统作为教学教研的重要工具，其有效性高度依赖教育者的接受度与使用体验。傅健和谢新秀（2011）提出，用户体验可从可用性、易用性与爱用性三个层次进行分析：可用性关注功能实现与性能稳定，易用性强调交互便利与操作效率，爱用性涉及用户满意度、情感体验和持续使用意愿。本研究借鉴该模型，结合课堂教学实际需求，提出“功能实现”“教学支撑”和“用户体验”三个一级指标，并通过文献研究和系统功能提取初步拟定了15个二级指标，以满足教师和决策者的多元需求。

（二）指标体系修订：基于德尔菲法

1. 专家遴选

为提高研究的科学性和可靠性，本研究依据德尔菲法的原则邀请了11位专家进行“背对背”的评判。专家团队包括4位教育数字化领域的专家学者（均为副高以上职称且主持省级以上教育研究课题）、4位资深中小学教师与教研员（均具有中高级职称），以及3位课堂教学分析系统的技术开发者（均具有6年以上系统研发经验并主导过产品落地）。所有专家深耕相关领域，兼具丰富的实践经验与研究成果，确保理论、实践与技术视角的全面覆盖。为评估专家在特定问题上的权威性，本研究基于专家自评数据计算了权威系数（Cr）。两轮咨询的专家权威系数分别为0.775和0.791，均高于0.7的可接受阈值，表明专家意见具有较高权威性和可信度（翟志峰 & 董蓓菲, 2022）。

2. 指标修订

将初拟的课堂教学分析系统评价指标体系编为李克特七点量表，请专家对一级指标、二级指标及其内涵进行评审，并采用变异系数评估专家意见一致性。参考翟志峰和董蓓菲（2022）的研究，将修订分为保留、修改与剔除三类。经过两轮专家意见征询，团队根据反馈对指标体系进行调整：第一轮咨询后，删除“B1分析即时性”和“C5硬件依赖性”指标，新增“课型适应度”指标；第二轮咨询后，修改“A6角色多样性”和“C4校正灵活性”的指标内涵。

为进一步增强评价指标的可用性，团队吸取专家意见引入佐证材料，包括测试数据、操作指南、设计文档等，旨在揭示课堂教学分析系统内部设计机理和运行机制。经过两轮修订，最终专家达成一致意见，确立了由3个一级指标、14个二级指标及部分佐证材料组成的课堂教学分析系统评价指标体系框架（如图1所示）。

图1 课堂教学分析系统评价指标体系框架

（三）指标权重确立：基于层次分析法

本研究采用层次分析法确立评价指标体系的权重。向专家发放“课堂教学分析系统评价指标体系权重划定”问卷，回收样本数据后，利用Yaahp软件进行分析。具体流程如下（李世瑾等, 2022）：1）选择评价标度：为提高评判精度，本研究采用Saaty九级标度（Saaty, 1987），通过两两比较确定同层次指标的相对重要性；2）构建判断矩阵：专家基于九级标度对同层次指标进行相对重要性判断；3）一致性检验：检验单排序和总排序的一致性，结果显示所有11位专家的一致性比率均小于0.1，表明结果具有较高一致性；4）计算结果集结：根据专家排序向量的加权平均数确定最终权重。为提高可读性，权重数值经过取整处理。以下将对所得权重的合理性进行分析，其中括号内为一级和二级维度的权重。

1. 功能实现：夯实分析系统的基础架构

功能实现指标用于评估课堂教学分析系统在设计初期所具备的功能完整性，是确保系统持续、完整地开展课堂教学分析的坚实基础。在该维度中，“数据解读力”（权重0.1490）和“要素覆盖性”（权重0.0932）是核心指标。前者反映系统具备强大的数据处理与分析能力，能够清晰、准确地解读复杂数据并提炼出有价值的洞察；后者则关注系统对课堂教学各关键要素的整合能力，确保教育者能够从全面的视角观察教学情境。教育是一个多层次、动态发展的过程，“跟踪持续性”指标强调对教育行为和学习成果进行长周期的持续观察与分析，而“层级贯通性”指标则要求从宏观层面审视教育现象，借助数据的纵向连通与横向比较，揭示从个体学习行为到学校环境再到区域教育体系的互动和影响。两者相辅相成，助力教育者深度理解教育行为的内在逻辑与演变趋势。此外，为适应不断变化的教育需求，“系统开放性”指标强调系统设计的灵活性与兼容性，突出系统持续创新的能力，“角色多样性”指标则聚焦教育的多元性，强调系统对不同教育角色提供个性化支持，从而营造更加包容的教育生态。

2. 教学支撑：深化教育洞察与决策支持

教学支撑指标用于评估课堂教学分析系统在教学实践中的辅助作用及其与教学场景的适配性，旨在推动精准而深刻的教育洞察与科学决策。在该维度中，“决策洞察力”（权重0.1852）是核心指标，强调系统能够从复杂的教学现象中深度挖掘潜在问题，并基于教育理论和实践经验提供精准的策略建议，帮助教育者直面“问题之源”和“应对之道”。“行为关联度”指标突出系统解析教育行为间复杂互动关系的能力。在教学实践中，教师行为、学生反馈与学业成效之间的联系常具有高度隐蔽性，而具备精准分析能力的系统能够通过持续性数据分析挖掘这些隐性模式和规律，为教育者提供科学依据。“课型适应度”指标则体现系统对不同教学模式（如知识讲授、项目探究、实验操作等）与组织结构的适应能力，能够根据不同课型的特征提供针对性的评价方式，为多元化的课堂场景提供有力支持。“分析智能化”指标聚焦于系统在数据处理与解读过程中的智能化能力，旨在通过自动化算法提升数据分析的精度与效率。该指标通过评估系统在多模态数据处理上的自动化和精准度，促进系统对教学行为、师生互动等复杂数据的准确识别与分析，并与其他关键指标（如“决策洞察力”“行为关联度”等）协同作用，促使系统在不断优化数据分析的精准性和智能化水平的同时，进一步增强对教育情境的深入理解和决策支持能力。

3. 用户体验：促进以人为本的良性交互

用户体验指标用于评估教育者在教学实践中使用课堂教学分析系统时的体验和感受。在数字化时代，用户体验不仅是技术产品成功的关键衡量标准，也是服务质量的重要评估维度（董伟等, 2020）。在该维度中，“安全可靠性”（权重0.0429）和“操作友好性”（权重0.0400）是核心指标。随着大数据与人工智能技术的发展与普及，数据隐私和安全问题已成为公众关注的焦点（郭铁颖等, 2022）。课堂教学分析系统需妥善保护教育者和学生的数据隐私，确保系统运行的稳定性和可靠性，以增强用户信任。同时，一个直观且操作便捷的系统能够有效降低使用门槛，提升用户体验，使系统自然融入课堂教学实践并产生实际效用。“链接精准性”指标聚焦系统在海量数据中快速定位、提取并准确关联教学行为与结果的能力，通过提升数据的相关性与可行性，增强分析结果的实用价值和系统的检索效率。“反馈便捷性”指标则作为系统开发者与教育者之间的重要桥梁，支持用户对需求和问题的高效传递，推动系统功能的持续改进和优化，确保其对标教学实践需求，与教育高质量体系建设同频共振。

四、

指标体系验证与迭代

为验证评价指标体系的适用性，本研究依据以下三个维度设定系统筛选标准：1）功能覆盖性，即系统涵盖数据采集、行为分析和决策支持等核心模块，能够全面反映课堂教学中的关键元素；2）技术路线多样性，即系统涉及视频分析、语音识别、多模态融合等技术路径，能够展示不同技术对教学分析的支撑作用；3）应用阶段代表性，即兼顾基于理论精心设计的原型系统与经过广泛教学实践验证的成熟产品，确保研究能够涵盖系统在不同发展阶段的适用性与稳定性。基于此，本研究从近年来的文献与实际应用中收集的20余个中小学课堂教学分析系统中，筛选出6个代表性系统（编号S1—S6）作为评估对象。其中，S1、S2、S3、S6为成熟产品，S4、S5为原型系统。所有系统均通过匿名化处理，确保隐私安全，详细介绍见表1。

表1 6个课堂教学分析系统的简介

基于上述6个课堂教学分析系统，本研究进行了两轮指标检验。第一轮从研究视角出发，由研究者对系统进行初步试测，以此修订评价指标；第二轮则以实践为导向，邀请一线教师和学校决策者开展实测，通过实践反馈验证指标的适用性和操作性。两轮检验相结合，为评价指标的最终确立提供了坚实基础。

（一）第一轮检验：基于研究视角

1. 指标检验过程

在第一轮检验中，研究人员依据评价指标体系对6个课堂教学分析系统进行初步评估。凭借专业知识及对理论框架的深刻理解，研究人员从理论层面识别潜在问题，确保设计合理清晰。为保证结果的准确性，本轮试测由三位研究人员独立分析系统功能与用户体验后评分，采用组内相关系数（ICC）检验评分结果的一致性。结果显示，整体ICC为0.82（95% CI: 0.76~0.87），表明指标体系具有良好信度，但部分指标（如“系统开放性”ICC=0.65）低于0.7阈值（Koo & Li, 2016）。针对低一致性指标，研究人员进行详细讨论，分析差异原因并调整优化指标体系，最终确保所有指标ICC均大于0.7。

2. 检验结果分析

最终试测均分见表2。

表2 6个课堂教学分析系统开展试测的均分表

从表现来看，S1和S5在多个维度上得分较高，显示其在课堂教学分析和教育支撑方面较突出，尤其在“链接精准性”“分析智能化”和“要素覆盖性”等指标上，S1尤为突出。相较之下，S3和S4表现较为逊色，各维度均分普遍低于60分。所有系统在“决策洞察力”“系统开放性”和“课型适应度”等指标上得分较低，表明仍有较大优化空间。结合信效度检验结果，可见评价指标能够显著区分不同系统的优劣，且大多数指标在不同研究人员间具有一致性，初步验证了其全面、客观地揭示课堂教学分析系统优劣的能力。

对于出现较大分歧的指标项，研究团队讨论后发现，主要问题在于指标内涵模糊和评价维度的主观性。例如，“数据解读力”指标要求对复杂数据进行简明准确的呈现，但“简明准确”的标准易因认知差异产生偏差，需要明确数据呈现方式，如可视化界面和解读导语；“角色多样性”指标旨在评估系统是否支持多角色切换，但“多角色”的定义不明确，缺乏对角色及其功能的具体说明，需明确列出角色类型及功能；“操作友好性”指标强调界面设计和用户体验，但表述过于宽泛，缺少具体评价维度，影响了评价结果的一致性。为此，需细化标准，如导航清晰度和操作简便性等。

基于第一轮检验结果，研究团队对评价指标体系进行了优化，减少了主观判断的影响，增强了表面效度。随后，研究团队启动了第二轮检验，以验证优化后的评价指标体系在实践中的适用性。

（二）第二轮检验：基于实践应用

1. 指标检验过程

为从实践视角验证评价指标体系的合理性，本研究基于构建的指标体系编制《中小学课堂教学分析系统评价量表》，采用李克特七点评分法，每个条目均对应具体指标的操作化定义。为确保量表科学性，邀请7位一线教师与3位学校决策者开展预实验，修订模糊表述并优化条目清晰度。正式测试阶段，通过分层抽样从5个省市的19所学校中选取了97名参与者，覆盖小学（32%）、初中（41%）、高中（27%）各学段，且每所学校仅选取3~5位长期负责系统管理与深度使用的核心用户（如信息化管理教师、教研组长、教学管理者等），其系统使用经验均超过两年。样本覆盖14个主流课堂教学分析系统，参与者对系统的专业理解与实践经验为数据可靠性提供了坚实保障。研究共回收有效问卷96份，有效率98.97%，样本量符合信度分析中对题目数量5~10倍配比的规范要求（Comrey & Lee, 2013, pp. 277-278）。信度分析显示，量表整体Cronbach’s α 系数为0.912，各维度α值均高于0.85，表明该量表具有优异的内部一致性（Cronbach, 1951）。

2. 检验结果分析

进一步分析本轮检验结果发现，一线教师和学校决策者基于实际使用经验给出的评分结果较为一致，且不同系统在多个指标维度上呈现明显区分，尤其在“操作友好性”“决策洞察力”和“分析智能化”等关键指标上，差异较为明显。针对评分差异较大的指标，研究团队通过访谈收集反馈，发现问题主要集中在技术指标的描述上。例如，“系统开放性”指标关注系统是否允许扩展或整合外部工具，但教师更关注系统能否灵活调整以满足教学需求，而系统缺乏相应的产品开发说明或API文档，导致教师对其难以准确评估。因此，建议调整描述，重点放在系统能否根据教学需求灵活调整，而非过于强调技术扩展，使其更贴合教师的实际需求。同类指标描述时也要避免过于依赖技术性表述。

与第一轮研究者视角下的评分结果相比，本轮试测整体一致性较高，表明优化后的评价指标体系不仅在理论层面具备科学性，在实践中也能精准反映系统实际表现，有效帮助一线教师和决策者客观评估课堂教学分析系统的优劣，为系统选择与改进提供有力依据。

（三）完善指标体系

基于两轮的验证结果，研究团队通过明确界定、细化范围和改进描述等方式，对评价指标体系进行了必要的调整和优化，最终构建的评价指标体系如表3所示。该体系充分考虑了当前教育实践需求，从初选到完善、迭代再到最终确立，每一步都经过严谨的考量，科学、可测且在实践中应用效果显著。

表3 课堂教学分析系统的评价指标体系

五、

实践建议

本研究面向一线教师、学校决策者及系统开发者，构建了课堂教学分析系统的评价指标体系。为确保该体系在教育实践中的最大效用，促进课堂教学分析系统的常态化、精准化应用与动态优化，本研究提出以下针对不同主体的实践建议，以构建“需求牵引—技术赋能—能力进化”的协同生态，推动工具效能向教育价值的深度转化。

（一）面向一线教师：提升数字素养，激活数据决策能力

教师作为课堂教学分析系统的核心使用者，其数据素养与决策能力是系统效能转化的关键枢纽（李孔文, 2024）。建议围绕教师专业发展构建阶梯式能力培养路径。在基础阶段，重点培养工具操作技能，通过模块化培训课程（如系统登录、报告导览、数据采集配置等）帮助教师快速掌握基础功能，并辅以操作手册与微课资源库降低技术门槛；在进阶阶段，强化基于数据的归因分析与策略生成能力，如结合学科特点设计专题工作坊，引导教师解析师生互动热力图、学生参与度曲线等指标，识别教学瓶颈并设计改进方案。为促进数据与教学改进的深度融合，还要推动数据驱动教研转型，将系统输出的教学行为分析结果与校本教研深度融合，形成“数据诊断—教学改进—实践验证”的闭环机制，教师能够在日常教学中应用数据分析结果，验证教学策略的有效性并不断优化教学设计（闫寒冰等, 2024）。此外，可通过数据素养认证、跨学科案例评选等激励机制，激发教师探索跨学科分析、个性化学习支持等创新场景，推动其从技术使用者向教育改进协同者的角色跃迁。

（二）面向学校与教研部门：聚焦需求牵引，优化系统遴选与适配

学校与教研部门是课堂教学分析系统落地的核心推动者，需构建“科学遴选—场景适配—循证优化”的全流程管理体系。首先，系统遴选需以评价指标体系为基准，聚焦三大核心维度：功能实现应覆盖数据采集、智能分析与教学决策支持的全链条能力，确保系统能为教师提供科学的发展建议；教学支撑需体现在策略建议的深度与课型适配的灵活性上，例如支持大班额、实验课、分层教学等复杂教学场景中的动态分析；用户体验则需兼顾操作的便捷性与数据的安全性，避免因技术门槛过高削弱使用意愿。其次，场景适配需摒弃标准化采购模式，转向校本化定制。可通过区域联盟共享典型应用案例，例如跨校协作中的课堂行为分析模板，并以此模板指导学校结合学科特色、教学环境等实际需求灵活配置系统功能，实现技术工具与教育场景的精准契合。最后，需建立动态评估与反馈机制，联合第三方机构定期对系统效能进行循证评估，结合教师反馈中暴露的功能缺口与操作障碍，形成迭代需求清单。例如，针对实验课型中实时数据采集的不足，推动开发者优化算法模型，使系统从静态报告输出转向动态诊断支持，确保其始终与教学实践同频演进。

（三）面向系统开发者：深化技术赋能，回归教育真实需求

开发者应始终以教育场景的本质目标与真实需求为导向，推动技术研发从“功能堆砌”向“精准赋能”转型。系统设计不仅要从教师的即时教学需求出发，更要在深入理解教育本质规律的基础上，构建具有前瞻性和普适性的指标体系。一方面，开发者可通过课堂观察、教师访谈及领域专家协同，提炼核心需求，并基于此优化技术实现方案。针对教师反映的“报告解读耗时”问题，可以结合生成式人工智能开发智能摘要功能，将大量数据转化为简洁的自然语言建议，并自动关联教学策略库推送优化方案。另一方面，开发者需增强系统的透明性与兼容性，通过提供标准化的开发文档与数据接口，支持学校根据具体教学需求自定义模块，并通过可视化工具呈现数据分析的逻辑，提升教师对系统策略建议的信任度。此外，开发者应构建敏捷的迭代开发模式，及时响应教师与领域专家的反馈，将高频需求纳入优先开发事项，确保系统功能与教学实践同步演进。在此基础上，开发者可与区域教研部门共同构建技术生态，鼓励教育科技企业基于统一数据标准开发插件工具，如课堂情绪识别插件、跨校资源共享平台等，以形成“需求洞察—技术响应—生态共建”的良性循环，推动教育价值与技术创新的双向赋能。

六、

结语

本研究围绕课堂教学分析系统的科学评价需求，通过系统化的理论构建与实证检验，确立了由功能实现、教学支撑和用户体验3个一级指标及14个二级指标组成的评价体系。该体系将教育场景需求与技术实现逻辑有机融合，既为学校和教研部门提供了涵盖功能适配、教学赋能与体验优化的系统遴选标准，又为系统开发者明确了以教育真实需求为导向的技术研发方向，有效支撑课堂教学行为的智能化诊断与精准改进。未来研究将进一步拓展多模态教育场景，如跨学科融合课堂、人机协同教学决策等，深化指标体系对不同教育主体的适配性研究，推动课堂教学分析从工具理性走向价值理性，为教育高质量发展提供可持续的智慧化支撑。

参考文献

陈锋娟, 章光琼, 张思, & 刘清堂. （2024）. 精准教研的内涵特征、价值取向与发展路径. 中国远程教育（3）, 68-78.

程云, 刘清堂, 王艳丽, 王锋, & 毛刚. （2017）. 课堂教学行为分析云模型的构建与应用研究. 远程教育杂志（2）, 36-42.

董伟, 张美, 高晨璐, & 潘海生. （2020）. 基于用户体验的在线教育平台学习效果影响因素研究. 中国远程教育（11）, 68-75.

傅健, & 谢新秀. （2011）. 基于用户体验的移动学习软件质量保证框架研究. 中国远程教育（6）, 34-38.

郭铁颖, 唐志国, 陈香宇, 荆瑞航, & 李玲. （2022）. 大数据视野下教育信息化管理系统构建与对策研究. 情报科学（10）, 137-146.

韩宏亮, & 李月琳. （2021）. 移动学习平台的交互设计：可用性与用户体验的比较研究. 现代情报（4）, 55-68.

胡航, & 杨旸. （2022）. 多模态数据分析视阈下深度学习评价路径与策略. 中国远程教育（2）, 13-19, 76.

黄展, & 沈程. （2023）. “教师画像”：助力教师成长的校本探索. 教学月刊•中学版（教学管理）（Z2）, 107-112.

黎亮. （2022）. 基于人工智能的课堂教学行为分析的实践研究. 教育传播与技术（4）, 42-47.

李孔文. （2024）. 数字素养：重撰教师学科素养现代性. 中国远程教育（7）, 49-59.

李玲, 肖君, & 顾小清. （2023）. 智能课堂分析的多维指标体系构建：面向开放教育OMO智慧教学环境的研究. 远程教育杂志（1）, 48-59.

李世瑾, 王成龙, & 顾小清. （2022）. 预见学习的未来：人工智能学习准备度的框架研制及实践进路. 中国电化教育（10）, 79-88, 96.

刘清堂, 何皓怡, 吴林静, 邓伟, 陈越, 王洋, & 张妮. （2019）. 基于人工智能的课堂教学行为分析方法及其应用. 中国电化教育（9）, 13-21.

卢国庆, 谢魁, 刘清堂, 张臣文, & 于爽. （2021）. 基于人工智能引擎自动标注的课堂教学行为分析. 开放教育研究（6）, 97-107.

孙众, & 于子淳. （2023）. 人工智能课堂教学分析与改进：人在回路的协同机制. 电化教育研究（1）, 116-122.

王冬青, 刘欢, & 邱美玲. （2020）. 智慧课堂教师行为数据的分析方法与应用验证. 中国电化教育（5）, 120-127.

辛继胜, 刘泽华, & 李昊. （2020）. 课堂教学大数据采集与分析平台架构及关键技术研究. 广东轻工职业技术学院学报（1）, 11-17.

闫寒冰, & 陈怡. （2023）. 数据智慧生成的实践路径：设计、管理与治理. 现代远距离教育（2）, 53-60.

闫寒冰, 陈怡, & 余淑珍. （2024）. 面向教师发展的无打扰评价：内涵阐释、价值审视与实践进路. 中国电化教育（10）, 1-8.

翟志峰, & 董蓓菲. （2022）. 中学语文教科书评价指标体系的建构. 课程•教材•教法（9）, 129-135.

张思, & 张津铭. （2024）. 数字循证教研：内涵、理念与推进路径. 中国远程教育（9）, 54-64.

张秀梅, 田甜, 田萌萌, 高丽芝, & 张学波. （2020）. 近十年我国智慧教学研究的演变与趋势. 中国远程教育（9）, 62-69.

赵刚, 朱文娟, 胡碧灵, 夏青, 刘闪, & 初洁. （2020）. 多维度特征融合的教学行为智能分析模式构建. 电化教育研究（10）, 36-44.

赵丽, 贺玮, & 王洋. （2022）. 人工智能支持的课堂教学行为分析：困境与路径. 电化教育研究（1）, 86-92.

Comrey, A. L., & Lee, H. B. (2013). A first course in factor analysis. Psychology Press.

Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297-334.

Koo, T. K., & Li, M. Y. (2016). A guideline of selecting and reporting intraclass correlation coefficients for reliability research. Journal of Chiropractic Medicine, 15(2), 155-163.

Oskar, K. U., Liang, J. K., Chang, S. B., & Wu, M. (2018). Sokrates teaching analytics system (STAS): An automatic teaching behavior analysis system for facilitating teacher professional development. In Proceedings of the 26th International Conference on Computers in Education (ICCE 2018) (pp. 456-463). Asia-Pacific Society for Computers in Education.

Prieto, L. P., Sharma, K., Dillenbourg, P., & Rodríguez-Triana, M. J. (2016). Teaching analytics: Towards automatic extraction of orchestration graphs using wearable sensors. In Proceedings of the 6th International Conference on Learning Analytics & Knowledge (LAK’16) (pp. 148-157). ACM.

Saaty, R. W. (1987). The analytic hierarchy process-What it is and how it is used. Mathematical Modelling, 9(3-5), 161-176.

Zhang, T. (2022). Intelligent classroom perception system based on artificial intelligence. In Proceedings of the 6th EAI International Conference on IoT in Urban Space (Urb-IoT 2021) (pp. 45-51). European Alliance for Innovation.

What Classroom Teaching Analysis System Do We Need? An Evaluation Index System Based on Multiple Case Studies

Chen Yi, Yu Shuzhen, Zhu Xiaoyue, Yan Hanbing

Abstract:As digital intelligence technologies deeply empower educational reform, classroom teaching analysis systems, characterized by their intelligence, automation, and precision, have become the primary tools for digital teaching research in primary and secondary schools. These systems are widely used in scenarios such as lesson observations, lesson planning demonstrations, and student classroom status. However, while developers focus on improving these systems, schools and research departments are primarily concerned with how to assess the effectiveness of various available systems, yet research in this area remains limited, and a comprehensive evaluation index system has yet to be established. This study focuses on the core functions of classroom teaching analysis systems for primary and secondary schools, constructing a preliminary evaluation index system based on literature review and the extraction of features from typical systems. The system was refined through two rounds of expert consultations using the Delphi method, and the weights of the indicators at each level of the index system were calculated using the Analytic Hierarchy Process (AHP). Subsequently, six representative classroom teaching analysis systems were selected for two rounds of testing involving both researchers and end-users to verify and iterate the indicator system. Finally, an evaluation index system consisting of three primary indicators, “Functional Readiness”, “Teaching Support” and “User Experience”, and 14 secondary indicators was established. Practical recommendations are proposed for three key stakeholders: frontline teachers, schools and research departments, and system developers. These recommendations include improving the teacher data literacy training system, optimizing the system selection and adaptation mechanism, promoting technology development based on educational needs, and ensuring the maximum effectiveness of this system in educational practice.

Keywords:digital teaching research; classroom teaching analysis system; evaluation indicators; classroom observation and evaluation

作者简介

陈怡，华东师范大学教育信息技术学系博士研究生（上海 200062）。

余淑珍，华东师范大学教育信息技术学系博士研究生（上海 200062）。

朱晓悦，华东师范大学教育信息技术学系博士研究生（上海 200062）。

闫寒冰，华东师范大学开放教育学院院长、教授（通讯作者：hbyan@dec.ecnu.edu.cn 上海 200062）。

基金项目

国家社会科学基金2023年度教育学一般课题“面向教师数字能力发展的场景构建与应用研究”（课题编号：BCA230283）

责任编辑：刘莉

期刊简介

《中国远程教育》创刊于1981年，是教育部主管、国家开放大学主办的综合性教育理论学术期刊，是中文社会科学引文索引（CSSCI）来源期刊、全国中文核心期刊、中国人文社会科学期刊AMI综合评价（A刊）核心期刊、中国科学评价研究中心（RCCSE）核心期刊、中国期刊方阵双效期刊、人大复印报刊资料重要转载来源期刊，面向国内外公开发行。

本刊关注重大教育理论与政策，推动科技赋能教育，反映国际学术前沿，聚焦本土教育改革，注重学术研究规范，提倡教育原创研究。

地址

北京市海淀区西四环中路45号

邮编

电话

010-68182514

电邮

zzs@ouchn.edu.cn

网址

cjde.ouchn.edu.cn