教师教育的智能变革何以可能：智能课堂及其意义
张俍 任友群
摘要：提升和改进教师的课堂表现是教师教育的重要内容，科学地评价教师的课堂表现水平则是相应基础。长期以来，评价教师课堂表现水平仰赖于评价者的经验性判断，尽管已有相关“量表”问世，但对于每个维度的衡量和观察也鲜有客观证据加以支撑。为了打开课堂这一“黑箱”，教育学研究者开始采用多种工具以采集、分析课堂中的数据，但目前研究者们更加注重对课堂中所采集的视频、音频中所承载的师生“行为数据”的分析。心理学、神经科学、信息科学等学科的发展为这一问题的进一步解决带来了契机，利用神经生理数据来研究教育已成为一种新的趋势与潮流，这一趋势对教育研究大有裨益。面向规模化的教师教育活动需求，需要构建融实际教学情境中教学环境数据、师生教学生理数据、师生教学行为数据以及学业表现数据等“多模态数据”的采集、分析、应用为一体，并利用大数据和人工智能技术发现各类数据与教学之间关系的“智能课堂”，为教育学研究提供科学的实证基础。从而为科学评价、提升、改进教师课堂表现，促进教育学从经验研究走向科学研究，推动教师教育的变革提供一种新的思路。
关键词：教师教育；教师评价；智能课堂；教育大数据；多模态数据
中图分类号：G434 文献标识码：A 文章编号：1009-5195（2018）04-0015-08 doi10.3969/j.issn.1009-5195.2018.04.002
基金項目：2015年度教育部-中国移动科研基金项目“师范生信息化教学能力标准与培养模式实证研究”（MCM20150607）。
作者简介：张俍，博士后，华东师范大学教育信息技术系；任友群（通讯作者），博士，教授，博士生导师，华东师范大学课程与教学研究所（上海 200062）。
一、引言
教师是学校教育的主导者。今天的教师该具备怎样的能力？不同主体、不同视角会有不同答案。
中共中央、国务院在2018年初出台的《关于全面深化新时代教师队伍建设改革的意见》（以下简称《意见》）中提出“到2035年，教师综合素质、专业化水平和创新能力大幅提升，培养造就数以百万计的骨干教师、数以十万计的卓越教师、数以万计的教育家型教师”。从这段表述中可以发现，新时代中国教师能力发展的三个方向，即综合性方向、专业性方向和创新性方向。包括职前培养和职后培训在内的教师教育是提升和发展教师能力的主要渠道，也一向为我国各级教育行政部门和各类教育机构所重视。尽管我国的教师教育已取得了成绩、形成了特色，但面对新时代教师能力的新发展方向，传统的教师教育模式无疑捉襟见肘，因此《意见》才提出了“转变培训方式，推动信息技术与教师培训的有机融合……改进培训内容，紧密结合教育教学一线实际，组织高质量培训，使教师静心钻研教学，切实提升教学水平”的新要求。
要切实提升教师的教学水平，就要“紧密结合教育教学一线实际”，其中场景实训无疑是最为贴合教学实际的一项举措，因此成为教师职前培养和职后培训的重要组成部分，教育界、教育学界也围绕教师的教学场景实训开展了大量的研究和实践。“实践-评估-改进-再实践”是教师教学场景实训的一般模式，“评估”环节在其中居于枢纽地位，通过评估才能够了解参训教师的能力水平、衡量改进策略的有效性，从而为目标的达成奠定基础。长期以来，学界针对教学场景和课堂实境中的教师表现研发出许多评估方法，但无可否认，传统的教学场景实训评估模式却也存在着诸如效能低、科学性弱、准确性差等问题，在信息时代如何借助日益成熟的信息技术解决上述问题；以信息技术为基础，建立新型的评价方式，重构教师的教学场景实训模式，从而为教师赋能，成为教师教育中亟待破解的难题。本文旨在为教学场景实训模式中以信息技术为基础的新型评估模式的构建提供一种思路。
二、两类教师教学场景实训模式及其评估方式
目前教师教学场景实训主要依托两类场景开展：一类是真实课堂场景（比如在日常教学中听评课）或类真实课堂场景（比如公开课、示范课），需要指出的是，“课堂场景”并非“教室场景”，课堂并不限于教室，操场、博物馆都有可能成为课堂；另一类则是“微格教室”等教学模拟场景。针对这两种不同的场景，学者们也构建出了相应的评估模式。
1.真实课堂场景实训模式中的教师评估
教师评价方法大致有如下几种：课堂观察、课堂绩效评定、学生学业成就、成长档案袋评价、学生/家长评价、同行评议/协助、教师自评/行动研究、纸笔测验/测试、问卷与面谈、后设评价等（王斌林，2005）；其中大部分可以用在真实课堂场景实训中。但目前来看，在教师真实课堂场景实训过程中，“课堂观察”这一评估方式采用最多。所谓课堂观察，是指研究者或观察者带着明确的目的，凭借自身感官以及有关辅助工具，直接或间接地从课堂情境中收集资料，并依据资料作相应研究的一种教育科学研究方法（李长吉等，2010）。课堂观察是教师获得教学反馈信息、捕捉教学复杂现象，分析研究教学情况，及时调整教学思路、教学内容和教学方法的重要手段。但这种评估方式，却存在着不可避免和不容忽视的缺点：
第一，课堂观察是一种经验性评价，评价结果不够精准。课堂观察是凭借观察者的感官和相应工具（如观察量表、录音设备和录像设备等），观察可视、可听、可感、可知的直观教学行为或现象，但难免挂一漏万，难以对看不见、摸不着的主体内在变化（诸如师生在心理和情绪等方面的变化）直接捕捉，只能通过行为或现象来推理分析，因而会在评价结果中包含大量的观察者的主观性。
第二，课堂观察对观察者的观察技能和评估能力的较高要求，限制了应用的广度。一方面，实施课堂观察需要对观察者进行一定的专业培训，观察者不仅要具备较高的行为观察技能，还要具有较高的专注力，才能及时、准确地收集到课堂中的教育活动信息。另一方面，这种评估方式对观察者的洞察能力和分析能力也提出了较高的要求。它要求观察者能够敏锐地洞察到课堂行为（行为观察点）之间所存在的相关或因果关系，并能在此后进行细致深入地分析研究。显然我国基层的教师、教研员还普遍缺乏这样的能力。
第三，课堂观察还需要较多的时间、设备与技术投入。实施课堂观察评价不仅需要教师在正常教学工作之余安排额外的课堂观察日程，还需要学校为教师参与课堂观察提供必要的技术与环境支持，购置用于观察所必需的视听设备，这同样也限制了它的应用范围。
2.模拟教学场景实训模式及其中的教师评估
除了真实课堂场景实训模式外，还有一种模拟教学场景实训模式；这种模式旨在仿拟出部分教学情境，“微格教室”是当前普遍采用的模拟教学场景实训模式。所谓“微格教室”是一种小型的安装了视频、音频采集设备的，以进行教师技能训练和教学研究的空间。1936年，斯坦福大学的阿伦（D. W. Allen）和伊芙（W. Eve）开发了一种利用现代视听设备，用于专门训练师范生掌握某种技能、技巧的小规模教学活动中，是“一个有控制的实习系统，它使师范生有可能集中解决某一特定的教学行为，或在有控制的条件下进行学习”（赵立坤等，2011）。在上世纪80年代，北京教育学院将微格教室和微格教学引入我国，用于教师教学基本技能的培训，为我国教师专业化发展提供了兼具理论和实践功能的训练渠道（孟宪凯等，2008）。
相较于传统课堂，微格教室的主要特征是技术设备方面的配置。因而，根据微格教室所配套的技术设备，微格教室的发展其实可以划分为三个变化阶段：模拟录播技术的微格教室、数字化改造的微格教室、基于Web2.0及移动通讯技术的微格教室（石長征等，2014）。在以上三类微格教室中开展的教师教育活动，基本上可以实现以下方面的评估功能（王利兴，2002）：（1）自我观察和自我评价，借助媒体技术和设备对教室内部的教学活动进行存取，便于学习者能够了解自身表现，进行自我评价和改进。（2）他人观察和评价指导，教师等其他评价人员可以借助教室设备从不同的视角观察课堂，对受训教师进行点评和指导，改进不足之处。（3）远程观察和远程评价，基于互联网的远程通讯技术设备拓展了微格教室的功能，让处于不同空间和时间的评价者能够观察微格教室内的教育活动并进行评价。
尽管技术支持下的微格教室使得课堂观察能够突破时空的限制，能够让评价者反复从视频和音频中记录的“行为”来观察和评价教师教育活动。但是，传统的微格教室也存在诸多不足，如教室空间结构依然没有根本改变，教师教育的活动方式没有改变，学生的参与程度依然不高，师生和生生的互动性依旧不足，难以开展大规模训练等。这些问题都限制了培训者的课堂活动和评价者的观察评价效果。此外，尽管“微格教室”改变了以往教学信息的采集模式，但对于信息的观察、解读、分析与“课堂观察”却别无二致，前文所提的课堂观察的诸种问题在微格教室中同样存在。
三、面向教师教学场景实训智能课堂
教育行为是人类最为复杂的一种行为，牵涉主体的身心脑等各要素，对于教育行为最直接的“评估”实际上是直接介入评估身心脑的变化，否则类似课堂观察这样的评估方式充其量只能称为“间接评估”，缺乏科学性与精准性。限于科技发展水平，以往在教育领域的这种“直接介入”还“可望而不可即”，但随着心理学、神经科学的发展和信息技术的进步，在课堂环境中通过获取和分析神经以及其他生理的数据信息来研究学习活动已成为可能，这将促进教育学从经验研究走向科学研究，也能够为教学场景实训中的评估和改进提供科学依据。尽管国外已开始尝试对课堂中师生群体的教育相关生理数据展开研究，我国也开始了从心理学、神经科学的视角对教育行为、教育活动展开研究，但总的来说相关研究还非常缺乏。当然，对于新方法的采用并不意味着对于传统方法的摒弃，尽管心理学、神经科学对打开课堂“黑箱”有其优势，但在当前的技术条件下，还不能完全替代以往课堂观察的评价方式。因此，迫切需要在教师教育的教学场景实训中建立起一种融汇两种评估方式各自优点的，以既包含生理数据又包含行为数据的“多模态数据”为基础的新型评估方式。
建立上述评估方式的前提是需要一种面向规模化的教师教育活动需求，融“多模态数据”采集、分析及应用为一体，并能利用大数据和人工智能技术发现各类数据与教/学之间的关系的智能教学环境，我们称之为“智能课堂”。这类“智能课堂”应具备以下特征：第一，这类智能课堂不仅要模拟日常课堂教学环境，还要以认知与神经科学、数据科学、信息科学等多学科理论为基础，配置生理数据采集设备、传感器设备、视频与音频捕捉设备，进而精准捕捉日常教学环境中各类环境数据（声、光、气、味）、生理数据、行为数据。第二，这类智能课堂还应对教育全过程进行全时段和全方位的数据伴随式采集，不仅要对真实课堂情境下学生的学业情绪、学习者认知负荷水平、学习过程中有意识加工与自动化加工过程等问题的分析提供支持，还要提供友好的用户（如教师和管理者）接口，可视化呈现基于课堂学习全流程的数据分析报告，并提供基于人工智能专家系统处理的处方性建议。
四、智能课堂的设计思路
“可量化”是智能课堂设计的主要原则，因此在同规格的不同智能课堂中，对同一水平教师与相同基准的学生授课过程所采集的数据应是相同或无显著差异的。这就需要实现对变量的控制，并通过技术与设备支持测量和量化目标变量。另外，智能课堂设计还应从课堂室内设计、教学支持设备、数据采集设备、数据处理与分析中心等方面综合设计规划和管理实施。
1.室内设计及教学支持设备设计
智能课堂的室内设计、教学支持设备需要为教学环境变量的控制服务，同时也需要依据课程设计、课程内容、授课模式、实验需求等原因对环境变量进行调整。基本的室内设计及教学支持设备设计方案如图1所示。
图1 智能课堂室内设计及教学支持设备
智能课堂的室内设计与基本环境构建应主要包括五个子系统：（1）智能空调系统，需实现智能课堂内温度、湿度调节功能，并确保温度、湿度恒定不变；（2）智能新风系统，需具备净化空气及湿度智能控制功能，以及防霾、全热交换功能；（3）智能制氧系统，需实现课堂内空气含氧量调节功能，并具有空气微粒过滤、负离子发生、臭氧等功能（Thiyagarajan et al.，2018）；（4）智能照明系统，需实现课堂内照明照度与照明色温调节功能；（5）智能监控系统，确保智能课堂内空间中任一部分被至少一个监视器监控范围覆盖，且可动态调整部分监视器监视角度及高度。
智能课堂的室内系统还应具有这五方面的功能：（1）室内隔音抗静电，智能课堂内墙、门、窗和地坪等装饰材料需具有隔音及抗静电功能；（2）室内空间动态变化，智能课堂内教学空间划分可实现动态变化，根据不同教学需求调整空间及功能；（3）室内环境色彩动态变化，智能课堂环境彩色需提供暖色、冷色、中间色等三种或以上的整体环境色彩的动态变化；（4）多媒体教学支持，智能课堂需配备多媒体讲台、一体式交互多媒体设施、高清语言录播、高清无线传播等基本多媒体教学设备；（5）学生用课桌椅，智能课堂内学生用课桌椅在满足常规使用功能的基础上，需要支持布置EEG设备（如头环）、手环、摄像头、眼动仪、录音设备、生理状态观察设备等数据采集装置的需求，课桌椅的高度必须可调节，以满足不同年龄阶段学生需求，且调节范围需符合国家相关人体工程学规范的可调节尺度，其设计构想如图2所示：
图2 学生用课桌椅及数据采集设备
2.数据采集专用设备设计
随着教育研究领域对学习过程中的非智力因素的日益关注，人们开始关注教育和教学中的情绪问题，特别是学生学习中的情绪问题。作为一种重要的非智力因素，情绪对学生的成长和发展具有多维度、全方位的影响。它不仅影响学生的学习效率和学习成绩，还会影响学生身心健康的成长和发展，如自我概念、正确归因等。积极的学业情绪不仅有利于学生认知活动的开展，帮助学生形成积极的学习态度，还有助于建立良好的师生关系，营造和谐的课堂学习氛围，促进学生身心健康发展（Pekrun et al.，2002）。
研究课程实施过程中学生及教师的情绪，对理解课堂、认知课堂、提升课堂有着重要意义（俞国良等，2005）。近年来，随着技术与相关设备的高速发展，情绪捕捉与分析的精准度有了大幅提升，为我们在课堂环境中实现情绪的捕捉奠定了重要基础。
对情绪进行识别与分析是神经科学、心理学、认知科学、计算机科学和人工智能等领域的一项交叉研究课题。将情绪数据化是智能课堂实现数据驱动剖析课堂的基础。当前常见的情绪识别方法主要分为两大类：基于非生理信号的识别和基于生理信号的识别（聂聃等，2012）。
基于非生理信号的情绪识别方法主要包括对面部表情和语音语调的识别。面部表情识别方法是根据表情与情绪间的对应关系来识别不同的情绪，在特定情绪状态下人们会产生特定的面部肌肉运动和表情模式（Anderson et al.，2006）。目前，面部表情识别多采用图像识别的方法来实现，其主要的步骤有图片获取、图像预处理、特征提取及表情分类（王大伟等，2014）。语音语调识别方法则是根据不同情绪状态下人们的语言表达方式的不同来实现的（刘玉娟等，2007）。基于非生理信号识别方法的优点是操作简单，不需要特殊设备，只需基本的视频及音频采集设备即可实现。缺点是不能保证情绪识别的可靠性，因为人们可以通过伪装面部表情和语音语调来掩饰自己的真实情绪，而这种伪装往往不易被发现。
基于生理信号的情绪识别方法，主要包括基于自主神经系统的情绪识别和基于中枢神经系统的情绪识别。基于自主神经系统的识别方法是指通过测量心率、皮肤阻抗、呼吸等生理信号来识别对应的情绪状态（Picard et al.，2001；Yang et al.，2018）。这些自主神经系统的生理信号虽然无法伪装，能够得到真实的数据，但需要配置生理信号专用采集设备。基于中枢神经系统的识别方法，是指通过分析不同情绪状态下大脑发出的不同信号来识别相应的情绪。这种方法同样不易被伪装，并且与其他生理信號识别方法相比识别率较高，但同样需要专用设备支持，且成本较高。常见的基于中枢神经系统的识别方法主要包括功能性磁共振成像（fMRI）和脑电图（EEG）。
在真实课堂中，可穿戴设备是实现生理信号采集低成本、低操作难度、易推广的重要手段之一（Vallurupalli et al，2013）。
可穿戴设备一般指可以穿戴在使用者身上与使用者紧密结合的个人移动计算系统，并提供与外界环境的密切交互，其具有传统计算机所不具备的交互方式和功能属性。近年来，随着高性能的传感器和微处理器的不断发展，令可穿戴设备同时具备了更小空间需求和低耗电的特点，且允许其自动捕获数据，并与环境或用户进行交互。目前可穿戴设备的优势可以总结为便捷性、即时性和整合性，使其在日常环境下的使用成为可能（冯小坤等，2011）。在真实课堂中，利用可穿戴设备可以实现追踪学生的生理信号及动作行为，并采集相关数据（董丽等，2015）。
智能手环是当前最普遍的可穿戴设备之一。通过手环，可以记录学生在学校中的运动状态、活动轨迹等数据，在课堂学习过程中产生的生理信号、行为动作等数据，并将这些数据与数据中心同步，实现低成本、全时段、高利用率的学生在校及课堂学习生活状态监测，为学生课堂情绪分析提供基准参数及实时数据。
3.数据中心设计
与传统基于课堂观察法实现教学观察不同，智能课堂对课堂的研究是数据驱动的。在智慧课堂中，基于大量的音视频及生理信号采集设备，每一堂课都会产生TB级别的视频数据、数字型本及文本型数据。因此必须通过对数据中心的总体规划，构建一个高质量的、灵活的、开放的基础设施支撑体系，满足智能课堂信息化、数字化建设的各项应用需求，并面向未来快速增长的研究发展，打造一个安全、稳定、可靠的支持智能课堂运行的数据中心。因此，本设计方案基于私有云平台的方式构建数据中心，统一管理整个智能课堂的数据节点、存储节点、网络以及安全系统，其应具有以下四方面的性能：
（1）具备海量高效的存储性能。智能课堂需要以高清视频录像、立体声录音、生理信号专用采集设备、EEG脑电捕捉设备等方式捕捉课堂内学生与教师的表情数据、生理数据以及行为数据等，总体数据规模需要PB级别的硬盘存储阵列支撑。同时，私有云平台中的系统需要同时支持数据分析类的计算密集型业务，需要存储平台支持SSD/SATA混合部署，以提高不同业务系统性能。
（2）具备全面可靠的安全防护性能。数据中心的私有云平台旨在支持所采集数据面向多个研究小组或者多家联合研究单位协同使用，因此存在多租户同时使用云平台的安全访问控制需求，同时由于数据的高敏感性，需要对整体云平台内外的网络访问控制严格设限，提供漏洞检测、主机安全、WEB防护、数据库安全、租户隔离、认证审计等完整的安全防御措施。
（3）具备灵活可扩的计算承载能力。数据中心的私有云平台需要支持多种业务系统，其中既有科研分析类的计算，也有数据服务类的应用，需要云平台支持不同业务对计算能力的动态调整，同时考虑到智能课堂未来发展和数据积累需求，需要私有云平台能够支持对计算能力和存储容量的方便扩容。
（4）具备统一便捷的管理运维能力。数据中心的私有云平台必须独立管理运维，由于平台同时包含计算服务器、存储设备、网络设备和安全设备，需要动态配置和维护，调配专业业务人员对多种设备管理运维难度较高，因此需要一个统一便捷的管理运维平台对多类设备综合管理。
五、问题与挑战
1.教学模式问题
技术的加持根本上是为了改变教学模式，提升教学效能，从这个意义上来说，技术只是相关目标实现的必要条件。如何通过智能环境来推动教育活动模式的创新，是未来智能课堂应用的一大挑战（Sathishkumar et al.，2014；Siddiqui et al.，2017；高琪等，2017）。倘若只是“新瓶装旧酒”，不能将技术环境类的“硬技术”和方法模式类的“软技术”相结合，教学场景的实训效果将难以从本质上得到提升。
2.数据伦理问题
智能课堂的设计初衷就是为了更准确地收集丰富的教学数据，利用数据来促进教育活动更好地开展，并对不同的教育主体进行规模化和差异化的评价（孙曙辉等，2018）。但值得注意的是，主体在这类智能化的技术环境中，不仅其参与教育活动的生理数据、行为数据会被收集，其他非教育数据也会被一并收集，主体将因之逐渐“透明”，一系列的伦理问题、安全问题也会随之产生。
3.使用者的能力素养问题
智能课堂是先进但复杂的教育环境，其对使用者的专业背景、应用能力和技术素养有较高要求。第一，在使用者的学科背景方面，需要具有教育学、计算机、统计学、学习科学和脑神经等学科背景，或者具备上述多学科的交叉能力和素养，使其能根据不同的教育活动目的，设计不同的教育活动和选择不同的教育设备等。第二，在使用者的应用能力方面，应能够根据教育活动模式对教室的活动桌椅等空间布局重新设计，并灵活选择和熟练操作智能课堂设备，对不同的教育数据进行收集、分析和正确解读，进而对教育活动进行针对性的改进。第三，在使用者的技术素养方面，除了能够熟练使用技术设备之外，还应具备察觉智能设备的数据识别异常和数据收集偏差等问题，并能及时排除操作层面的问题故障。当然这里的使用者并不是利用智能课堂开展教学活动或教学场景实训的教师，与现有的“课堂观察”所需的人力相比，技术支持下智能课堂的运维人员也会少很多，但智能课堂一旦大面积铺开，这样的人力缺口仍然会显现，因此这也是一项亟需解决的问题。
4.数据精准收集的问题
虽然近年来脑神经和情绪识别的研究已有较大发展，但不少研究还处在实验测试和研究改进的阶段，而且更多的实验仍是针对个体进行的，需要在个体间信号干扰和个体生理信号差异等及方面不断改进，若要在群体活动环境下大规模应用尚需时日。另外，由于肌肉单元难以标注，且表情变化极快（约1/5秒），对图像抓取、处理与分析的要求很高，所以基于视频的表情识别仍是当前计算机视觉领域的技术难题。因此，如何在有限的空间范围内，同时精准收集不同学习者的多模态教育数据，对智能课堂的建设极具挑战性。
六、结语
本文所设想的智能课堂的技术路线已经成型，备选的产品也在日益增多，进行实体搭建的条件也基本成熟。如果经过一定实验探索，在我国各级各类师范院校和师训机构配置这样的智能课堂并用于职前职后的教师教育工作，是完全可能的。当然，以人工智能技术为基础的、基于多模态教育数据的智能课堂，其最终应用面向的不仅限于教师教育。但如前所述，目前智能课堂的技术、应用和社会接受度还处于发展过程中，因此对于大规模投入日常教学的做法需要慎之又慎。必须看到全社会各个领域从经验走向科学已是时代的趋势，教育也概莫能外；相关技术业已具备基础，为何不能从教师教育领域先行先试？毕竟任何一项技术的发展都需要在应用中不断调试，上述问题会在调试与磨合中得以解决。
参考文献：
[1]董丽，陈仕品（2015）. 可穿戴技术在高等教育改革中的应用探究[J]. 成都师范学院学报， （11）：7-10.
[2]冯小坤，杨光，王晓峰（2011）. 对可穿戴计算机的发展现状和存在问题研究[J]. 科技信息， （29）：100.
[3]高琪，乜勇（2017）. 基于学习分析技术的智慧教育环境构建研究[J]. 中国教育信息化， （17）：1-4.
[4]李长吉，余芳艳（2010）. 课堂观察研究： 进展与趋势[J]. 当代教育与文化， （6）：88-93.
[5]刘玉娟，方富熹（2007）. 情绪的语音交流[J]. 中国行为医学科学， （4）：374-376.
[6]孟宪凯，李涛（2008）. 中国微格教学20年[J]. 北京教育学院学报， （3）：62-65.
[7]聂聃，王晓韡，段若男等（2012）. 基于脑电的情绪识别研究综述[J]. 中国生物医学工程学报， （4）：595-606.
[8]石長征，武丽志（2014）. 技术支持的微型教学发展研究[J]. 电化教育研究， （2）：84-90.
[9]孙曙辉，刘邦奇，李鑫（2018）. 面向智慧课堂的数据挖掘与学习分析框架及应用[J]. 中国电化教育， （2）：59-66.
[10]王斌林（2005）. 教師评价方法及其适用主体分析[J]. 教师教育研究， （1）：42-46.
[11]王大伟，周军，梅红岩等（2014）. 人脸表情识别综述[J]. 计算机工程与应用， （20）：149-157.
[12]王利兴（2002）. 微格教室的设计[J]. 现代教育技术， （4）：62-63.
[13]俞国良，董妍（2005）. 学业情绪研究及其对学生发展的意义[J]. 教育研究， （10）：39-43.
[14]赵立坤，刘欣（2011）. 微格教室的设计及应用[J]. 山西财经大学学报， （S4）：172-174.
[15]Anderson， K.， & McOwan， P. W. （2006）. A Real-time Automated System for the Recognition of Human Facial Expressions[J]. IEEE Trans Man Cybern B Cybern， 36（1）：96-105.
[16]Pekrun， R.， Goetz， T.， & Titz， W. et al. （2002）. Academic Emotions in Students Self-regulated Learning and Achievement： A Program of Qualitative and Quantitative Research [J]. Educational Psychologist， 37（2）：91-105.
[17]Picard， R. W.， Vyzas， E.， & Healey， J. （2001）. Toward Machine Emotional Intelligence： Analysis of Affective Physiological State[J]. IEEE Transaction on Pattern Analysis and Machined Intelligence， 23（10）：1175-1191.
[18]Sathishkumar， A. S.， & Karthikeyan， P. （2014）. Emerging Technology of Smart Class Teaching in School Education-A[J]. Technology， 3（8）：448-449.
[19]Siddiqui， A. T.， & Masud， M. （2017）. A System Framework for Smart Class System to Boost Education and Management[J]. International Journal of Advanced Computer Science & Applications， 7（10）：102-108.
[20]Thiyagarajan， V.， Tamizharasan， T.， & Senthilkumar， N. et al. （2018）. Optimization of Energy Conservation in Air Conditioned System Smart Class Room of a School building： Approach to Human comfort and Energy Management[J]. International Journal of Engineering， 11（1）：119-137.
[21]Vallurupalli， S.， Paydak， H.， & Agarwal， S. K. et al. （2013）. Wearable Technology to Improve Education and Patient Outcomes in a Cardiology Fellowship Program-A Feasibility Study[J]. Health & Technology， 3（4）：267-270.
[22]Yang， X. Z.， Cheng， P. Y.， & Lin， L. et al. （2018）. Can an Integrated System of Electroencephalography and Virtual Reality Further the Understanding of Relationships Between Attention， Meditation， Flow State， and Creativity？[J]. Journal of Educational Computing Research. doi： 10.1177/0735633118770800.
收稿日期 2018-05-20 责任编辑 田党瑞
Abstract： Raising and improving teachers classroom performance is an important part of teacher education， while scientifically evaluating teachers classroom performance is the corresponding basis. For a long time， the evaluation of teachers classroom performance depends on the evaluators empirical judgment. Although the relevant “scales” have been published， there are few objective evidences to support the measurement and observation of each dimension. In order to open the “black box” of classroom， pedagogic researchers have begun to use a variety of tools to collect and analyze data in the classroom. However， nowadays researchers are paying more attention to the analysis of “behavioral data” of teachers and students in the videos and audios collected in the classroom. The development of psychology， neuroscience and information technology has brought an opportunity for the further resolution of this problem， and to study education with the use of neurophysiological data has become a new trend that will do a great benefit to educational research. To meet the needs of large-scale teacher education activities， it is necessary to construct the “intelligent classroom”， which integrates the acquisition， analysis， and application of “multimodal data” such as the teaching environment data， the teacher-student teaching physiological data， the teacher-student teaching behavior data as well as academic behavior data， and uses big data and artificial intelligence technology to discover the relationship between various types of data and teaching， in order to provide a scientific empirical basis for pedagogic research. Hence， it can provide a new way of scientifically evaluating， promoting and improving teachers classroom performance， impelling pedagogy to go from experience research to scientific research， and giving an impetus to the reform of teacher education.
Keywords： Teacher Education； Teacher Evaluation； Intelligent Classroom； Big Data in Education； Multimodal Data
