AI赋能循证教研的轻量化路径与实践——以小学数学《植树问题》课例为例

AI赋能循证教研的轻量化路径与实践

——以小学数学《植树问题》课例为例

“循证教研”已倡导多年，但要真正落进教师日常，难点始终卡在“取证”这一关。评课若要从“凭感觉”走向“摆证据”，就必须获取课堂的真实行为数据——师生说了什么、做了什么、思维推到了哪一层。这类数据靠人坐教室手持听课本记录，记不全也记不准；靠课后回忆补写，越写越虚。缺乏可摆上桌的硬证据，“循证”便容易沦为口号。

不少学校的解法是建设录播教室，配置平台与分析软件，把课录下后自动生成模板化报表：师生行为占比、提问分布、互动曲线一键可得。但这种方法对硬件、平台与专人运维依赖过重，课须专程到录播教室上，分析须等待系统出模板，而模板往往千篇一律，换学科、换课型便解释乏力。一线教师日常听的是常态课、推门课，不可能节节进录播教室。质言之，这是“项目式”的精装修，而非“常态化”的随手用——好看，却用不起也用不勤。

由此引出本研究的核心问题：能否绕过重型平台，借助教师手边日常可用的AI工具（如豆包、元宝AI；本研究实证对话基于元宝AI，豆包仅作工具举例），把一节课“照”出证据来，构建轻量化、可常态运行的循证教研闭环？本文以一节小学数学《植树问题》公开课视频为课例，尝试回答这一问题，并将过程拆解为一线教师可直接迁移的方法。

二、轻量化循证教研的理论框架与工具选择

循证教研是以课堂真实证据为起点、用研究而非印象来驱动教学改进的研究范式。崔允漷提出的“证据导向听评课”（LICC范式）即强调将课堂分解为学生学习（L）、教师教学（I）、课程性质（C）、课堂文化（C）四个维度，用可观测证据替代主观印象[1][6]；该范式的系统论述见其对课堂观察LICC范式的专文[6]。其关键在于：每一步判断都要“站得住”，而非“说得顺”。

（二）八维课堂分析工具谱系

为把“看着好”变为“数得清”，本研究对同一节课并行使用八维课堂分析工具，相当于架起“八面镜子”，从四个取向交叉取证：

（三）人机协同的循证逻辑

八维分析工具解决“用什么照”，人机协同解决“照完怎么用”。其分工逻辑为：教师负责提供真实课堂证据并做学理把关，AI负责提供结构化分析角度与理论补充，二者在迭代对话中逼近“说清为什么好、好在哪、怎么更好”。需要明确的是，AI给出的是“角度”，人给出的是“为什么对、怎么改、改完长什么样”。需要特别厘清本研究的“轻量化”边界：所谓轻量化，是以教师手边的对话式AI替代“录播教室+重型分析平台”中自动生成模板化报表的环节，将AI用在初析之后的深研、诊断与重构；而课堂取证（如S-T逐单元编码）仍由教师依据视频人工完成，AI并未替代人工编码、也未自动产出行为数据。换言之，AI赋能的是“研判”环节，取证环节靠人——这正是“证据要真”铁律的前提，也是当前通用AI能力的客观边界。

三、研究设计与实施过程

选取小学数学《植树问题》公开课导入片段作为分析对象。该片段以阅兵标兵方阵、天安门广场灯笼引入抽象的“间隔”概念，继而抛出“全长20米、每隔5米栽一棵”的真实问题，激发学生生成“4棵”“5棵”等不同猜想，具有情境锚定、问题驱动、探究开放等典型特征，适合作为多工具取证的样本。

（二）取证：八面镜子照一课

将课堂视频按师生互动时序切分为连续行为单元，并依次用上述八维分析工具各搭建取证框架。其中S-T行为分析由研究者据视频时序逐单元编码、数据已填实；FIAS、SOLO、加一策略、提问分类、目标达成度、归因与改进建立的方法，呈现其取证逻辑与映射关系。

加一策略映射表（可直接套用于《植树问题》教学设计）如下：

教案剧场检验以四项信号识别真假互动，框架如下：

（三）深研：人与AI的迭代对话

研究将八维分析结论连同课堂实录文字与研究者判断，与元宝AI展开多轮链式对话。第一轮由AI对导入做深度分析：肯定优点、发现问题、给出优化方案，并进一步重做教学设计、对提问分层、判断课型。AI给出的课型判断最具启发性——这是一堂典型的“探究式新授课”（数学建模起始课），依据有三：启动方式上教师未先讲公式，而以“你打算怎么栽”的开放问题交还探究主动权；对话模式上师生共对真问题、共建模型，而非“问—答—收”闭环；话语权重上学生的操作、试错、分类、讨论占大部分时间，教师更像负责追问串联的主持人。

第二轮由研究者对AI结论做学理把关，将深度评析拆为四条线：情境从“间隔”的具身感知出发、问题驱动制造认知冲突、简笔画低门槛高参与三点优点；以及情境与核心问题衔接生硬、“两端都栽”预设痕迹过重、简笔画数学化提炼不足、时间分配可能失衡四个深层问题，并给出“重构情境链—开放问题设计—强化几何直观建模—精准调控时间”四步优化。后续多轮围绕证据交叉印证与处方迭代展开，逐步把一节“看着不错”的课磨成“说清为什么好、好在哪、怎么更好”的改进方案。需说明的是，除第1、2轮细节外，其余轮次属迭代深化，为增强可重复性，将九轮人机对话的主题递进结构说明如下（定位为可迁移的对话模板，非逐字转录）：第1轮，AI对导入做深度评析（优点—问题—优化）；第2轮，研究者学理把关，将评析拆为优点线、问题线与优化线；第3—4轮，围绕情境链重构与问题驱动设计做证据交叉印证；第5—6轮，聚焦几何直观建模与思维层级（SOLO/加一策略）攀升；第7—8轮，对提问分层与目标达成度做结构化诊断；第9轮，整合前述结论产出“归因—处方”闭环的改进方案。各轮均遵循“AI给角度、人定对错”的分工。

（四）重构：四步法收口

基于上述过程，将做法抽象为可复用工具：课型判断三维表、提问六层分布、导入优化矩阵与八面镜子取证清单，并以“归因—处方”闭环收口，形成下文第四节的四步法模型。

四、循证分析结果

本研究对《植树问题》导入片段按师生互动时序还原为18个连续行为单元（教师9个、学生9个），逐单元编码后测得核心指标如下：

师生行为时序还原（编码单元2—18，单元1为教师T课前情境引入开场，略；整体按18个单元计，单元1计为T使总转换17次中T→S为9次、S→T为8次，与表3一致）如下：

将上表时序还原为行为曲线，可直观看到师生行为的交替节奏（图1）：

行为转换的分布特征以柱状图（图2）与转换矩阵热力图（图3）呈现更为直观：

综合解读：教师行为占有率50%，说明师生行为各占一半，未出现教师满堂灌；T→S转换率（52.94%）略高于S→T（47.06%），且17次相邻单元均发生主体切换（无连续T或连续S），反映互动极频繁——教师用连续追问、邀请上台、组织小组合作不断把话语权交给学生，学生也能及时回应或发起新问题（如男同学补充“6棵”）。零T→T、零S→S表明教师语言精炼、提问必留等待，交互质量高。整体符合“以学生为中心”的探究式教学特征。

将上述行为占有率与转换率映射到S-T分析的经典Rt-Ch图中，可对课堂类型作出量化判定（图4）：

（二）课型判断三维模型

综合AI对话与工具结论，提炼出可操作的课型判断三维表（启动方式、对话模式、话语权重）。任一节课套入该表，基本可判断其是“教师搬运知识”还是“学生再创造知识”——这与FIAS、S-T的结论可相互印证。本课的判定为：启动方式为开放问题驱动，对话模式为师生共建模型，话语权重向学生倾斜，故归为探究式新授课（数学建模起始课）。

（三）提问分类示例

将教师提问按布鲁姆认知层级归类后[5]，低阶（记忆、理解、应用）集中于导入与基础练习，高阶（分析、评价、创造）贯穿探究与建模。其典型问题示例如下，具体频次/占比待补（需逐题编码统计）：

五、循证教研四步法模型的提炼

结合本课例，将轻量化循证教研归纳为由“取证—初析—深研—重构”构成的标准化流程，一线教师照此即可运行：

第一步，取证。锁定一段可分析的真实课堂——视频或文字实录均可，关键是“真”，而非凭记忆。本案例的证据是导入实录加上八维分析工具跑出的分析。

第二步，初析。用研究工具做第一轮结构化扫描：S-T/FIAS看师生行为结构与互动质量，SOLO/加一策略看思维层级与攀升空间，提问分类看认知分布，目标达成度看宣称目标是否落地。此步图“全”，先把易漏的角度铺开。

第三步，深研。让AI就证据做对话式深挖——补理论依据（如本课背后的弗赖登塔尔“数学化”理论[3]）、补变式、补建模深度；研究者再就AI的盲区和预设做学理把关。此步AI做不深，须人上。

第四步，重构。产出可落地的改进方案，用“归因—处方”收口，并抽象为可复用工具。本文“课型判断三维”“提问六层”“导入优化矩阵”“八面镜子取证清单”即从这一轮长出来。

三条铁律，建议置于工位：证据要真——别拿AI编的课堂当证据，AI没有你没给的录像，八维分析工具的编码也得是你自己跑出来的，不是抄的；AI要质疑——它给的每个结论，都要追问“依据在哪、边界是什么”；人要把关——最终的教学判断与课堂责任，在人不在模型。

六、对一线教师的落地建议与研究反思

选一节最近听的课，录下或记成文字，先用一两种工具（ST、提问分类足够入门）跑一遍取证，再按四步法与AI对话一轮，远比写完听课本就扔强。要特别关注的是，别把AI的“标准答案”当圣旨不复盘就抄进教案；只让AI写教案、不让它评课，浪费其最擅长的结构化分析；不看视频凭感觉、让AI替你编课堂细节，这恰恰违背“取证要真”；仪器跑完不读只收藏，等于买了秤从不称重，“取证”变“存证”。

本研究的“轻量化”主要体现在诊断与重构环节以对话式AI替代重型分析平台，取证编码（如S-T）仍由教师人工完成，AI尚未实现自动化编码——这一边界既是当前通用AI能力的客观限制，也指向后续“AI辅助自动编码”的研究方向。后续研究可在常态课、多学科样本中补齐编码数据，并对比不同AI工具的分析一致性。

结　语

AI进入教研，没有让教研变简单，但让它变透明了——它把一句“我觉得”，逼成了“我证明”。循证教研的“证”，归根到底是“人证的证据”，而非“AI证的结论”。当轻量化工具把取证门槛降到教师手边，常态化循证教研才真正有了落地的可能。

[1] 崔允漷. 听评课：一种新的范式[J]. 教育发展研究, 2007(9B).

[2] Biggs J B, Collis K F. Evaluating the Quality of Learning: The SOLO Taxonomy[M]. New York: Academic Press, 1982.

[3] Freudenthal H. Mathematics as an Educational Task[M]. Dordrecht: Reidel, 1973.

[4] Flanders N A. Analyzing Teaching Behavior[M]. Reading: Addison-Wesley, 1970.

[5] Anderson L W, Krathwohl D R. A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives[M]. New York: Longman, 2001.

[6] 崔允漷. 论课堂观察LICC范式:一种专业的听评课[J]. 教育研究, 2012, 33(5): 79-83.