前面杨晓哲副教授的报告讲了国际课堂分析实验室已经做到哪一步了，在最后结尾的时候，他跟大家展望了我们未来将有怎样的走向。我们今天发布这10大前沿问题，非常期待在未来的3年、5年、10年，我们能够围绕这些问题给大家做更多的基于真实课堂的报告。

这十大前沿问题围绕三个方面：第一是价值；第二是如何做，也就是如何打开课堂黑箱？因为很多时候我们不知道课堂里面到底发生了什么，所以我们需要探索怎样借助技术让我们知道课堂里面发生了什么；第三是把数据转化为证据，因为只有证据才能够更好地服务于教学活动。

在澄清价值理论方面我们提了两个问题，第一个问题是课堂分析需要怎么样的价值引领？即什么样的课堂是一个好的课堂？其实这个问题我们也没有标准答案，就像今天这个论坛里，伯克利的专家、斯坦福的专家以及牛津的专家都给我们讲了优质的科学教育或者科学课堂应该是怎样的，但他们的切入点其实都不太一样。比如，伯克利的专家强调教师应为学生定制反馈，斯坦福的专家强调学生应像学科专家一样质疑信息的来源或者参与科学知识的社会化论证。

所以到底什么是好的课堂？我们很多时候并不清楚。今天很多的国外报告都比较强调对话、讨论、辩论、小组合作等，肖老师也提出了很多问题，比如他提到：“在师资占比与国外不一的情况下，这些来自国外的成熟经验是否真正适用于我国中小学课堂？”所以到底什么是一个好的课堂，其实是我们做课堂分析的起点。如果我们没有办法回答这个问题，那么课堂分析中所采用的各种技术将会失去清晰的指向。这是一个理论层面的问题，在我们中国中小学的课堂环境下，在现有的资源和人口比例的情况下，我们需要构建怎样的课堂？这是我们需要回答的第一个问题。

第二个问题，如果我们知道了一个好的课堂大概是什么样子的，我们如何建构高质量的课堂分析框架？其实刚刚杨晓哲副教授已经跟大家分享了我们之前建立的一个包含了三个层次、九个维度的高品质课堂分析标准，包括效率、公平和民主。这样的课堂分析框架，是不是能够回应一个好的课堂，其实也是值得我们不断论证的。如果我们想要应用技术去打开黑箱，化数据为证据，我们离不开这样的一个分析框架，我们也希望能够不断迭代我们的高品质课堂分析标准。

这是两个价值理论问题，它们是课堂分析的起点。我们还有4个关于怎样揭示课堂真相的问题。

今天很多报告提到了多模态数据，什么是多模态数据呢？就是不仅有言语数据，还有非言语数据，今天安老师、徐老师也提到了这一点，比如说课件、课例都是课堂中的数据。我个人包括今天的很多国外专家都比较关注话语这个维度，但是话语其实只是课堂里面的一个部分，除此之外，课堂里还包括情感、动机等这类非认知的因素，我们怎么样才能把它们融入课堂分析？多模态数据为我们提供了新思路。课堂是非常复杂的，由许多人组成，我们获取到的数据可以以怎样的形式呈现？文本数据、身体数据、语言数据、脑数据、生理数据等等。例如，师生可以佩戴一些可穿戴的设备，来捕捉他们是不是在微微的排汗，以此来判断他们的紧张或焦虑程度等等。这些其实都是所谓的多模态数据，它们怎么样能够帮助我们接近课堂真相？这个是我们要回答的第三个问题。

如果我们需要这些多模态的数据，我们就会需要技术，包括我们刚刚讲到的一些可穿戴设备。刚刚杨老师也讲到了，我们想要成功录制课堂视频，就需要很好的音频效果，我们需要在教室里面安装很多的摄像头，前面、后面、左边、右边，其实这都是技术的支撑，还有我们怎么样去分析安老师跟徐老师提到的课件、课例，背后也有非常多的技术支撑。所以如果我们想要多样化的数据，就离不开多样化的技术。

第五个也非常重要，在今天陈高伟教授的报告里面，以及杨教授的报告里面，他们都使用了一个表达叫做自动化编码，为什么提出自动化编码？它的反面是什么？反面就是人工编码，这一点大家应该都非常熟悉。崔老师做了大量的课堂观察和听评课研究，都非常有价值，但是有一个局限，我们的专家是非常有限的，人力是非常有限的，但老师跟学生他们都需要及时的反馈。比如说我去年做的一项课堂研究，我现在还在分析数据，但孩子们已经长大了，老师们早都不教这个年级了，那么滞后的反馈就失去了时效性，这时就需要发挥自动化编码的作用了。

但是自动化的编码又有非常多的问题，因为很多时候它可能会用数量掩盖了质量。今天肖老师和刘老师都分享了关于课堂回音的研究，不知道大家注意到没有，他们都是用质性的方法做研究，质性的方法有什么优势？就是非常深入，但是它的数据量通常是比较小的。但如果我们使用自动化编码，就可以分析很多的数据，包括几千个小时的课堂录像都是可以的。但是，自动化编码有可能只能做低推断(low inference)，而不能做高推断(high inference)的数据分析。比如说学生到底思考到哪个程度了？他们的推理情况如何？他们的解释水平怎样？这些需要高推断的分析，可能就没有办法用自动化编码来解决了。

所以说自动化编码和人力编码各有优势，应该是一个相辅相成的关系。如果需要及时地给老师提供反馈，可以采用自动化编码，但当我们收集了一定量数据的时候，我们还是不能忽视那些需要高推断的人力编码，只有这样做才能揭示内在的、隐形的发展，如学生是否具备了高阶思维技能。怎样使自动化编码具有信度？我们人力编码的时候，都有一个信度的校验，我们用机器编码的时候，它的信度到底怎么样？也是值得我们去进一步探索的，但是我相信自动化编码绝对是未来应该探索的一个方向。

另外一个问题是如何建立大规模无介入的课堂分析系统。我们在课堂里面录像也好，进行课堂观察也好，佩戴一个可穿戴设备也好，都存在一个问题：如果我们有介入，那么学生的课堂反应，他们的言语可能就会受到干扰或影响，所以我们的研究对课堂是有侵入性的。我们应该思考怎么样以更自然、更常态化的方式去捕捉课堂里丰富的数据。

在化数据为证据这个方面，我们也提了4个问题。刚才已经假设我们捕捉到了比以往更多的数据，我们也对数据进行了自动化的编码，那我们怎么样化数据为证据？

首先不知道大家是否注意到，在今天的会议上，很多嘉宾在展示数据的时候都把学生的面部隐去了，这是为了遵守课堂分析伦理公约。毕竟人是有隐私的，中小学生的隐私尤其重要。我们怎么样能够在分析或者提取信息的同时，最大化地保护这些中小学学生以及老师的人身安全及隐私？我们应该建立怎样的课堂分析伦理公约？心理学的实验研究都有很多的伦理公约，需要在实验前完成伦理审核，包括对被试能做什么、不能做什么，心理学都是有一些界定的。但是我们进入中小学课堂收集或者分析数据的时候，却还没有成熟的课堂分析伦理公约。

再下一个问题就是如何使用课堂数据给师生画像。其实画像这个词最近几年比较流行，但它也是有争议的。因为有很多学者认为画像在一定程度上抹杀了个性，或者说把人的复杂性简化为一些客观数据。我觉得应该辩证地去看待这个问题，我们如何在提取大量的学生、教师信息的同时兼顾他们的个性？这也是今天苗老师非常强调的一点，即人性在我们的 AI技术里面有什么样的价值。

第九个问题，其实也是能回应我刚刚讲到的，我们怎么样给老师提供及时的反馈？关于这个问题今天陈高伟教授也讲了很多，即我们怎么样基于课堂分析数据开展教师专业发展。我们实验室通过AI+OMO项目跟全国的30所学校有着非常密切的联系，我们面临的一个问题就是: 我们怎么样使用数据去服务这么多学校的真实课堂教学? 这也可能是一线教师最关心的问题。我们不是为了数据而获得数据，而是要以教学实践为导向。最后回应我们一开始的那个问题，怎么样构建一个好的课堂。我们怎么样建模才能够更好地满足教学、评价、管理的需求，因为学校的管理层在这方面有很大的需求，学校的日常教学会产生大量的数据，但管理层却不知道如何用好这些数据。

第十也是最后一个问题，我们怎么样同时自上而下、自下而上地开展课堂分析？自下而上的思路更像是一个归纳法，从个体到一般，自上而下更接近演绎的思路，从一般到个体。在课堂分析领域，中西方都已经有了非常多的理论研究，我们并不是一定要提出怎样新颖的理论，但是我们希望这些数据能够帮助我们不断改进这些理论。所以最后一个问题其实也是回应了我们最开始提出的问题，什么样是一个高质量的课堂分析标准？什么样是一个好的课堂？

这就是我们经过大量的文献筛选以及专家论证之后提出的一些问题。这些问题目前还没有完全落实在我们的分析当中，但在未来的几年，我们希望能够给大家带来更多能够回应这些问题的数据。

（石雨晨，华东师范大学课程与教学研究所副教授，国际课堂分析实验室副主任。主要研究方向为儿童和青少年的思维发展、基于课堂论辩的课程设计、对话式教学、促进批判式阅读和写作的课程设计以及神经科学方向的人际互动脑同步研究。）