在中小学管理中，教学评价是学校管理的核心，诸多制度如绩效考核量化等均是以教学评价的结果为重要指标进行设计的。因此，教学评价是中小学管理重要的组成部分。但由于教育的复杂性使得教学评价变得非常困难。当前，许多中小学教学管理制度中有关教学评价的部分大多是围绕学生的考试成绩设计的，学校管理者通常也是以此为据指导教学工作。这种静态的、应试导向的教学评价模式缺乏精准性，很难触及现实中教学问题的本质，容易诱导教师偏离教育初心，走向应试教育之路，而不利于学生核心素养的培养，有悖于“立德树人”教育理念的落实。随着新课改的推进，核心素养的培养成为中小学教育教学中的重中之重，一些学校的管理者已开始意识到这点，试图采用多维度的评价方式弥补唯成绩评价的不足，取得了一定的效果，但也带来了许多新的难题，如评价的科学性和精准性遭到教师们的质疑等。这是因为多维度评价方式中引入了大量基于管理者经验设计的规则，存在主观性强、缺乏精准性等缺陷，以此为据指导教学，其科学性和精准性自然会引发质疑。事实上，教育教学是一个复杂的系统工程。任何企图采用静态的结果性评价机制指导教学都不可能真正反映出问题的本质，自然也就无法真正解决问题。复杂系统的管理需要具有反馈功能的动态过程化管理模式，但在实际教学管理中，过程化管理往往需要投入大量的人力和时间成本，所能做的也只是一些粗粒度的量化分析和定性描述，缺乏精准性，很难满足指导教学的需求。因此，如何构建科学有效精准的教学评价管理模型就显得尤为重要。教育的复杂性和开放性决定了教育问题不可能用较为成熟的线性理论来处理，只能运用还不够完善的非线性理论思维去思考。不过，迄今为止，对于复杂的开放性系统来讲，目前的非线性理论研究还不足以构建一个数学模型来解决教育问题。但随着人工智能技术的飞速发展，许多自然科学领域的非线性系统难题都得到了很好的解决。诸如图像模糊识别、语音识别、自然语言理解等领域均已取得了令人惊叹的成果。受此启发，运用人工智能技术辅助解决某些教育难题或许是一个很不错的尝试。

一、基于人工智能的教学评价管理系统模型的整体架构

该系统模型是建立在以下三条假设基础之上的。第一，假设影响教学质量提升的因素有若干个，这些因素互相作用，互相影响，呈现出一定的非线性特征，且深度神经网络技术可以在一定程度上描述这些特征。第二，这些相互作用的因素（或部分因素）可以通过技术手段做某种程度的量化。第三，每个量化后的变量（相互作用的因素）对学生学习的影响是不同的，且可以通过赋予一定的权重值来描述。基于以上三条假设，我们设计的系统模型如图1所示。

二、基于人工智能的教学评价管理系统核心模块功能及应用

整个系统的核心由“基于教与学行为构建的深度神经网络”和“基于班级管理构建的深度神经网络”两个模块组成。前一个模块是评测教师的教学行为与学生的学习行为相互作用后对学生个体核心素养产生的影响，主要是为了获取各种行为画像对提升学生核心素养的敏感度和范围值，所输出的数据经过一定的转换后形成学生个体核心素养量化指标，为指导教师精准教学提供数据参考和制定教学管理量规提供依据，同时也为后一个网络模块提供输入数据。后一个模块主要是评测学生个体间的相互作用对班级整体管理的影响，所输出的数据经过转换后形成教学管理量规，然后，通过数据分析获取关键学生个体对班级的影响，指导班主任精准管理。同时也为学校教学管理部门提供必要的数据参考和绩效考核的量规设计提供数据支撑。（1）基于教与学行为构建的深度神经网络模块该模块由输入层、隐藏层和输出层三部分组成，其结构如图2所示。①输入层该层的设计建立在上述假设二基础之上，为隐藏层提供输入数据，包括教师教学行为画像数据和学生学习行为画像数据。这些数据具有多模态的特征，主要包括混合型数据、生理层数据、心理层数据和行为层数据，通常采用日志搜索分析技术、在线学习与管理平台技术、移动APP技术、自我报告、生物数据采集技术、物联网感知技术、可穿戴设备、网络爬虫技术、情感识别技术、语音识别技术、校园一卡通技术、视频监控/拍摄技术、智能录播技术、网评网阅技术、点阵数码笔技术、拍照搜题技术等16种数据采集技术[1]。由于所采集的数据来自多种技术手段下的数据源，且存在大量噪音数据，因而在输入前需要进行必要的预处理，主要包括对数据的审核和筛选、数据的清洗、数据的集成、数据的变换以及数据的归约五个方面。②隐藏层该层的设计建立在上述假设一和假设三基础之上，是整个模块的核心。隐藏层至少有两层神经网络，每层由若干个人工神经元单元构成，各层间的神经元单元采用全连接方式相互连接，前一层的输出即后一层的输入。人工神经元是人工神经网络的基础单元，其工作原理与生物神经元的工作原理相似，其结构如图3所示。每个神经元有若干个输入，类似于传入神经元的刺激，每个输入（xi）对应一个权重（wi），类似于神经元的敏感度，权重越大，表示神经元对该刺激越敏感；神经元还有一个偏置项（bi），是一个常数，没有对应的权重。这两项加权求和后作用于激活函数（f），该函数是个非线性函数，用于解决线性模型中表达能力不足的问题，在神经网络中起着至关重要的作用。③输出层规范化后的行为画像数据经过隐藏层作用，最后进入输出层。该层涵盖所有学生个体各学科核心素养的相关指标参数，可以在一定程度上反映学生核心素养的变化。需要注意的是，在设计时，输出既要与学生个体核心素养量化高度关联，又要符合神经网络构建的相关要求。（2）基于班级管理构建的深度神经网络模块从整体结构上来讲，该模块与“基于教与学行为构建的深度神经网络模块”基本相似，都由输入层、隐藏层和输出层组成，所不同的是具体实现技术。如输入层数据直接来自上一模块的输出，隐藏层的结构、加权求和函数、激活函数等都不同，具体设计需要根据实际要求构建。（3）数据的指标化及应用①学生个体核心素养量化指标该指标是“基于教与学行为构建的深度神经网络模块”输出数据经过转化后形成的数据呈现。模块输出的数据包含所有学生个体全部核心素养的相关信息，数据量庞杂且非常不直观。为保证非设计人员能清晰理解数据的语义，需要将模块输出的数据进行数据挖掘，然后用可视化的形式呈现出来，用以指导相关教师精准教学和教学管理部门监控教学常规。在设计时，可采用结构化和模块化设计思路，将功能相对独立的应用尽可能地模块化，教师可根据工作需求进行模块组合。具体技术实现，可考虑数据挖掘技术和数据库技术。根据“学生个体核心素养量化指标”的数据呈现，教师可以准确掌握每位学生的相关信息，然后综合分析这些信息，采用适当的策略精准教学。②教学管理量规指标教学管理量规主要是基于学校的发展，参考学生个体核心素养量化指标和基于班级管理构建的深度神经网络模块输出的数据设计的。其主要目的是能使相关部门动态监控整体教学态势和班主任工作情况，准确掌握整个过程，及时引导教学工作。科学调整指导意见。同时，也为绩效考核量规的设计提供参考。同上所述，该应用也需要数据的挖掘、数据的可视化和功能设计的模块化等。班主任可根据“教学管理量规”的数据呈现准确掌握班级信息，科学分析学生个体特点，特别是要及时掌控对班级管理影响较大的学生个体，运用科学有效的管理策略引导班级良性发展。相关教学管理部门可根据教学管理量规要求动态监控全校教学过程，整体掌控教学态势，为领导准确提供相关数据和建议，以便领导及时调整相关指导意见和决策。教学管理量规中的指标相对比较繁杂，内容过于细化，许多属于过程性的指标不适合绩效考核时直接使用。因此，可选取一些相对稳定的、有利于学校发展和教学质量提升的，以及有利于激励教师成长发展的量化指标，在绩效考核量规设计时用以参考。

三、基于人工智能的教学评价管理模型需要突破的技术难点

人工智能的应用在一定程度上可以模拟现实的复杂开放系统，为复杂系统问题求解提供技术保障，也能为数据量化提供一定的科学依据。但这种技术的应用在教育方面尚处在探索阶段，还有许多问题需要进一步探究。就上述系统模型而言，以下两个难题需要深入研究。1.模型系统中各类变量（或参数）的量化在该系统中，涉及大量的变量（或参数），它们的属性和现实涵义差异很大，需要深入研究、仔细分析才能厘清它们的关系。大体来讲，可以划分为以下三类：第一类，内涵和外延非常清晰，也容易采集和量化。如眼动数据、脑电数据、血压、平均作业时长、考试成绩等。第二类，内涵和外延也非常清晰，有一定的抽象性，无法精准采集和量化，但可以通过若干个第一类变量线性组合后在一定程度上描述其属性和特征。此类变量（或参数）需要特别注意，切勿主观臆断，盲目赋值，需要采用大数据分析技术，挖掘其内在关联，科学构建数学模型。如教师的教学能力、学生的创造力、教师的执行力等。第三类，内在机理尚待深入研究，无法确定其在教育活x1x2x3xnW1W2W3Wn∑foutputy=∑i=1nxi·wi+bi加权求和激活函数输出+1，y>0-1，其他动中的作用。如某些遗传类因素对学习的影响等，需要做进一步的理论研究。针对此类变量（或参数），可以暂时忽略或在模型中预留一定数量的变量（或参数），将其权重直接赋值为0，使这类变量（或参数）不再干扰系统，影响结果。期待将来解决后，再重新设置，使其发挥应有的作用。2.行为画像数据的采集和使用行为画像数据是整个系统的基础，此方面完整、精准的数据信息是系统评测的关键。然而，行为数据不同于其他数据，在采集和使用时，至少要解决好以下两方面的问题：第一，画像数据的隐私性及保护。画像数据涉及大量个体属性和行为信息，具有极强的隐秘性，使用不当会侵犯个人隐私。因此，相应的伦理研究是十分必要的，特别是画像数据对个体隐私空间的影响。从操作层面来讲，采集数据时要注意界定和选取，在保证系统基本需求的前提下尽可能地选用一些低敏感性的画像数据；在技术上，要做到数据的分级管理，确保数据的安全；数据使用要全程监控，防止隐私数据的滥用，保证数据使用合理合法。第二，数据采集的成本。数据多模态的特征使得采集成本极高，如许多生物数据的采集，需要昂贵的设备才可完成。即使是使用基于物联网的可穿戴设备，对于多数中小学来讲，也存在成本由谁承担的问题。因此，行为画像数据的采集和使用虽有一部分已经付诸实践，但很多数据采集和使用仍局限于实验室或一些特定机构，甚至尚处于理论研究层面，远未落实到实用层面。随着科学技术的发展，这些难题将会逐一突破，而在这些难题解决之前，做一些理论探究是十分必要的。

四、基于人工智能的教学评价管理模型的应用

上述系统模型的设计基于目前普遍采用的班级授课制教学管理模式，可适用于大多数中小学，具有一定的普适性。但这并不意味着该模型对每个学校都是一样的，这是因为模型的设计是基于人工智能技术，兼顾了普适性和特殊性。因此，在应用层面上需要注意以下两方面的问题。1.处理好模型的普适性和应用的特殊性该模型仅从教学管理和人工智能角度出发，并非针对某个特定学校构建的。因此，就模型本身而言，系统可以解决中小学班级授课制下的教学管理。对于不同学校，其模型结构基本相同，只是变量（或参数）和相应权重不同而已。在应用时，可根据校情选用其中的一部分，而将其他的权重置为0，防止其对结果数据的干扰。根据深度神经网络模型的原理，系统的特殊性主要体现在数据训练集上。每个学校可选用历史典型数据构建自己的私有数据训练集，这样训练出来的系统就具有学校独有的特色，结果数据也更具有针对性。当然，在构建私有训练数据集时，针对部分具有普适性的变量（或参数）可抽取全国优秀教师的教学画像数据，其他个性化的变量（或参数）则采用学校自己的典型画像数据，这样构建的训练数据集将更有利于学校的发展。2.客观理性地认识数据，做好数据测算该模型是一个基于大数据和人工智能技术构建的模拟性教学评测系统，不同于严谨的数学化推导，各变量（或参数）相互作用相互影响，输出数据往往是诸多因素共同作用的结果，数据间没有必然的因果关系。因此，实际使用时，应充分考虑到系统的局限性，客观理性地对待数据结果，尽可能地挖掘出数据的涵义和数据间的关联，做好态势分析，结合教学经验和管理经验做出科学合理的解释，以弥补系统的不足。另外，遇到比较大的系统变量（或参数）调整时，也应做好必要的数据测算分析。总之，教育是一个非常复杂的开放系统，许多问题涉及教育学、心理学、脑科学和学习理论等诸多交叉学科，并非简单地使用一些所谓的公式量化就可以解决。当然，随着大数据和人工智能技术的飞速发展，越来越多的教育问题将有望通过量化分析得以解决，逐步改变以往只能定性描述的情况。

参考文献

[1]钟薇，李若晨，马晓玲，等.学习分析技术发展趋向：多模态数据环境下的研究与探索[J].中国远程教育，2018（11）：44-49+79-80．

作者：刘永德 单位：甘肃省金昌市金川高级中学