为利用人工智能技术对课堂教学语言进行自动化评价，需要从以下三个方面展开探讨。(1)人工智能技术在教学语言分类自动编码任务上的表现。本研究先构建课堂教学语言编码系统，基于该系统建立人工标注的语言行为数据集，利用该数据集中的部分数据进行训练，形成课堂教学语言自动编码模型，然后利用该模型对另一部分数据进行编码，与人工标注的结果进行对照，从而评估自动编码模型的可行性和有效性。这是课堂教学语言智能化评价的基础。(2)师范生实训视频与优质视频在教学语言结构上存在的差异。使用自动编码模型对两类课堂的教学行为进行编码，分析师范生实训视频与优质视频在语言结构上的差异，以优质视频的语言为蓝本，对师范生实训课堂语言提出优化建议，探讨人工智能技术在课堂语言评价上的实际应用。(3)利用人工智能技术构建课堂教学语言智能优化助理。研究设计提示信息，根据师范生课堂语言优化建议，让通用大语言模型学习优质视频中的语言表述，形成语言优化助理，对师范生实训课堂中的语言表述进行内容优化。本研究以师范生课堂教学语言为研究对象，从效用评估、具体应用及智能优化三个方面推进实现课堂教学语言智能化评价，具体过程见图 1。

师范生的职前教学技能训练常常以模拟课堂的形式开展。模拟课堂的典型特征是无真实学生参与，师范生只能通过“教师提问—假想学生回答—教师反馈”或者“教师指令—假想学生参与—教师反馈”的形式来模拟师生交互过程。在模拟训练课堂中，语言对教学内容的呈现、课堂结构的推进等方面都起到关键作用，所以教学语言是模拟授课的核心关注点和训练重点^[14]。研究以H大学物理师范生2019级和2020级两个年级在教学技能训练课上录制的实训视频的课堂教学语言作为研究对象，视频总数248份，每个视频时长约8分钟。

课堂语言智能分析的编码系统以弗兰德斯互动分析系统为基础^[15]，结合模拟课堂没有学生参与的特点，剔除学生语言和沉寂行为，重点关注课堂中师范生的教学语言行为。弗兰德斯互动分析系统将教师的语言分成7类，其中“接受学生情感”“鼓励或表扬学生”“赞同或使用学生观点”都是教师对学生的积极反馈，主要作用是对学生进行情感激励。精细的语言分类固然能反映更多的课堂细节，但也会导致更多编码分歧，降低评价的信度，同时也会将更重要的课堂逻辑结构淹在课堂细节中^[16]。因此，本研究将这3种合并为反馈类别。最终课堂教学语言编码系统由反馈、提问、讲授、指令、批评或维护权威共5个类别组成，具体分类如表 1所示。

依据编码系统构建人工文本标注数据集。利用语音转写工具将讲课视频中的语言转为文本，转录完成后对物理专业术语进行了人工矫正。除此之外，人工矫正还审核：(1)只保留师范生的教学语言，忽略教学中播放其他视频辅助教学等产生的辅助语言；(2)检查语义的完整性，以转录文字中的“。”“？”“！”标点符号为一句话结束的标识。

本研究以完整的一句话作为语义单元对文本进行分割，依据表 1中1~5类语言行为，分析转换文本中的每一句话属于哪一类编码。让两位经过编码培训的研究人员独立编码10个相同文本，针对出现的分歧进行充分讨论。初次编码的分歧主要来源于讲授和指令两个类别的区分，经过讨论达成以下共识：(1)对实验现象和实验操作的描述，即使包含部分指令类动词，如观看、拿起等，仍归为讲授类。例如：首先看这个潜水艇，潜水艇在水里与水接触，那么潜水艇由于有重力，它对下面的水有一个压力的作用，力的作用是相互的，所以水会给潜水艇一个向上的力。此类话语的主体是对实验现象进行讲解，不是要求、建议学生作出行为，因此归为讲授。(2)将推进课程进度的语言归为指令。例如：上课，同学们大家好，今天我们要讲的是磁场、磁感线。这里没有实际知识讲解，只是课程环节的承接句，归于指令类。因此，区分讲授和指令两个类别的关键点为语言是否围绕物理知识展开，并在表 1的编码系统中对相应类别作详细说明。讨论完成后，两位编码人员独立完成剩余文本编码，并对其进行一致性检验，结果达到0.94，这说明每个编码类别的语义表述清晰，符合内部可靠性要求，该人工标注数据集可作为后续自动编码模型训练与性能评估的基础语料。

2020级人工文本标注数据集共7 955句，作为训练集；2019级人工文本标注数据集共905句，作为测试集，具体类别数量如表 2所示。因批评或维护权威类语句数量极少，无法形成有效训练样本，故不对此类别讨论自动编码效用。

机器学习是人工智能领域中的一种重要技术。要实现人工智能对教学语言自动编码，首先要用特征向量准确有效地表示教学语言。特征向量是对文本词汇或语义特征的数学表达形式，作为模型可处理的数值化输入。机器学习模型通过学习特征向量与语言类别之间的映射关系，实现自动分类编码的功能。为了对机器学习结果进行评估，需将人工标注的编码数据集分为训练集和测试集，训练集用于训练机器模型，而测试集用于证明模型的性能。

机器学习的文本分析中常用n元语法(n-gram)模型，将文本切分成固定长度的词序列来捕捉词语之间的关系，筛选出高频组合作为有效特征，用于构建文本的特征向量表示^[17]。当n=1时，称为一元语法(unigram)模型；当n=2时，称为二元语法(bigram)模型；当n=3时，称为三元语法(trigram)模型。当n大于3后，数据稀疏和计算代价的问题会比较显著，在实际研究中较少使用。本研究根据准确率(accuracy)，即预测结果正确的值除以总的测试数，以及Kappa值，即预测结果和标准标注结果之间的一致性，来综合评定具体选择哪个语法模型。如表 3所示，随着语法模型的复杂度提高，特征向量数、准确率和Kappa值均有所提升，可以据此猜想：特征向量数越多，准确率越高，模型表现越优。

为验证这个假设的正确性，采用一二三元语法模型，以准确率为纵轴，特征向量数为横轴，1 000为间隔作图，发现随着特征向量数的增加，准确率呈现先增后减的趋势，在5 000个特征向量时达到最高点，准确率为0.916 8，后续总体呈下降趋势，如图 2所示。因此，选择5 000特征向量能在节省算力的同时，保证较高的准确率。综合上述分析，训练集选择一二三元语法模型进行特征向量提取，得到5 000个特征向量。

在完成特征提取后，需选择合适的机器学习算法进行训练，并对模型性能进行评估。逻辑回归(logistic regression)是一种经典的文本分类算法，自然语言处理领域中被广泛应用于分类任务^[18]。因此，文章选择训练集中提取的5 000个特征向量，并基于逻辑回归算法进行训练，最终在训练集上分类准确率为0.916 8，Kappa值为0.872 9，均大于0.81，自动编码一致性较高^[19]。为了解训练集中机器学习的编码标准，按照影响值(influence)选取对分类结果影响最大的前10个特征向量，结果如表 4所示。当教学语言开头位置出现“对”时，模型倾向于归为反馈语言；语言包含“？”时多归为提问语言；包含“叫作”时多归为讲授语言；包含“一下”时多归为指令语言。

表 4显示的高影响特征向量较好地代表了各类别下的典型课堂教学语言特征，整体贴合人工编码标准的描述。但机器学习与人工编码结果仍存在一定差异，原因在于提取的特征向量难以涵盖所有的语言结构，也不能全面体现上下文之间的联系，造成部分编码结果出现偏差。例如：这位同学第二次接触的时间，老师可以说大概在0.16秒。这是对某同学参与活动后的结果进行陈述，并非评价反馈，但模型编码时，遇到“同学”等词后会更倾向于将其归类到反馈，从而产生错误编码。少量情况下，句子开头的“对”仅为口头禅性质的语气词。例如：对，弹弓的原理其实和橡胶水枪的作用原理是一样的。该句前文无学生回答，不构成反馈，但模型仍受“(开头)对”特征影响，产生错误编码，以上问题需要通过进一步的算法优化和数据集修正来解决^[20]。

机器模型在训练集上的表现固然重要，但在新的测试集上的泛化能力更为关键，能反映模型在实际应用中对未见数据的适应性和准确性。在文本分类领域，精确率(precision)、召回率(recall)和F₁值指标被广泛用于评估分类模型的泛化性能^[21]。TP(true positive)表示预测值和真实值都是反馈类别的数量；FP(false positive)表示预测值为反馈类，但真实值不是反馈类的数量；FN(false negative)表示预测值为其他类别，但真实值为反馈类的数量。精确率，简称为P值，指某类别下预测值正确的数量占这类全部预测结果的比率，即$P=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}} $；召回率，简称为R值，指某类别下预测值正确的数量占这类全部真实结果的比率，即$R=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}} $；F₁值，指精确率和召回率的调和平均值，$F_1=\frac{2 \times P \times R}{P+R} $，只有当P和R同时较高时才能得到较高的F₁值，F₁越大说明模型的性能越好。图 3以反馈类别为例，展示上述TP、FP和FN的含义。

测试集必须是新的数据集，以2019级人工文本标注数据集作为测试集，使用训练模型进行自动编码。其混淆矩阵结果如图 4所示，纵坐标表示人工文本标注的真实答案，横坐标表示机器学习预测结果，对角线的值为机器学习自动编码分类与人工文本标注一致的数量。对角线整体呈现深蓝色，可见机器学习自动编码效果较好，绝大部分分类结果与人工标注结果一致。

各类的精确率、召回率和F₁值如表 5所示。四个类别中，提问的F₁值最大，达到97.14%，相较而言，指令类别的结果较差，但也达到73.47%。模型平均精确率、召回率和F₁值已达到80%以上，说明模型对师范生课堂教学场景具备良好的适应性，能够较为精准地对课堂教学语言进行分类，使用该模型对课堂教学语言进行自动分类编码将节省大量时间和人力。

本研究进一步将自动编码模型应用于课堂教学语言的实际分析任务，以验证其适用性与实用价值。选择全国物理师范生教学技能竞赛“格致杯”和“华夏杯”中获奖的59个视频作为优质视频集。这两类竞赛的授课形式与师范生教学技能训练课一致，均为8~10分钟的模拟授课，台下没有真实的学生。获奖的优质视频均经过各校专业教师的多次指导和选手的反复打磨，并在全国近千名物理师范生模拟授课教学竞赛中脱颖而出，其课堂教学语言可作为师范生模拟课堂的典范。将优质视频转录为文本，并用已训练完成的自动编码模型对其教学语言进行自动标注，4个语言类别的精确率、召回率和F₁值在0.7以上，自动编码分类效果较好。因此，本研究以优质视频作为师范生模拟授课的优秀范本，分析两类课堂不同阶段的语言分布和转换规律差异，探讨师范生课堂教学语言的改进途径，为优化教学语言提供实证依据。

为了深入了解师范生实训视频和优质视频语言分布差异，将课堂分为开始(20%)、中间(60%)和结尾(20%)3个阶段，计算每位师范生在不同课堂阶段下的4类教学语言所占百分比。从图 5中的结果可以看出，实训视频和优质视频在课堂各阶段的教学语言结构差异显著。在课堂开始和中间阶段，优质视频中的提问语言比例显著高于实训视频，且各个阶段比例均超过30%。在中间和结尾阶段，优质视频中的反馈语言比例显著更高。而实训视频在3个阶段的讲授语言占比均高于40%，明显高于优质视频。上述结果表明，优质视频更加注重课堂互动与启发，而实训视频的教学语言较为固化，依赖讲授，缺乏有效交互。

同时也发现，在课堂开始阶段，师范生实训视频的指令语言占比显著更高。通过分析具有代表性的一组实训视频和优质视频中课堂教学语言类别随时间的变化，发现实训视频中的指令语言集中在课程开始阶段，主要用于引入本节课的知识内容。而优质视频中的指令语言贯穿课堂前、中、后期，分布较为均匀。以该组具体教学内容为例，推动课堂环节的指令包括“分发传感器—观察传感器结构—组织小组讨论—鼓励学生发表观点—观看实验视频—总结课堂知识—抛出课后任务”，以指令语言承转课堂关键环节，一方面指导学生参与课堂活动，另一方面也显示了严密的教学逻辑。而师范生在实训视频中则采用教师演示实验或播放实验视频的方式，学生仅扮演观看者的角色，课堂参与度较低。

为深入探究课堂教学语言的动态转换特征，采用语言转换概率作为核心分析指标。具体计算方式如下，针对每一类教学语言(反馈、提问、讲授、指令)，统计其后续语言类别的频次，并以总频次为基准计算其转向后续各类语言的概率(以百分比形式呈现)。

师范生实训视频与优质视频在教学语言转换上存在较大差异。实训视频各类语言均大概率转换为讲授，其中“反馈→讲授”的概率为43.98%，“提问→讲授”的概率为36.67%，“指令→讲授”的概率为44.86%。结果表明实训课堂的教学以知识讲解为主，互动较少。

而优质视频各类语言更倾向于转换为提问，例如反馈和指令分别有43.22%和38.23%的概率转换为提问。并且优质视频中“反馈→反馈”(11.00%)的语言转换概率高于实训视频(6.93%)，“提问→提问”(41.55%)的语言转换概率也高于实训视频(31.93%)。这表明其更倾向于构建连续的互动链条，维持教学流畅性和学生的参与度。

基于课堂教学语言结构特征的差异，利用大语言模型对师范生教学语言提出优化建议，具体如下。

第一，减少讲授依赖，强化互动意识。语言形式的讲授虽然能够在较短时间内给学生传授大量的系统的科学文化知识，但易出现满堂灌的僵化教学模式，削弱学生的主动思考与探究能力，不利于综合素养的培养。由于缺乏教学经验，师范生在授课时仍以知识点的完整讲解为核心目标，忽视学生视角的互动需求，这导致在课堂上出现话语霸权的现象，学生参与度不足。而优质视频中的师范生更善于控制讲授时间，避免长时间单向讲解，通过合理的课堂节奏安排减少不必要的讲授内容，适时融入提问、反馈和学生活动，以提高课堂互动性和学生的学习投入。因此，师范生应着力于减少讲授语言的依赖，合理设计互动环节，通过精练讲解、构建问题链、采用多元教学策略等方法，使课堂更具启发性和参与感，提升教学效果。

第二，学习提问策略，增强引导反馈。课堂提问是教学过程中必不可少的重要环节之一，有目的、有技巧的课堂提问配合高质量反馈，能促使学生主动思考、调整认知，发挥课堂主体作用。但师范生课堂的反馈和提问比例整体较低，限制了课堂的互动性，使学生在大部分时间处于被动接受知识的状态。师范生急需优化提问的时机与方式，学习优质视频中的教学策略，将提问贯穿课堂始终，并结合反馈形成有效互动。在对学生回答进行有效反应与处理的基础上引出下一个提问，形成连贯的问题链，推动课堂发展。

第三，把握课堂节奏，优化实验设计。准确简洁的课堂指令是把控课堂节奏、确保教学环节流畅衔接的重要工具。师范生的指令主要集中于课程开始阶段，未能与提问、反馈等语言相互衔接，难以有效推动教学流程。师范生可以通过设计小组实验等探究式教学活动，在实验过程中提供精准明确的指令，以组织实验操作、引导思考讨论的形式，确保学生能够在实践中深化理解，并将课堂结构清晰地整合起来，使教学过程更具流畅性和节奏感。因此，师范生在教学实践中应优化指令的分布与表达，使其不局限于知识导入，还能在教学全过程中发挥组织和引导作用，提升课堂互动性和学生的自主探究能力。

师范生在完成模拟授课后，通常需要专家对师范生的模拟课堂进行点评，帮助他们快速成长，但由于专家资源的紧缺，不能做到为每名师范生的教学语言提供持续个性化指导。基于课堂教学语言优化建议，利用大语言模型构建的课堂教学语言智能优化助理，能打破时间地点和资源的限制，支持师范生在课堂实践中优化教学语言表达^[22]。

为验证其可行性，选择师范生A讲解“平抛运动”课题时导入的教学语言作为优化对象，原文如下：同学们好，在上节课中我们提出了一个关于平抛运动的猜想，那就是平抛运动可以分解为水平方向上的匀速直线运动和竖直方向上的自由落体运动，并且通过观看演示实验验证了我们的猜想。那么我们这节课将亲自做实验，通过实验来验证我们的猜想。这是老师上节课最后留下来的第二种验证平抛运动的方法，平抛运动的闪光照相。我们通过记录做平抛运动的小球，在不同的时间点和位置得到了平抛运动的图像，然后我们再通过平抛运动水平方向上的位移和竖直方向上的位移，看是否与我们预期符合，来验证我们的猜想。那么具体要怎么做？请同学们观看一个演示实验，并且找一下演示实验仪都由哪些部分组成。以上师范生A的导入片段能代表师范生教学语言存在的普遍问题，即讲授内容过长，指令表达不够清晰，针对学生的提问少且指向性不强，这导致学生不明白观看演示视频的具体目的，教学语言需要进一步优化。

在使用大语言模型时，提问的方式将极大影响输出的结果^[23]。因此，逐步优化提问的方式，最终形成的提示信息包含角色情境、教学语言优化建议、优质视频教学语言和师范生原始教学语言四个部分。在角色情境部分说明此时的角色情景和应完成的优化教学语言任务，再将前文基于教学语言结构数据对比分析所得到的优化建议输入到提示信息中。优化建议是面向两个群体分析提出的，虽有普遍适用性，但针对性较差。因此，在保留优化建议的基础上，在提示信息中增加相同课题的优质视频教学语言作为模板，让大语言模型自动学习其语言结构和内容后，优化师范生原始教学语言。最终优化结果如下：同学们好！上节课我们提出了一个关于平抛运动的猜想，即平抛运动可以分解为水平方向上的匀速直线运动和竖直方向上的自由落体运动。通过观看演示实验，我们初步验证了这个猜想。今天，我们将亲自做实验，通过实验进一步验证这一猜想。我们将使用平抛运动的闪光照相法来记录小球在不同时间点的位置，并生成平抛运动的图像。然后，我们会分析小球在水平方向和竖直方向的位移，看看是否与我们的预期相符，从而验证我们的猜想。现在，请大家完成以下步骤。(1)观看演示实验：请大家集中注意力，观察实验中使用的各个仪器部件。(2)提问环节：思考并回答，哪些仪器部件对记录小球运动轨迹至关重要？为什么？你认为实验中的关键步骤有哪些？(3)实验指导：分成小组，每组两人。讨论并设计一个简单的实验，用来记录平抛运动的轨迹。使用实验室中的仪器进行实验，记录数据并生成图像。请大家先观看演示实验，现在开始。大语言模型的优化结果使整个教学语言更加精练并富有逻辑，点明学生观看演示实验时的具体要求，并明确说明在观看过程中所应思考的问题，切实增加了指令和反馈类型的教学语言。同时模仿优质视频的教学内容，在观看实验的过程中加入了分组讨论，并要求设计实验，增加了更为丰富多样的自主活动，这也能为师范生的课堂设计提供有效的灵感。未来可以考虑建立优质视频教学语言模板库，只需专家将优化要求和建议输入大语言模型中，即可实时为每位师范生提供个性化的教学指导。师范生则能在不断交互过程中，反思个人教学语言存在的问题，迅速调整语言表达和教学方法，从而逐步提升教育教学能力。

在人工智能技术融合教育蓬勃发展的背景下，本研究立足于当前教学评价存在的问题和需求，从效用、应用和优化三个方面探讨课堂教学语言智能评价的可行性。

当前智能课堂教学评价的开发和实施仍处于起步阶段，构建专业化、智能化的评价框架，使其针对性地指向智能化课堂教学评价是现实急需^[24]。本研究基于弗兰德斯互动分析系统，把握模拟课堂教学特点，形成课堂教学语言编码系统。该编码系统定义清晰，可操作性强，切片方式确保了教学语言的完整语义，可针对课堂教学语言进行类别判定与质量分析。训练得到的自动编码模型结果表现优异，具有较好的泛化能力，初步实现黄焕等对于课堂话语分析应用探索的设想^[16]，能协助实现多维数据课堂教学行为指标体系中话语数据的自动量化分析^[25]，共同探索和丰富在不同框架理论下课堂教学智能化评价的实践结果^[26]。这将大大节省研究人员人工编码所需的人力和时间，切实解决当前量化分析教学课堂存在的问题，满足大规模课堂评价需求^[27]。

在对比分析中，利用自动编码结果分析师范生实训视频与优质视频在教学语言结构和内容上的差异，揭示师范生在教学语言方面存在的具体问题，提出针对师范生教学语言优化的改进策略。这一过程不仅为编码模型在教育场景中的具体应用提供了范式，也为智能化教学助手的构建提供了方向指引和实证依据。基于大语言模型的智能化教学助手有望成为师范生专业发展的重要支持工具，推动教育领域的持续创新与优化，助力精准化、个性化的教师培养^[28]。本研究初步验证了大语言模型作为师范生教学语言优化助手的可行性，展示了其在提升教学语言质量、促进教学改进中的应用潜力，为个性化教育与智能化教学评价提供了新的思路和实践路径。

本研究充分利用人工智能在大数据处理、语言学习和文本生成方面的技术优势，实现了课堂教学语言的高效自动编码，并为师范生提供个性化反馈建议，为后续构建更完善的智能化教学评价体系奠定了基础。然而研究仍存在一定局限性，对于需要更精细颗粒度分析课堂特征的场景，还需丰富编码类别，并在每一个类别下进行水平划分，以实现对课堂教学的质量水平判定。此外，研究仅聚焦于教学语言的分析优化，暂未收集其他模态教学信息。未来可以补充其他模态信息，丰富当前数据集，构建课堂教学智能化评价平台，为师范生课堂教学技能的发展提供立体化的智能支持。