一、人机协同教育评价
教育评价是富含复杂性与开放性、创造性与价值性、道德性和情感性的实践活动。智能技术具备强大的感知智能、计算智能和认知智能，能够对多来源、多类型、多模态的数据进行处理、分析和推理。但是机器仅依据预设问题情境和算法逻辑解决特定问题，对复杂情境的适应性不足，对复杂问题的判断和决策能力不足。人类教师擅长灵活应变，具备对复杂问题的判断能力和归纳推理能力，能够提高对复杂性、开放性教育评价问题的诊断和决策的准确率。由此可见，教育评价的创新与发展需要整合人类智慧和机器智能，通过人机协同的优势互补和相互促进，推动课堂教学质量评价的全面提升。
人机协同（Human-Machine Collaboration）是指人与机器在工作过程中发挥各自的优势，执行各自擅长的工作，共同认识、相互制约，共同决策、相互监督，从而提升整体的智能和生产力。人机协同教育评价遒循数据循证的评价理念，赋能课堂评价从结果导向到过程循证转变，从经验支持到数据驱动升级，从单纯价值判断到持续诊改提升转型，从而实现高质量理念、内容和方法的教育评价。现有研究主要聚焦于理论层面的人机角色和运作机制，以及实践层面的应用模式和技术嵌入等方面。在理论探讨层面，殷宝媛等从育人观、教育管理、教育评价和课程与教学多方面确立高校人机协同育人变革思路，强调通过人机协同育人模式助力高校高质量发展。吴龙凯等从技术伦理的视角探讨了评价目标、评价内容、评价方式、评价过程和评价结果五个要素中的人机角色和协同机制。在实践应用层面，相关研究探索了在人机协同背景下的在线教学评价、职业教育课堂评价和大学生个性化教育评价等不同教育场景的评价模式和实践框架。此外，宛平等人还探讨了生成式人工智能支持的人机协同评价实践模型和应用路径，旨在推动教育评价体系向更高效、精准、个性化的方向发展。
目前，人机协同教育评价尚未形成成熟统一的理论框架和实践模型，且缺少在高校教育评价场景中的理论探讨和实践应用。
二、人机协同高校课堂教学质量评价模型的实践应用
（一）案例背景与实施过程
本研究选取某师范大学教育技术学专业2024年秋季学期的本科课程作为案例进行实践探究，共包含9门课程。研究依托校企合作研发的AI督导巡课平台开展评价活动。平台通过批量录制和行为分析，能够支持同行专家和督导成员实现全方位的课堂观察和质量评价。研究遵循人机协同的高校课堂教学质量评价模型，明确不同阶段的具体内容，具体实施路径如图1所示。
图1人机协同高校课堂教学质量评价实施路径
计划环节，生成式大语言模型结合该专业本科招生培养目的，生成具有专业特色的评价体系建议清单。督导组成员和教师结合OBE理念和“两性一度”（高阶性、创新性、挑战度）要求对建议清单的指标和权重进行审查和确定，确保评价体系的科学性和适用性。
执行环节，采用结合主观评价和客观评价的双通道评价。客观评价依托AI督导巡课平台，通过课堂监控设备全面收集和记录课堂互动情况，包括教师行为、学生听课、课堂互动和教学类型四类量化指标。督导和同行教师利用AI督导巡课平台进行课堂观察，并结合AI量化指标，根据事先设计的观察量表进行打分。
检查环节，AI督导巡课平台结合AI量化指标和教师评价量表，生成可视化报告。同时，组织专家团队对量化指标和量表评分进行人工审核，确保评价结果的准确性和可靠性。
改进环节，根据评价结果，教师调整教学策略和方法，优化教学内容和流程。人工智能系统根据反馈不断学习和优化评价模型，提高评价的精准度。
（二）应用效果与分析
1.评价指标和权重
研究采用半结构化访谈的方式，邀请3位督导组成员和授课教师对生成式人工智能生成的课堂教学质量评价体系建议清单进行审查和修改，最终形成包含师德师风（6%）、价值塑造（9%）、目标导向性（9%）、内容高阶性（7%）、方法创新性（7%）、学习挑战度（5%）、技术融合度（11%）、知识建构（10%）、能力达成（13%）、素质发展（7%）、课堂秩序（3%）、师生互动（8%）和学生兴趣（5%）13个维度和权重的评价指标体系。
2.评价的整体情况
研究通过人类主观感知和机器客观记录相结合的评价方式，由2名相关专家结合自身教学经验，并参考AI量化指标结果，按照学科专业适配的评价指标体系进行评分。分析结果显示，课程4在思政引领和活动参与层面表现突出，尤其体现在师德师风、师生互动和学生兴趣激发三个方面。但在教学效率层面的方法创新性和技术融合度，以及学习增值层面的知识建构和素质发展方面，仍需通过优化教学设计和提升技术应用水平进一步改进。此外，整体评价维度均值和标准差结果显示，该专业9门课程在目标导向性（SD=0.12）和师德师风（SD=0.17）方面表现较为一致，而在学生兴趣（SD=0.45）、师生互动（SD=0.41）、技术融合度（SD=0.35）、方法创新性（SD=0.34）方面存在较大差异，可以通过教师培训、教学资源共享或教学设计优化，缩小教师在这些高差异性指标上的表现差距，从而提升课程的整体教学质量。
刘清堂，教授，博士，华中师范大学人工智能教育学部
