在线学习场景中多元数智技术支持的教师教学决策：技术框架与实施路径

Teacher instructional decision-making supported by multimodal digital and intelligence technologies in online learning contexts:

摘要

挖掘学生评教数据背后的价值和信息，是帮助教师开展精准教学决策的重要依据。本研究以在线课程MOOC的学生评教数据作为数据来源，基于ERNIE模型对学生评教数据进行情感分析和关键词提取，将学生评教数据分析结果以数据可视化技术呈现给教师，并基于学习分析框架，整合大模型技术和提示语工程辅助教师针对学生需求开展精准教学决策，并通过一项具体案例验证了该技术方案的可行性。

Abstract

Mining the value and information embedded within student evaluation data serves as a crucial foundation for assisting instructors in making precision teaching decisions. This study utilizes student evaluation data from a Massive Open Online Course (MOOC) as its data source. Leveraging the ERNIE model, it conducts sentiment analysis and keyword extraction on the student feedback. The analytical results are then presented to instructors through data visualization techniques. Furthermore, grounded in a learning analytics framework, the research integrates large language model (LLM) technology and prompt engineering to aid instructors in tailoring instructional decisions to meet specific student needs. The feasibility and effectiveness of this technical approach are validated through a concrete case study.

Graphical abstract

关键词

教学决策 / 评教数据 / 深度学习

Key words

instructional decision-making / teaching evaluation data / deep learning

《教育强国建设规划纲要（2024 — 2035年）》指出：建立基于大数据和人工智能支持的教育评价和科学决策制度^[1]。在大规模在线学习场景中，面向学生多模态学习数据开展分析支持教师教学决策是提升在线学习质量的创新工作^[2]。课程评论数据作为在线学习行为数据的重要组成要素，可以充分彰显学生学习需求^[3]，并作为重要的学习证据支持教师教学决策^[4]。

然而，当前的在线课程评论数据多达上万条，教师如何快速挖掘出对自身教学改进有价值的信息来支持其教学决策已成为一项技术壁垒。必须借助人工智能技术，快速捕获能实际体现学生需求的评论数据，来辅助教师进行教学课程优化。虽然最新研究^[5]已经将基于文本数据的深度学习技术（如BERTO-PIC、ERNIE等）应用于课程评论数据的智能化分析中，但分析结果对教师开展教学决策的价值深度不足，教师很难通过现有智能化学习分析技术得到支持自身教学决策开展的有力证据。

本研究将从课程评论数据视角，整合深度学习技术及大模型技术，构建智能化教师教学决策辅助系统，探索高效赋能教师教学决策的技术框架和实践路线，帮助教师深入挖掘学生课程评论数据的深层次价值，并以此开展精准教学决策与优化。

1 文献综述

1.1 学生评教数据驱动教师教学决策的相关研究

数据驱动决策（data-driven decision）是数智时代的新型教学决策方式，指教师和管理者系统地收集和分析各类学生数据（包括输入数据、过程数据、结果数据和满意度数据等）以指导一系列教学决策的过程^[6]，与传统基于教师个人经验和主观判断的教学决策方式不同，数据驱动教学决策的客观性及反馈信息价值较强。学生数据包含主观学生评教数据驱动和客观学生学习表现数据驱动^[7]两种形式。在面向主观学生评教数据评价中，相关研究指出学生评教数据可多角度反馈教师的教学情况，助力教师从学生学习体验层面反思教学效果，了解学生真实学习需求和感受，从而在教学中进行针对性的调整和优化^[8]。

学生评教数据指学生通过填写关于教师教学情况的调查问卷对教师的教学技能、教学态度等进行点评^[7]，是帮助教师确认学生需求要素，辅助开展教学决策的重要依据。其包含了课程评论数据，课程打分数据两个类别，其中课程打分数据具备引导教师关注并反思教学不足之处的功能，但其存在信效度低，打分结果无法直观反映教学具体不足等问题，无法形成支持教师持续性教学改进的动力机制^[7]。而课程评论数据是学生基于自身在课程学习中的情感体验，对教师教学课程质量的反馈和评价，虽然也存在常态化评价缺位，数据量大而混杂等问题，但其蕴含学生在课程学习过程中的真实情感态度和学习体验，能真实反馈学生的学习困惑与需求。目前，国内外相关前沿研究已尝试通过智能化分析技术开展课程评论数据的多维度分析，辅助教师高效循证开展教学决策。

1.2 面向学生课程评论数据的智能化分析方法研究

已有相关研究运用面向文本数据的深度学习技术对学生课程评论数据进行分析。例如，刘清堂等^[9]利用哈工大语言平台（language technology platform，LTP）词性标注技术和依存句法关系分析技术，对MOOC上人文社科类和自然课程类课程的学生评论数据进行处理，分析学生视角下不同学科课程质量影响因素；徐振国等^[10]利用百度的语义理解预训练模型ERNIE对Bilibili的课程弹幕和评论数据进行粗粒度情感分析，再辅以TF-IDF算法筛选标签词，进行细粒度情感分析，帮助自媒体授课教师快速捕获对教学改进有价值的评论信息。袁杰等^[11]采用扎根理论的开放性编码、轴心编码和选择性编码方法对英文MOOC课程评论内容进行处理，提炼影响课程质量的重要指标；尼格拉木·买斯木江等^[12]利用文本挖掘技术识别课程评论中的关键字与特征，运用自动化的框架对其进行匹配和分析，以识别在线课程用户的学习需求。

从数据分析方法上，现有研究主要采用深度学习或手动内容分析方法^[13]，筛选课程评价数据，从中提炼课程质量评价指标，以构建高质量课程评价体系。从数据分析结果的利用层面看，现有研究多挖掘课程评论内容的判定性价值,但鲜有研究充分借助智能技术的深层次文本数据解读能力，提炼对教师开展教学决策有价值的教学信息。

因此，为了更好地帮助教师快速挖掘大规模课程评论数据的内隐价值，支持其开展精准教学决策，必须整合深度学习技术，设计和研发相应的数据分析技术，并将技术付诸实践。

2 关键技术框架

挖掘课程评论数据支持教师教学决策需要从数据来源、数据分析方法、基于数据的决策方法三个方面思考问题。因此，本研究设计了包含数据层，分析层，决策层的教师教学决策智能生成系统，如图1所示。首先，利用数据爬取技术收集中国大学MOOC在线课程平台上的学生课程评论数据，并存储于MySQL数据库中；其次，利用ERNIE文本分类模型识别评论数据的维度，调用百度的关键词提取和情感分析API对课程评论数据进行深度挖掘；最后，基于学习分析方法调用DeepSeek-R1大模型对学生问题和需求进行深入解析，为教师推荐针对性的教学方案改进，靶向干预学生的学习效果，帮助教师开展精准教学决策。

2.1 数据层

2.1.1 数据采集

本研究选择中国大学MOOC的学生课程评论数据作为主要数据来源，将数据爬取技术嵌入系统之中，并制定数据清洗规则，筛选去除重复的，与课程无关、无研究意义的数据，确保采集数据的质量和代表性，通过MySQL搭建高质量的文本数据库，为分析层提供基础数据支撑。

2.1.2 数据集标注与划分

对学生的在线评论进行分类是获取学生需求的基础，需要高质量、高代表性的数据集作为文本分类模型训练的基础。本研究从采集数据中随机选择1000条评论，采用背靠背的方式进行预编码，通过一致性检验评估数据的差异度和代表性，以人工标注的方式，对数据集中的所有数据逐一编号标注，然后进行训练集、验证集和测试集划分，最终得到训练集11 074条，验证集815条和测试集796条，共有12 685条数据的高质量标注数据集。

2.2 分析层

分析层主要是通过智能分析技术，深入理解课程评论数据背后所包含的学生学习需求和情感体验，并基于此需要性能优秀的语义理解大模型对课程评论进行分类，运用自然语言处理技术对各分类维度的课程评论数据进行情感分析和关键词提取，为决策层提供证据支撑。本研究遵循“大规模文本语义分类—文本情感分析与筛选”的技术执行路线，首先运用ERNIE模型对MOOC课程评论数据所表征的语义进行分类，然后运用百度情感倾向分析API对所有负向情感文本进行萃取，旨在深度挖掘MOOC课程评论数据中学生负面学习情感表征文本的价值。

2.2.1 文本分类模型整合与优化

为提升文本内容分类的准确性，本研究采用对比实验，选择ERNIE-3.0-mini-zh和TextCNN模型进行比较，利用训练集数据对两模型进行预训练，通过验证集获得表现状态最佳的模型，利用测试集进行测试，评估两模型在测试集上的准确率、精准率、召回率和F1-Score 等关键指标，如表1所示。

通过对比, ERNIE-3.0-mini-zh模型在准确率、精准率、召回率和F1-Score等关键指标上均优于TextCNN模型，整体识别准确率达到了94.10%。因此，本研究选择ERNIE-3.0-mini-zh模型对课程评论进行理解和分类。

2.2.2 分类维度

现已有研究基于评论数据对课程评价体系进行多维度内容划分。例如：肖婉等^[14]以感官体验、内容体验、情感体验和价值体验为学习体验维度，搭建学习体验分析框架；徐振国等^[10]以教学设计与实施、授课教师、技术支持、学习效果为主要指标，提出在线课程评价体系。综合已有研究，本研究基于学生学习体验视角，将学生课程评论数据分成四个维度：内容体验、学习辅助体验、整体性评价、教师评价，利用ERNIE-3.0-mini-zh文本分类模型对评论数据进行维度分类，然后基于四个维度对学生评论数据进行进一步的挖掘和分析。

2.2.3 深度智能分析

本研究系统集成自然语言处理能力，调用百度情感分析API和关键词提取API，通过统计评论数据中的高频关键词，计算学生评论情感指数和提取负向评论，以分析获得学生课程学习过程中的情感体验和学习需求，实现对学生学习反馈的多维度智能分析。同时，系统通过flask框架搭建的web界面，对评论数据及相关指标进行可视化展示，生成直观的饼图、词云图、柱状图等，为教师提供全面、清晰的学生需求图景。通过多维度智能分析，系统能够精准识别学生需求，为决策层提供证据支撑。

2.3 决策层

决策层是教师教学决策智能生成系统的核心支撑，主要基于DeepSeek-R1大模型深度归纳、理解学生负向课程评论文本语义，将学生需求转化为可执行的教学优化方案。本研究遵循学习分析的理论逻辑设计提示词工程框架。首先基于学习分析技术框架，从“问题评估”“靶向干预”“个性推荐”“深度反思”四个方面撰写提示语，指导DeepSeek-R1大模型以学生真实学习需求为驱动，为教师生成可行性高、针对性强、科学有效的教学决策方案。

2.3.1 学习分析技术

学习分析技术^[15]是测量、收集、分析和报告有关学生的学习行为以及学习环境的数据，用以理解和优化学习及其产生的环境的技术，是帮助教师开展教学决策，优化教学课程的有效支持工具。现有研究如Siemens^[16]等结合自己的实践，将学习分析技术总结为“数据—简介—分析—预测—个性化”的过程，基于数据的分析持续有效地干预学生学习；Malcolm Brown 等^[17]将学习分析界定为以“数据收集，分析，学生学习，听众，干预”为核心五要素的过程；顾小清等^[18]综合各项研究，将学习分析技术的特征概括为“复合化的数据采集，多重角度的分析技术，可视化的分析结果，微观化的服务层次，多元化的理论基础”。综合上述研究，本研究搭建以“问题评估”“靶向干预”“个性推荐”“深度反思”为核心方法的学习分析技术框架，旨在指引大模型聚焦于学生的学习过程，从学生视角为优化教学决策提供针对性服务。

2.3.2 提示语工程

在教育领域，提示语工程^[19]是学习者或教育工作者为了帮助机器理解人类意图，将适合机器理解的，与教育相关的问题、陈述或带有参数的自然语言描述进行重新组织设计成一组指令集，引导机器响应或行动。如表2所示，本研究基于赵晓伟等^[19]提出的教育提示语“CORE”框架，构建由必备要素（语境，目标）和可选要素（处理步骤，分析要求，分析方法，输出格式）构成的教学赋能提示语框架。

①必备要素 核心目标在于帮助教师针对学生需求，开展精准教学决策，所以研究中赋予DeepSeekR1模型教育质量优化顾问的角色身份，设定“基于学生的负面评论生成课程优化建议，辅助教师开展精准教学决策”为目标，指引DeepSeek-R1针对学生在课程学习过程中反馈出的情感体验和学习需求，协助教师设计针对性的教学方案改进，为教师差异化教学设计提供创新思路。

②可选要素 为引导模型以更科学的方式协助教师，本研究设定严格的处理步骤，要求模型从评论维度到问题归因，逐层深入理解学生评论话语中反馈的问题，并以前沿教学理论或教学实践策略为基础，利用学习分析技术，针对不同类别学习评论所反馈出的具体问题，逐一进行课程优化方案设计，辅助教师以学生需求为驱动，制定可行性高、针对性强的教学决策方案。

3 教师教学赋能系统的实践应用

本研究以MOOC平台上的《心理科普——大学生心理健康》课程为例，进行教师教学决策智能生成系统实践应用的研究，收集了2023年9月11日—2025年8月1日线上课程1 910条评论数据。经过数据清洗后，共采集到1 898条学生课程评论数据。

3.1 维度分布与情感分析

本研究从内容体验、学习辅助体验、整体性评价、教师评价四个维度对数据进行分类和分析，如图2所示。从维度分布分析结果上来看，“学习辅助体验”维度的评论数据普遍较少，说明相关辅助工具（例如PPT，教学视频，答疑服务等）未被学生频繁使用且存在感低，未能有效匹配学生的需求；从情感分析结果来看，课程评论数据在教师教学维度上普遍呈现正向情感，而在教学辅助维度上则存在更多的负向情感评论，说明课程在教学辅助方面不仅存在感较低，而且学生使用反馈相对负面，需用针对该维度常见关键词进行重点理解和分析，深入理解学生的学习需求。

3.2 问题归因与教学决策

为针对学生真实需求开展高效教学决策，本研究对“心理科普—大学生心理健康”课程中的负向情感评论数据进行深入分析，挖掘学生课程评论中潜在的学习需求信息，以辅助教师开展精准教学决策，如表3所示。①在课程内容方面，部分学生反映课程趣味性不高，教学内容深度不够。针对该问题，教师可以采取游戏化学习方式和差异化教学策略，在课程中引入趣味性活动和基于情境的学习模块，提高学生参与度和实践力，为不同水平学生分层设计任务（如基础版模块和挑战版模块）。②在教学辅助方面，大多是基于PPT等工具和相关备课资源开展，导致学生对课程的关键点、疑难点理解深度不够。针对该问题，基于熟学习理论，主动学习策略等教学理论，要求教师针对相关重难点部分采用问题驱动的教学方式，增加互动问答环节，促进学生主动参与和思考以加深对疑难点内容的理解。③在教师评价方面，不同教师的讲解风格差异较大，并且部分教学内容存在重复冗余，降低课堂效率，影响课程整体连贯性。针对该问题，教师可以应用课程地图工具同步课程进度，实施教师互听互评机制，建立共享教学资源库（如标准课件），避免因教学风格差异太大学生难以适应。④在整体上，各学生课程评论反馈出的问题参差不齐，包含“任务设计不合理”“形式化流程”等，教师可以利用5E教学模型聚焦核心环节，精简和优化课程任务设计，确保所有活动都向核心学习目标对齐，同时定期收集反馈并更新资源库，确保内容适应不同基础学生。

3.3 方案验证

为验证系统提供的教学决策方案的有效性，本研究基于Davis等^[20]提出的TAM技术接受度模型，从技术有用性和技术易用性两方面设计深度访谈提纲，以了解MOOC教师在使用该系统后的反馈。本研究深度访谈了上述案例的授课教师，并将访谈记录转化成文本，得到近2万字的访谈记录。笔者对访谈记录进行深度总结得出以下结论：

从技术有用性层面可以看出：受访教师表示该系统生成方案能精准帮助自己挖掘学生学习需求，从而更有针对性地干预学生学习体验。

从技术易用性层面可以看出：受访教师认可该系统的使用方法及交互逻辑，同时认为该技术能够帮助其常态化改进在线课程。

然而，受访教师也提出诸多系统优化意见：首先应构建决策个性定制机制，提供提示语工程修改窗口，满足教师对课程特定方面的优化需求，如生成教学风格、教学模式等特定方面的建议；其次，增设系统决策周期自定功能，教师可根据教学需求，灵活选择按课时或按学期进行教学优化；最后，优化数据采集方式、缩短数据采集周期，建立以课堂、单元教学为单位的数据采集周期，提升课程评论文本数据的价值密度。

4 实践路径

4.1 将此功能内嵌到MOOC系统中，支持教师开展精准教学决策

大规模在线开放课程（MOOC）是大学生开展个性化学习、实现自身专业能力发展的重要学习平台，MOOC的课程质量直接影响大学生在线个性化学习效果。本研究所构建的教学辅助系统是一个以学生真实需求为驱动的教师教学决策智能生成系统，将系统内嵌入MOOC平台的教师管理端，系统利用数据处理和智能分析技术对学生MOOC课程评论数据进行采集和分析，采用数据可视化技术向MOOC课程教师反馈学生学习状态和主要需求，根据学习分析方法和教学实践策略向课程教师提供可行性高的教学决策方案，辅助教师开展精准教学决策，设计出更高质量、更贴合学生需求的MOOC在线课程。

4.2 构建常态化课程评价机制，支持教师伴随性教学改进

在教学过程中，课程教师可利用系统对课程评论数据进行定期采集和分析，了解当前课程阶段的学生学习状况和需求，从而展开常态且精准的教学决策和伴随性教学改进。可采用敏捷化学生评教、常态化学习体验反馈收集等方式扩大课程评论量，增强教学决策的精准性与伴随性。这种常态化教学改进机制能靶向干预学生的学习状况，优化学生的学习体验，提高学生的学习质量，保证学生在课程学习过程中始终保持较高的积极性与参与度。

4.3 拓展系统的应用场景，支持新手教师开展教学决策

在后续研究及实践中，可以将系统的应用场景从在线教学场景拓展到混合式教学场景，甚至线下教学场景。教师可通过多元智能教育技术手段，采集学生线上及线下教学中的课堂评论数据，从而常态化支持教师开展教学决策。同时，此类数据对于新手教师教学改进来说至关重要，因此可面向新手教师开展系统常态化应用培训，提升教师迭代反思与常态化教学改进能力。

4.4 持续推进技术落地普惠，增强决策系统的实践理性

本研究局限于个案分析，在后续研究及实践中仍需关注该技术的普惠性推广及落地实践性的增强，持续深化该技术在助力教师教学决策中的应用价值。可通过将技术内嵌到每一位MOOC教师在线教学全过程，以“全过程伴随采集、全领域全学科教师覆盖”的技术推广思路，以敏捷迭代理念逐步提高技术成熟度；也可通过开放多元学生评论及意见反馈通道，拓展数据采集通道，拓展技术的应用范围，增强技术在在线教育场景中应用的灵活性。

5 结束语

本研究从学生视角出发，挖掘学生课程评论数据背后的潜在价值，利用智能技术分析学生的学习需求，采用学习分析方法和提示语工程对学生学习问题进行归因和总结，辅助教师循证开展精准教学决策。基于案例课程的实践应用，本研究发现当前课程评价系统还存在不能充分贴合学生需求的问题，可以进一步优化扩展系统功能：①将学生评论数据中潜在的隐藏价值用于构建课程评价和推荐体系，向不同学生推荐不同深度的课程，形成从学生视角出发，以学生需求为驱动的数智课程推荐机制。②构建整体学科课程发展的系统模块，划分学科课程，综合学科体系中不同课程的学生反馈情况，辅助学科建设者和教育管理者根据学生需求规划整体学科课程体系发展，形成完整的学科学习链和课程学习安排，开发具有“用—评—优—推”一体化服务的教师团队教学决策辅助系统，助力学科教师队伍课程设计能力的有效提升。后续研究者可沿着此思路，持续深化本研究内容。③由于本研究提出的教学决策系统是一种新型技术，目前在实证探索方面缺少大规模证据支持，暂时不具备能让系统敏捷迭代、改进和优化的实践土壤。在后续研究中，本研究将此系统常态化应用于在线课堂，收集相关实证研究证据以深度验证系统对在线教学的赋能成效，并敏捷迭代优化本系统，更好地为在线课程教师教学服务。

参考文献

[1] 新华社. 中共中央 国务院《教育强国建设规划纲要(2024 — 2035年)》[EB/OL]. (2025-02-10) [2025-09-30].

[2] 刘晋, 张学波, 林书兵. 数据驱动的教学决策效果总览与视野突破: 基于十项元分析的伞型评价[J]. 电化教育研究, 2022(9): 53-62.

[3] 张新香, 段燕红. 基于学习者在线评论文本的MOOC质量评判: 以“中国大学MOOC”网的在线评论文本为例[J]. 现代教育技术, 2020(9): 56-63.

[4] 万亚玲, 刘淑雅, 塔卫刚, 等. MOOC课程高质量发展的飞轮效应: 从因素挖掘到机制诱发:以MOOC平台上的19门“现代教育技术”公修课为例[J]. 现代教育技术, 2024(11): 58-68.

[5] 徐振国, 张琳, 谢万里, 等. 融合BERTopic和KANO模型的在线课程用户需求挖掘研究: 以Python在线课程为例[J]. 情报科学, 2024(8): 126-135.

[6] 闫寒冰, 王巍. 增强教育数字化的实践理性: 数据驱动决策的模型构建与应用验证[J]. 教育发展研究, 2023(4): 21-29.

[7] 单俊豪, 闫寒冰. 学生数据赋能教师精准测评: 问题、突破与发展路向[J]. 现代教育技术, 2023(5): 50-58.

[8] BRUNNER C, FASCA C, HEINZE J, et al. Linking data and learning: The grow network study[J]. Journal of Education for Students Placed at Risk, 2005(3):241-267.

[9] 刘清堂, 尹兴翰, 吴林静, 等. 基于学习者评论数据挖掘的MOOC课程质量影响因素研究[J]. 远程教育杂志, 2023(1): 80-90.

[10] 徐振国, 王佳宁, 王悦, 等. 基于深度学习的自媒体平台在线课程质量评价研究[J]. 电化教育研究, 2023(8):42-48.

[11] 袁杰. 基于学习者在线课程评论文本的英语慕课质量评价指标研究[D]. 广州: 华南理工大学, 2023.

[12] 尼格拉木·买斯木江, 艾孜尔古丽·玉素甫. 融合BERT与LDA的在线课程评论关键词提取方法[J]. 现代电子技术, 2022(6): 99-104.

[13] 洪越洋,单俊豪,刘永贵. 在线开放课程何以高质量: 基于28门B站高传播力课程的多组态路径分析[J]. 中国医学教育技术, 2025(5): 638-644.

[14] 肖婉, 季一木. 学习体验视角下中外高质量在线开放课程比较研究[J]. 现代教育技术, 2024(2): 81-89.

[15] WAYMAN J C. Involving teachers in data-based decision-making: Using computer data systems to support teacher inquiry and reflection[J]. Journal of Education for Students Placed at Risk, 2005(3): 295-308.

[16] SIEMENS G. Learning analytics: The emergence of a discipline[J]. American Behavioral Scientist, 2013(10): 1380-1400.

[17] BROWN M. Learning analytics: The coming third wave[EB/OL]. (2011-04-13) [2025-09-30].

[18] 顾小清, 张进良, 蔡慧英. 学习分析: 正在浮现中的数据技术[J]. 远程教育杂志, 2012(1): 18-25.

[19] 赵晓伟, 祝智庭, 沈书生. 教育提示语工程:构建数智时代的认识论新话语[J]. 中国远程教育, 2023(11): 22-31.

[20] DAVIS F D. Perceived usefulness, perceived ease of use, and user acceptance of information technology[J]. Mis Quarterly, 1989(3): 319-340.