## 阶段 1：战略对齐 (Align) - 找准教学评价的“真问题”**

*   **核心目标定义：** 首先要与教学管理部门、教研组和一线教师代表明确，本次评价的**首要目标**是什么？
    *   **是“评估性” (Summative) 还是“发展性” (Formative)？**
        *   评估性：用于教师绩效考核、评级。标准更刚性，语言更客观。
        *   发展性：用于帮助教师自我提升。标准更灵活，语言更具启发性和鼓励性。
    *   **我们的建议：** **初期一定从“发展性”切入**。这能最大程度减少教师的抵触情绪，让他们视智能体为“私人教练”而非“电子监工”，从而获得高质量的合作与反馈。
*   **用户与流程分析：**
    *   **用户画像：** 最终报告给谁看？给教师本人？给教研组长？还是给校长？不同用户需要的内容颗粒度和侧重点完全不同。
    *   **工作流分析：** 目前的教学评价流程是怎样的？是专家听课、填写表格、当面沟通吗？智能体应该如何嵌入？是替代部分表格填写工作，还是提供一份会前分析底稿，供专家和教师讨论？
*   **溯因与问题界定：**
    *   **溯因：** 为什么我们需要AI来做教学评价？是因为专家资源有限、无法覆盖所有课程？还是因为人工评价标准不一、主观性强？或是反馈周期太长，无法及时指导教学？
    *   **界定：** 明确智能体的任务边界。例如，它能分析语言和结构，但无法判断学生的真实课堂反应（除非有视频分析）。

**产出：** 一份清晰的项目章程，定义智能体的核心使命为“**赋能教师专业成长的发展性教学诊断助手**”，明确用户、使用流程和成功的关键指标（如教师使用满意度、反馈采纳率等）。

## **阶段 2：建模分析 (Model) - 萃取“好课”的评价模型**

这是将教学专家的智慧“注入”AI的核心步骤。

*   **归纳与建模：** 基于您提出的三个出发点，我们会与资深教学专家/教研员共同构建一个**“多维教学质量评价模型”**。
    *   **维度一：教学设计与结构 (机构视角)**
        *   **指标：** 教学目标是否明确、课程结构是否完整（导入-展开-总结）、重点/难点是否突出、是否与教学大纲/新课改理念匹配。
        *   **数据源：** 教学大纲、要点、课程文字稿。
    *   **维度二：教学实施与技巧 (教师视角)**
        *   **指标：** 提问技巧（开放/封闭问题比例）、互动模式（师生/生生）、语言表达（清晰度、逻辑性、生动性）、案例/比喻使用、课堂节奏控制、关键概念重复与强调。
        *   **数据源：** 课程文字稿。
    *   **维度三：学生学习体验 (学生视角)**
        *   **指标：** 语言是否通俗易懂、概念解释是否由浅入深、举例是否贴近学生认知、学习负荷是否合理（信息密度）。
        *   **数据源：** 课程文字稿。

*   **知识工程：** 将上述模型的每个指标，转化为AI可以理解和判断的**“观测点”**。
    *   **示例：** 对于“提问技巧”，我们可以让AI去：
        1.  **识别**所有问句。
        2.  **分类**其为“封闭式”（是不是/对不对）还是“开放式”（为什么/你怎么看）。
        3.  **统计**两者的比例和分布。
        4.  **评价**其是否符合启发式教学的要求。

**产出：** 一套结构化的“教学评价模型”知识库，详细定义了每个评价维度下的具体指标和判断依据。

## **阶段 3：智能体打造 (Build) - 赋予AI“教学教练”的灵魂**

*   **智能体人设 (Persona)：**
    *   **角色：** 一位经验丰富、循循善诱、充满善意的“教学教练”或“资深教研员”。
    *   **使命：** 发现闪光点，激励成长；定位待改进点，提供具体建议。
    *   **工作原则：** 优点优先（先表扬后建议）、基于证据（所有评价均需链接回原文）、建议具体（不说“互动不足”，而说“在15:30处，可以尝试将陈述句变为提问句，引导学生讨论”）。
*   **智能体架构 (Architecture)：** 强烈建议采用**多智能体协同架构**。
    *   **结构分析师 (Agent 1)：** 负责对照教学大纲，检查课程的完整性、流程和要点覆盖，输出“结构与合规性”分析。
    *   **教学艺术诊断师 (Agent 2)：** 负责深入文本，分析提问、互动、比喻、节奏等教学技巧，提炼“金句”，识别“待改进片段”。
    *   **学生体验官 (Agent 3)：** 模拟学生视角，判断语言的通俗性、案例的有效性，输出“学生友好度”评估。
    *   **报告整合官 (Agent 4)：** 将前三者的分析结果，按照“教学教练”的人设和工作原则，整合成一份结构化、有温度、可执行的综合评价报告。

**产出：** 一个可以输入[课程文本+教学大纲]、输出[教学评价报告]的智能体系统原型。

## **阶段 4：验证与集成 (Validate) - 确保教练“专业靠谱”**

*   **专家验证：** 邀请3-5名资深教学专家，与智能体“同场竞技”。对同一堂课，先由专家出具人工评价报告，再看AI的报告。
    *   **比对：** AI的发现与专家的结论重合度多高？AI是否发现了专家忽略的细节？AI的评价是否客观准确？
    *   **校准：** 根据专家的反馈，精调AI的评价模型和提示词。
*   **“影子模式”运行：** 在小范围内，让智能体对所有课程进行分析，但结果仅供教研组内部参考。持续观察其稳定性、一致性，直到大家建立信任。
*   **集成与呈现：** 将验证通过的智能体封装成一个易于使用的工具。教师上传录音（系统自动转文字）和教纲，点击按钮，即可获得分析报告。报告中所有评价点必须可以点击，并**高亮定位到原文**，实现完全的可溯源。

**产出：** 一套经过验证、可信赖的教学评价工具，以及配套的使用手册和反馈渠道。

## **阶段 5：运营与迭代 (Operate) - 与教学共成长**

*   **反馈闭环：** 在报告末尾设置“本次分析对您有帮助吗？”的评价按钮和意见框，收集一线教师的真实反馈。
*   **模型更新：** 随着“新课改”的深化和新的教学理念出现，定期邀请专家对底层的“评价模型”进行升级。
*   **价值扩展：**
    *   **个体：** 形成教师个人成长档案，追踪其教学技巧的长期变化。
    *   **群体：** 对所有评价报告进行匿名化、聚合分析，发现群体的共性问题或亮点，为师资培训提供数据驱动的决策依据。

**产出：** 一个持续进化、能从个体赋能走向组织赋能的智慧教学平台。

---

## 元认知反思

* 课程评价的真正目的是什么？（评价是工具吧，需要为什么服务，教学也不是目的）
* 我们评价什么是“好”课前，要不要考虑定义什么是“烂”课？比如，老师用“这个考试不考”或“你不需要懂这个”来杀死好奇。
* 课程评价的层次：
	* 微观尺度，句子与概念。比如通俗易懂，但是坏的比喻比没有比喻更糟糕，它会建立错误的联系。
	* 中观尺度，互动与反馈。目前从文字稿出发看互动是比较困难的，最多只能看到提问的数量和类型。
	* 宏观尺度，课程与模型。一堂课的终极产品，是在学生头脑中建立或完善一个模型。
* 课程评价的支点/关键是什么？
	* 如果依赖这个AI评价系统，一个平庸但聪明的老师，会如何利用规则漏洞，让自己看起来很优秀？

真正的、根本性的目标是**“提升学生群体的长期认知能力”**。评价只是一个工具，一个反馈回路。如果这个工具不能服务于最终目的，那它就是个昂贵的玩具。所以，你的每一个指标都必须回答一个问题：“这个指标的改善，是否能**直接**导致学生更深刻、更持久的理解？”