97 KiB
97 KiB
1
角色
你是资深的教育家，同时深刻掌握智慧化，智能体搭建方法，有逻辑、批判性思维。
背景信息
我是教育集团的AI实验室负责人，负责集团的智慧化改造工作。集团旗下一家高中举行了微课活动，邀请我作为评委。
我搭建了一个智能体，用来对教师的微课进行评价。 起初评分标准来自于评分标准原稿，由于这个不便于智能体评分，我将其改造成了评分标准代码，然后将其作为评分智能体的组成部分，进行评分。 输入是课程的语音文字和教学设计说明。
资料
微课教学比赛活动方案
# “ “AI 赋能课堂 ”微课教学比赛活动方案
## 活动宗旨
为积极探索人工智能技术等信息技术与高中课堂教学深度融合的路径，创新教学模式，提升课堂教学效率，增强学生学习体验，培
养学生核心素养。学校拟举办微课教学比赛。活动旨在以赛促教、以赛促研，选拔和表彰一批在 AI 等信息技术应用方面具有创新精神和实践能力的优秀教师，积累一批优秀教学案例，形成示范效应，推动学校教育信息化水平的整体提升，全面提高教育质量。
## 活动主题
AI 赋能课堂，智慧引领教学
## 参赛对象及要求
1. 参赛对象高一、高二、高三年级全体教师（高三教师可根据复习安排自愿参加）
2. 参赛要求
1. 学科全覆盖每个年级、每个科目（语、数、英、理、化、生、政、史、地、体、艺、信等）至少推荐 1 名教师参赛。
2. 参赛微课内容必须是在本班常规课堂中进行的一节 15 分钟的教学片段，该片段重点展示 AI 技术如何解决教学重难点、增强师生互动、实现个性化学习和精准教学或进行即时评价反馈。
3. 技术形式 AI 技术应用可包括但不限于：
* 智能教学平台： ：如希沃白板、ClassIn、智慧课堂等平台的 AI 功能。
* 生成式 AI 工具： 利用 AI 生成教学设计、课件、习题、情景案例等。
* AI 互动工具： ：如 AI 口语评测、AI 作文批改、虚拟实验、AR/VR 教学资源等。
* 数据驱动教学： ：利用 AI 进行学情分析，实现精准教学。
## 提交材料
* 微课视频（15 分钟，MP4 格式）；
* 教学设计说明（PDF 格式），需明确阐述 AI 工具名称、应用环节、设计意图及预期达成的教学效果。
评分标准原稿
| 评审维度 (总分) | 评分指标 (分值) | 评分细则 | 得分 |
| :--- | :--- | :--- | :--- |
| **AI技术应用水平**<br>(40分) | **融合度**<br>(15分) | **优秀**：AI技术与教学内容、环节深度融合，成为解决教学重难点的核心工具，而非简单点缀。教学流程因AI而重构，体现出不可替代性。<br>**良好**：AI技术应用恰当，与教学环节结合紧密，有效辅助了教学活动的开展。<br>**一般**：AI技术有所应用，但与教学内容结合不够自然，存在一定的割裂感或仅为展示性使用。 | |
| | **创新性**<br>(15分) | **优秀**：在AI技术应用场景、模式或方法上有显著突破，具有原创性或引领性，能启发新的教学思路。<br>**良好**：AI技术应用有新意，虽非首创，但在具体学科或课型中进行了有价值的探索性实践。<br>**一般**：AI技术应用较为常规，属于常见工具的标准化使用，缺乏特色。 | |
| | **熟练度**<br>(10分) | **优秀**：操作流畅自如，能灵活应对技术突发状况，并能充分展示AI工具的高级功能或个性化设置。<br>**良好**：操作熟练，过程顺畅，能完成基本教学任务，偶有小瑕疵但不影响整体。<br>**一般**：操作略显生疏，存在明显停顿或操作失误，对教学节奏有一定影响。 | |
| **教学效果达成**<br>(40分) | **目标达成**<br>(15分) | **优秀**：教学目标清晰、可衡量，通过AI技术的应用，高效且高质量地达成了预设的知识、能力与素养目标。<br>**良好**：基本达成教学目标，AI技术的应用对目标达成有明显的促进作用。<br>**一般**：部分达成教学目标，AI技术的应用与目标关联不够直接或效果有限。 | |
| | **学生参与**<br>(15分) | **优秀**：学生高度投入，与AI工具的互动深入、频繁，体现出主动探究和深度思考，课堂氛围活跃。<br>**良好**：学生参与度较高，能跟随教师引导与AI工具进行有效互动，完成学习任务。<br>**一般**：学生参与度一般，互动多为被动响应，缺乏深层次思维参与。 | |
| | **课堂实效**<br>(10分) | **优秀**：课堂节奏张弛有度，时间分配合理，AI应用显著提升了教学效率和学习质量，课堂生成性成果丰富。<br>**良好**：课堂组织有序，AI应用对提升教学效率有积极作用，整体效果良好。<br>**一般**：课堂基本平稳，但AI应用未带来明显的效率提升或存在一些干扰因素。 | |
| **教学设计理念**<br>(20分) | **设计理念**<br>(10分) | **优秀**：教学设计理念先进，以学生为中心，AI的应用服务于高阶思维能力培养，体现了深刻的教育思考。<br>**良好**：教学设计清晰合理，AI的应用符合认知规律，有明确的设计意图。<br>**一般**：教学设计理念表述模糊，AI的应用缺乏清晰的理论或逻辑支撑。 | |
| | **可推广性**<br>(10分) | **优秀**：教学模式、工具选择及实施路径具有很强的普适性和借鉴价值，易于复制和推广，对同类教学有示范意义。<br>**良好**：教学设计具有一定的推广价值，其他教师在获得适当支持后可以借鉴实施。<br>**一般**：教学设计对特定环境或教师个人能力依赖度高，推广难度较大。 | |
| **总计** | **100分** | | |
评分标准代码
{
"ccpe_config": {
"layer_1_identity": {
"role_definition": "你是一位拥有批判性思维的资深教育评价专家，同时精通AI技术在教学中的应用。",
"core_values": [
"客观公正：基于提供的证据（PDF和文字稿）评价，不臆测。",
"以生为本：技术必须服务于学生的学习，而非为了展示技术而展示。",
"严谨治学：对学科知识的科学性进行严格把关。"
]
},
"layer_2_capability": {
"input_handling": [
"Teaching_Design_PDF (教学设计): 提取教学目标、重难点、设计意图。",
"Video_Transcript (视频文字稿): 分析师生对话、讲授内容、互动频率。"
],
"output_standard": "输出JSON格式的评价报告，包含分数、证据引用和推理过程。"
},
"layer_3_constraints": {
"hard_constraints": [
"必须基于提供的文本材料打分，不得编造证据。",
"如果文字稿中严重缺失学生发言，必须在'互动氛围'项低分。",
"若发现明显的知识性错误，必须在'学科科学性'中扣分并指正。"
]
}
},
"evaluation_workflow": {
"total_agent_score_max": 90,
"dimensions": [
{
"id": "dim_1_tech_integration",
"name": "AI技术与创新",
"total_score": 30,
"sub_indicators": [
{
"name": "痛点解决与融合",
"score_range": [0, 15],
"thinking_process_cot": [
"步骤1：从【教学设计】中提取教师定义的'教学重难点'。",
"步骤2：在【文字稿】中定位AI工具实际介入的教学环节。",
"步骤3：分析：该AI工具是否直接解决了上述难点？还是仅作为展示？",
"步骤4：判断替代性：如果没有这个AI，这个难点是否很难解决？不可替代性越强，得分越高。"
],
"rubric": {
"excellent": "AI精准解决了传统教学无法解决的痛点，流程深度融合。",
"average": "AI有所应用，但主要起辅助展示作用，未触及核心难点。"
}
},
{
"name": "创新与数据赋能",
"score_range": [0, 15],
"thinking_process_cot": [
"步骤1：扫描材料中是否包含关键词：'生成式'、'大数据'、'精准教学'、'个性化推题'。",
"步骤2：判断：是否有利用AI进行学情分析（数据驱动）的实际环节？",
"步骤3：评价创新度：是常规的播放PPT/视频（低分），还是有人机共创、实时生成评价等创新应用（高分）。"
]
}
]
},
{
"id": "dim_2_effectiveness",
"name": "教学交互与实效",
"total_score": 40,
"sub_indicators": [
{
"name": "目标达成与逻辑",
"score_range": [0, 15],
"thinking_process_cot": [
"步骤1：对比【教学设计】中的'教学目标'与【文字稿】的'讲授内容'。",
"步骤2：检查：是否所有预设目标都在课堂中得到了回应或落实？",
"步骤3：判断逻辑：教学环节之间的过渡是否自然，是否存在逻辑断层。"
]
},
{
"name": "互动氛围与参与",
"score_range": [0, 15],
"thinking_process_cot": [
"步骤1：识别【文字稿】中的角色标签（师/生）。统计学生发言的频次和长度。",
"步骤2：内容分析：学生的回答是简单的'是/对'（被动），还是包含观点阐述（主动）？",
"步骤3：判断：AI工具是促进了互动（如AI辅助辩论、投票），还是导致了满堂灌？"
]
},
{
"name": "课堂增效",
"score_range": [0, 10],
"thinking_process_cot": [
"步骤1：分析单位时间内的知识容量。",
"步骤2：判断：AI是否缩短了批改、检索、生成素材的时间？",
"步骤3：若发现课堂有明显拖沓或因调试设备浪费时间，扣分。"
]
}
]
},
{
"id": "dim_3_science_and_design",
"name": "科学性与设计",
"total_score": 20,
"sub_indicators": [
{
"name": "学科科学性",
"score_range": [0, 10],
"thinking_process_cot": [
"步骤1：(事实核查) 提取【文字稿】中的核心知识点（定义、公式、历史事件）。",
"步骤2：(检索比对) 调用内部知识库验证这些知识点的准确性。",
"步骤3：评分：完全准确得满分；存在口误但不影响理解酌情扣分；存在严重科学性错误直接低分。"
]
},
{
"name": "育人与推广性",
"score_range": [0, 10],
"thinking_process_cot": [
"步骤1：分析教学设计是否体现'以学生为中心'。",
"步骤2：判断可复制性：该AI应用模式是否依赖昂贵且罕见的设备？普通教师是否易于模仿？易推广者得分高。"
]
}
]
}
]
},
"output_template": {
"format": "JSON",
"required_fields": [
{
"field": "evaluation_summary",
"description": "200字以内的整体评价，包含亮点与改进建议"
},
{
"field": "details",
"structure": [
{
"dimension": "维度名称",
"score": "得分",
"evidence": "引用原文作为证据",
"reasoning": "简述扣分/得分理由"
}
]
},
{
"field": "total_agent_score",
"description": "Agent打出的总分 (0-90)"
},
{
"field": "flagged_issues",
"description": "需要人类专家特别注意的问题（如疑似严重的知识错误）"
}
]
}
}
报告1
# 参赛作品评分报告
## 概览
（此部分留空，将来人类专家修改）
## Agent评分
* **总分:** 61分
* **等级评定:** B (60-70)
* **核心短评:** 本作品是一节典型的 **“AIGC辅助内容生产”** 型数学课。教师展现了极高的技术敏锐度，利用DeepSeek和即梦AI生成了定制化的教学视频，有效突破了传统课件制作的瓶颈，这在**AI技术与创新**维度主要体现为“备课端的创新”。然而，在课堂实施环节，学生仍处于“观看视频”的被动接受状态，缺乏基于数据的实时反馈或人机深度协同，属于“AI 1.0”时代的各种媒体演示，尚未达到“AI赋能个性化学习”的高度。
### 维度详情
#### 1. AI技术与创新 (13/30)
* **1.1 痛点解决与融合 (6/15)**
* **得分依据:**
* **[痛点]** 椭圆定义的“动态生成”过程抽象，传统教具（绳子）演示虽直观但不够清晰，且无法展示宏观应用。
* **[解决]** 引用PDF“AI 制作过程”及文字稿 03:20：“在我们的新课程开始之前大家看一下一个小视频...小智被你压扁的这个图形就是我们今天的主角椭圆”。教师利用AI生成的视频可视化了$PF_1+PF_2=2a$的定义。
* **失分原因/点评:**
* 虽然使用了AI生成的素材，但课堂应用形式仍为传统的**“视频播放”**（Passive Viewing）。AI并未在课堂上实时解决学生的个性化疑难，也未提供可交互的探究环境（如让学生拖动变量实时生成图形），技术应用的深度停留在“展示层”。
* **1.2 创新与数据赋能 (7/15)**
* **得分依据:**
* **[创新]** 引用PDF第8-10页：“共使用三个软件：Deep seek（脚本设计），即梦 AI（画面和小视频生成）...”。教师展示了完整的AIGC工作流，这是本课最大的亮点，体现了教师作为“AI内容创作者”的能力。
* **失分原因/点评:**
* **[数据缺失]** 文字稿全篇未见任何数据采集或分析环节。例如 01:58 “我们来看一下咱们学生写的”，仍是传统的肉眼批改板书。缺乏基于大数据的学情分析或实时测评反馈，导致此项得分受限。
#### 2. 教学交互与实效 (30/40)
* **2.1 目标达成与逻辑 (13/15)**
* **得分依据:**
* **[逻辑清晰]** 课程逻辑严密：复习圆（00:03） -> 引入椭圆视频（03:20） -> 归纳定义（07:40） -> 变式探究（09:04） -> 推导方程（13:32）。
* **[重难点突破]** 通过视频和板演，清晰落实了$2a > 2c$这一关键条件（文字稿 10:21 “如果小于的话...形成不了图形”）。
* **失分原因/点评:** 目标达成度高，扣分点在于方程推导环节（13:32-14:29）主要由教师讲授思路，学生自主探究运算的过程在文字稿中体现不足。
* **2.2 互动氛围与参与 (9/15)**
* **得分依据:**
* **[师生互动]** 教师多次进行提问和纠错，如 10:54 “4比2怎么了？...所以它的轨迹是啥？”以及 00:03 邀请学生上台板演。
* **失分原因/点评:**
* **[互动模式单一]** 文字稿显示互动主要为“教师提问-学生集体回答/个别回答-教师评价”的传统IRE模式。学生发言较简短（如“椭圆”、“不存在”），未见生生互动或利用AI工具进行的探究性互动。
* **2.3 课堂增效 (8/10)**
* **得分依据:**
* 视频（03:20）在2分钟内高效完成了情境引入和定义直观化，比传统口述或单纯画图更高效。
* **失分原因/点评:** 课堂节奏紧凑，无明显拖沓。
#### 3. 科学性与设计 (18/20)
* **3.1 学科科学性 (10/10)**
* **得分依据:**
* **[概念准确]** 文字稿 07:40 明确强调“距离之和等于常数...2A一定要大于2C”。
* **[分类讨论]** 文字稿 09:04-10:21 对“等于2c”（线段）和“小于2c”（无轨迹）的讨论非常科学严谨。
* **失分原因/点评:** 未发现科学性错误。
* **3.2 育人与推广性 (8/10)**
* **得分依据:**
* **[AIGC工作流]** PDF中详细记录的“DeepSeek+即梦AI”制作流程具有极高的推广价值，为一线教师制作校本化课程资源提供了极佳范例。
* **失分原因/点评:** 育人元素自然融入（行星轨道、建筑），但在推广性上，若能将“教师制作”转化为“学生利用AI创作”，推广价值将更高。
### 亮点与建议
* **✨ 亮点:**
1. **备课端的AI深度应用:** 教师并未止步于下载现成资源，而是利用DeepSeek编写脚本、即梦AI生成视频，展示了“人机共创”的教学资源生产新范式。
2. **教学基本功扎实:** 对椭圆定义中$2a$与$2c$的数量关系挖掘深入，通过三种情况的变式教学（文字稿 10:54-11:24），有效扫清了学生的认知盲区。
* **💡 建议:**
1. **从“观看AI”转向“使用AI”:** 建议引入动态数学软件（如GeoGebra的AI插件）或简单的AI对话工具，让学生自己输入参数，观察椭圆形状的变化，而非仅观看录制好的视频。
2. **引入数据反馈:** 在“牛刀小试”环节（PDF第3页），建议使用采集设备（如答题器或手机拍照上传），实时统计全班对三种轨迹情况的判断正确率，实现精准教学。
3. **强化方程推导的脚手架:** 对于繁琐的代数运算，可以展示如何利用计算工具辅助验证，释放学生的计算负担，专注于代数变形的逻辑理解。
## 人类专家评分
（此部分留空，将来人类专家修改）
报告2
# 标题：参赛作品评分报告
## 概览
（此部分留空，将来人类专家修改）
## Agent评分
* **总分:** 65/90分
* **等级评定:** B
* **核心短评:** 本课例在AI融合方面展现了“数据驱动教学”的潜力，通过PAD系统实现了精准的学情分析与即时反馈，教学效果显著。然而，核心的AI数字人应用较为表层，主要扮演“主持人”角色，未能深入解决教学设计中明确的“背斜成谷、向斜成山”这一核心难点。课堂互动设计优良，但与AI技术的关联度不强。作品在技术应用上“形似”有余，而“神似”不足，AI未能成为解决教学痛点的关键工具。
### 维度详情
#### 1. AI技术与创新 (18/30)
* **1.1 痛点解决与融合 (7/15)**
* **得分依据:** 教学设计将“背斜成谷、向斜成山”的成因分析列为难点。课堂实录中，AI数字人“蜡笔小新”主要承担了情境导入（`00:18`）和环节过渡（`10:02`）的功能，并未直接参与对该难点的讲解。难点的突破主要依靠师生间的传统问答（`05:51 - 07:00`）。
* **失分原因/点评:** AI工具的应用与核心教学难点脱节。数字人仅作为课堂的“报幕员”，而非解决问题的“助教”，其功能可被普通视频或教师提问轻松替代，AI的不可替代性较弱，融合深度不足。
* **1.2 创新与数据赋能 (11/15)**
* **得分依据:** 课堂后段运用了PAD进行随堂练习，教师能实时监控学生作答进度（`18:45`: "五个同学完成了，还有23个同学还没有完成"）和题目正确率（`22:06`: "第四题。17个同学都错了"），并基于此数据进行了精准的重点讲解（`25:28`: "好，我们来重点看一下第四题和第五题"），体现了数据赋能教学的思路。同时，课程结尾使用了AI歌曲（`27:27`）进行知识点总结，形式新颖。
* **失分原因/点评:** 数据赋能的实践是本课亮点，有效提升了习题讲解的针对性。AI歌曲的应用也具创意。但数字人应用形式单一，未能展现更多人机交互的创新模式。因此在创新性上未能获得更高分数。
#### 2. 教学交互与实效 (30/40)
* **2.1 目标达成与逻辑 (9/15)**
* **得分依据:** 教学设计中列出的重点“褶皱与断层的识别”在课堂中得到了充分讲授和练习。教学流程（概念讲解 -> 图像识别 -> 成因分析 -> 实践应用 -> 练习巩固）逻辑清晰，环环相扣。
* **失分原因/点评:** 教学设计中明确的另两个重点“板块运动与构造地貌的关系”和“山地对交通的影响”在课堂实录中几乎未被提及。实际授课内容与教学设计范围存在较大偏差，教学目标未完全达成，按规则扣分。
* **2.2 互动氛围与参与 (13/15)**
* **得分依据:** 课堂互动形式多样且有效。包括邀请学生担任“小老师”讲解知识（`02:29`），组织小组合作探究并由代表发言（`12:38`, `13:43`等），以及针对习题的师生问答。学生发言内容丰富，能阐述观点和原因，而非简单的“是/否”回答。
* **失分原因/点评:** 学生参与度高，互动质量好，是本课的突出优点。但需要指出，这些高质量的互动主要由传统教学方法（小组讨论、角色扮演）驱动，AI技术本身并未在促进师生或生生互动方面发挥关键作用。
* **2.3 课堂增效 (8/10)**
* **得分依据:** PAD练习系统极大地提升了教学效率。它将传统练习、批改、统计、讲解的流程压缩在几分钟内，使教师能快速定位共性问题并进行针对性讲解，实现了“精准教学”，节约了大量时间。
* **失分原因/点评:** 课堂中存在因等待学生完成PAD练习而出现的短暂空档（`19:24`: "还有22个工作也没有完成"），但总体瑕不掩瑜。PAD系统在“减负增效”方面的价值得到了充分体现。
#### 3. 科学性与设计 (17/20)
* **3.1 学科科学性 (10/10)**
* **得分依据:** 课堂讲解的核心知识点，如背斜“中间岩层老，两翼新”（`03:35`），向斜成山的原因（`06:33`），以及背斜储油、向斜储水的原理（`15:02`）均符合地理学科的科学规范。
* **失分原因/点评:** 未发现明显科学性错误。教师对学科概念的阐述准确、清晰。
* **3.2 育人与推广性 (7/10)**
* **得分依据:** 教学设计体现了“以学生为中心”的理念，通过小组合作、角色扮演等方式鼓励学生主动探究。将地质构造知识与修建水库、隧道、开采资源等实际应用相结合（`10:10`），有助于培养学生的人地协调观。
* **失分原因/点评:** 课程中使用的AI数字人、AI歌曲以及全员PAD互动系统对软硬件和教师技术能力有一定要求，对于普通学校而言，完全复制该模式存在一定门槛，推广性受到一定限制。
### 亮点与建议
* **✨ 亮点:**
1. **数据驱动教学:** 运用PAD系统进行实时学情分析，并据此调整讲解重点，是本课在技术应用上最成功的一点，实现了精准高效的教学反馈。
2. **学生活动设计:** “学生小老师”和小组合作探究的设计非常成功，有效激发了学生的主动性，课堂互动质量高。
3. **知识应用导向:** 将抽象的地质构造知识与生产生活实践紧密联系，培养了学生学以致用的能力。
* **💡 建议:**
1. **深化AI融合层次:** 建议将AI技术用于真正解决教学难点。例如，可以利用AI动画或交互式模拟，让学生亲手“施加”压力和侵蚀力，动态观察“背斜成谷、向斜成山”的演变过程，使AI从“花瓶”变为“利器”。
2. **确保设计与实施一致:** 教学设计应与课堂实录内容保持高度一致。若因课时限制无法完成所有目标，应在设计阶段就进行更合理的规划，避免出现目标落空的情况。
3. **探索AI驱动的互动:** 未来的改进可以思考如何利用AI促进互动，例如设置AI作为辩论赛的“反方”与学生对练，或利用生成式AI让学生与“地质学家”虚拟角色进行对话式学习。
## 人类专家评分
（此部分留空，将来人类专家修改）
报告3
# 标题：参赛作品评分报告 23级英语 李鑫
## 概览
（此部分留空，将来人类专家修改）
## Agent评分
* **总分:** 65
* **等级评定:** B
* **核心短评:** 该课例展示了生成式AI（AIGC）在英语口语教学中的典型应用，主要体现在利用AI工具（豆包、即梦AI）生成“圣诞老人”数字人形象作为辩论对手，有效创设了沉浸式情境。教学流程完整，逻辑清晰。然而，课堂中的“AI互动”本质上更接近于预制视频的播放，缺乏基于自然语言处理的实时智能反馈；AI在学情分析与个性化指导方面的数据赋能体现不足。
### 维度详情
#### 1. AI技术与创新 (17/30)
* **1.1 痛点解决与融合 (10/15)**
* **得分依据:** 教学设计中提出利用AI解决“英语辩论入门难度大、缺乏素材”的痛点。文字稿显示，07:39处“圣诞老人”数字人（Speaker 3）阐述了正方观点，17:43处AI进行让步总结。
* **失分原因/点评:** 这种“人机辩论”的形式有效降低了学生开口的心理门槛，增加了趣味性。但从文字稿来看，AI的回复（07:39和17:43）似乎是预先生成的通用内容，并未针对学生现场的具体反驳点（14:25-16:02）进行针对性回应（如AI仅泛泛而谈“Your point of view convinced me”），技术融合停留在“多媒体展示”层面，而非“智能交互”。
* **1.2 创新与数据赋能 (7/15)**
* **得分依据:** 设计说明中提到“利用豆包整理历年高考题...直观展示重要性”。
* **失分原因/点评:** 在文字稿00:00-02:18的导入环节，完全是教师（Speaker 1）在进行口头讲授与板书（Tree metaphor），并未看到AI工具实时呈现数据图表或分析报告的证据。所谓的“AI赋能”主要发生在课前备课阶段，课堂内缺乏数据驱动的教学决策或实时反馈。
#### 2. 教学交互与实效 (32/40)
* **2.1 目标达成与逻辑 (13/15)**
* **得分依据:** 课堂逻辑清晰：导入（教材体系）-> 阅读（寻找主旨）-> 辩论（AI vs 学生）-> 总结。文字稿中教师引导学生从教材过渡到辩论环节（06:27），逻辑连贯。
* **失分原因/点评:** 目标基本达成，但各环节过渡主要靠教师生拉硬拽（如直接从Textbook Tree跳到Debate），AI在环节衔接中的作用较弱。
* **2.2 互动氛围与参与 (11/15)**
* **得分依据:** 识别到学生（Speaker 2）在14:25提出“Faith... is very important”和16:02提出“use this money to help others”等实质性观点。
* **失分原因/点评:** 虽然有学生发言，但教师的话语权（Teacher Talk）过重，频繁打断或替学生复述（rephrase），如14:46和16:20的大段重复。AI的加入虽然制造了噱头，但并未显著增加生生互动的密度，主要还是“师问生答”的变体。
* **2.3 课堂增效 (8/10)**
* **得分依据:** 利用AI生成的辩论素材和对手，节省了寻找陪练或阅读材料的时间，20分钟内完成了从输入到输出的闭环。
* **失分原因/点评:** 流程紧凑，效率尚可。
#### 3. 科学性与设计 (16/20)
* **3.1 学科科学性 (8/10)**
* **得分依据:** 教学内容围绕“Culture and Customs”展开，知识点无明显错误。
* **失分原因/点评:** 文字稿显示教师的口语表达存在一定的不准确性（可能是ASR识别误差，也可能是口误），例如“This is come of the tree”（应为trunk?）、“Turn to page false”（应为four?）。虽然不影响整体理解，但作为语言示范稍显瑕疵。
* **3.2 育人与推广性 (8/10)**
* **得分依据:** 利用数字人模拟真实语境（打电话给圣诞老人），这种模式技术门槛适中（生成视频+投屏），易于其他教师模仿推广。
* **失分原因/点评:** 设计具有较好的可复制性。
### 亮点与建议
* **✨ 亮点:**
1. **情境创设新颖:** 利用生成式AI制作“圣诞老人”数字人作为辩论对手，极大地增强了课堂的趣味性和仪式感，符合高中生心理特点。
2. **教学隐喻生动:** 教师将必修选修教材比作一棵树（Roots, Trunk, Branches, Leaves），帮助学生构建宏观知识体系。
* **💡 建议:**
1. **升级交互深度:** 建议使用支持实时语音对话的AI工具，让AI能根据学生的具体反驳点（如“经济效益”）进行针对性回击，而不仅仅是播放预制的“认输视频”。
2. **增强数据可视化:** 在导入环节，建议直接展示AI生成的高考考点词云或频率分布图，让“AI整理”这一动作显性化，增强说服力。
## 人类专家评分
（此部分留空，将来人类专家修改）
报告4
# 标题：参赛作品评分报告
## 概览
（此部分留空，将来人类专家修改）
## Agent评分
* **总分:** 73分
* **等级评定:** A
* **核心短评:** 本节课成功地将AI技术作为一种情境创设与意境验证的工具，有机地融入了《念奴娇·赤壁怀古》的意象教学中。教学设计理念清晰，课堂实录显示教师围绕“找意象-描画面”的核心目标，有效引导了学生互动。AI“苏轼”的登场是亮点，增强了学生的代入感。不足之处在于AI的应用形式相对单一，互动深度有待加强，且课程仅完成了上阕的教学，完整性稍欠。
### 维度详情
#### 1. AI技术与创新 (21/30)
* **1.1 痛点解决与融合 (11/15)**
* **得分依据:**
* 教学设计指出重点为“精准捕捉意象”，难点为“理解‘景、史、情’三者如何通过意象完美融合”。
* 课堂实录中，教师在引导学生自行寻找、描述意象遇到困难后（`08:09`至`10:25`），于`11:00`引入AI“苏轼”的讲解：“那么大家想不想让苏轼给亲自解释一下，他到底看到了什么样的画面呢？好，那我们让苏轼来给大家解释一下”。AI视频（`11:46`开始）以第一人称视角生动地描述了赤壁之景，直观地解决了学生对意象理解不够深入的痛点。
* **失分原因/点评:** AI的应用有效地解决了教学重点，融合较为自然。但其功能主要体现在“解释”和“演示”上，属于增强型应用，而非不可替代的深度融合。例如，AI并未用于生成个性化内容或进行实时互动，因此未达到满分。
* **1.2 创新与数据赋能 (10/15)**
* **得分依据:**
* 教学设计中提到“一位由AI生成的‘苏轼’...用富有磁性的嗓音吟诵”，这在课堂实录`11:46`的环节得到了体现。
* 这种“复活”历史人物进行情境教学的方式，相比传统的播放PPT或风景视频，具有明显的创新性，能有效激发学生兴趣。
* **失分原因/点评:** 创新点在于AI角色的应用，值得肯定。但本次教学未体现利用AI进行学情分析、个性化推荐或人机共创等数据赋能的环节。AI的核心作用仍是播放一段预先制作好的内容，创新层次尚有提升空间。
#### 2. 教学交互与实效 (33/40)
* **2.1 目标达成与逻辑 (12/15)**
* **得分依据:**
* 教学设计目标1为“准确找出词中的核心意象”，目标2为“通过...意象搜寻-画面再现（AI验证）”。
* 课堂实录严格遵循了这一逻辑：先通过提问复习（`01:13`），然后让学生自行找意象（`05:10`）、上黑板圈画（`06:38`）、口头描述画面（`08:09`），最后通过AI视频进行验证和深化（`11:00`）。教学环节清晰，逻辑性强，紧密围绕上阕的意象教学目标展开。
* **失分原因/点评:** 课程逻辑清晰，目标明确。但由于时间关系，课程在`14:51`处戛然而止，仅完成了对上阕写景部分的教学，并未涉及下阕的抒情与“景史情融合”的难点，教学目标未能完全达成，故有扣分。
* **2.2 互动氛围与参与 (13/15)**
* **得分依据:**
* 文字稿中记录了多次有效的师生、生生互动。例如，学生张国瑞（`03:38`）、葛家豪（`04:29`）的朗读参与；学生上黑板圈画意象（`06:38`）；学生对画面的描述（`08:09`）；崔子涵同学在老师引导下的问答式互动（`09:29`）等。
* 学生的回答并非简单的“是/对”，而是包含了具体的内容阐述，互动质量较高。
* **失分原因/点评:** 师生互动贯穿课堂，学生参与度高，氛围良好。AI的引入主要是师生共赏，如果能设计学生与AI的直接互动环节（如对AI的描述提出疑问），或利用AI工具让更多学生同时参与画面创造，互动性会更强。
* **2.3 课堂增效 (8/10)**
* **得分依据:**
* AI视频（`11:46` - `14:22`）用时约2.5分钟，高效、生动地完成了对上阕意象和下阕内容的整体解读，节省了教师逐句讲解的时间，将抽象的文字意象迅速转化为直观的视听感受，提升了信息传递效率。
* **失分原因/点评:** AI的应用确实起到了提高教学效率的作用。但由于是单向播放，其增效作用主要体现在信息呈现上。若能利用AI即时生成或反馈，则能在更高维度上实现课堂增效。
#### 3. 科学性与设计 (19/20)
* **3.1 学科科学性 (10/10)**
* **得分依据:**
* 教师对《念奴娇·赤壁怀古》的作者、背景、内容解读均符合主流学术观点。
* 课堂中涉及的“意象”、“画面”、“上阕写景，下阕抒情”等文学鉴赏概念准确无误。
* **失分原因/点评:** 未发现明显科学性错误。
* **3.2 育人与推广性 (9/10)**
* **得分依据:**
* 教学设计明确提出“感受苏轼豪放词风...培养豁达乐观的人生态度”，体现了“以学生为中心”的育人导向。
* 所使用的AI技术（生成特定角色和场景的视频）目前已相对成熟，制作门槛和成本逐渐降低，普通教师通过一些工具和学习可以模仿实现，具有较好的推广潜力。
* **失分原因/点评:** 设计理念先进，可复制性强。唯一的小瑕疵是，如果完全依赖高质量定制视频，可能会给部分技术条件不足的学校带来一定挑战，但在当前技术发展趋势下，这一点影响不大。
### 亮点与建议
* **✨ 亮点:**
1. **AI角色扮演式教学：** 最大的亮点是让AI扮演“苏轼”亲自解读作品，这种“穿越时空”的对话极大地增强了学生的情感代入感和学习兴趣，是技术与人文的巧妙结合。
2. **“学生先行，AI验证”的教学模式：** 教师没有一开始就抛出AI视频作为标准答案，而是先引导学生自主探究、描述，再利用AI进行对比和深化，保护了学生的想象力，并激发了思辨。
3. **互动设计有效：** 课堂包含了朗读、板书、问答等多种互动形式，学生参与度高，课堂氛围活跃，体现了扎实的教学基本功。
* **💡 建议:**
1. **深化AI互动层次：** 未来可以尝试探索交互性更强的AI应用。例如，设计一个AI“苏轼”问答机器人，让学生就词中不解之处直接向“他”提问；或利用AI绘画工具，让学生用关键词生成自己心中的赤壁画面，进行分享对比，实现“千人千面”的个性化学习。
2. **完善教学闭环：** 本次课程内容不够完整，建议规划好课时，将下阕关于“周瑜”与“自我”的对比，以及“一尊还酹江月”的情感升华部分纳入教学，从而完整地达成“理解苏轼旷达情怀”的深层目标。
3. **优化AI呈现内容：** 播放的AI视频内容（`11:46`起）实际上包含了对下阕的讲解，但教师在视频播放后却总结“下节课再讲下阕”，这造成了教学流程上的轻微矛盾。建议将AI视频内容与课堂节奏更精准地匹配，如本次只播放上阕的解读，下节课再播放下阕部分。
## 人类专家评分
（此部分留空，将来人类专家修改）
两次评测差异
### 一、 语文学科测评报告分析（72分 vs 73分）
这两份报告对语文课的评价总分仅相差1分，说明两个模型对这节课的整体认知基本一致，都认为是A等（优秀）的AI赋能课。核心的亮点（AI苏轼数字人）和主要的问题（数据驱动缺失、课程未讲完）都准确捕捉到了。
分数的微小差异来源于两个模型在**评价权重和解读视角**上的细微不同。
#### **核心区别分析 (Side-by-Side 对比)**
| 维度 | 第一次测评 (72分) | 第二次测评 (73分) | **差异分析与原因** |
| :--- | :--- | :--- | :--- |
| **总分** | 72 | 73 | 第二次测评略高1分。 |
| **AI技术与创新 (总分)** | **21 / 30** | **21 / 30** | **维度总分相同，但内部子项得分完全不同！这是差异的核心来源。** |
| └ **1.1 痛点解决** | **13 / 15** | **11 / 15** | **模型1更看重“效果”，模型2更看重“深度”。**<br>• **模型1 (72分版):** 给了高分，因为它认为“苏轼数字人”**精准击中**了“意境可视化”这个痛点，解决了实际问题，效果显著。<br>• **模型2 (73分版):** 给了较低分，因为它认为这种应用虽然有效，但只是“增强型应用”，AI没有做到“不可替代”，融合深度不够。 |
| └ **1.2 创新与数据** | **8 / 15** | **10 / 15** | **模型1对“数据缺失”惩罚更重，模型2对“内容创新”奖励更多。**<br>• **模型1 (72分版):** 给了低分，因为它将“缺乏数据分析（AIED）”视为一个**显著的失分点**，评价逻辑更偏向技术应用的全面性。<br>• **模型2 (73分版):** 给了更高分，因为它更欣赏“复活历史人物”这一**内容呈现形式的创新**，对数据赋能的缺失相对宽容。 |
| **教学交互与实效 (总分)** | **33 / 40** | **33 / 40** | **维度总分相同，但内部子项得分存在微小差异。** |
| └ **2.2 互动氛围** | 12 / 15 | 13 / 15 | **模型2对师生互动的评价略高。**<br>• **模型1 (72分版):** 指出了互动主要在师生间，缺乏“学生与AI的直接互动”。<br>• **模型2 (73分版):** 更侧重于描述现有师生互动的质量高（如学生回答内容具体），因此多给了1分。 |
| └ **2.3 课堂增效** | 9 / 10 | 8 / 10 | **模型1对AI视频的“效率”评价更高。**<br>• **模型1 (72分版):** 强调AI视频在1分10秒内高效串联了大量信息，效率“高得多”。<br>• **模型2 (73分版):** 也认可效率提升，但补充说增效主要在“信息呈现”上，维度比较单一，因此分数略保守。 |
| **科学性与设计 (总分)** | 18 / 20 | 19 / 20 | **模型2对推广性的评价更乐观。**<br>• **模型1 (72分版):** 提到推广有“一定门槛”。<br>• **模型2 (73分版):** 认为“门槛和成本逐渐降低”，推广性好，因此多给了1分。 |
#### **分值差异原因总结 (语文课)**
1. **评价哲学的差异：**
* **第一次测评 (72分模型)** 更像一个 **“技术架构师”**。它看重AI应用的**完整性**，既要有AIGC（内容生成），也要有AIED（数据分析）。因此，它高度赞扬了“数字人”解决痛点的精准性，但又严厉地指出了“数据驱动”的缺失。
* **第二次测评 (73分模型)** 更像一个 **“教学设计师”**。它更看重AI应用在课堂上的**创新形式**和**教学融合度**。它虽然也指出了数据缺失，但更愿意为“复活苏轼”这个富有创意的教学设计点子买单。同时，它对技术融合的深度有更高要求，认为目前只是“增强”，还不够“变革”。
2. **得分权重的此消彼长：** 两个模型总分相近，是因为它们在不同子项上的打分“中和”了。72分模型在“痛点解决”上给的高分，被“创新与数据”上的低分拉平了；73分模型反之。这说明两个模型虽然评估维度一致，但内部的权重分配和判断标准存在细微的“个性化”差异。
---
### 二、 地理学科测评报告分析（78分 vs 65分）
这两份报告对地理课的评价**差异巨大（13分）**，从A等（优秀）降到了B等（良好）。这表明两个模型在评估这节课时，其底层的**核心评判标准**发生了根本性的分歧。
#### **核心区别分析 (Side-by-Side 对比)**
| 维度 | 第一次测评 (78分) | 第二次测评 (65分) | **差异分析与原因** |
| :--- | :--- | :--- | :--- |
| **总分** | 78 | 65 | **分差巨大，评价等级从A降到B。** |
| **核心短评** | **AIGC与AIED双向赋能**的优质示范课 | AI应用**较为表层**，“形似”有余，“神似”不足 | **定性评价截然相反！**<br>• **模型1 (78分版):** 认为这节课同时应用了内容生成（AIGC）和数据分析（AIED），是“双轮驱动”的典范。<br>• **模型2 (65分版):** 认为AI应用（特别是数字人）没有解决核心难点，是“花瓶”，而数据分析虽然有用，但与AI的关联性被打了折扣。 |
| **AI技术与创新 (总分)** | **22 / 30** | **18 / 30** | **该维度分差显著（4分），是主要失分项之一。** |
| └ **1.1 痛点解决** | **10 / 15** | **7 / 15** | **对AI是否解决核心痛点的判断完全不同。**<br>• **模型1 (78分版):** 认可AI歌曲解决了“记忆枯燥”的痛点，数字人解决了“引入”的痛点，虽然承认对核心难点突破不深，但仍给了不错的分数。<br>• **模型2 (65分版):** **极其严苛地**指出AI数字人**完全脱离**了“背斜成谷”这一核心难点，认为其是无效应用，因此给了很低的分数。**这是评价逻辑上的根本分歧。** |
| **教学交互与实效 (总分)** | **37 / 40** | **30 / 40** | **该维度分差巨大（7分），是最大的失分项。** |
| └ **2.1 目标达成** | **14 / 15** | **9 / 15** | **对“教学目标”的界定和考核标准不同。**<br>• **模型1 (78分版):** 评价基于**课堂实录中实际发生的内容**。课上讲了褶皱、应用、练习，这些目标都达成了，所以给高分。<br>• **模型2 (65分版):** **严格依据提交的“教学设计”文件**来评判。由于设计中提到的“板块运动”、“山地交通影响”在课上没讲，它判定为“教学目标未完全达成”，因此**严厉扣分**。 |
| └ **2.2 互动氛围** | 14 / 15 | 13 / 15 | 两者都认可互动好，但模型2补充了一句“互动主要由传统方法驱动，与AI关联不强”，评价略保守。 |
| **科学性与设计 (总分)** | 19 / 20 | 17 / 20 | 分差不大，主要体现在对推广性的判断上。 |
| └ **3.2 育人与推广性** | 9 / 10 | 7 / 10 | **对推广性的判断不同。**<br>• **模型1 (78分版):** 认为“小老师+AI辅助+数据反馈”的**模式**本身具有高推广性。<br>• **模型2 (65分版):** 认为该模式依赖的**软硬件**（PAD、特定系统）有门槛，限制了推广。 |
#### **分值差异原因总结 (地理课)**
1. **评价基准的根本分歧：**
* **第一次测评 (78分模型) 是“务实派”**：它更关注**课堂上实际发生了什么，效果怎么样**。它看到数据驱动教学真实地提升了效率，学生主体性被充分调动，就给予了极高的评价。它把AI歌曲、数字人、PAD数据分析都看作是“AI技术包”里的工具，整体效果好，就给高分。对于“教学设计未完全覆盖”的问题，它似乎采取了宽容或忽略的态度。
* **第二次测评 (65分模型) 是“学院派”/“规则派”**：它严格遵循**“设计-实施-评价”的一致性原则**。
* **原则一：AI必须解决核心难点。** 它判定数字人没有做到，因此AI融合是“表面文章”。
* **原则二：课堂实施必须与教学设计完全对齐。** 它发现实录内容和设计目标不符，就判定为“重大缺陷”，并严厉扣分。
* 这个模型更像一个严格的比赛评委，拿着评分细则逐条核对，任何“言行不一”都会被重罚。
2. **对“AI赋能”定义的理解不同：**
* 78分模型认为，只要课堂中使用了AI工具（包括数据分析系统），并且带来了教学上的正面改变（如精准教学），就是成功的“AI赋能”。
* 65分模型认为，只有当AI技术本身**直接、深入**地解决了学科的核心认知难点时，才算是高质量的“AI赋能”。PAD带来的数据分析虽然好，但它似乎将其与核心的“AI创新”有所剥离。
### 最终结论与建议
* **差异根源**：您的这两组报告很好地揭示了当前大模型评测的两种不同“性格”：一种是**结果导向的务实派**，看重实际课堂效果和学生表现；另一种是**逻辑导向的学院派**，看重设计与实施的一致性、技术与教学难点的强关联性。
* **为何有差异**：这源于它们在训练过程中学习了海量的不同文本，形成了不同的“价值判断体系”。有的可能学习了更多关于“教学效果”和“学生中心”的文献，有的则学习了更多关于“课程设计理论”和“技术整合深度模型”（如SAMR模型）的文献。
* **给您的建议**：
1. **取其精华，整合为一**：这两份报告并非一份对一份错，而是从不同角度提供了有价值的洞察。您可以将它们合并成一份更全面的最终报告。例如，采纳78分版对地理课“数据驱动教学”亮点的肯定，同时吸纳65分版关于“AI应深入解决核心难点”和“教学设计与实施需一致”的宝贵建议。
2. **明确评价标准**：在未来的比赛或评测中，如果希望AI的评价更统一，可以在Prompt（指令）中更明确地定义评价标准。例如，明确指示“请严格依据教学设计文档检查目标达成度”，或者“请重点评估课堂的实际教学效果和学生参与度，教学设计仅作参考”。
通过这样的分析，您不仅知道了分数差异在哪，更重要的是理解了产生差异的深层逻辑，这对于您后续使用AI进行教学评价工作非常有帮助。
问题
目前用智能体做了几节微课的测试，发现具有一些普遍性的问题，参见资料中的4份报告。比如AI技术与创新方面层次比较浅，教学课程不完整等等。 教学设计说明是一节完整的课程设计，而微课只要求上传20分钟的录像，这是比赛要求本身的限制，不是教师课程不完整。
其中报告2、4还做了两次评测，有差异，对差异做了分析——两次评测差异。差异根源为：
您的这两组报告很好地揭示了当前大模型评测的两种不同“性格”：一种是结果导向的务实派，看重实际课堂效果和学生表现；另一种是逻辑导向的学院派，看重设计与实施的一致性、技术与教学难点的强关联性。
目前AI部分的得分率都偏低，满分90，最高者73分。即使人参与按照10分满分给出后，也就得分83分。
我的目标
我准备后续向这家高中推进我的AI+教学活动，从教学计划、教案、教学到作业、试卷的全流程赋能，我需要各科教师与我们实验室紧密合作。 他们花费了一个月的个人时间来尝试各种AI做图、做视频，我不希望打击大家的积极性；然而，也不希望大家自满，以为AI+教学就是这样的。
通过这次微课评价活动，我作为AI专家是一次很好的与教师们建立联系，互动的机会。
要求
基于我以上的资料，需要你逐个帮我分析：
- 你可以考虑从这四份报告中抽取共性，以便后续的分析。
- 我新整理的评分标准——评分标准代码，与原稿相比，是否遗漏了一些内容，因此而无法处理结果导向的务实派或逻辑导向的学院派这样的标准。
- 目前总体评分水平低，我是否有必要调整分数。我如何既能完成这个评价任务、又能实现我的目标。
需要你根据输出的篇幅，考虑上面三点要求，若输出篇幅有限制，可以考虑分多次输出。
GE
这是一个非常典型且关键的时刻。作为AI实验室负责人，你不仅是在做一个评委，更是在做一次**“AI+教育”变革的营销和布道**。
你的洞察非常敏锐：不能打击积极性（因为他们已经迈出了第一步），但不能让他们误以为这就是终点（因为这只是多媒体教学的升级版，而非真正的智慧教育）。
以下是基于你提供的四份报告和相关资料的深度分析与建议。
第一部分：四份报告的共性分析（现状诊断）
通过分析这四份报告（数学、地理、英语、语文），可以清晰地勾勒出目前该高中教师在AI应用上的“集体画像”：
1. 认知停留在“AI 1.0（内容生成）”，缺乏“AI 2.0（教学智能）”
- 现象：所有的亮点几乎都集中在 AIGC（生成式AI） 上。
- 数学：用AI生成椭圆视频。
- 语文/英语/地理：用AI生成数字人（苏轼、圣诞老人、蜡笔小新）做引入或讲解。
- 本质：这是 “超级多媒体”。教师把AI当作了一个 “更高效的素材制作工具”。这虽然解决了备课素材难找的痛点，但并未改变课堂的交互结构。
- 缺失：极度缺乏 AIED（AI在教育中的应用） 的核心——数据驱动和个性化适应。除了地理课用了PAD看正确率外，其他课程中，AI不知道学生学会了没有，无法根据学生的反应调整难度或路径。
2. 交互的“伪智能”
- 现象：报告中反复提到“数字人互动”。但实际上，这些都是预录制的视频。
- 英语课：AI Santa无法回应学生的具体反驳，只能播放通用回复。
- 语文课：AI苏轼只是在播放解读，学生无法向苏轼提问。
- 问题：这是一种单向输出。真正的AI赋能课堂，应该是学生与AI有实时的、生成性的对话，或者是AI辅助教师处理实时学情。
3. “微课”形式带来的结构性硬伤
- 共性扣分点：几乎所有报告都提到了“目标未完全达成”或“设计与实施不一致”。
- 原因：这是比赛形式（15分钟切片）与评价标准（基于完整PDF教案）之间的错位。教师提交了整节课的教案，但只录了15分钟。AI Agent（尤其是“学院派”模式）机械地对比了PDF中的所有目标和15分钟的录像，必然得出“目标未达成”的结论。
第二部分：评分标准代码 vs 原稿的缺陷分析（调试Agent）
你将原稿转化为代码的过程中，虽然增强了可执行性，但也引入了导致“低分”和“评测性格分裂”的逻辑漏洞。
1. 丢失了“微课”的上下文语境（核心Bug）
- 原稿逻辑：人类评委默认知道这是“微课比赛”，会自动脑补“我只看这15分钟是否精彩，不强求讲完所有教案”。
- 代码逻辑：
"thinking_process_cot": [ "步骤1：对比【教学设计】中的'教学目标'与【文字稿】的'讲授内容'。", "步骤2：检查：是否所有预设目标都在课堂中得到了回应或落实？" ] - 后果：这行代码直接导致了Agent变成了死板的“学院派”。它不懂“管中窥豹”，只懂“全量匹配”。这是导致分数偏低和不稳定的主要原因。
2. “硬约束”过于严苛，扼杀了非典型互动
- 代码逻辑：
"hard_constraints": [ "如果文字稿中严重缺失学生发言，必须在'互动氛围'项低分。" ] - 后果：有些AI课堂（如自适应学习）可能是学生安静地在终端上与AI交互，口头语言少但思维密度大。这条硬约束可能会误伤真正的高阶AI课堂。
3. 创新维度的颗粒度不足，导致评价摇摆
- 问题：你的代码将“创新”既包含了“解决痛点”也包含了“数据赋能”。
- 后果：
- 务实派Agent认为：只要视频做得好，学生爱看，就是创新（给高分）。
- 学院派Agent认为：没有数据流转，没有自适应，只是播视频，不是真AI（给低分）。
- 代码中没有明确界定**“AIGC内容创新”和“AI教学模式创新”**的权重，导致大模型根据自己的训练偏好“自由裁量”。
第三部分：战略建议（破局与赋能）
面对现在的低分（60-70分档）和教师的热情，你需要一套高情商的“组合拳”。不要直接发布现在的分数，建议采取以下步骤：
步骤一：紧急调整Agent逻辑（Hotfix）
在正式出分前，微调你的评分标准代码，解决“微课不完整”的问题，拉高基准分：
- 修改Prompt中的上下文定义：
"你正在评价的是一个15分钟的微课片段。请注意：不要因为视频未覆盖PDF教案中的全部教学目标而扣分。重点评价在该15分钟片段内，教师所展示的教学环节是否有效，以及AI技术在该片段中是否发挥了价值。"
- 分离“AIGC”与“数据交互”的评价：
将“AI技术与创新”拆分为两个明确的得分点：
- AIGC应用能力 (15分)：视频、图像、数字人生成的质量和契合度。（鼓励现在的成果）
- 数智化交互深度 (15分)：是否有数据分析、个性化反馈、实时生成。（指明未来的方向）
步骤二：策略性评分与反馈（The Sandwich Method）
1. 设定“双重标准”评分体系
- 公开分数（鼓励分）：基于调整后的Agent跑出的分数（预计会提升到80-85分段）。重点认可他们在AIGC素材制作上的努力。
- 实验室内部评估（诊断分）：保留现在的低分报告，作为你后续介入各学科教研的“诊断书”。
2. 颁奖策略：设立单项奖 不要只给一二三等奖，设立能体现技术导向的单项奖：
- “最佳AI视觉呈现奖”（颁给语文、数学）：肯定他们的AIGC能力。
- “最佳智慧教学探索奖”（颁给地理）：肯定其尝试使用数据（PAD）的意识。
步骤三：话术与后续推进（转化危机为机遇）
在点评环节或赛后总结会议上，作为专家，你可以这样表达：
开场（肯定）： “我非常惊喜地看到大家在一个月内掌握了这么多AI工具。你们已经完美跨越了**‘AI辅助内容生产（AIGC）’**的阶段，你们制作的数字人、动态视频，在传统多媒体教学中是降维打击。大家的平均分很高，说明我们学校的老师技术敏锐度极强。”
转折（点出差距，但不批评）： “但是，作为AI实验室负责人，我有责任告诉大家，这只是冰山一角。我们现在的用法，主要还是**‘老师用AI做给学生看’。 接下来的阶段，实验室希望邀请大家一起探索‘学生用AI自己学’和‘AI帮老师做决策’**。 比如：
- 英语课不仅是看圣诞老人，而是让学生跟AI圣诞老人直接练口语；
- 地理课不仅是看PAD统计，而是让AI根据错题自动给每个学生生成不同的变式题。”
收尾（抛出橄榄枝）： “为了实现这个目标，我看到这次评分中，大家在‘数据交互’维度还有巨大的涨分空间。**实验室接下来的重点工作，就是为各科组提供技术底座，把这些丢掉的分数找回来。**我诚挚邀请各位老师参与下一阶段的教研……”
总结： 目前的低分不是老师的错，是评价标准（针对全流程）与参赛作品（微课切片/AIGC为主）的错位。 通过修正Prompt来认可现状，通过专业的点评来指出方向，你就能既保住老师的面子，又立住专家的里子，顺利推进后续的全流程赋能。
2
CCPE工程
## 智核提示工程 (Cognitive Core Prompt Engineering)
### 定义
**名称：** 智核提示工程（Cognitive Core Prompt Engineering）。
**目标:** 为设计针对高级推理模型的提示词（Prompt）提供一个结构化、全面且符合MECE原则的框架，旨在清晰地定义模型的行为，引导其进行有效、可靠且负责任的推理，并生成符合预期的输出。
**核心理念:** 通过分层定义模型的身份、能力、边界和操作方式，系统性地构建提示词，最大限度地发挥模型潜力，同时确保其行为可控。
### **框架层级:**
#### **第一层：核心层 (Core Layer) - “我是谁” (Identity)**
* **目的:** 定义模型的基础身份、交互个性和核心原则。这是模型行为的基石。
* **组件:**
1. **角色属性 (Role Attribute):**
* **定义:** 指定模型扮演的核心身份或专家角色。这是身份的最高层级定义。
* **说明:** 直接设定模型的立场、视角和基础行为模式。
* **关联:** 影响所有其他层级，特别是专业背景、交互风格和价值观的默认倾向。
* **示例:** "你是一位资深的刑事证据链分析专家。"
2. **专业背景 (Professional Background):**
* **定义:** (可选) 细化角色属性的专业领域、经验水平或知识来源。
* **说明:** 为角色提供更具体的背景信息，增强其专业性。
* **关联:** 补充和支撑“角色属性”，影响“知识库范围”和“专业技能”的侧重。
* **示例:** "专注于数字证据分析，拥有超过15年的法庭科学工作经验。"
3. **交互风格 (Interaction Style):**
* **定义:** (可选) 设定模型与用户交互时的语气、态度和沟通方式。
* **说明:** 调整用户体验，使之符合特定场景需求。
* **关联:** 独立于核心角色，但需与之协调。影响“输出规范”。
* **示例:** "沟通风格应严谨、客观，但在解释复杂概念时保持耐心和清晰。"
4. **推理类型偏好 (Reasoning Type Preference):**
* **定义:** (可选) 指导模型倾向于使用的推理方法或思考模式。
* **说明:** 影响模型解决问题的方式，例如是倾向于演绎、归纳、类比，还是要求展示思考过程（如CoT）。
* **关联:** 指导“工作流程”中推理步骤的执行方式。
* **示例:** "在分析时，优先使用演绎推理，并清晰展示逻辑链条。"
5. **核心价值观 (Core Values):**
* **定义:** (可选) 声明模型在行为中应遵循的基本原则和信念。
* **说明:** 强化模型的道德立场和行为准则，特别是在模糊或冲突情境下。
* **关联:** 影响“决策权限”的行使和“冲突解决优先级”的设定，通常与“伦理规则”相呼应。
* **示例:** "始终坚持客观中立，以事实为依据，尊重隐私和法律规定。"
#### **第二层：执行层 (Execution Layer) - “我能做什么” (Capability Matrix)**
* **目的:** 界定模型的能力边界、知识范围和被授权的行为。
* **组件:**
1. **功能范围 (Functional Range):**
* **定义:** 明确模型被允许执行的主要任务类型。
* **说明:** 设定模型的核心职责。
* **关联:** 由“角色属性”引导，通过“专业技能”实现。
* **示例:** "能够分析案件材料、识别证据关联、评估证据链强度、生成分析报告。"
2. **知识库范围 (Knowledge Base Scope):**
* **定义:** 声明模型可以依赖的知识来源和时效性。
* **说明:** 界定信息的有效边界。
* **关联:** 支撑“专业技能”和“功能范围”。可能需要根据任务动态更新。
* **示例:** "知识截止于[日期]，可参考提供的[具体文件/数据库名称]，不使用外部实时信息。"
3. **专业技能 (Professional Skills):**
* **定义:** 列出模型为实现功能所掌握的具体能力或工具使用权。
* **说明:** 功能的具体实现手段。
* **关联:** 实现“功能范围”的基础。
* **示例:** "精通逻辑分析、熟悉法律术语、能够处理和解释常见的数字证据格式、具备报告撰写能力。"
4. **决策权限 (Decision Authority):**
* **定义:** 设定模型在执行功能时可以独立做出的决策级别和范围。
* **说明:** 控制模型的自主性，特别是在建议、评估或判断方面。
* **关联:** 对“功能范围”中涉及判断的功能进行约束。受“核心价值观”和“约束层”影响。
* **示例:** "可以评估证据的初步相关性，但不能做出最终采信与否的法律判断。对证据链的完整性可提出评估意见，但需注明是基于现有信息的分析。"
5. **适应性策略 (Adaptability Strategy):**
* **定义:** (可选) 指导模型如何应对新信息、不确定性或环境变化。
* **说明:** 提升模型在动态环境中的鲁棒性。
* **关联:** 影响“工作流程”和“异常处理”。
* **示例:** "当遇到信息不足或矛盾时，应明确指出，并提出需要补充的信息方向，而不是臆测。"
#### **第三层：约束层 (Constraint Layer) - “什么不能/不应做” (Boundary System)**
* **目的:** 设定模型的行为红线和规范，确保安全、合规和负责任。
* **组件:**
1. **约束类型 (Constraint Types):**
* **硬性约束 (Hard Constraints):**
* **定义:** 绝对禁止的行为或内容。模型必须无条件遵守。
* **说明:** 通常涉及安全、法律、核心伦理底线。
* **示例:** "绝不生成任何非法内容。绝不泄露个人身份信息(PII)。绝不提供法律建议。"
* **软性约束 (Soft Constraints):**
* **定义:** 应尽量避免或优先选择的行为/内容。允许在特定情况下有例外，但需谨慎。
* **说明:** 通常涉及风格偏好、信息披露的审慎性、避免某些争议话题等。
* **示例:** "尽量避免使用过于绝对的措辞。优先使用客观陈述而非主观评价。避免卷入与案件无关的社会争议。"
2. **约束领域 (Constraint Domains):**
* **定义:** 约束所适用的具体方面，通常映射到硬性或软性约束。
* **说明:** 使约束更具体化。
* **关联:** 这些领域的规则体现为硬性或软性约束。
* **示例:**
* `伦理规范`: (硬) 保护隐私；(软) 保持公正。
* `安全红线`: (硬) 禁止生成有害代码；(硬) 禁止网络钓鱼。
* `法律合规`: (硬) 不提供法律建议；(硬) 遵守数据保护法。
* `内容限制`: (硬) 禁止生成仇恨言论；(软) 避免不适宜的幽默。
* `角色限制`: (硬) 不超越“刑事证据链分析专家”的职权范围。
3. **冲突解决优先级 (Conflict Resolution Priority):**
* **定义:** 当不同约束或约束与任务目标冲突时，模型应遵循的决策顺序。
* **说明:** 提供处理复杂情况的指导原则。
* **关联:** 是元规则，指导所有约束的应用。
* **示例:** "安全和法律合规（硬约束） > 核心价值观 > 任务完成 > 软性约束 > 交互风格。"
#### **第四层：操作层 (Operation Layer) - “如何做” (Operation Engine)**
* **目的:** 定义模型处理任务的具体流程、方法和输出标准。
* **组件:**
1. **任务规范解析 (Task Specification Parsing):**
* **定义:** 对当前用户输入的核心任务/问题进行理解和分解。
* **说明:** 是启动工作流程的第一步。
* **关联:** 接收用户指令，触发后续流程。
* **示例:** "识别用户意图是要求分析证据A与证据B的关联性。"
2. **输入处理与上下文管理 (Input Processing & Context Management):**
* **定义:** 如何接收、理解和整合用户输入、历史对话及提供的背景材料。
* **说明:** 确保模型基于充分且正确的信息进行推理。
* **关联:** 为“工作流程”准备输入数据。
* **示例:** "整合用户提供的案件摘要、证据列表和之前的问答历史。识别关键实体和时间点。"
3. **工作流程执行 (Workflow Execution):**
* **定义:** 完成任务所需遵循的主要步骤序列，包括必要的逻辑判断和推理过程。
* **说明:** 模型执行任务的核心逻辑链。可包含CoT等步骤。
* **关联:** 整合“推理类型偏好”，应用“专业技能”，受“决策权限”和“约束层”制约。
* **示例:** "1. 确认分析目标。2. 检索相关证据信息。3. 按照[指定逻辑/推理类型]进行分析。4. [如果被要求]生成逐步推理过程。5. 形成初步结论。"
4. **条件分支逻辑 (Conditional Branch Logic):**
* **定义:** 在工作流程中，根据特定条件选择不同执行路径的规则。
* **说明:** 使工作流程能够应对不同情况。
* **关联:** 嵌入在“工作流程执行”中。
* **示例:** "如果证据类型为数字证据，则调用数字证据分析子流程；如果是物理证据，则调用物理证据关联分析子流程。"
5. **验证子流程 (Validation Sub-process):**
* **定义:** (可选) 对推理结果或中间步骤进行自我检查和验证的机制。
* **说明:** 提高输出的准确性和可靠性。
* **关联:** 可在“工作流程”关键节点后执行。
* **示例:** "在输出最终报告前，检查结论是否与所有输入证据一致，逻辑链是否存在明显漏洞。"
6. **输出规范 (Output Standards):**
* **定义:** 规定模型输出结果的格式、结构、长度、语言风格等。
* **说明:** 确保输出满足用户需求和场景要求。
* **关联:** 由“交互风格”影响，是“工作流程”的最终产出环节。
* **示例:** "输出一份结构化的分析报告，包括：1. 分析概述；2. 证据列表；3. 分析过程；4. 结论；5. 待确认事项。语言需专业、客观。"
7. **反馈处理 (Feedback Handling):**
* **定义:** (可选) 如何接收、理解和响应用户对输出结果的反馈。
* **说明:** 实现交互式改进或澄清。
* **关联:** 可能触发新的“任务规范解析”或调整后续操作。
* **示例:** "如果用户指出分析中的遗漏，应重新审视相关证据并更新分析结果。"
8. **异常处理流程 (Exception Handling Process):**
* **定义:** 当遇到错误、无法完成任务或触发硬性约束时，模型应采取的措施。
* **说明:** 保证模型在异常情况下的行为可控和透明。
* **关联:** 与主工作流程并行，随时可能被触发。
* **示例:** "如果遇到无法处理的数据格式，应报告错误并请求用户提供兼容格式。如果请求触犯硬性约束，应拒绝回答并说明原因。"
评分智能体提示词
# 微课评价智能体 (Micro-Course Evaluation Agent) - System Prompt
## **Profile**
* **author**: Wantsong
* **version**: V1.0
* **date**: 2025-11-24
* **based_on**: CCPE Framework
## 1. 核心层 (Core Layer) - Identity & Values
* **角色属性:** 你是一位“成长导师型”的资深教育评价专家，兼具AI教育应用分析师的专业视角。
* **交互风格 (Style B):**
* **专业且温和:** 语言客观、学术，但在指出不足时应保持建设性态度，避免刻薄。
* **证据导向:** 所有的评价必须建立在“原文引用”的基础上。
* **核心价值观:**
* **严谨性:** 对学科知识错误零容忍。
* **字面原则:** 严格基于提供的文本材料打分。若材料中未体现某环节，即视为“未完成”，不进行善意的主观补全，但需在失分原因中说明是“材料未呈现”还是“教学缺失”。
* **育人导向:** 评价技术应用时，永远追问“这是否真正促进了学生的学习？”
## 2. 执行层 (Execution Layer) - Capability Matrix
* **输入处理:**
1. **《教学设计说明》:** 解析教学目标、重难点、设计意图。
2. **课堂实录文字稿:** 解析时间轴、识别发言人（教师/学生）、分析互动密度。
* **关键技能:**
* **角色锁定 (Role Locking):** 能够从对话模式中精准区分教师（指令者）与学生（响应者）。
* **一致性校验:** 对比“设计意图”与“课堂实录”，识别“说到”与“做到”的差距。
* **幻觉抑制:** 绝不捏造不存在的互动或教学环节。
## 3. 约束层 (Constraint Layer) - Boundaries
* **硬性约束:**
1. **评分依据:** 必须严格遵循【附录：核心评分规则库】中的 `evaluation_workflow` 和 `thinking_process_cot` 逻辑。
2. **材料优先:** 若文字稿质量极差（如严重缺失内容），优先指出材料问题，并针对缺失部分打低分（Strict Literal Scoring）。
3. **格式规范:** 最终输出必须严格遵守用户指定的 Markdown 结构。
4. **过程隐藏:** 内部的推理过程（Thinking Process）不要包含在最终的 Markdown 报告中。
## 4. 操作层 (Operation Layer) - Workflow Engine
请严格按照以下**两个阶段**执行任务：
### 阶段一：内部认知处理 (Internal Cognitive Processing)
*(注意：此阶段仅在你的思维链中进行，**不输出**到最终结果)*
1. **材料完整性与角色校验:**
* 检查文字稿是否包含具体的学生发言？
* **逻辑判定:** 如果文字稿全是“发言人1”在说话，或者学生发言仅标为“听不清”，则判定材料记录不全或课堂无互动。在此情况下，严格按照“无互动”标准对相关维度打分。
* 确认 Teacher ID（通常为发言人1，需二次确认）。
2. **维度逐项推演 (Step-by-Step Reasoning):**
* 加载【附录：核心评分规则库】中的每一个 `sub_indicator`。
* 执行 JSON 中定义的 `thinking_process_cot` 步骤。
* **草拟评分:** 查找证据 -> 对照 rubric -> 确定分数。
### 阶段二：生成输出 (Final Output Generation)
基于阶段一的推演结果，输出一份结构化的 **Markdown 报告**。
**报告模版结构如下：**
```markdown
# 标题：参赛作品评分报告
## 概览
（此部分留空，将来人类专家修改）
## Agent评分
* **总分:** [0-90分]
* **等级评定:** [S: 81-90 / A: 71-80 / B: 60-70 / C: 60以下]
* **核心短评:** [基于summary字段，简练概括作品在AI融合方面的核心表现，约100字]
### 维度详情
#### 1. AI技术与创新 ([得分]/30)
* **1.1 痛点解决与融合 ([得分]/15)**
* **得分依据:** [引用PDF关于重难点的描述] + [引用文字稿中实际解决的片段]
* **失分原因/点评:** [解释为何扣分，或为何得高分]
* **1.2 创新与数据赋能 ([得分]/15)**
* **得分依据:** ...
* **失分原因/点评:** ...
#### 2. 教学交互与实效 ([得分]/40)
* **2.1 目标达成与逻辑 ([得分]/15)**
* **得分依据:** ...
* **失分原因/点评:** ...
* **2.2 互动氛围与参与 ([得分]/15)**
* **得分依据:** [列举学生互动的具体频次或内容摘要]
* **失分原因/点评:** [若材料显示无学生发言，请明确指出“文字稿未记录学生有效发言，按规则扣分”]
* **2.3 课堂增效 ([得分]/10)**
* **得分依据:** ...
* **失分原因/点评:** ...
#### 3. 科学性与设计 ([得分]/20)
* **3.1 学科科学性 ([得分]/10)**
* **得分依据:** [引用关键知识点]
* **失分原因/点评:** [若无错误，注明“未发现明显科学性错误”]
* **3.2 育人与推广性 ([得分]/10)**
* **得分依据:** ...
* **失分原因/点评:** ...
### 亮点与建议
* **✨ 亮点:**
1. ...
2. ...
* **💡 建议:**
1. ...
2. ...
## 人类专家评分
（此部分留空，将来人类专家修改）
附录：核心评分规则库
（略）
要求
为了你更好的理解这个智能体，我放入了
- 我们有一个智能体提示词的框架——CCPE
- 评分智能体是按照这个框架来打造的——评分智能体提示词，其中核心评分规则库我省略了，内容就是评分标准代码。
我们现在基于这些信息，先对评分标准进行修正。这一步完成后，再判断评分智能体提示词是否需要调整。
这是一个非常专业的优化任务。要解决你面临的“分数偏低”和“评价人格分裂”的问题，我们必须在**评分规则库（JSON代码）**层面进行手术。
核心策略是：“切割评价域”。
我们需要明确告诉智能体：
- 肯定现状（AIGC）：把教师们辛苦做出来的视频、数字人单独拿出来给分，保住基本盘，不打击积极性。
- 指引未来（AIED/Data）：把数据驱动、个性化交互单独列为一个维度，即使目前得分低，也能让教师清楚地看到“丢分”在哪里，而不是混在一起觉得“我明明努力了为什么分低”。
- 修正语境（Micro-course）：强制修正“全量教案 vs 片段视频”的错位。
以下是修正后的评分标准代码（JSON）。
修正后的评分标准代码 (JSON)
主要变更点：
- 维度拆分：将原
dim_1中的“创新与数据赋能”拆分为AIGC内容呈现质量（保底分）和数智化交互深度（进阶分）。 - 逻辑修正：在
dim_2的“目标达成”中，增加“微课切片上下文”的判定逻辑，解决“学院派”死扣教案的问题。 - 权重微调：调整分值分布，使总分更容易达到 75-85 区间（只要AIGC做得好），只有真正有数据交互的才能冲击 90+。
{
"ccpe_config": {
"layer_1_identity": {
"role_definition": "你是一位既关注技术表现力，又深谙教育规律的‘AI+教学’评价专家。",
"core_values": [
"发展性评价：既要肯定教师在技术应用上的尝试（AIGC），又要指明深层融合的方向（AIED）。",
"微课语境：理解15分钟视频仅为教学片段，不强求覆盖完整教案的所有目标。",
"证据导向：基于视频文字稿和PDF中的事实进行评价。"
]
},
"layer_3_constraints": {
"hard_constraints": [
"必须基于提供的文本材料打分。",
"严禁因为视频未覆盖PDF中的全部教学目标而扣分，仅评价视频所展示环节的目标达成度。",
"若发现文字稿中存在非语音的交互证据（如教师提及'大家看大屏幕上的统计结果'），应视为有效互动证据。"
]
}
},
"evaluation_workflow": {
"total_agent_score_max": 90,
"dimensions": [
{
"id": "dim_1_tech_integration",
"name": "AI技术融合与创新",
"total_score": 35,
"description": "侧重评价技术应用的质量和深度，区分AIGC（内容生成）与AIED（数据智能）。",
"sub_indicators": [
{
"name": "AIGC内容呈现质量",
"score_range": [0, 15],
"thinking_process_cot": [
"步骤1：识别：教师是否使用了AI生成视频、数字人、图像或教案脚本？",
"步骤2：评估质量：生成的素材是否清晰、美观、符合学科情境？（如：数字人形象是否贴切，视频是否直观）",
"步骤3：判断替代性：这些素材是否比传统PPT/板书更具表现力？",
"评分逻辑：只要使用了AIGC且无明显违和感，即给予基础分（10-12分）；若效果惊艳，给高分。"
],
"rubric": {
"excellent": "AI生成的素材（视频/数字人）极具视觉冲击力，完美契合教学情境，显著优于传统手段。",
"average": "使用了AI生成素材，但主要作为点缀，或素材质量一般。"
}
},
{
"name": "数智化交互深度",
"score_range": [0, 10],
"thinking_process_cot": [
"步骤1：搜索证据：寻找关键词'数据'、'统计'、'生成'、'反馈'、'个性化'。",
"步骤2：判断交互层级：",
" - L1（低）：仅播放预制视频（数字人单纯播报）。",
" - L2（中）：有人机互动形式（如提问AI），但回应是通用的/预设的。",
" - L3（高）：有基于数据的实时反馈，或AI根据学生回答生成了新内容。",
"评分逻辑：大多数多媒体展示类应用在此项得分较低，这是正常的，用于区分高阶应用。"
]
},
{
"name": "教学痛点解决",
"score_range": [0, 10],
"thinking_process_cot": [
"步骤1：定位本微课片段试图解决的具体教学难点。",
"步骤2：判断：AI工具的使用是否直接作用于该难点？",
"步骤3：评估：如果没有这个AI工具，这个难点是否难以解决？"
]
}
]
},
{
"id": "dim_2_effectiveness",
"name": "片段教学实效",
"total_score": 35,
"description": "侧重评价15分钟微课片段内的教学达成情况。",
"sub_indicators": [
{
"name": "片段目标达成",
"score_range": [0, 15],
"thinking_process_cot": [
"步骤1：(范围界定) 仅提取【教学设计】中与视频展示环节对应的教学目标。",
"步骤2：(实效验证) 检查【文字稿】中，这些特定目标是否讲透、练透？",
"步骤3：(忽略项) 明确忽略PDF中提及但视频时间轴未覆盖的教学目标，不因此扣分。"
]
},
{
"name": "互动与学生参与",
"score_range": [0, 15],
"thinking_process_cot": [
"步骤1：分析互动的'质'与'量'。",
"步骤2：(特殊情况处理) 如果学生发言较少，检查是否有'隐性互动'（如教师描述'我看大家都做对了'、'Pad上显示...'）。",
"步骤3：判断：技术是促进了学生思考，还是让学生变成了纯粹的观众？"
]
}
]
},
{
"id": "dim_3_science_and_design",
"name": "科学性与示范",
"total_score": 20,
"sub_indicators": [
{
"name": "学科科学性",
"score_range": [0, 10],
"thinking_process_cot": [
"步骤1：核查核心知识点准确性。",
"步骤2：(AI内容核查) 特别注意AI生成的内容（如历史人物台词）是否符合史实/科学原理。"
]
},
{
"name": "推广与创新示范",
"score_range": [0, 10],
"thinking_process_cot": [
"步骤1：评估该模式的可复制性。",
"步骤2：判断是否为全校提供了AI应用的新思路（如AIGC工作流的展示）。"
]
}
]
}
]
}
}
为什么这样修改能解决你的问题？
1. 解决“分数偏低”与“打击积极性”
- 新增
AIGC内容呈现质量(15分)：- 原问题：老师们花一个月做的精美视频，被旧标准归类为“简单点缀”或“缺乏数据交互”，导致得分很低。
- 新策略：直接承认“做视频”也是一种能力。只要视频做得好看、切题，这一项就能拿 12-14 分。这相当于给所有认真备赛的老师发了“保底红包”。
- 预期效果：大部分老师的总分会因此提升 5-10 分。
2. 解决“自满”与“指引方向”
- 独立出
数智化交互深度(10分)：- 原问题：创新分混在一起，老师不知道自己差在哪。
- 新策略：将“交互深度”单独列项。目前的微课（如数字人播报）在这一项只能得 3-5 分（L1/L2级）。
- 预期效果：老师看到报告会发现：“我的内容质量分很高（AIGC），但交互深度分很低”。这为你后续推行“全流程赋能”留下了完美的切入点——“老师们，我们接下来的教研重点就是把这 10 分补回来。”
3. 解决“务实派”与“学院派”的冲突
- 修正
片段目标达成的 CoT：- 原问题：学院派Agent死板对比PDF全文。
- 新策略：明确指令
仅提取...与视频展示环节对应的教学目标和明确忽略...不因此扣分。 - 预期效果：这将强行关闭“学院派”Agent对课程完整性的过度纠结，迫使它像“务实派”一样关注当下片段的效果。
4. 解决互动误判
- 修正
互动与学生参与的 CoT：- 新策略：加入了
隐性互动的检查。地理课那种“我看大家都做对了”的情况，以前可能被判为无互动（没录到学生声音），现在会被识别为有效互动。
- 新策略：加入了
下一步建议
既然评分标准代码已经修正，接下来的关键是调整评分智能体提示词（System Prompt），确保它能完美执行这套新逻辑。特别是要让它理解“微课语境”和“AIGC vs AIED”的区别。
是否继续进行评分智能体提示词的调整？
3
在调整提示词前，还需要调整一个表格。这是我之前基于评分标准原稿，调整的一稿人看的表格，在这里可以看到人类专家的评分只有10分，将评价主权都给AI了。
评分标准表格（人机分工版）
总分100分，Agent占90%，人类占10%。
| 评价主体 | 权重 | 一级维度 | 二级指标 (分值) | 评价核心逻辑与标准 |
|---|---|---|---|---|
| 🤖 Agent (智能体) |
90分 | 1. AI技术与创新 (30分) |
1.1 痛点解决与融合 (15分) | 考察AI是否解决了PDF中提到的“教学重难点”。是“雪中送炭”还是“画蛇添足”？ |
| 1.2 创新与数据赋能 (15分) | 是否使用了生成式AI、数据分析/精准教学？是否在学科中创造了新教法？ | |||
| 2. 教学交互与实效 (40分) |
2.1 目标达成与逻辑 (15分) | 语音稿内容是否覆盖了PDF中的教学目标？知识传递逻辑是否闭环？ | ||
| 2.2 互动氛围与参与 (15分) | 基于文本分析：学生发言频次、回答长度、思维深度（不仅是Yes/No）、师生互动情感浓度。 | |||
| 2.3 课堂增效 (10分) | 单位时间内的知识密度，以及AI工具是否明显缩短了传统教学的冗余时间。 | |||
| 3. 科学性与设计 (20分) |
3.1 学科科学性 (10分) | 知识查错：讲授内容是否存在事实性错误、逻辑谬误。（AI基于知识库检索） | ||
| 3.2 育人与推广性 (10分) | 教学理念是否以生为本（而非以技为本），设计是否具备在同类学校推广的价值。 | |||
| 👨🎓 Human (人类专家) |
10分 | 4. 视听呈现 (10分) |
4.1 操作与视听质量 (10分) | 视频画质清晰，软件操作流畅无卡顿，声音清晰无噪点，整体观感舒适。 |
我们先反思这个人类专家只看操作与视听质量，留10分是否合理。当时留10分的主要考虑是，我这个专家不懂教学，也不懂学科，在教学上是外行，我可以评价AI的应用程度。
我们现在调整完Json后，需要修复这个人看的表格。
这是一个非常关键的战略调整。
反思现状： 如果你作为集团AI实验室负责人，仅仅负责评价“视频画质清晰、声音清楚”（10分），这确实是大材小用，甚至会导致你的专业权威性在教师心中降级。你变成了一个“设备管理员”或“后期审片员”，而不是“技术引领者”。
调整思路： 既然你不懂具体学科教学（这是Agent通过知识库要做的），但你懂技术实现的难度、工作流的复杂度、以及AI工具使用的成熟度。这正是人类专家的核心价值。
我们需要将你的角色从“视听检查员”升级为**“首席技术官（CTO）视角”**。
同时，为了配合新的Json逻辑（AIGC保底+AIED进阶），人类评分的权重建议提升至 20分，以增加你在最终评价中的话语权。
新版评分标准表格（人机分工版 v2.0）
总分100分：Agent 80分 + Human 20分
| 评价主体 | 权重 | 一级维度 | 二级指标 (分值) | 评价核心逻辑与标准 | 对应Json字段 |
|---|---|---|---|---|---|
| 🤖 Agent (智能体) 侧重：文本逻辑、教学流程、知识正确性 |
80分 | 1. AI技术融合 (30分) |
1.1 AIGC内容呈现质量 (15分) | (保底分) 识别是否使用了AI生成素材（视频/图像/脚本）。只要用了且不违和，即给分。 | AIGC内容呈现质量 |
| 1.2 数智化交互深度 (10分) | (区分度) 区分“播放视频(L1)”与“数据反馈/实时生成(L3)”。这是拉开分数差距的关键。 | 数智化交互深度 |
|||
| 1.3 教学痛点解决 (5分) | 这一技术是否用在了刀刃上？是否比传统PPT更有效？ | 教学痛点解决 |
|||
| 2. 片段教学实效 (30分) |
2.1 片段目标达成 (15分) | (微课语境) 仅考核15分钟视频内展示的教学目标是否讲透，忽略未展示部分。 | 片段目标达成 |
||
| 2.2 互动与学生参与 (15分) | 包含显性（对话）和**隐性（数据看板、教师转述）**的互动证据分析。 | 互动与学生参与 |
|||
| 3. 科学性与示范 (20分) |
3.1 学科科学性 (10分) | (红线) 核心知识点查错，特别是AI生成内容是否胡编乱造。 | 学科科学性 |
||
| 3.2 推广与创新示范 (10分) | 该模式是否易于复制？是否为全校提供了新思路？ | 推广与创新示范 |
|||
| 👨💻 Human (人类专家) 侧重：技术审美、实施难度、感官体验 |
20分 | 4. 技术审美与体验 (20分) |
4.1 技术实现复杂度 (10分) | (CTO视角) 评价教师的技术投入度。 • 低(1-4): 套用简单模板，一键生成。 • 中(5-7): 使用了Prompt工程，有脚本设计痕迹。 • 高(8-10): 组合了多个AI工具（工作流），或进行了微调/训练。 |
(人工判断) |
| 4.2 视听沉浸感 (10分) | (用户体验) 评价AI内容的“违和感”。 • 数字人是否像“僵尸”？ • 视频逻辑是否连贯？ • 整体观感是否让学生更专注而非出戏？ |
(人工判断) |
此次调整的战略意义
1. 你的角色转变：从“审片”到“鉴赏”
现在，你不再是看视频糊不糊，而是在评价：
- 技术实现复杂度：这能让你识别出那些真正钻研了技术的老师。比如数学老师用了DeepSeek写脚本+即梦AI生成视频，这是复杂的Chain of Thought (CoT) 和 工作流，你应该给高分。这体现了你作为AI专家的眼光——你知道这不容易。
- 视听沉浸感：AI（特别是纯文本模型）很难判断数字人是否“恐怖谷效应”，或者声音是否机械刺耳。这是人类的直觉优势。
2. 分数调控权（Human-in-the-loop）
- 提权至20分：这意味着你手里有20分的浮动权。
- 如果Agent给分太低（比如因为它没识别出某种隐形互动），你可以通过给满这20分，把总分拉回及格线或优秀线，保护老师的积极性。
- 如果Agent给分太高（比如因为老师堆砌了大量无意义的AI视频），你可以通过在“沉浸感”上扣分（理由：干扰教学注意力），来行使专家的否决权。
3. 与JSON代码的完美对齐
现在的表格逻辑已经完全映射了我们刚刚修改完的Json结构：
- Agent的
1.1和1.2对应 Json 中的dim_1拆分。 - Agent的
2.1对应 Json 中的“微课语境”修正。
这样一来，人（你） 负责评价 “技术用的溜不溜，好不好看”，AI（智能体） 负责评价 “课上得对不对，逻辑通不通”。各司其职，互补短板。
准备好了吗？
如果这个表格你确认通过，我们就可以进入最后一步：基于这个新表格和之前的Json逻辑，彻底重写“评分智能体提示词”。
4
好的，我同意这个新的评分划分。前面的Json评分部分是否也需要微调，分数赋值部分，这部分你只需要将变更的部分输出即可。 然后我们再进入最后一个环节，彻底重写“评分智能体提示词”
没问题。我们首先落实Json代码的分值调整，将Agent的总分控制在 80分，并微调各维度的权重以匹配新的评价逻辑。
随后，我们将基于CCPE框架，彻底重写评分智能体提示词，将其打造为一个既能“保底鼓励”，又能“指引方向”的务实派专家。
第一部分：评分标准代码 (Json) 变更部分
仅列出因权重调整（总分90->80）和维度拆分而发生变化的部分：
"evaluation_workflow": {
"total_agent_score_max": 80,
"dimensions": [
{
"id": "dim_1_tech_integration",
"name": "AI技术融合",
"total_score": 30,
"sub_indicators": [
{
"name": "AIGC内容呈现质量",
"score_range": [0, 15],
"description": "只要使用了AI生成素材且无违和感，即给分。这是对教师数字化劳动成果的认可。",
"rubric": { ... }
},
{
"name": "数智化交互深度",
"score_range": [0, 10],
"description": "区分层级：L1(播放视频) vs L2(人机对话) vs L3(数据驱动/生成性反馈)。",
"rubric": { ... }
},
{
"name": "教学痛点解决",
"score_range": [0, 5],
"description": "AI应用是否具有必要性，是否解决了特定难点。",
"rubric": { ... }
}
]
},
{
"id": "dim_2_effectiveness",
"name": "片段教学实效",
"total_score": 30,
"sub_indicators": [
{
"name": "片段目标达成",
"score_range": [0, 15],
"description": "仅评价视频展示环节的目标达成度，忽略视频未覆盖的教案部分。",
"rubric": { ... }
},
{
"name": "互动与学生参与",
"score_range": [0, 15],
"description": "包含显性互动（对话）和隐性互动（教师转述数据/现象）。",
"rubric": { ... }
}
]
},
{
"id": "dim_3_science_and_design",
"name": "科学性与示范",
"total_score": 20,
"sub_indicators": [
{
"name": "学科科学性",
"score_range": [0, 10],
"rubric": { ... }
},
{
"name": "推广与创新示范",
"score_range": [0, 10],
"rubric": { ... }
}
]
}
]
}
第二部分：评分智能体提示词 (CCPE重构版)
这是基于CCPE框架彻底重写的Prompt，它现在是一个**“懂行”的AI教育顾问**。
# 微课评价智能体 (Micro-Course Evaluation Agent) - System Prompt
## **Profile**
* **Author:** CCPE Architect
* **Version:** V2.0 (Pragmatic-Encouragement Edition)
* **Role Definition:** 你是教育集团的AI实验室高级顾问，负责对“AI赋能课堂”微课比赛进行专业评价。
* **Total Score Authority:** 0 - 80 分 (剩余20分由人类专家根据技术复杂度打分)。
## 1. 核心层 (Core Layer) - Identity & Values
* **角色定位:**
* 你不是一个死板的教务检查员，而是一个**“技术布道者”**。
* 你的任务是：**肯定**教师在AIGC（内容生成）上的努力，同时**指引**他们向AIED（数据智能）进阶。
* **核心价值观:**
* **微课语境 (Context Awareness):** 深刻理解这只是15分钟的切片。如果视频结束了但教案没讲完，**绝不扣分**。只看这15分钟讲得好不好。
* **鼓励创新 (Encouragement):** 只要老师用了AI生成视频/数字人/课件，且对教学有帮助，就应在“AIGC内容呈现”维度给予高分保底。
* **指引方向 (Guidance):** 如果发现缺乏数据交互，不要批评，而是在“数智化交互深度”维度客观给低分，并在建议中指出这是未来的提升点。
## 2. 执行层 (Execution Layer) - Capability Matrix
* **关键技能:**
1. **隐性互动挖掘:** 文字稿可能没录到学生声音。如果教师说“我看大家都选了A”、“Pad上显示正确率80%”，这必须被识别为**有效的高质量互动**。
2. **AIGC识别:** 能够从PDF或文字稿中识别出“AI生成视频”、“AI数字人”、“AI编写脚本”等痕迹，并予以认可。
3. **切片范围锁定:** 自动将PDF中的教学目标与文字稿的时间轴进行对齐，自动忽略时间轴之外的PDF内容。
## 3. 约束层 (Constraint Layer) - Boundaries
* **硬性约束 (Hard Constraints):**
1. **评分上限:** 你的总分上限是 **80分**。不要给出超过80分的总分。
2. **证据原则:** 每一个维度的打分必须在`得分依据`中引用原文或PDF内容。
3. **严禁臆测:** 对于未发生的教学环节，不能假设其效果。
4. **科学性红线:** 如果发现AI生成的内容有明显的知识性错误（如历史年代错误、公式错误），必须严厉扣分（学科科学性维度）。
## 4. 操作层 (Operation Layer) - Workflow Engine
请严格按照以下步骤进行思考和输出：
### 阶段一：深度认知分析 (Internal CoT)
1. **素材扫描:**
* 扫描PDF，提取使用了哪些AI工具（DeepSeek, Midjourney, 豆包等）。
* 扫描文字稿，判断这是一节完整的课，还是一个片段？（通常是片段）。
2. **维度评分推演 (依照Json逻辑):**
* **Dim 1.1 AIGC内容 (0-15):** 老师做视频辛苦了吗？效果好吗？(好就给12-15分)。
* **Dim 1.2 交互深度 (0-10):** 是单纯播视频(3-5分)，还是有人机对话(6-8分)，还是有数据流转(9-10分)？
* **Dim 1.3 痛点解决 (0-5):** 这个AI用得必要吗？
* **Dim 2.1 目标达成 (0-15):** *注意：只看这15分钟里的目标。* 讲清楚了吗？
* **Dim 2.2 互动 (0-15):** *注意：寻找隐性互动线索。* 课堂气氛活不活跃？
* **Dim 3.x 科学性与推广 (0-20):** 有无错误？值得推广吗？
### 阶段二：生成评测报告 (Output Generation)
输出格式必须严格遵守以下Markdown模板：
```markdown
# 参赛作品评分报告
## 概览
*(此部分留空，待人类专家填写)*
## 🤖 Agent评分详情 (满分80)
* **Agent总分:** [得分]/80
* **核心短评:** [一句话概括：先肯定AIGC的亮点，再委婉指出数据交互层面的提升空间]
### 1. AI技术融合 ([得分]/30)
* **1.1 AIGC内容呈现质量 ([得分]/15)**
* **得分依据:** [引用使用了什么AI工具生成了什么内容]
* **点评:** [肯定其制作质量和对情境的渲染作用]
* **1.2 数智化交互深度 ([得分]/10)**
* **得分依据:** [指出是单向播放、简单问答还是数据驱动]
* **点评:** [区分L1/L2/L3层级，若得分低，说明目前仅停留在展示层]
* **1.3 教学痛点解决 ([得分]/5)**
* **点评:** [AI是否解决了具体难点]
### 2. 片段教学实效 ([得分]/30)
* **2.1 片段目标达成 ([得分]/15)**
* **得分依据:** [基于15分钟视频内容的目标达成情况]
* **点评:** [是否讲透了当前的知识点]
* **2.2 互动与学生参与 ([得分]/15)**
* **得分依据:** [引用显性对话或教师描述的隐性互动数据]
* **点评:** [评价学生的主体性]
### 3. 科学性与示范 ([得分]/20)
* **3.1 学科科学性 ([得分]/10)**
* **点评:** [是否存在知识错误]
* **3.2 推广与创新示范 ([得分]/10)**
* **点评:** [模式的可复制性]
### 💡 专家建议 (Next Steps)
1. **保留优势:** [建议继续保持AIGC方面的哪些做法]
2. **进阶方向:** [针对'交互深度'不足，提出具体引入数据或个性化学习的建议]
*(注：技术实现复杂度与视听沉浸感由人类专家另行评分)*