（来源：pixabay）

“从吸顶灯光到教师颜值，教室中一切行为均在影响着学习者的学习过程。教育学者们已经做了充分的实证研究个体成绩与各种变量之间关系。但是，采集数据变量的高昂成本，是推行个性化学习的巨大障碍。”

借助于数据化系统，Altschool想给学生提供最符合他们个性和需求的学习方式，并且能够规模化——尽管目前要参与这样的实验并不便宜。他们的学费是一年20875美元，且AltShcool也面临老师数量少与非IT硬件设施不足的指责。

关于AltSchool，很多报道说他们正在创造革命性课堂：

“Bolted onto the interior walls of every AltSchool classroom, halfway between the ceiling and floor, are a series of transparent boxes, each housing a mass of black, blue, and red wires that connect a wireless router to a small HD video camera and a professional-grade microphone. These capture the sights and sounds of the classroom in a way that can be accessed by a team of software engineers at AltSchool’s headquarters.” 

AltSchool正在努力将教室里的老师与学生的行为数据化，以此来带动教学效率的提升与高度个性化教学的实现。但是，课堂中的行为可以有效数据化吗？这种数据化真的对教学的指导意义而不会误导吗？AltSchool为实现这种数据化增加的高昂硬件成本是否降低了效率而不是提升呢？在合格老师缺乏的时代增加的成本用于培训老师是否成效更高？

理解AltSchool与其面对的置疑，我们需要首先看一下课堂是什么？

以学生为中心来看，课堂是学习发生的场景（context）。场景里面包含着非常多的变量（variables），也就是影响学习的因素，包括：

1.课室的布置。色调，灯光，噪声，舒适程度；

2.学习材料的媒介，呈现方式，难度；

3.学员的动机与动力，兴趣与偏好，学习能力（缺陷）；

4.学员之间的互动（提问，对话，眼神交流，肢体接触等），老师学员之间的互动，人际关系；

5. 学员的学习成果（测评数据），与自己对比的进步、退步，与其他学员对比的进步，与其他同龄、同级学员对比的进步；

教室里的光线亮度，是一项重要的”隐性变量“，潜移默化地塑造着孩子的性格与学习成绩，其重要性不弱于一名优秀的班主任。

AltSchool建立在实证教育科学研究（empirical research）的理论上，用量化的指标去定义学习的成果进而指定课程标准。教育学者们将各种变量（variables）数据化体现，得出结论：场景中的各种变量，从灯光到媒介的精美度，都被证明着对于学习有着或强或弱的相关性，甚至是因果关系。在教育经费与职称评定的压力下，从教师的颜值到教材的厚度，过去几十年的研究，学者们已经穷尽了其可以想象到的每一个变量（variables）。

所以，只要数据可以采集，AltSchool的路径在理论上是正确的。“良心”亦或自信，AltSchool采用了与“传统学校”相同的教学效果评价体系——美国西北大学的MAP体系。如果一所中国的新型学校，以大数据与个性成长为建校特色，同时以高考成绩来验证其教学的优秀。这所学校，值得教育从业者起立致敬！

MAP 测试全称是 Measures of AcademicProgress, 是一种基于网络的电脑自适应的学业测试。在美国国内所有的50个州,有近七千所中小学校每年开展三至四次各学科的 MAP 考试,每次都有从 K-12年级的所有学生近千万参加。AltSchool采用MAP评估其教学效果，是一种充满勇气的行为！

但在实操上，一个AltSchool的“智能教室”数据采集系统的投入，在传统的线下教室内，是一个巨大的现实难题，当成本到达一个边际时不如投入到老师培训等其他行为中时，就是一个无解的题。 

幸运的是，在虚拟的在线教室中，可以用更优的方案，比AltSchool实现更好的数据获得。一些新型的在线教学系统正在迅速进步。以翼鸥教育研发的在线虚拟教室产品——ClassIn为例，这种学习系统，可以捕捉到学习场景中所有的有意义的动态数据。学生的行为数据，可通过高清摄像头捕捉；学生的声音数据，可通过话筒来捕捉。各种与ClassIn相近的的在线教学工具，均设置有答题器、抢答器、举手器、小黑板等课堂工具，每个这样的教学工具都是学生学习行为的数据源。只要教育工作者根据教学评论CBM（Curriculum based measurements）的需求给出数据探针（probes）方案，给出这些动态的可操作性的定义（operational definition），几乎所有的这些动态都能被量化。

这些信息的收集与智能化的处理，能够有效地帮助教师解决多人执行同一教学方案与单人个性化辅导之间的矛盾，在教育成本与学生成长之间取得更优的均衡。随着各种在线教学技术的不断发展，两三年内，在线教学的的效率在某些环节将会超越传统线下的课堂。

在线教室中，老师给学生们布置了一道描述“UP/DOWN“创意题，孩正在自己的“小黑板”上画出自己的理解。系统将会自动记录下每个孩子在课堂上的作品与数据，课后老师可以根据这些数据记录给予每个孩子再以个性化的辅导。

我们可以想象这样的场景：在一个小班里面，学员在一起观看三只小猪的视频，然后老师分组让每个小组画出一个大灰狼吹不倒的房子来。小组里面的成员互相讨论，动手，老师在课室里巡视。这时，老师发现刚来的五岁的小Johnny还不能很积极的参与小组活动；他不敢说话，在一边看着别的组员。

在一个传统的课堂里，老师接下来会把注意力都集中在类似Johnny这样的需要帮助的孩子身上，相对会忽略其他组员正在进行的互动与练习活动。

而在一个智能的课堂里面，老师则得以继续关注整个课堂的动态，录下来的视频信息由后台对Johnny的学习与互动状态进行分析。（这个正是AltSchool的愿景，但是目前他们只能实现到分析个别的变量的水平，如：学生的名字在课堂里被提到了几次；通过面部表情捕捉，分析学员对课堂动态的情感反应、肢体动作反应，等等。分析过后的干预intervention还是得依赖人工进行。）

在线教学的各类工具，可以做得更多。他的数据不仅源于一个学校，而是源于其所有合作伙伴。他的单个教室里的样本量将不限于一个物理教室多个摄像机下的几十个孩子，而是可以同时采集上千个独立电脑面前上千个学习者的行为数据。

在classIn将要研发的下一代高度智能课堂，也许会或者应该有这么一个自适应的课堂场景。经过云计算后的分析，将自动匹配对应的场景变量，改变教学活动，从而更好的辅助老师。

1.假如班上大家都在闲聊，都在说中文，那么语音技术将捕捉到这个变量，教室的lighting（也可以理解为背景色）会自动变暗或者变亮，或者老师的icon会自动放大到屏幕中央，提示大家要集中注意力。

2.假如老师整节课都忘记提问了某一个学员，那么学员的icon将会发光提示老师要提问。

3.假如学员在回答问题中经常提到某个兴趣点，那么系统将捕捉下来并且通过数据库马上匹配对应级别、兴趣的绘本或者短文练习。

4.假如学员在回答问题中经常读错某几个词，系统通过大数据分析预测出他缺乏哪方面的自然拼读练习、词汇练习。在结束课程的时候，自动为每个学员生成个性化的推荐阅读书单／作业。

高度智能的课堂能够通过语音识别、动作捕捉、习题等搜集学习效果的数据，也可以通过关键词抓取老师语言输出的数据，从而还可以更好的告诉我们哪些老师、哪些教学方法更有效，因为它可以捕捉到以下的教学场景变量：

1.一节课里面老师提问次数

2.老师提问的类型的比例（开放式 vs 判断，提示型提问 vs 直接提问，问题关注某个单词还是关注整个段落）

3.老师给学员反馈的类型的比例（如诱导式反馈 vs 只告知最终答案） 

要实现未来的“智能化”，最终的问题依旧回到了教育技术最初始的点上面：我们要教什么？我们要怎么教？我们能否深刻理解我们要达到的目标，并给相关的教学、学习行为作出可操作的定义？数据探针（probes）如何设置？

在线教学的各类工具给了我们一个实现教育大数据搜集的机会，但是要给新的在线课堂赋予真正的教育意义，还是得靠教育工作者、研究人员与技术人员合作完成。这需要至少一代最优秀的人，在枯燥的代码与数据中，寻找着诗与远方。

本文转载自微信公号：板擦（BanerCa），作者：Jerry Bei

原文标题：《前沿 | AltSchool里的数据采集还是个构想，在线教室含着“金数据”已降临在世间》