看不见的支点：一次课例研究如何让一位教师的课堂真正“立”了起来

课例研究结束后的第三天，她第三次打开那份课堂数智画像报告。

报告里有一张师生话语互动的时序图，密密麻麻的色块标注着这节40分钟的课中，她与学生的每一次对话接力。她盯着其中一个区域——那是课堂进行到第17分钟时的片段，当时她在请学生回答一个核心问题，但连续有三名学生都没能给出她预期的答案。时序图显示，那一段师生对话的轮次密度很高，学生发言平均时长却很短。

“我当时觉得气氛有点僵，就多问了几句。”她回忆道，“但报告提示我，那几分钟我的话语里，诊断性理答占了绝大多数，而激励性理答几乎没有。”这个细节让她沉默了好一会儿。

这是一位青年教师在某小学的真实教研片段。她所在的学校从去年开始尝试将AI数智教研员引入常规教研活动，最初大家只是把它当作一个辅助工具。直到这次课例研究，她才意识到，那些平日里靠经验难以捕捉的教学信号，其实一直都有迹可循。

从“感觉没上好”到“看见哪里没上好”

这节被拿来反复研究的课，内容是人教版小学数学四年级下册的“平均数”。课例研究的流程很常规：先独立备课，再集体研讨教学设计，接着上课并录制课堂实录，之后是教研组基于课堂观察进行评课和磨课。

与以往不同的是，这次教研组在评课环节引入了一份由系统生成的课堂理答行为诊断报告。报告中有一项统计引起了大家的注意：在这40分钟里，执教教师对学生的理答行为中，诊断性理答（如追问“为什么”“你同意吗”等）占比接近七成，而发展性理答（引导拓展、激励性回应）和简单的判断性理答各占剩下部分。

“这说明什么？”教研组长让大家先不看结论，就对着报告里的数据还原课堂。

大家翻出课堂实录片段，找到对应时段。在“平均数”概念的建构环节，教师连续追问了几名学生“你能用自己的话说说什么是平均数吗”，学生回答后，她又追问“那它代表的是每一个人的水平吗”。几位学生的回答都不完整，她继续追问，课堂节奏被压得很紧。

有经验的同事直言：“你一直在找那个‘对的答案’。”

这句话让执教教师忽然意识到，自己当时确实在努力引导学生说出教材里的标准定义。她不是没关注学生，而是太想帮学生一步跨到那个结论上去。报告里提到的“理答类型分布”像一个坐标，帮她定位了这种模糊的感受：课堂上她看似在追问，但追问的指向是收缩的，是在快速接近一个既定终点，而不是帮助学生打开思路。

评课环节，大家没有停留在“你应该多给点时间”这类笼统建议上，而是围绕课堂实录的几段典型师生对话，对照诊断报告逐句看。“这里学生其实已经说出平均数的核心意思了，但你的回应是‘你说得还不完整’，如果换一种方式，比如‘你发现了其中一个很重要的特点，谁还能补充’，氛围会不会不一样？”

这份报告没有评判她的课“好”或“不好”，而是把课堂中那些快速流过的师生话语截停下来，放在大家面前，让教研活动有了一组更具体的讨论锚点。AI数智教研员在这个场景中，更像一位沉默的数据记录员，它不提供标准答案，而是把课堂中容易被忽略的语言互动细节，量化成一组可供反复审视的指标。

一道“处方”与一次真正意义上的磨课

评课之后是磨课。按学校惯例，磨课通常是“一课三磨”，执教教师根据大家的建议修改教学设计后，择班再上第二次。这一次，教研组尝试用系统提供的“教学微创手术处方”作为参考，来看一个具体的改进点。

所谓的“处方”，并非一段长篇分析，而是基于课堂逐字剧本中关键话轮的标注，给出几个极具体的调整建议。比如，报告提到在概念建构环节，教师的三次追问都集中在“诊断学生当前理解是否准确”上，缺少一次“引导学生从不同角度举例验证”的开放式提问。

“这个建议很小，小到当时我觉得没必要单列出来。”她说，“但细想一下，为什么那几分钟课堂互动看起来密集，学生却似乎被牵着走？因为我问的全是‘对错判断题’和‘填空题’，没有一道‘应用题’。”

于是第二次教学设计里，她只做了一个改动：在引完情境后，不直接追问“平均数是什么”，而是换成一道探究性任务——“请你用画图或举例的方式，说明这组数据的整体水平可以用哪个数来表示”。课堂上，学生用了条形图、编号连线、列算式等多种方式来表达自己的理解，虽各有局限，但过程比第一次开放得多。

课后复盘时，教研组重新调取了新一节课的师生对话数据。最直观的变化是：学生平均发言字数增加了，且出现了几处“学生之间自主发起对话”的片段——在一个小组汇报时，另一位学生提出补充，然后有学生表示“我不同意”，这些都发生在教师的连串追问之外。

“以前我们评课，会说‘这节课学生很活跃’，但活跃的程度、分布、质量，其实很难有共识。”一位参与观课的同事说，“有了那几份前后对比的诊断截图，大家讨论的焦点就从‘感觉怎么样’变成了‘这里发生了什么’，方向更明确了。”

让专业判断更有据，也让教学改进更诚实

这次课例研究结束后，这位教师在教研日志里写了一段话，大意是：过去我以为，课堂的改进依赖于我听到的评课意见是否中肯；现在我发现，它还依赖于我能否看见课堂互动中那些隐性的结构。 有些提问方式，如果不是被逐句标注和分类呈现出来，她可能还会在下一次的常规课上重复同样的路径。

当然，她也提到，诊断报告上的量化数据并不能替代同事间的专业对话。大家坐在一起对着报告讨论“这里为什么这样处理”“换成你会怎么问”的过程，才是改进真正发生的时刻。技术提供的是一份更细致的“现场还原”，而教育的温度和专业判断，依然生长在教师之间的平等交流和基于真实场景的反思中。

AI数智教研员所扮演的角色，不是一名指导者，而是一面更清晰的镜子。它帮助教师将自己的教学行为从直觉层面拉到可分析的层面，让教研活动中的对话能够围绕具体细节展开，而不是泛泛而谈。当一位教师能够精准地说出“我这节课在概念建构环节，有五次追问是封闭式的”，她的改进路径就已经清晰了一半。

课例研究结束一周后，她的电脑里保留着前后两节课的数智画像对比图。她没有把图发到教研群里，而是存进自己的教学反思文件夹里。她说，下次备课前会翻一翻，提醒自己：课堂提问的数量可以多，但提问类型的结构不能被忽略。

这或许就是技术嵌入教研最朴实的作用——它不承诺让一堂课立刻变得出色，也不宣称能诊断一切教学问题，但它可以帮助一位教师，在40分钟的课堂里，看见那些平时不易看见的支点。而真正的教学改进，往往就发生在这份“看见”之后。