那三十七分钟里，谁在说话？

下午第三节课后，教研组的几位教师围坐在办公桌前，桌上摊着一沓听课记录。

一位青年教师把笔记本往前推了推，上面密密麻麻写满了他对这堂课的想法——“导入环节耗时过长”“提问指向不够明确”“学生小组讨论时部分学生游离在外”……每一条都是真问题，但合上本子，他还是觉得不踏实：“写了这么多，可要问我这节课到底哪里最需要改，我又说不准了。”

旁边的一位教师接过话头：“我听课的时候也记了不少，但评课时总怕说不到点子上，怕伤了对方面子，也怕自己的判断经不起推敲。”

这样的场景，在很多学校并不陌生。评课本应是教师专业成长最直接的路径，但现实中，它常常变成一场“你好我好大家好”的温和表态，或是一次“凭感觉说话”的经验输出。真正的问题——课堂上那些一闪而过的师生对话、那些没被接住的学生回答、那些看似热闹实则低效的互动——常常被忽略在纸面之外。

直到有一次，教研组尝试引入AI数智教研员的课堂诊断功能，大家才发现：原来那节课的问题，并不在教案写得够不够好，而在课堂上那三十七分钟里那些被忽略的对话细节。

1. 第三十七分钟的真相

那是一节四年级的语文课，讲的是写景类课文。执教者是一位教龄三年的青年教师，教案写得工工整整，环节设计也符合大单元教学的思路——从整体感知到精读品味，再到迁移练笔，逻辑清晰。

但课堂上有这样一个细节：在精读环节，教师提了一个开放性问题——“作者为什么要用这个顺序来写？”一位学生站起来回答，说得有些零散，教师耐心听完，点了点头，说了句“好的，请坐”，然后自己把答案重新梳理了一遍讲给大家听。

这个细节，在听课教师的记录本上只留下一行字：“学生回答不够完整，教师补充。”没有人觉得有什么问题——课堂上不就是这样吗？学生说不清楚，老师帮忙说清楚。

然而，AI数智教研员生成了这节课的“理答行为诊断报告”之后，大家才发现，这个看似平常的片段，恰恰是整节课值得推敲的地方。

报告显示：这节课上，教师的“诊断性理答”（即对学生回答进行分析、追问、引导）占比明显偏低，而“替代性理答”（即教师直接给出答案或代为补充）占比偏高。更具体的是，报告截取了一个关键话轮——就是那位学生回答不完整之后教师直接补充的片段——标注为“建议改进话轮”，并附上了一段分析：当学生回答出现卡顿或表述不清时，教师的第一反应如果是“帮他说完”，学生就失去了自主建构语言的机会；如果能换成“你刚才提到了一个很重要的点，能再具体说说吗”或者“其他同学对这个问题有什么补充”，课堂的思维含量会完全不同。

“原来问题出在这儿。”那位青年教师看着报告说，“我当时只觉得他回答得不够好，怕耽误时间，就自己说了。但这样一来，核心素养里的‘语言运用’和‘思维能力’就落不下去了。”

2. 把数据变成“人话”

这份诊断报告，并不是冷冰冰的数据堆砌。

报告除了统计师生话语比例、提问类型分布、等待时间等量化指标之外，还生成了一份“课堂数智画像”——用可视化的方式呈现了整节课的语言互动结构。画像上清晰显示：教师的发言量占了将近七成，学生的集体回答和个别回答加在一起不到三成；教师的提问中，记忆类和理解类问题占了绝大多数，而分析、评价、创造类的高阶问题寥寥无几。

“以前评课也说‘教师讲得太多’，但那是感觉。”教研组长说，“现在有了这张画像，‘太多’到底是多少、‘多’在哪里，都清清楚楚。”

但真正让教研组觉得“有用”的，不是那些数据本身，而是报告最后附上的“教学微创手术处方”——这是AI数智教研员微观话语诊断功能的一部分。它不直接告诉教师“你应该怎么上”，而是基于课堂对话的逐条标注，给出几条具体的、可操作的改进建议：

把“替代性理答”换成“发展性理答”：当学生回答不完整时，用追问代替补充——“你刚才说到……，能不能举个例子？”

在精读环节增加一个“同伴互说”的步骤：让学生先把自己的理解说给同桌听，再在全班分享，降低语言输出的心理门槛。

把“老师问—学生答”的单向模式，调整为“学生问—学生答—老师补”的循环结构。

“这些建议不复杂，也不‘高科技’，但每一条都来自对课堂对话的细致分析。”那位青年教师说，“它不是让我推倒重来，而是在我已有的教学设计上做微调——就像医生开的不是‘换器官’的方子，而是‘调一调用药剂量’的处方。”

3. 从一个人到一群人

这份诊断报告，后来被用在了教研组的集体磨课上。

第二次试讲前，教研组用AI数智教研员的集体备课功能，围绕“如何在课堂提问中增加发展性理答”做了一次线上研讨。系统采用“启发式引导”模式——不直接给答案，而是通过一连串追问引导教师自己梳理思路：“你在这节课最想让学生带走什么？”“如果学生说不出来，你希望他经历怎样的思维过程？”“理答的目的是评判学生，还是推动学生？”

几位教师各自在系统里留下了思考的痕迹，这些问答记录自动生成了页码标识，方便回溯。研讨结束后，系统结合大家上传的教学设计初稿和讨论内容，自动整理出一份集备公案。

“以前集体备课，讨论完了就完了，谁还记得上次说了什么。”一位参与磨课的教师说，“现在每次讨论都有记录、有沉淀，下一次备课可以直接接着上次的走。”

第二次试讲，那位青年教师明显从容了很多。当一位学生回答问题有些磕绊时，他没有急着“救场”，而是说：“你刚才提到了一个角度，其他同学有没有不同的想法？”一位学生站起来补充，他又追问：“你和刚才那位同学的观点有什么联系？”课堂上的对话不再是“教师问—学生答—教师评”的直线，而变成了多条线交织的网络。

课后，教研组再次打开诊断报告进行前后对比——系统支持“同课异构”模式下的多份教学设计智能诊断与对比。两次试讲的课堂数智画像并排显示：教师的发言比例从近七成降到了五成出头，学生自主发言的时长明显增加，发展性理答的比例从不足两成提升到了接近一半。

“变化不是很大，但方向对了。”教研组长说，“磨课不是一蹴而就的事，每次改一点，几次下来就不一样了。”

4. 治理的温度，从看见开始

从管理到治理，一字之差，背后的逻辑截然不同。

传统的听评课，更像是一种“管理”——教研组长评、老教师评，青年教师被动地听、被动地改。而借助AI数智教研员的课堂诊断与集体备课功能，教研组正在慢慢形成一种“治理”的氛围：每个人都能看到自己的课堂数据，每个人都能参与对课堂的讨论，每个人都能从数据中找到自己改进的起点。

那位青年教师后来在自己的教学反思里写道：“以前我觉得评课是别人评价我，现在我把它看成是一群人帮我看见我自己看不见的东西。”

治理的本质，不是用技术替代人，而是用工具帮助人看见更真实的教育现场。一堂课的三十七分钟里，教师说了什么、学生回应了什么、哪些话轮推动了思维、哪些话轮错过了机会——这些细节从来都在那里，只是以前没有被看见。

而当它们被看见的时候，改进也就有了方向。