在教育数字化转型的背景下如何科学、客观地评价课堂教学质量尤其是师生对话的质量成为教育研究者和一线教师关注的核心问题。传统的课堂评价多依赖人工观察和主观判断存在效率低、标准不统一等问题。本文将介绍一款基于 OpenAI API 构建的课堂话语功能分析系统该系统能够自动对课堂对话文本进行分类、统计和可视化分析为课堂教学评价提供量化依据。一、系统设计思路1. 核心目标构建一套自动化的课堂话语功能分析体系将师生对话文本按照预设的分类体系进行精准分类对比优质课堂的话语功能指标生成可视化图表和专业分析报告帮助教师和研究者快速把握课堂对话的特点和不足。2. 分类体系构建系统采用四级分类体系将课堂话语功能划分为 4 个一级指标和 12 个二级指标覆盖知识理解、表达交流、实践应用、创造迁移四大维度表格一级指标二级指标知识理解观察记忆、概括理解、说明论证表达交流经历经验、主观看法、情感态度实践应用分析计算、推测解释、简单问题解决创造迁移综合问题解决、猜想探究、发现创新同时系统内置了优质课堂话语功能的基准比例为对比分析提供参照标准。二、核心功能实现1. 数据预处理模块系统首先读取包含 角色 和 内容 的 CSV 格式课堂对话数据进行以下预处理数据校验检查必要列是否存在处理空值文本分割将长文本按中文标点符号分割为独立句子预过滤自动跳过无分析价值的语句如师生问候、简单指令、重复评价等角色保留保留 教师 / 学生 等角色信息便于后续分析def load_csv_content_with_roles(self): 从CSV文件加载对话内容并保留角色信息 try: # 读取CSV文件 df pd.read_csv(self.csv_path, encodingutf-8) # 检查必要的列是否存在 if 角色 not in df.columns or 内容 not in df.columns: raise ValueError(CSV文件中缺少角色或内容列) # 提取角色和内容列 roles df[角色].fillna(未知).tolist() contents df[内容].fillna().tolist() # 组合成角色内容的形式 combined [f{role}{content} for role, content in zip(roles, contents) if content.strip()] # 文本分句处理 all_sentences [] for item in combined: sentences_in_item re.split(r(?!\w\.\w.)(?![A-Z][a-z]\.)(?[。\n])\s*, item) all_sentences.extend([s.strip() for s in sentences_in_item if s.strip()]) return all_sentences except Exception as e: print(f读取CSV文件时出错: {str(e)}) return []2. AI 智能分类模块系统集成 OpenAI API兼容阿里云通义千问等模型通过精心设计的提示词工程实现对话文本的精准分类系统提示词明确分类规则、跳过条件和输出格式对 API 返回结果进行清洗和标准化处理支持精确匹配和部分匹配两种匹配策略自动记录无法识别的文本便于人工复核def classify_text(self, sentence): 使用API对文本进行分类 system_content 你是一个专业高效的文本分类器请将以下课堂对话中的每个句子以一个对话轮次为单元分类到五大类及细分小类 必须跳过以下类型的语句 1. 师生问候如同学们好老师好 2. 教师指令如上课下课请打开课本 3. 简单复述如他说要画图你刚才说... 4. 简单评价如很好正确不错 5. 组织性语言如接下来我们继续 ...分类定义省略... try: response self.client.chat.completions.create( modeldeepseek-v3, messages[ {role: system, content: system_content}, {role: user, content: f请分类以下课堂对话句子:\n{sentence}} ] ) result response.choices[0].message.content.strip() return result except Exception as e: print(fAPI调用错误: {str(e)}) return API错误3. 可视化分析模块系统自动生成多维度的可视化图表直观展示课堂话语功能分布一级指标饼图展示四大类话语功能的占比分布二级指标饼图细化展示 12 个小类的具体分布对比柱状图 折线图对比分析实际课堂与优质课堂的指标差异自动添加数值标签、大类分隔线等提升图表可读性4. 智能分析报告模块基于分类统计数据系统调用大语言模型生成专业的课堂分析报告包含教学亮点分析待改进方面识别具体教学建议数据支撑的量化结论5.完整代码import pandas as pd import matplotlib.pyplot as plt import re import os from tqdm import tqdm from openai import OpenAI import warnings warnings.filterwarnings(ignore) # 1. 全局配置 # 替换为自己的API Key DEEPSEEK_API_KEY 你的DeepSeek API Key QWEN_API_KEY 你的通义千问API Key # 分类体系二级→一级 CATEGORY_MAP { 观察记忆: 知识理解, 概括理解: 知识理解, 说明论证: 知识理解, 经历经验: 表达交流, 主观看法: 表达交流, 情感态度: 表达交流, 分析计算: 实践应用, 推测解释: 实践应用, 简单问题解决: 实践应用, 综合问题解决: 创造迁移, 猜想探究: 创造迁移, 发现创新: 创造迁移 } # 优质课基准一级、二级 BENCHMARK_FIRST { 知识理解: 76, 表达交流: 12, 实践应用: 0, 创造迁移: 12 } BENCHMARK_SECOND { 观察记忆: 2, 概括理解: 20, 说明论证: 54, 经历经验: 0, 主观看法: 8, 情感态度: 4, 分析计算: 0, 推测解释: 0, 简单问题解决: 0, 综合问题解决: 0, 猜想探究: 12, 发现创新: 0 } # 无效话语正则 FILTER_REGEX r^(老师好|同学们好|早上好|下午好|上课|下课|请打开|翻到|很好|不错|正确|真棒|接下来|然后|继续|下面|请看|他说|你刚才说)$ # 2. 工具函数 def setup_font(): 设置中文字体 plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, KaiTi] plt.rcParams[axes.unicode_minus] False def clean_and_split(text): 清洗文本分句过滤无效话语 text str(text).strip() if len(text) 2: return [] # 分句 sentences re.split(r[。\n], text) valid_sentences [] for s in sentences: s s.strip() if len(s) 2: continue # 过滤无效话语 if re.match(FILTER_REGEX, s): continue valid_sentences.append(s) return valid_sentences def get_llm_client(api_key, base_url): 获取LLM客户端 return OpenAI(api_keyapi_key, base_urlbase_url, timeout15) def classify_sentence(sentence): 调用DeepSeek分类单句 client get_llm_client(DEEPSEEK_API_KEY, https://api.deepseek.com) prompt f 你是课堂话语分类专家严格从以下12个类别中选一个只输出类别名称无任何解释。 类别观察记忆、概括理解、说明论证、经历经验、主观看法、情感态度、分析计算、推测解释、简单问题解决、综合问题解决、猜想探究、发现创新 句子{sentence} 输出 .strip() try: res client.chat.completions.create( modeldeepseek-chat, messages[{role: user, content: prompt}], temperature0.1, max_tokens10 ) return res.choices[0].message.content.strip() except Exception as e: print(f分类错误{e}) return 分类失败 def generate_report(first_ratio, second_ratio): 调用通义千问生成教研报告 client get_llm_client(QWEN_API_KEY, https://dashscope.aliyuncs.com/compatible-mode/v1) prompt f 你是资深教研员根据以下课堂话语数据生成250字左右专业分析报告包含亮点、不足、改进建议语言简洁专业。 一级指标占比{first_ratio} 二级指标占比{second_ratio} 优质课一级基准{BENCHMARK_FIRST} 优质课二级基准{BENCHMARK_SECOND} .strip() try: res client.chat.completions.create( modelqwen-plus, messages[{role: user, content: prompt}], temperature0.3, max_tokens500 ) return res.choices[0].message.content.strip() except Exception as e: print(f报告生成错误{e}) return 报告生成失败 # 3. 绘图函数 def plot_first_pie(first_count, save_path): 一级指标饼图 labels list(first_count.keys()) sizes list(first_count.values()) colors [#1f77b4, #ff7f0e, #2ca02c, #d62728] plt.figure(figsize(8, 6)) plt.pie(sizes, labelslabels, autopct%1.1f%%, startangle90, colorscolors) plt.title(课堂话语一级指标分布, fontsize14) plt.axis(equal) plt.tight_layout() plt.savefig(save_path, dpi300, bbox_inchestight) plt.close() def plot_second_pie(second_count, save_path): 二级指标饼图 labels list(second_count.keys()) sizes list(second_count.values()) plt.figure(figsize(10, 7)) plt.pie(sizes, labelslabels, autopct%1.1f%%, startangle90) plt.title(课堂话语二级指标分布, fontsize14) plt.axis(equal) plt.tight_layout() plt.savefig(save_path, dpi300, bbox_inchestight) plt.close() def plot_first_bar(first_ratio, save_path): 一级指标柱状折线对比图 labels list(BENCHMARK_FIRST.keys()) actual [first_ratio.get(k, 0) for k in labels] bench [BENCHMARK_FIRST[k] for k in labels] x range(len(labels)) plt.figure(figsize(10, 6)) plt.bar(x, actual, width0.6, color#1f77b4, alpha0.7, label本节课) plt.plot(x, bench, o-, color#ff7f0e, linewidth2.5, markersize8, label优质课基准) for i, v in enumerate(actual): plt.text(i, v 1, f{v:.1f}%, hacenter, fontsize10) for i, v in enumerate(bench): plt.text(i, v 1, f{v}%, hacenter, fontsize10, colorred) plt.title(一级指标对比本节课 vs 优质课, fontsize14) plt.ylabel(占比%) plt.xticks(x, labels) plt.legend() plt.grid(axisy, linestyle--, alpha0.7) plt.tight_layout() plt.savefig(save_path, dpi300, bbox_inchestight) plt.close() def plot_second_bar(second_ratio, save_path): 二级指标柱状折线对比图 labels list(BENCHMARK_SECOND.keys()) actual [second_ratio.get(k, 0) for k in labels] bench [BENCHMARK_SECOND[k] for k in labels] x range(len(labels)) plt.figure(figsize(12, 6)) plt.bar(x, actual, width0.6, color#2ca02c, alpha0.7, label本节课) plt.plot(x, bench, o-, color#d62728, linewidth2.5, markersize8, label优质课基准) for i, v in enumerate(actual): plt.text(i, v 0.5, f{v:.1f}%, hacenter, fontsize9) plt.axvline(x2.5, colorgray, linestyle--, alpha0.5) plt.axvline(x5.5, colorgray, linestyle--, alpha0.5) plt.axvline(x8.5, colorgray, linestyle--, alpha0.5) plt.title(二级指标对比本节课 vs 优质课, fontsize14) plt.ylabel(占比%) plt.xticks(x, labels, rotation45, haright) plt.legend() plt.grid(axisy, linestyle--, alpha0.7) plt.tight_layout() plt.savefig(save_path, dpi300, bbox_inchestight) plt.close() # 4. 主分析类 class DiscourseAnalyzer: def __init__(self, csv_path, output_dir): self.csv_path csv_path self.output_dir output_dir os.makedirs(output_dir, exist_okTrue) setup_font() # 初始化计数 self.second_count {k:0 for k in BENCHMARK_SECOND.keys()} self.first_count {k:0 for k in BENCHMARK_FIRST.keys()} self.valid_sentences [] self.classified_results [] def load_data(self): 加载CSV数据 df pd.read_csv(self.csv_path, encodingutf-8) assert 角色 in df.columns and 内容 in df.columns, CSV需包含角色和内容列 return df def process(self): 核心处理流程 df self.load_data() print(f加载数据共{len(df)}条) # 清洗分句 for idx, row in df.iterrows(): role row[角色] content row[内容] sentences clean_and_split(content) for s in sentences: self.valid_sentences.append((role, s)) print(f清洗后有效句子共{len(self.valid_sentences)}条) # AI分类 for role, sent in tqdm(self.valid_sentences, descAI分类中): cat classify_sentence(sent) if cat in CATEGORY_MAP: first_cat CATEGORY_MAP[cat] self.second_count[cat] 1 self.first_count[first_cat] 1 self.classified_results.append(f{role}{sent} | {first_cat} | {cat}) else: self.classified_results.append(f{role}{sent} | 分类失败 | {cat}) # 计算占比 total sum(self.second_count.values()) self.first_ratio {k: v/total*100 for k, v in self.first_count.items()} self.second_ratio {k: v/total*100 for k, v in self.second_count.items()} print(f分类完成有效分类{total}条) def save_results(self): 保存所有结果 # 保存分类文本 with open(os.path.join(self.output_dir, 分类结果.txt), w, encodingutf-8) as f: f.write(\n.join(self.classified_results)) # 保存统计CSV stats_df pd.DataFrame({ 一级指标: list(self.first_ratio.keys()), 频次: list(self.first_count.values()), 占比(%): list(self.first_ratio.values()), 优质课基准(%): list(BENCHMARK_FIRST.values()) }) stats_df.to_csv(os.path.join(self.output_dir, 一级指标统计.csv), indexFalse, encodingutf-8-sig) # 生成图表 plot_first_pie(self.first_count, os.path.join(self.output_dir, 一级指标饼图.png)) plot_second_pie(self.second_count, os.path.join(self.output_dir, 二级指标饼图.png)) plot_first_bar(self.first_ratio, os.path.join(self.output_dir, 一级指标对比图.png)) plot_second_bar(self.second_ratio, os.path.join(self.output_dir, 二级指标对比图.png)) # 生成并保存报告 report generate_report(self.first_ratio, self.second_ratio) with open(os.path.join(self.output_dir, 教研报告.txt), w, encodingutf-8) as f: f.write(report) print(所有结果保存完成) return report # 5. 运行入口 if __name__ __main__: # 配置参数 CSV_PATH 你的课堂实录.csv # 替换为你的CSV文件路径 OUTPUT_DIR 课堂话语分析结果 # 运行分析 analyzer DiscourseAnalyzer(CSV_PATH, OUTPUT_DIR) analyzer.process() report analyzer.save_results() print(\n 教研报告 ) print(report)三、系统特色与优势1. 自动化与智能化全程自动化处理从数据读取、文本分类到图表生成、报告撰写大幅提升课堂分析效率减少人工成本。2. 标准化与客观性基于统一的分类标准和量化指标避免人工评价的主观性使课堂评价更具科学性。3. 可视化与易解读多维度的图表展示和结构化的分析报告让非专业人员也能快速理解课堂对话的特点。4. 可扩展性强支持自定义分类体系和基准指标兼容多种 CSV 数据格式可对接不同的大语言模型输出格式支持 TXT、CSV、JSON、Excel 等四、应用场景教师专业发展教师可通过系统分析自己的课堂对话发现教学中的优势和不足针对性改进教学策略。教研活动教研员可批量分析多个课堂案例总结优秀教学模式为区域教研提供数据支撑。教育研究教育研究者可基于系统开展大规模课堂对话分析探索优质课堂的话语特征。教学评价作为课堂教学评价的辅助工具为教学评比、职称评定等提供客观数据。五、使用建议数据准备确保 CSV 文件包含 角色 和 内容 列文本内容尽量完整准确。模型选择根据实际需求选择合适的大语言模型平衡准确性和成本。结果复核对系统标记的 未知分类 文本进行人工复核持续优化分类规则。指标调整根据不同学科、不同学段的特点调整优质课堂的基准指标。六、总结与展望这款基于 AI 的课堂话语功能分析系统将自然语言处理技术与教育评价理论相结合为课堂教学评价提供了新的思路和方法。未来可进一步优化增加角色分析维度对比教师和学生的话语特征引入时序分析展示课堂对话的动态变化构建本地模型降低 API 调用成本开发 Web 界面提升用户使用体验通过量化分析课堂话语功能我们能够更深入地理解优质课堂的对话特征为提升课堂教学质量提供数据驱动的决策支持最终惠及每一位学生的学习成长。
基于 AI 的课堂话语功能分析系统：量化解读优质课堂对话
发布时间：2026/5/19 11:58:41
在教育数字化转型的背景下如何科学、客观地评价课堂教学质量尤其是师生对话的质量成为教育研究者和一线教师关注的核心问题。传统的课堂评价多依赖人工观察和主观判断存在效率低、标准不统一等问题。本文将介绍一款基于 OpenAI API 构建的课堂话语功能分析系统该系统能够自动对课堂对话文本进行分类、统计和可视化分析为课堂教学评价提供量化依据。一、系统设计思路1. 核心目标构建一套自动化的课堂话语功能分析体系将师生对话文本按照预设的分类体系进行精准分类对比优质课堂的话语功能指标生成可视化图表和专业分析报告帮助教师和研究者快速把握课堂对话的特点和不足。2. 分类体系构建系统采用四级分类体系将课堂话语功能划分为 4 个一级指标和 12 个二级指标覆盖知识理解、表达交流、实践应用、创造迁移四大维度表格一级指标二级指标知识理解观察记忆、概括理解、说明论证表达交流经历经验、主观看法、情感态度实践应用分析计算、推测解释、简单问题解决创造迁移综合问题解决、猜想探究、发现创新同时系统内置了优质课堂话语功能的基准比例为对比分析提供参照标准。二、核心功能实现1. 数据预处理模块系统首先读取包含 角色 和 内容 的 CSV 格式课堂对话数据进行以下预处理数据校验检查必要列是否存在处理空值文本分割将长文本按中文标点符号分割为独立句子预过滤自动跳过无分析价值的语句如师生问候、简单指令、重复评价等角色保留保留 教师 / 学生 等角色信息便于后续分析def load_csv_content_with_roles(self): 从CSV文件加载对话内容并保留角色信息 try: # 读取CSV文件 df pd.read_csv(self.csv_path, encodingutf-8) # 检查必要的列是否存在 if 角色 not in df.columns or 内容 not in df.columns: raise ValueError(CSV文件中缺少角色或内容列) # 提取角色和内容列 roles df[角色].fillna(未知).tolist() contents df[内容].fillna().tolist() # 组合成角色内容的形式 combined [f{role}{content} for role, content in zip(roles, contents) if content.strip()] # 文本分句处理 all_sentences [] for item in combined: sentences_in_item re.split(r(?!\w\.\w.)(?![A-Z][a-z]\.)(?[。\n])\s*, item) all_sentences.extend([s.strip() for s in sentences_in_item if s.strip()]) return all_sentences except Exception as e: print(f读取CSV文件时出错: {str(e)}) return []2. AI 智能分类模块系统集成 OpenAI API兼容阿里云通义千问等模型通过精心设计的提示词工程实现对话文本的精准分类系统提示词明确分类规则、跳过条件和输出格式对 API 返回结果进行清洗和标准化处理支持精确匹配和部分匹配两种匹配策略自动记录无法识别的文本便于人工复核def classify_text(self, sentence): 使用API对文本进行分类 system_content 你是一个专业高效的文本分类器请将以下课堂对话中的每个句子以一个对话轮次为单元分类到五大类及细分小类 必须跳过以下类型的语句 1. 师生问候如同学们好老师好 2. 教师指令如上课下课请打开课本 3. 简单复述如他说要画图你刚才说... 4. 简单评价如很好正确不错 5. 组织性语言如接下来我们继续 ...分类定义省略... try: response self.client.chat.completions.create( modeldeepseek-v3, messages[ {role: system, content: system_content}, {role: user, content: f请分类以下课堂对话句子:\n{sentence}} ] ) result response.choices[0].message.content.strip() return result except Exception as e: print(fAPI调用错误: {str(e)}) return API错误3. 可视化分析模块系统自动生成多维度的可视化图表直观展示课堂话语功能分布一级指标饼图展示四大类话语功能的占比分布二级指标饼图细化展示 12 个小类的具体分布对比柱状图 折线图对比分析实际课堂与优质课堂的指标差异自动添加数值标签、大类分隔线等提升图表可读性4. 智能分析报告模块基于分类统计数据系统调用大语言模型生成专业的课堂分析报告包含教学亮点分析待改进方面识别具体教学建议数据支撑的量化结论5.完整代码import pandas as pd import matplotlib.pyplot as plt import re import os from tqdm import tqdm from openai import OpenAI import warnings warnings.filterwarnings(ignore) # 1. 全局配置 # 替换为自己的API Key DEEPSEEK_API_KEY 你的DeepSeek API Key QWEN_API_KEY 你的通义千问API Key # 分类体系二级→一级 CATEGORY_MAP { 观察记忆: 知识理解, 概括理解: 知识理解, 说明论证: 知识理解, 经历经验: 表达交流, 主观看法: 表达交流, 情感态度: 表达交流, 分析计算: 实践应用, 推测解释: 实践应用, 简单问题解决: 实践应用, 综合问题解决: 创造迁移, 猜想探究: 创造迁移, 发现创新: 创造迁移 } # 优质课基准一级、二级 BENCHMARK_FIRST { 知识理解: 76, 表达交流: 12, 实践应用: 0, 创造迁移: 12 } BENCHMARK_SECOND { 观察记忆: 2, 概括理解: 20, 说明论证: 54, 经历经验: 0, 主观看法: 8, 情感态度: 4, 分析计算: 0, 推测解释: 0, 简单问题解决: 0, 综合问题解决: 0, 猜想探究: 12, 发现创新: 0 } # 无效话语正则 FILTER_REGEX r^(老师好|同学们好|早上好|下午好|上课|下课|请打开|翻到|很好|不错|正确|真棒|接下来|然后|继续|下面|请看|他说|你刚才说)$ # 2. 工具函数 def setup_font(): 设置中文字体 plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, KaiTi] plt.rcParams[axes.unicode_minus] False def clean_and_split(text): 清洗文本分句过滤无效话语 text str(text).strip() if len(text) 2: return [] # 分句 sentences re.split(r[。\n], text) valid_sentences [] for s in sentences: s s.strip() if len(s) 2: continue # 过滤无效话语 if re.match(FILTER_REGEX, s): continue valid_sentences.append(s) return valid_sentences def get_llm_client(api_key, base_url): 获取LLM客户端 return OpenAI(api_keyapi_key, base_urlbase_url, timeout15) def classify_sentence(sentence): 调用DeepSeek分类单句 client get_llm_client(DEEPSEEK_API_KEY, https://api.deepseek.com) prompt f 你是课堂话语分类专家严格从以下12个类别中选一个只输出类别名称无任何解释。 类别观察记忆、概括理解、说明论证、经历经验、主观看法、情感态度、分析计算、推测解释、简单问题解决、综合问题解决、猜想探究、发现创新 句子{sentence} 输出 .strip() try: res client.chat.completions.create( modeldeepseek-chat, messages[{role: user, content: prompt}], temperature0.1, max_tokens10 ) return res.choices[0].message.content.strip() except Exception as e: print(f分类错误{e}) return 分类失败 def generate_report(first_ratio, second_ratio): 调用通义千问生成教研报告 client get_llm_client(QWEN_API_KEY, https://dashscope.aliyuncs.com/compatible-mode/v1) prompt f 你是资深教研员根据以下课堂话语数据生成250字左右专业分析报告包含亮点、不足、改进建议语言简洁专业。 一级指标占比{first_ratio} 二级指标占比{second_ratio} 优质课一级基准{BENCHMARK_FIRST} 优质课二级基准{BENCHMARK_SECOND} .strip() try: res client.chat.completions.create( modelqwen-plus, messages[{role: user, content: prompt}], temperature0.3, max_tokens500 ) return res.choices[0].message.content.strip() except Exception as e: print(f报告生成错误{e}) return 报告生成失败 # 3. 绘图函数 def plot_first_pie(first_count, save_path): 一级指标饼图 labels list(first_count.keys()) sizes list(first_count.values()) colors [#1f77b4, #ff7f0e, #2ca02c, #d62728] plt.figure(figsize(8, 6)) plt.pie(sizes, labelslabels, autopct%1.1f%%, startangle90, colorscolors) plt.title(课堂话语一级指标分布, fontsize14) plt.axis(equal) plt.tight_layout() plt.savefig(save_path, dpi300, bbox_inchestight) plt.close() def plot_second_pie(second_count, save_path): 二级指标饼图 labels list(second_count.keys()) sizes list(second_count.values()) plt.figure(figsize(10, 7)) plt.pie(sizes, labelslabels, autopct%1.1f%%, startangle90) plt.title(课堂话语二级指标分布, fontsize14) plt.axis(equal) plt.tight_layout() plt.savefig(save_path, dpi300, bbox_inchestight) plt.close() def plot_first_bar(first_ratio, save_path): 一级指标柱状折线对比图 labels list(BENCHMARK_FIRST.keys()) actual [first_ratio.get(k, 0) for k in labels] bench [BENCHMARK_FIRST[k] for k in labels] x range(len(labels)) plt.figure(figsize(10, 6)) plt.bar(x, actual, width0.6, color#1f77b4, alpha0.7, label本节课) plt.plot(x, bench, o-, color#ff7f0e, linewidth2.5, markersize8, label优质课基准) for i, v in enumerate(actual): plt.text(i, v 1, f{v:.1f}%, hacenter, fontsize10) for i, v in enumerate(bench): plt.text(i, v 1, f{v}%, hacenter, fontsize10, colorred) plt.title(一级指标对比本节课 vs 优质课, fontsize14) plt.ylabel(占比%) plt.xticks(x, labels) plt.legend() plt.grid(axisy, linestyle--, alpha0.7) plt.tight_layout() plt.savefig(save_path, dpi300, bbox_inchestight) plt.close() def plot_second_bar(second_ratio, save_path): 二级指标柱状折线对比图 labels list(BENCHMARK_SECOND.keys()) actual [second_ratio.get(k, 0) for k in labels] bench [BENCHMARK_SECOND[k] for k in labels] x range(len(labels)) plt.figure(figsize(12, 6)) plt.bar(x, actual, width0.6, color#2ca02c, alpha0.7, label本节课) plt.plot(x, bench, o-, color#d62728, linewidth2.5, markersize8, label优质课基准) for i, v in enumerate(actual): plt.text(i, v 0.5, f{v:.1f}%, hacenter, fontsize9) plt.axvline(x2.5, colorgray, linestyle--, alpha0.5) plt.axvline(x5.5, colorgray, linestyle--, alpha0.5) plt.axvline(x8.5, colorgray, linestyle--, alpha0.5) plt.title(二级指标对比本节课 vs 优质课, fontsize14) plt.ylabel(占比%) plt.xticks(x, labels, rotation45, haright) plt.legend() plt.grid(axisy, linestyle--, alpha0.7) plt.tight_layout() plt.savefig(save_path, dpi300, bbox_inchestight) plt.close() # 4. 主分析类 class DiscourseAnalyzer: def __init__(self, csv_path, output_dir): self.csv_path csv_path self.output_dir output_dir os.makedirs(output_dir, exist_okTrue) setup_font() # 初始化计数 self.second_count {k:0 for k in BENCHMARK_SECOND.keys()} self.first_count {k:0 for k in BENCHMARK_FIRST.keys()} self.valid_sentences [] self.classified_results [] def load_data(self): 加载CSV数据 df pd.read_csv(self.csv_path, encodingutf-8) assert 角色 in df.columns and 内容 in df.columns, CSV需包含角色和内容列 return df def process(self): 核心处理流程 df self.load_data() print(f加载数据共{len(df)}条) # 清洗分句 for idx, row in df.iterrows(): role row[角色] content row[内容] sentences clean_and_split(content) for s in sentences: self.valid_sentences.append((role, s)) print(f清洗后有效句子共{len(self.valid_sentences)}条) # AI分类 for role, sent in tqdm(self.valid_sentences, descAI分类中): cat classify_sentence(sent) if cat in CATEGORY_MAP: first_cat CATEGORY_MAP[cat] self.second_count[cat] 1 self.first_count[first_cat] 1 self.classified_results.append(f{role}{sent} | {first_cat} | {cat}) else: self.classified_results.append(f{role}{sent} | 分类失败 | {cat}) # 计算占比 total sum(self.second_count.values()) self.first_ratio {k: v/total*100 for k, v in self.first_count.items()} self.second_ratio {k: v/total*100 for k, v in self.second_count.items()} print(f分类完成有效分类{total}条) def save_results(self): 保存所有结果 # 保存分类文本 with open(os.path.join(self.output_dir, 分类结果.txt), w, encodingutf-8) as f: f.write(\n.join(self.classified_results)) # 保存统计CSV stats_df pd.DataFrame({ 一级指标: list(self.first_ratio.keys()), 频次: list(self.first_count.values()), 占比(%): list(self.first_ratio.values()), 优质课基准(%): list(BENCHMARK_FIRST.values()) }) stats_df.to_csv(os.path.join(self.output_dir, 一级指标统计.csv), indexFalse, encodingutf-8-sig) # 生成图表 plot_first_pie(self.first_count, os.path.join(self.output_dir, 一级指标饼图.png)) plot_second_pie(self.second_count, os.path.join(self.output_dir, 二级指标饼图.png)) plot_first_bar(self.first_ratio, os.path.join(self.output_dir, 一级指标对比图.png)) plot_second_bar(self.second_ratio, os.path.join(self.output_dir, 二级指标对比图.png)) # 生成并保存报告 report generate_report(self.first_ratio, self.second_ratio) with open(os.path.join(self.output_dir, 教研报告.txt), w, encodingutf-8) as f: f.write(report) print(所有结果保存完成) return report # 5. 运行入口 if __name__ __main__: # 配置参数 CSV_PATH 你的课堂实录.csv # 替换为你的CSV文件路径 OUTPUT_DIR 课堂话语分析结果 # 运行分析 analyzer DiscourseAnalyzer(CSV_PATH, OUTPUT_DIR) analyzer.process() report analyzer.save_results() print(\n 教研报告 ) print(report)三、系统特色与优势1. 自动化与智能化全程自动化处理从数据读取、文本分类到图表生成、报告撰写大幅提升课堂分析效率减少人工成本。2. 标准化与客观性基于统一的分类标准和量化指标避免人工评价的主观性使课堂评价更具科学性。3. 可视化与易解读多维度的图表展示和结构化的分析报告让非专业人员也能快速理解课堂对话的特点。4. 可扩展性强支持自定义分类体系和基准指标兼容多种 CSV 数据格式可对接不同的大语言模型输出格式支持 TXT、CSV、JSON、Excel 等四、应用场景教师专业发展教师可通过系统分析自己的课堂对话发现教学中的优势和不足针对性改进教学策略。教研活动教研员可批量分析多个课堂案例总结优秀教学模式为区域教研提供数据支撑。教育研究教育研究者可基于系统开展大规模课堂对话分析探索优质课堂的话语特征。教学评价作为课堂教学评价的辅助工具为教学评比、职称评定等提供客观数据。五、使用建议数据准备确保 CSV 文件包含 角色 和 内容 列文本内容尽量完整准确。模型选择根据实际需求选择合适的大语言模型平衡准确性和成本。结果复核对系统标记的 未知分类 文本进行人工复核持续优化分类规则。指标调整根据不同学科、不同学段的特点调整优质课堂的基准指标。六、总结与展望这款基于 AI 的课堂话语功能分析系统将自然语言处理技术与教育评价理论相结合为课堂教学评价提供了新的思路和方法。未来可进一步优化增加角色分析维度对比教师和学生的话语特征引入时序分析展示课堂对话的动态变化构建本地模型降低 API 调用成本开发 Web 界面提升用户使用体验通过量化分析课堂话语功能我们能够更深入地理解优质课堂的对话特征为提升课堂教学质量提供数据驱动的决策支持最终惠及每一位学生的学习成长。
相关文章
SillyTavern深度解析：专业级LLM前端实战指南
SillyTavern深度解析：专业级LLM前端实战指南 【免费下载链接】SillyTavern LLM Frontend for Power Users. 项目地址: https://gitcode.com/GitHub_Trending/si/SillyTavern SillyTavern是一个专为高级用户设计的LLM前端界面，提供强大的角色扮演、…
YOLOv8学生课堂行为识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）
摘要 本文基于YOLOv8目标检测算法，构建了一套面向课堂教学场景的学生行为检测系统。该系统能够识别六类典型学生行为：举手（hand-raising）、阅读（reading）、书写（writing）、使用手机…
【课题推荐】三模型IMM交互式多模型滤波算法，匀速/左转/右转目标跟踪，附MATLAB代码测试结果
课题简介 本文推荐一个基于 IMM（Interacting Multiple Model，交互式多模型）算法的目标跟踪课题。该课题使用三种典型运动模型对目标进行跟踪，分别为匀速直线运动模型、左转弯模型和右转弯模型。 在实际目标跟踪问题中࿰…
Windows风扇控制终极方案：FanControl让你的电脑静音又高效
Windows风扇控制终极方案：FanControl让你的电脑静音又高效 【免费下载链接】FanControl.Releases This is the release repository for Fan Control, a highly customizable fan controlling software for Windows. 项目地址: https://gitcode.com/GitHub_Trendin…
LRCGET：让离线音乐库拥有完美歌词同步的智能解决方案
LRCGET：让离线音乐库拥有完美歌词同步的智能解决方案 【免费下载链接】lrcget Utility for mass-downloading LRC synced lyrics for your offline music library. 项目地址: https://gitcode.com/gh_mirrors/lr/lrcget 你是否拥有大量的本地音乐文件&#x…
Quartus II 多版本共存时 USB-Blaster 识别故障排查指南
1. 多版本Quartus II共存时的USB-Blaster识别问题 最近在调试FPGA时遇到了一个让人头疼的问题：电脑上同时安装了Quartus II 11.0和13.1两个版本，结果USB-Blaster死活识别不出来。这让我想起了刚入行时被驱动问题支配的恐惧，不过这次的情况有…
QMC音频解密终极指南：3分钟解锁QQ音乐加密文件
QMC音频解密终极指南：3分钟解锁QQ音乐加密文件 【免费下载链接】qmc-decoder Fastest & best convert qmc 2 mp3 | flac tools 项目地址: https://gitcode.com/gh_mirrors/qm/qmc-decoder 还在为QQ音乐下载的加密音频无法在其他设备播放而烦恼吗…
Windows MSI文件提取终极指南：lessmsi替代方案轻松提取安装包内容
Windows MSI文件提取终极指南：lessmsi替代方案轻松提取安装包内容 【免费下载链接】lessmsi A tool to view and extract the contents of an Windows Installer (.msi) file. 项目地址: https://gitcode.com/gh_mirrors/le/lessmsi 你是否曾经为了从MSI安装…
解决ubuntu中hermes agent连接taotoken自定义供应商的配置问题
🚀 告别海外账号与网络限制！稳定直连全球优质大模型，限时半价接入中。 👉 点击领取海量免费额度 解决 Ubuntu 中 Hermes Agent 连接 Taotoken 自定义供应商的配置问题 如果你在 Ubuntu 系统上使用 Hermes Agent，并希望…
5分钟快速上手：biliTickerBuy开源工具助你轻松抢购B站会员购热门票务
5分钟快速上手：biliTickerBuy开源工具助你轻松抢购B站会员购热门票务 【免费下载链接】biliTickerBuy b站会员购购票辅助工具 项目地址: https://gitcode.com/GitHub_Trending/bi/biliTickerBuy biliTickerBuy是一款专为B站会员购平台设计的开源辅助工具&…
一口气讲清楚 Monorepo、Turborepo、pnpm、Changesets 到底是什么？
你肯定遇到过这种情况：项目里同时有前端、后端、公共组件，放在一个仓库嫌乱，拆成多个仓库又改一个公共函数要在五个项目里各改一遍。于是出现了 Monorepo、Turborepo、pnpm、Changesets 这四个词。它们不是互相替代，而是分别解决工…
从ok-skills项目解析技能树：设计理念、技术实现与工程实践
1. 项目概述与核心价值最近在GitHub上看到一个挺有意思的项目，叫“ok-skills”。光看这个名字，可能有点摸不着头脑，但点进去一看，发现这是一个关于“技能树”或“知识图谱”的开源项目。简单来说，它试图用一种结构化的…
【实用小程序】超轻量级文件上传下载中心 (File Download Server)
站内源码及jar包下载 一、项目概述 文件下载中心一个基于 Java 内置 HTTP 服务器（com.sun.net.httpserver）构建的轻量级文件管理服务。它零第三方依赖，单 JAR 包即可运行，适合在内网环境或临时场景中快速搭建文件共享站点。 你的团队需要临时共享一批日志文件或交付物，…
py每日spider案例之某website之xin东方选课搜索接口(难度一般 扣取代码即可)
加密位置: 逆向接口参数: 逆向接口: const g = globalThis; g.window = g; g.self = g; g.location = {<
终极轻量级Android文本编辑器Markor：多格式笔记应用完全指南
终极轻量级Android文本编辑器Markor：多格式笔记应用完全指南 【免费下载链接】markor Text editor - Notes & ToDo (for Android) - Markdown, todo.txt, plaintext, math, .. 项目地址: https://gitcode.com/gh_mirrors/ma/markor 在移动设备上寻找一款…
MPC-BE：基于DirectShow架构的专业级开源媒体播放解决方案
MPC-BE：基于DirectShow架构的专业级开源媒体播放解决方案 【免费下载链接】MPC-BE MPC-BE – универсальный проигрыватель аудио и видеофайлов для операционной системы Windows. 项目地址:…
如何快速计算3D模型体积和重量：STL-Volume-Model-Calculator终极指南
如何快速计算3D模型体积和重量：STL-Volume-Model-Calculator终极指南 【免费下载链接】STL-Volume-Model-Calculator STL Volume Model Calculator Python 项目地址: https://gitcode.com/gh_mirrors/st/STL-Volume-Model-Calculator 你是否曾经为3D打印项目…
通过Taotoken CLI工具一键配置团队开发环境与模型密钥
通过Taotoken CLI工具一键配置团队开发环境与模型密钥 1. CLI工具安装与基本使用 Taotoken提供的CLI工具可通过npm全局安装或直接使用npx运行。对于需要频繁使用CLI的团队，推荐全局安装： npm install -g taotoken/taotoken对于临时使用或项目级配置&a…