摘 要：循證教師教育實現了教師教育過程中理論與實踐的深度交融，已成為教師教育的發(fā)展趨勢，其關鍵是依托證據建構證據為本的教師教育實踐，其中證據是指有效開展教師教育的信息載體。在智能時代，循證教師教育的證據優(yōu)化需要借助人工智能等技術，發(fā)揮技術在輔助制證、輔助取證、輔助用證等方面的優(yōu)勢，并在使用效果上形成“眾智”效應，通過“人機協同”對證據的科學性、實用性和對應情境予以標識，形成動態(tài)的、可無限拓展和優(yōu)化的語義關聯，實現證據、人與情境的交互，使證據在具體循證教師教育實踐中不斷優(yōu)化。構建循證教師教育證據優(yōu)化的運行機制需要應用智能技術，配合算法、存儲和使用反饋等支持性條件，形成證據的內容優(yōu)化、范疇拓展和關聯優(yōu)化?；诖嗽O計了循證教師教育證據智能進化的技術實現架構，以期為證據管理和平臺優(yōu)化提供可行的參考框架。

關鍵詞：循證教師教育；人工智能；證據；智能控制；信息化

一、問題的提出

隨著知識的爆炸式增長和數字化技術的廣泛應用，社會環(huán)境在不斷變化，對人提出了越來越多的能力要求，并折射到教育教學之中，課程的綜合化、復雜化、情境化明顯。隨著在線教育、虛擬現實技術等不斷嵌入教育內部，尤其是ChatGPT（自然語言生成模型）的出現，將Transformer結構和“回歸+Prompting”訓練模式進行有效結合（張志禎 等， 2023），將自然語言處理的研究和實踐提升到新高度，改變了傳統的知識生產模式和教學運行邏輯，給本來已經復雜的教學情境增加了“人機高層次交互”的內容，教師教學面臨著較過往更具挑戰(zhàn)性的復雜環(huán)境，亟待教師教育進行變革以予以支持。本研究中教師教育是指教師一體化教育理念下的教師教育，包括教師職前教育、崗前教育和職后教育，是專業(yè)計劃和自主提升的綜合，是正式學習和非正式學習的整合。產生于醫(yī)學領域的循證教學逐漸引入教師教育領域，回應了人工智能時代的兩個重要議題：一是促進教師的終身學習和開放心態(tài)形成；二是強化教師作為專業(yè)人員的專業(yè)認同，為人工智能時代的教師發(fā)展建立底層自信，“在保障專業(yè)自主的基礎上，規(guī)避完全基于經驗的倫理風險”（Davies， 1999）。

循證教師教育提出之后，受到國內外教育研究工作者的高度關注。美國在2002年就著手搭建教育教學領域的證據庫，支持教師開展循證的基礎性材料獲?。钗牡牵?2010），中國也建立了“Campbell中國聯盟”，嘗試建立包括教師教育在內的循證社會科學數據庫（包國憲 & 劉強強， 2021）。然而，作為一個代表科學精神在教育領域滲透的實踐框架，循證教師教育有著相對固定的實施步驟：一是發(fā)現教育教學中的特殊問題；二是知道獲取證據的方式；三是批判性地理解證據；四是對證據進行分層分類的研究；五是按照證據的現實關聯性進行應用（Murray， 2002， pp.12-15）。由于傳統教育研究中成果的豐富度和實踐的貼近度都難以與實踐問題形成強相關（宋萑 & 徐淼， 2022），并且較之于醫(yī)學針對特定問題的循證邏輯，教育的循證邏輯更加復雜，體現為教育目的、空間、群體等都會對教育過程產生極其復雜的影響，循證教師教育實踐面臨著發(fā)展困難，也正因如此，盡管循證教師教育理念提出多年，但具體到教師教育的實踐中卻反響相對平淡（Mieusset et al.， 2009）。

循證教師教育在實踐中推進困難的原因是多方面的，從證據角度看，盡管教師教育領域的論文不計其數，但本身受研究對象的模糊性和實踐方式的復雜性所限，像醫(yī)學群體那樣通過醫(yī)療個案研究和小范圍實驗形成研究成果并得到發(fā)表平臺支持的證據缺乏；散見于平臺的課例研究、教學研討案例缺乏成果的共享平臺和優(yōu)化機制，教師難以把握證據的可靠性，無法知曉其是不是契合所面臨教學問題的“最佳證據”，即體現相關性、充分性和真實性這三個評價條件（Puustinen et al.， 2018）。教師在教研過程中產生了一些具有積累意義的教研問題，但由于缺乏收集證據的意識，導致在實踐層面產生的案例也難以有效整合和提煉。因此，從證據上形成突破，建立證據的進化支持體系，借助人工智能，通過算法和眾智知識管理等技術，將知識地圖、動態(tài)學習路徑框架等進行整合，設計循證教師教育中的證據優(yōu)化運行機制，促使證據系統有序進化，使證據成為落實循證教師教育理念的基礎性條件，是本研究嘗試探討的問題。

二、循證教師教育中的證據：內涵及其價值

（一）循證教師教育的證據

“循證教師教育”來源于“循證實踐”，指的是以“證據為本”的教師教育實踐過程。“循證實踐”的關鍵是證據的來源及其可靠性，是依托信息載體所承載的科學知識進行實踐的模式，對人文社科領域而言，是對傳統思辨模式的挑戰(zhàn)。

“循證實踐”的概念最早產生于“循證醫(yī)學”，其理念產生于16～17世紀的歐洲工業(yè)革命（胡艷 等， 2020）。然而，“循證實踐”作為一個專門的詞匯，起源于英國流行病學家Archie Cochrane（1972， pp.23-25）的專著《療效與效益：健康服務中的隨機反應》，他在該書中提出：“由于資源有限，應當使用已被證明有明顯效果的醫(yī)療措施”，“通過嚴格隨機對照試驗獲取的證據才是可靠的”，后逐漸形成了醫(yī)學領域的循證實踐。醫(yī)學循證實踐對于證據有兩條基本的理念：一是“基于最新、有效和可靠的研究結果”（Trinder & Reynolds， 2000，p.9）；二是實踐者、對象、證據的完美結構需要接納服務對象的經濟、精神、利益和偏好等，使實踐具有針對性。Moore（2006）對于醫(yī)療中的證據提出了三條標準：質量（針對避免偏差）、大小（針對信息量）和效度（針對信息是否契合）。從醫(yī)學中的“循證”來看，證據指的是醫(yī)療方案在實效性、情境性和科學性等方面的表現，是系統研究和實踐檢驗的結果。

“循證”實踐模式逐步引入教育學科，比如在奧巴馬政府時期出臺的《讓每個學生成功法》，嘗試通過“循證”的方法篩選出有效的教育項目，并對證據進行分層：第一級為來自實驗研究的“強有力”證據；第二級為來自準實驗研究的“中等”證據；第三級為來自相關研究的“有前景”證據。隨后，美國聯邦政府又將“質性研究”的證據納入“第四級”。然而，與醫(yī)學領域以對癥治療的直接效果為證據不同，教育領域的證據使用通常以“實現更好的教育”為目標，體現為不僅要在學業(yè)成績上“實施有效”，還需要與價值觀、知識觀和所處的時代背景相契合。簡而言之，在教育領域，“好的成績”并不代表“好的教育”。同時，與醫(yī)學領域長期以論文為主要交流對象不同，教師循證實踐參考的對象既有論文，也有案例、課例、研修反思等顯得更零碎的證據。對這些證據的有效管理和科學利用有助于提升循證教師教育證據的覆蓋度和廣泛度，體現了循證教師教育需要遵循個性、服務實踐的特殊要求。因此，循證教師教育中的證據可以從形式上分為論文類證據、案例類證據和實踐類證據，其中論文類證據主要是以教研、科研類論文的形式存在；案例類證據指的是課例、教例、研修記錄等在具體教學和理論實踐化過程中形成的總結性材料；實踐類證據指的是教師組織教學、學生學習討論、實踐反饋等以視頻形式或者借助特定情境感知工具主動采集的證據（吳南中 等， 2023）。教研科研論文是循證教師教育主要的證據來源，案例和實踐證據既是重要的證據來源，也是教研科研類證據的基礎。從證據內容來分，循證教師教育證據也可以分為三類：一是關于“教”的證據，指的是以教師專業(yè)實踐為研究對象產生的證據；二是關于教“教”的證據，指的是在教“教師”的過程中產生的證據；三是學“教”的證據，指的是教師在實踐過程中和學生在學習過程中反映出教師學習教學實踐的相關證據。三類證據的形式、載體、內容和屬性見表1。

（二）循證教師教育證據的價值

1. 證據是有效指導教育實踐的條件

循證教師教育的有效性是指依托證據有效性來提升教師教育質量和優(yōu)化教師教育效率。“循證教育意味著個人的教學和學習專長與經由系統研究的最佳外部證據結合。”（王爭錄 等， 2022）也就是用獲取的研究證據來取代、拓展教師個人經驗和判斷的基礎，同時用生成的證據來檢測教師、學生及其教與學成效，將教師接受教育的過程和自身的教學實踐建立在科學嚴謹的證據之上，提升教師教育的質量和效益。

2. 證據是廣泛推廣有效教學的載體

傳統的教育研究更多被研究者賦予了啟蒙作用，忽視了其工程模型的架構（Trinder & Reynolds， 2000），而真正作為研究對象的課例、案例等內容卻缺乏有效的研究和呈現，造成因信息不對稱形成的理論與實踐的差距，影響有效教學的推廣（任友群， 2022）。循證教師教育通過有效整合和優(yōu)化證據提高了證據推廣能力，并在開展循證教師教育的過程中培養(yǎng)了循證教育的行動網絡，促進了更多人實踐循證理念，極大提升了地區(qū)乃至更大范圍內的學習質量，降低了區(qū)域信息鴻溝。以鄉(xiāng)村教育為例，缺乏對各類有效教學模式進行分析的證據，鄉(xiāng)村教師很難理解人工智能推動的教學形態(tài)變革對自身教學體系的沖擊，很容易擴大了城鄉(xiāng)差異。教師養(yǎng)成循證的習慣，可以幫助他們梳理基于自身實踐的教學模式創(chuàng)新，提高其批判和創(chuàng)新能力，教師本身就是研究者的理念得到進一步強化。

3. 證據是科學引導教育研究的依據

從表面看，教育科學應該是一門應用科學，存在的價值是服務教育實踐。從實踐看，教育理論與實踐的割裂，尤其是教育研究過程中偏重思辨的研究范式，以及教育實踐本身由于面向對象的復雜性導致的實踐效果的不穩(wěn)定性，各種“證據”中呈現的教育現象很難重現，導致教育科學成為一門“自娛自樂且缺乏質量的學科”。循證教師教育通過認定、使用和優(yōu)化證據的過程，引導教育研究者和教育實踐者關注實踐問題的解決，關注科學的計量方法和條件控制“準實驗”，探究真正具有指導意義的知識，加快教育學的科學化進程。

4. 依托證據強化教師教育實踐權威

教師教育質量一直是師范專業(yè)備受質疑的問題，主要體現為師范教育課程的廣泛性和短期效果不明顯。有學者（胡艷 等， 2020）甚至認為“教師是天生的而非培養(yǎng)的”。形成這種觀念的主要原因是教育科學的理論模糊性及其與教育實踐的現實問題之間無法有效聯動。比如人們都知曉綜合課程的優(yōu)越性，但其很難在“應試”的教學評價中得到支持，導致在實踐中將綜合課程進行拆分，又回到服務考試的傳統課堂路線上來。教師在職前實習中也能感受到，實習教師很快發(fā)現教育理念難以解決教育實踐問題，教師教育的權威性在內部就開始瓦解。可以借助證據的權威性和科學性在理論與實踐之間搭建橋梁，在提升理論指導實踐能力的基礎上，強化教師教育實踐權威，幫助教師篤定選擇有效的教學模式，提升其專業(yè)認同感。

三、循證教師教育領域證據智能進化機理

（一）證據智能進化的內涵及其行動隱喻

“進化”是一個源于生態(tài)學的詞匯，核心是通過發(fā)展、變化來適應外界環(huán)境及其變化（楊現民， 2015）。本研究中“證據進化”指的是循證教師教育中，通過證據的內容調整、范疇擴展、關系建構等實現最優(yōu)證據的生成。在教育實踐中，作為一種以“更好的教育”為實踐對象的系統化行動探索，尋求進入智能技術所塑造的教育復雜情境后，通過正向循環(huán)模式，找到復雜變遷過程中的解決辦法并逐代優(yōu)化。在這個邏輯下，尋求教師教育中的“最佳證據”是發(fā)展循證教師教育的當然選擇。從現實條件看，由于教師教育者對教師專業(yè)發(fā)展的干預措施缺乏蘊含具體特征的全面證據支持，循證教師教育實踐要求教師獨立生成和反思教育實踐的證據（Acker， 1999， p.44），這種證據是教師得以專業(yè)發(fā)展和創(chuàng)新的關鍵（Hewitt et al.， 2003）。從證據生產方式看，證據的迭代過程主要是依靠實驗研究和行動研究。比如美國教育部懷特赫斯特提出將隨機對照實驗、準實驗研究、前后測對照關系作為最有價值的證據（宋萑 & 徐淼， 2022）；而行動者行動研究的相關證據，是應用持續(xù)不斷的循環(huán)探究來支持特定情境和本土化情境中面臨的問題和找到的有效的解決辦法（歐內斯特·斯特林格， 2017， p.108）。實踐中，由于人工智能等數字技術在教師教育和教師實踐中的融入，教師教育的全過程形成了一種難以全面控制的場景，導致傳統以研究論文為載體的證據無法應對各種技術塑造的新場域中所呈現的教學問題，類似于自然界生命體的“獲能不足”，需要對教師教育的證據進行迭代優(yōu)化和類型拓展。

循證教師教育的證據智能進化是指發(fā)揮人工智能技術在資源獲取、過程配套、結果改進、內容生成等方面的優(yōu)勢，以“輔助制證、輔助取證、輔助用證”等形式（吳南中 等， 2023），促進教師教育者和教師群體自身主動參與證據生產過程，并在使用效果上形成“眾智”效應，以“人機協同”的形式對證據的科學性、實用性和對應情境予以標識，形成動態(tài)的、可無限拓展和優(yōu)化的語義關聯，實現“證據、人與情境”的交互，使證據在具體的使用環(huán)境中不斷優(yōu)化，并生成新證據。具體包括如下行動隱喻：一是人工智能技術的有效嵌入。最近大型語言模型呈井噴之勢，比如Meta發(fā)布了大型語言模型LLaMA，OpenAI發(fā)布了ChatGPT，都嘗試使用公開數據集訓練來生成內容，具有強矯正和反饋能力，在支持教師制證、取證和用證方面能力更強。二是知識管理理念的嵌入。知識管理是智能時代數字化資源的組織方式，以知識圖譜（宋宇 等， 2023）、知識元（張濤 & 張思， 2020）、學習元（余勝泉 等， 2021）等為代表，核心是對證據進行語義化處理，按照證據的類別與層次屬性進行歸類，支持證據的有效檢索。三是證據生產模式的變化。傳統教師教育中使用的證據主要依托實驗研究和行動研究產生，而ChatGPT、大數據、霧計算等在教師教育中接入，通過其與學習者、學習平臺等協同，能創(chuàng)造一種“人機協同”研究方式，形成教師教育證據生產的“第三空間”。比如基于大數據的學習分析可以揭示學習者的過程狀態(tài)對學習成效的影響（吳南中 等， 2019），穿戴設備、情境感知設備收集的數據可以揭示身體反應與學習效果之間的關系等（吳南中 等， 2020）。這些證據比教師教育領域的實驗研究和行動研究所產生的證據更有說服力，在證據質量、容量、效用等方面具有優(yōu)勢和更大的發(fā)展空間。

（二）證據的智能進化類別及其邏輯

智能技術支持循證教師教育已經有實例，比如俄羅斯在適應性、跨學科和協同方法的框架下，利用數字技術，形成專門的教師自適應智能環(huán)境（Vlasova et al.， 2019），但智能技術如何服務循證教師教育中的證據進化鮮被集中討論。分析智能技術作用于證據從產生到使用的過程，循證教師教育中智能技術應用于證據進化可以歸為以下三個類別。

1. 證據的內容進化

證據的內容進化是指在人工智能等技術支持下，實現學習過程中教師學習能力變遷的精準數據反饋，結合循證教師教育等科學精神帶來的價值理念，在實踐中對證據進行修正與完善，使證據內容本身更貼近教師教育實踐。

證據的內容進化主要包括三個方面：一是借助技術進行證據內容深度挖掘，實現證據內容進化。人工智能等技術強化了對相關關系的捕獲和預測能力，研究者可以更加理性地認識教師教育的本質。比如“感知學習者在學習過程中的情感變化、認知能力變化、知識結構變化和技術技能變化及其影響因素，從而了解教育及其相關現象所表現出的邏輯鏈條、客觀規(guī)律和復雜關系”（吳南中 & 夏海鷹， 2017）。突破“傳統的認知論只顧及高級水平的認知，看不到認知的建構過程”（皮亞杰， 1995， p.26）的制約，教師教育過程中的深層次、全方位、連貫性變化有望通過技術得到全方位“揭示”，提高了教師教育證據生產的科學化水平。二是發(fā)揮智能技術對證據使用情況的跟蹤能力，促使教師教育證據內容迭代。在實踐中，由于智能技術自身不斷迭代，其與教師教育融合的進程不斷加速，傳統教師教育證據面臨內容不足問題的同時，還面臨著情境不適應的問題。在智能技術的支持下，可以實現基于標識的證據使用成效跟蹤，基于反饋機制進行教師教育證據的“靶向改進”。三是通過智能技術塑造的“眾智參與”實現內容進化。在循證教師教育中，參與者通過標識、校正、補充等方式，形成了類似于維基百科按照熱點并輔以人工推薦的方式進行綜合排序基礎上的優(yōu)化（郝雨 & 李燦， 2016），促使后續(xù)的教師教育研究和實踐依據的是針對當前問題的“最優(yōu)證據”，以此支持教師教育證據的進化。

2. 證據的范疇進化

證據的范疇進化是指借助智能技術，根據時代需要，拓展教師教育研究和實踐的范疇，使證據覆蓋的教師教育應用場景更加廣泛，以支持教師的教和學。主要包括三個方面：一是借助智能技術形成教師教育新范疇的證據。數智技術的融入形成了許多新的教師教育場景，比如利用虛擬現實技術形成的“虛擬微格實訓室”，如何有效利用便成了教師教育過程中的新問題。二是借助技術拓展教師教育證據的邊界。比如借助腦電技術促使教師教育過程中的學習分析更加科學。三是借助智能技術深化教師教育本體證據。通過智能技術準確獲取教師在教育實踐過程中的狀態(tài)數據，形成學習模式與身體反應之間的聯系（馮曉英 等， 2021），實現基于身體信號的“計量”“計算”，強化教師教育過程中“人”的證據，以支持教師教育改革。

3. 證據的關聯進化

教育是情境性很強的活動，因此，循證教師教育實踐中的最佳證據是指與待解決問題的情境最為契合的證據。這突破了醫(yī)學循證實踐中證據內容的“方法”科學性標準，需要進行證據的關聯管理，即證據與有效情境的關聯。關聯進化就是關聯管理的進化，指的是循證教師教育中證據在進化過程中不斷與實踐事件建立關系并逐漸個性化、整體優(yōu)化的過程，體現為證據與情境關聯關系的優(yōu)化。比如同樣的“數學速算”教學過程，線上線下融合的學習情境適合采用建構的方法，而線下教學的學習情境更適合采用競爭、比較與分析的方法。這種關聯的進化有助于找到證據的最優(yōu)呈現方式和適用的環(huán)境，實現教師教育過程中證據的最大功用。

（三）循證教師教育領域證據智能進化的控制機理

證據的智能進化控制是指在智能環(huán)境下，配合算力、存儲等基礎性條件，按照證據的內容進化、范疇進化和關聯進化的方位，借助算法，采用“眾智”協同的形式，促使循證教師教育中的證據向更貼近問題及其應用情境的方位改進、調整和優(yōu)化。

1. 內容進化的有序控制機理

內容進化的控制機理主要是通過證據內容的補充、迭代和信息完善，實現證據優(yōu)化，具體方法包括語義基因方法、社會信任模型和有效標識控制。語義基因方法是指提取證據信息，形成能反映證據表達意義的單元，完成對證據本體的語義描述，以此區(qū)分教師教育中證據的類型、層次和關聯情境，實現證據內容管理，促使研究者和使用者根據教師教育新的內容和發(fā)現進行深化、迭代、修正的研究與實踐。社會信任模型是指按照教師教育過程中證據的信任關系建構可計算的信任評估方法，用于評價教師教育中證據的可信度。例如按照親身體驗、實踐觀察、理論推導、間接分析和自身感受區(qū)分教師教育證據提供專家的權威度，按照準實驗、質性研究、思辨研究進行方法權威度區(qū)分，以“專家權威度×方法權威度”作為信任評估方法對證據進行分類，促使最新的教師教育研究與實踐建立在最為權威的證據基礎之上。有效標識是指在使用證據的過程中對證據使用效果、范疇信息、情境信息等進行標識的方法。這些標識信息為證據進化提供信息指引。

2. 范疇進化的有序控制機理

范疇進化的有序控制主要是教師教育中證據類型拓展、邊界拓展、深度拓展的進化控制，其基本原理是：在教師教育中引入智能技術，支持教師教育模式拓展、實踐范圍拓展和實踐層次拓展，不斷形成新的教師教育證據范疇。首先，支持教師教育研究者開發(fā)教師教育新場景，比如基于大數據技術開拓計算教師教育學，形成教師教育研究與實踐的新范疇。其次，支持教師教育者通過驗證新證據，對證據進行迭代更新和使用范圍補充。教師教育者是循證教師教育證據的“轉譯者”，他們通過證據的試點性使用拓展證據的使用范圍，比如培養(yǎng)教師信息素養(yǎng)的過程中，以“實操”為主的課程比“理實一體化”課程更有效，這種證據可以應用到培養(yǎng)教師數據素養(yǎng)的過程中來。最后，支持一線教師通過教育實踐活動完成證據的更迭。一線教師是教師教育證據的直接受益者，其實踐成效是證據有效的主要標志，獲取教育實踐信息可以有效促進證據的內容迭代。

3. 關聯進化的有序控制機理

關聯進化是指在循證教師教育實踐過程中，教師教育者對證據的標識信息進行關系計算和基于規(guī)則的技術推理，開展語義信息內部關聯管理，促使情境、層次、人和證據之間的適切度優(yōu)化和聯動，以技術關聯、眾智關聯、效果反饋關聯的優(yōu)化，強化循證教師教育中實踐與證據的聯系。技術關聯是指通過JENA等框架中的推理技術、GPT模型中的語義識別技術等，以教師教育證據的標識信息為基礎編寫各種關聯規(guī)則，實現證據與教師教育循證實踐的關聯優(yōu)化。眾智關聯是指支持研究者、行動者和實驗者對證據使用情況進行描述，以熱度、效度、新度等多項指標對教師教育證據進行系統判斷，有效描述教師教育實踐中與證據相關的基礎數據。效果反饋關聯是指對教師教育實踐中證據的使用情況進行關聯，主要是對應用場景等證據進行定義，完善證據相關標識信息，支持循證教師教育實踐。以上關聯關系還需要建立聚合算法，自動對主題證據及其關系鏈進行整合，形成具有強語義相似關系的證據圈，為特定條件的循證教師教育提供有序證據支持。

四、循證教師教育的證據智能進化

系統架構設計

盡管國內在循證教學方面建立了Campbell中國聯盟等組織機構（包國憲 & 劉強強，2021），但還沒有建立起與循證教師教育直接相關的證據庫?，F有大型數據庫，比如中國知網等，還沒有具備整合多類證據的條件，比如缺乏視頻形態(tài)案例的接入基礎。借助國內推進教育數字化轉型的契機，通過建設國家智慧教育公共服務平臺“教師研修”板塊的工作任務，嵌入內含證據智能進化控制機制的循證教師教育證據系統，與教師智慧研修和生涯管理形成聯動，是推進循證教師教育的有效途徑。

（一）循證教師教育證據智能進化支撐性技術梳理

1. 證據的組織策略

在循證教師教育實踐中，證據的組織方式分為客體范式、行為范式、交流范式和認知范式。客體范式是對循證教師教育證據的屬性關系進行聚類序列化，以元數據、分類和主題組織證據的呈現體系，能精準檢索但信息繁雜，尤其是面對教師教育本身的復雜情境容易導致信息標識的適應程度差。行為范式是對循證教師教育證據中所描述的行為進行類屬關系梳理，這種模式局限于對寬泛行為的梳理，比如教的行為、學“教”的行為，難以適應深層次教師教育證據體系管理。交流范式是指建立教師與計算機進行交互查詢證據的組織模式，能實現對教師的需求、能力、偏好進行診斷，形成語義拓展，對教師證據使用情境與內容的關聯度進行分析。認知范式是在交流范式基礎上增加知識節(jié)點形成的組織范式，這種知識節(jié)點稱為“知識元”，通過“知識元”可以對教師教育證據形成網狀知識關聯管理。從循證教師教育證據進化需求來看，采用知識元架構比較容易實現教師與證據的聯動，尤其是在證據回溯、標識和高水平迭代優(yōu)化中有優(yōu)勢，故本研究嘗試以認知范式作為循證教師教育證據組織技術框架。

2. 證據的進化控制技術

按照內容進化、范疇進化和關聯進化機理，以最優(yōu)證據的三大標準：質量、大小和效度建構呈現邏輯并對教師教育的參與者進行引導。從內容進化技術來看，可以借助提示、引導和強制淘汰的方式對教師教育證據庫進行優(yōu)化，比如對超過三年的證據進行標識，對與現行教師教育教學內容不匹配的證據進行標識或者淘汰；也可以借助自適應推薦技術，根據教師教育證據使用者的個體情況（研究偏向、身份、興趣等）進行有針對性的引導，促使其參與到教師教育的證據優(yōu)化中來。內容進化主要是針對證據的質量進行改進，尤其是通過智能技術支持教師教育研究者輔助教師教育證據生產。范疇進化主要是通過技術賦能的方式支持證據生產領域拓展，比如圍繞知識元開展證據網絡建構，支持教師圍繞知識元進行證據補充或者優(yōu)化；借助ChatGPT模型，按照證據獲取需求進行算法訓練，形成基于問題和個性化需求的信息沉淀，輔助教師拓展新的證據生產領域。從關聯進化來看，可以采用依據主題證據圈和有序證據鏈建構資源聚合的算法，對證據的相關要素進行關聯管理，加強證據與現實問題之間的連接。

3. 證據的可視化技術

可視化技術是通過可視化工具（例如文本可視化工具、XML可視化工具、WPF樹可視化工具、數據集可視化工具、HTML可視化工具、位圖可視化工具等）對證據庫的相關標識進行直觀表達，實現人與證據信息的簡明對接，實現機器的高算力與人的強理解力互補（趙玨 等， 2022）。例如對缺乏規(guī)范摘要和關鍵詞的文本進行核心內容提取，對循證教師教育實踐中的證據使用情況進行數據集轉換和呈現，形成類似“汽車駕駛艙”的產品，強化教師教育相關證據的檢索和使用。

（二）循證教師教育領域證據智能進化的技術架構

從循證教師教育證據進化的邏輯來看，建設證據系統需要滿足四方面要求：一是對證據進行分類分層；二是對證據進行有效標識；三是為證據應用提供支持；四是輔助證據生產。平臺技術架構的核心是將證據智能進化的技術和機理嵌入建設過程之中，實現對教師教育證據的有效優(yōu)化?；诖耍狙芯繄F隊嘗試將教師教育外部數據的整合利用與內部證據的分層分類、有效標識、規(guī)范應用和輔助生成進行聯動，形成包括基礎層、算法層、應用層在內的整體技術架構，具體如圖1所示。

1. 基礎層：圍繞證據存儲和交互規(guī)則建構運行數據體系

基礎層主要解決循證教師教育實踐中證據運行的數據規(guī)范問題，包括證據標準、交互標準和循證教師教育的相關數據。證據標準主要是證據存儲的標準。對于教師教育而言，由于教師職業(yè)需要面向復雜實踐工作和持續(xù)性個體成長，其循證實踐的證據具有多樣性、復雜性、情境性等特征，需要建立一個包容性的框架，支持論文、案例、課例等多種證據的接入和調用，核心包括標識規(guī)則、數據規(guī)則和接口規(guī)則。交互標準是指證據使用過程中的數據獲取標準，包括行為規(guī)則、評價規(guī)則和迭代規(guī)則。行為規(guī)則主要定義使用者將證據納入系統存儲內容的行為；評價規(guī)則定義使用者參與評價證據的方式以及評價之后存儲證據的方式；迭代規(guī)則是使用者在交互過程中對證據進行迭代的規(guī)則，核心是判斷為有意義的迭代才能進入證據庫，保證循證教師教育證據隨著實踐的推進不斷優(yōu)化。循證教師教育的相關數據包括內部數據和外部數據。內部數據是指循證教師教育實踐和研究中產生的相關數據，系統主要支持證據的內容完善、迭代和擴展，同時也服務教師循證教學模式的拓展；外部數據是指循證教師教育中與證據相關的外部數據，比如情境數據，教師的生活數據、社交數據和學習數據等。這些數據為開展教師分析和教師學習過程分析提供支持，同時也服務教師的專業(yè)發(fā)展。

2. 算法層：按照證據優(yōu)化控制邏輯進行整合處理

算法層主要是以程序輸入和數據支持的形式解決證據存儲、優(yōu)化和拓展的問題，服務循證教師教育證據的提取、使用和生產，相當于算力和存儲力之上的智慧大腦，負責對證據內容、范疇和關系進化進行智能控制。算法層包括證據管理算法、證據進化控制算法和證據生成算法。證據管理算法是支持循證教師教育運行的基礎性條件，包括分類、分層、聚類和時序等算法，主要解決證據的存儲問題。證據進化控制算法是對內容、范疇和關聯進行系統引導的算法，例如內容控制方面的語義基因提取、社會信任模型和有效標識等，保證證據內容不斷優(yōu)化。證據生成算法通過呈現算法、管理算法、跟蹤算法、迭代算法等實現證據生存基礎的優(yōu)化。比如呈現算法主要對證據產生的方式、權威度、時序度、標識和反饋情況等參數進行統一處理，按照進化控制的邏輯形成矩陣關系、語義聚類和神經網絡等不同具體規(guī)則，設計觸發(fā)條件，確保證據與教育情境對應，形成“最佳證據”。

3. 應用層：按照可視化界面進行證據應用交互

應用層主要依托可視化技術與循證教師教育者“見面”，包括取證界面、用證界面和制證界面。在取證界面，由于教師可能面向教學實踐、學習問題和研修問題等多種實踐困境，循證教師教育系統可以為教師教育者提供多種取證的檢索方法，主要包括問題檢索（針對直接的教學問題）、知識檢索（針對教學問題所對應的知識元）、行為檢索（針對具體的教學行為）、方法檢索（包括兩類：一類是針對應用特定的方法，例如“勾股定理的生成式教學、《背影》的情境教學”；另一類是研究的方法，例如通過實驗、田野觀察等方法形成的證據）等。用證界面是直接呈現證據的界面，是與循證教師教育者交互的證據信息資料，包括內容呈現（證據的摘要、使用等，例如證據是在什么樣的教學問題驅動下，利用了何種教學方法，解決了教師教育的何種問題）、時序呈現（相關證據產生的時間標識）、關聯呈現（類似主題的內容）、評價呈現（使用證據的相關評價），以上都需要按照數據可視化的邏輯形成標準，支持使用者便利跟進和教師便利獲取。制證界面是按照證據形成、傳輸和優(yōu)化的邏輯形成的界面，包括類屬引導（用于傳輸）、方法引導（各類信息的表述）、關系引導（相關證據的情況）、知識引導（知識元的邏輯）。同時，這些界面還可以使用可視化技術對證據進行內容分析，支持和引導循證教師教育者在過往證據的基礎上根據自身的循證實踐對證據進行優(yōu)化。

（三）證據智能進化的保障性條件建設

在循證教師教育證據優(yōu)化進程中，對于多元主體圍繞“最優(yōu)證據”進行查找、利用和優(yōu)化的過程，不僅需要從時間上形成長遠的規(guī)劃，也需要建立持續(xù)的保障條件，支持證據的智能進化。

1. 算法的迭代優(yōu)化

在證據智能進化體系中，算法扮演基礎性角色。算法的主要作用是根據教師循證教育過程中的證據需求和情境，系統描述并有效呈現相關證據，并按照進化的方向進行算法的優(yōu)化，使結果更加滿足教師教育的需要。從人工智能的現實進展來看，教育領域的算法相對落后，難以滿足復雜的循證教師教育情境的要求。因此，循證教師教育的推進首先需要算法研究的團隊，其次是配置算法開發(fā)、訓練、應用所需要的軟硬件，保證相關算法得到充足的訓練，以確保相應的效果。

2. 數據的逐代累積

在循證教師教育體系中，獲取全面的數據是確保算法運行有效的關鍵，ChatGPT就是建立在1，450億個參數基礎上“大力出奇跡”的典型。按照大數據的理論，積累的數據越多，反映教師教育不同要素與證據之間關聯性的能力就越強。因此需要建立起“拓展+深化”的數據積累機制：在拓展維度，主要是完善教師教育培養(yǎng)的多維數據，例如教師校外數據；在深化維度，主要是累積循證教師教育過程中的數據，有效存儲并進行迭代優(yōu)化。

3. 算力的網絡共建

“算力”是云計算技術的重要概念，主要指數據處理能力，海量證據進入循證教師教育系統，尤其是視頻等證據和個體操作數據的接入，需要提升算力為其發(fā)展提供保障。算力的提升關鍵在于五個方面：一是計算速度，與芯片、服務器相關；二是算法，與內在結構的復雜性相關；三是存儲量；四是通信能力，比如帶寬、網絡可靠性；五是服務能力，比如服務器配置能力等。（呂廷杰 & 劉峰， 2021）“所有谷歌計算機服務器用來模擬大腦認知，也達不到一個普通人腦的神經元的數量和關聯度。”（楊欣， 2021）在教育領域，依靠單一教師培養(yǎng)單位難以滿足循證教師教育中優(yōu)化證據的算力需求，通過構造不同教師教育參與主體的云、邊、端協同計算體系，形成共享機制，對分散在“網絡孤島中的算力”進行整合，是解決目前算力不足的有效方式。

4. 參與的范疇擴散

證據智能進化并不是證據自身完全依托智能技術自己進化，而是在廣泛參與的機制下，強化人與證據之間的聯結形成系統證據，并支持教育工作者就有疑問的證據進行深化和拓展研究，其關鍵在于制證、取證、用證之間形成多層次互動。因此，需要建立機制促進循證教師教育參與的范疇擴散，具體包括三種機制：一是激勵機制，即為鼓勵相關主體參與到循證教師教育中來所采取的物質、精神激勵及其相互作用關系。激勵機制作用機理的核心是與教師自覺發(fā)展的內生動力形成互動關系，促使教師參與循證教師教育體系。二是制約機制，即通過建構規(guī)制性的制度并持續(xù)運行，約束教師參與循證教師教育。例如將循證能力作為聘用教師教育者的考察指標之一，約束相關主體參與到循證教師教育體系中來。三是功能機制，即借助循證教師教育直接、快速和針對性的功能，促使行動主體主動建構證據的運行體系。例如將雜志更多版面用于發(fā)表實證取向的文章可以有效支持證據的生產。

五、結語

在人工智能時代，知識教育的價值進一步削弱，如何促進批判性思維等高階能力的培養(yǎng)成為教育發(fā)展的目標。然而，對這種高層次能力的評價始終是難事，需要教育實踐者將目光轉向循證教育，以工程思維、計算思維、人機協同思維等進行系統培養(yǎng)。也正因如此，美國、英國等國家都將循證教師教育作為重要的教師培養(yǎng)載體。然而，證據的系統性、科學性和復雜性需求與現有研究范式和實踐范式的沖突越發(fā)嚴重，教師需要的證據與教育體系供給的證據無論在數量上還是質量上都存在巨大差距?；谌斯ぶ悄艿燃夹g的證據智能進化理念為證據的生產、優(yōu)化和迭代提供了思路，在理論上可以彌補證據這一短板。然而，作為一項系統工程，不僅需要平臺的支持，還需要通過機制建設支持教育工作者的系統投入。需要指出的是，盡管智能技術在證據進化中的介入有效降低了證據生產、優(yōu)化和迭代的難度，但這種結合并沒有從根本上降低證據進化對人的要求，也無法替代深度理解和轉譯過程中人的作用。因此，要實現證據的進化，核心是實踐者的主動行動，即實踐者在智能技術的支持下與證據全生命周期聯動，實現從理念到行動的擴散。

參考文獻

包國憲，& 劉強強. （2021）. 中國國家治理中的循證邏輯：理論框架與研究議程. 南京社會科學（1），75-83.

馮曉英，郭婉瑢，& 黃洛穎. （2021）. 智能時代的教師專業(yè)發(fā)展：挑戰(zhàn)與路徑. 中國遠程教育（11），1-8，76.

郝雨，& 李燦. （2016）. 全媒重構格局中電視與新媒體融合路徑深層探尋. 現代傳播（中國傳媒大學學報）（4），118-121.

胡艷，劉佳，趙蘭，& 王紅燕. （2020）. 教師教育領域的循證實踐：價值與挑戰(zhàn). 教師教育研究，32（6），1-7.

呂廷杰，& 劉峰. （2021）. 數字經濟背景下的算力網絡研究. 北京交通大學學報（社會科學版），20（1），11-18.

歐內斯特·斯特林格. （2017）. 行動研究：協作型問題解決方案（第4版）（郭蔚欣 譯）. 北京師范大學出版社.

皮亞杰. （1995）. 發(fā)生認識論原理（王憲鈿 等 譯）. 商務印書館.

任友群，馮曉英，& 何春. （2022）. 數字時代基礎教育教師培訓供給側改革初探. 中國遠程教育（8），1-8，78.

宋萑，& 徐淼. （2022）. 教師教育者循證實踐與教師教育證據迭代. 教育科學，38（3），8-14.

宋宇，肖菁，湯娜，劉冰曼，& 賈琛琛. （2023）. 知識圖譜如何賦能課堂教學評價？——以小學階段優(yōu)質數學課“平行與垂直”為例. 現代教育技術，33（1），83-90.

王爭錄，張博，& 吳尚燃. （2022）. 大數據時代循證教師教育實踐.高教發(fā)展與評估，38（3），11-20，117-118.

吳南中，黃治虎，曾靚，謝青松，& 夏海鷹. （2019）. 教育大數據生態(tài)圈構建：“3+3”模型的邏輯與實踐. 中國遠程教育（7），77-85.

吳南中，李少蘭，& 陳明建. （2023）. 人工智能支持的教師循證教育：理論架構與行動網絡. 電化教育研究，44（5），36-43.

吳南中，& 夏海鷹. （2017）. 教育大數據范式的基本理念與建構策略.電化教育研究，38（6），82-87.

吳南中，夏海鷹，& 黃治虎. （2020）. 基于大數據的智慧教室駕駛艙的設計與實踐——以重慶廣播電視大學為例. 現代教育技術，30（3），101-107.

楊文登. （2010）. 循證實踐：一種新的實踐形態(tài)？ 自然辯證法研究，26（4），106-110.

楊現民. （2015）. 泛在學習環(huán)境下的學習資源有序進化研究. 電化教育研究，36（1），62-68，76.

楊欣. （2021）. 魔法與科學：人工智能的教育迷思及其祛魅. 教育學報（2），18-31.

余勝泉，王琦，汪凡淙，& 萬海鵬. （2021）. 泛在學習資源組織和描述框架國際標準研究——暨學習元的國際標準化研究. 中國遠程教育（7），1-9，76.

張濤，& 張思. （2020）. 教育大數據挖掘的學習者模型設計與計算研究. 電化教育研究，41（9），61-67.

張志禎，張玲玲，米天伊，& 丘詩萍. （2023）. 大型語言模型會催生學校結構性變革嗎？——基于ChatGPT的前瞻性分析. 中國遠程教育（4），32-41.

趙玨，張勝，& 樊國偉. （2022）. 數智校園中大數據可視化技術賦能教育管理. 現代教育技術，32（11），67-75.

Acker， S. （1999）. Realities of teachers’ work： Never a dull moment. A & C Black.

Cochrane， A. L. （1972）. Effectiveness and efficiency： Random reflections on health services. Nuffield Provincial Hospitals Trust.

Davies， P. （1999）. What is Evidence-based Education？ British Journal of Educational Studies， 47（2），108-121.

Hewitt， J.， Pedretti， E.， Bencze， L.， Vaillancourt， B. D.， & Yoon， S. （2003）. New applications for multimedia cases： Promoting reflective practice in preservice teacher education. Journal of Technology and Teacher Education， 11（4）， 483-500.

Murray， J . （2002）. Between the chalkface and the ivory towers？ ： A study of the professionalism of teacher educators working on primary initial teacher education courses in the English university sector. University of London.

Mieusset， J. L.， Schrems， A.， Abraham， M.， Arion， V. B.， & Brin-ker， U. H. （2009）. Stepwise insertion of carbenes into C-H bonds： The casse of foiled carbenes. Tetrahedron， 65（14）， 765-770.

Moore， R. A. （2006）. Evidence-based policy making. Clinical Chemistry & Laboratory Medicine， 133（6）， 678-682.

Puustinen， M.， S?ntti， J.， Koski， A.， & Tammi， T. （2018）. Teaching： A practical or research-based profession？ Teacher candidates’ approaches to research-based teacher education. Teaching and Teacher Education， 74， 170-179.

Trinder， L.， & Reynolds， S. （2000）. Evidence-based practice： A critical appraisal. Blackwell Science.

Vlasova， E. Z.， Avksentieva， E. Y.， Goncharova， S. V.， & Aksyutin， P. A. （2019）. Artificial intelligence-The space for the new possibilities to train teachers. Espacios， 40（9）， 17.

Intelligent Evolution of Evidence in Evidence-based Teacher Education： Connotation and Its Control Mechanism

Abstract： Having a deep integration of theory and practice during the teacher education， evidence-based teacher education has become a development tend in teacher education. The key part is to rely on evidence to establish evidence-based teacher education practices.

Evidence here refers to the information carrier for effective teacher education. In the era of intelligence， the evidence optimization of evidence-based teacher education needs AI and other technologies to give full play to the advantages of technology in helping evidence production， selection and use and forming a “crowd intelligence” effect on the use effect. The “human-machine cooperation” will differentiate the scientific nature， functionality and corresponding cases of evidence to form a dynamic semantic link that can be infinitely expanded and optimized， and thus realize the “evidence-man-case” integration， which will keep optimizing evidences in specific practice cases. The construction of teacher education running mechanism needs the application of intelligent technology to develop content optimization， scope expansion and connection optimization of evidence， coupled with the supporting conditions such as algorithms， memory and usage feedback. Based on this， a technical implementation architecture of evidence intelligent evolution is designed to provide a feasible reference framework for evidence management and platform optimization in evidence-based teacher education.

Keywords： evidence-based teacher education; artificial intelligence; evidence; intelligent control; informatization