在教育数字化转型的浪潮中，智慧课堂不再只是硬件设备的堆砌，而是以数据驱动、精准教学为核心的教育新模式。课堂教学质量的提升，离不开对师生互动过程的深度复盘与科学评估。传统人工听课、纸质评课方式效率低、主观性强、覆盖面窄，难以实现常态化、精细化的课堂诊断。

本文基于两段核心 Python 代码，详细介绍智慧课堂话语分析系统的设计理念、技术架构、功能实现与应用价值。系统以 ** 大语言模型（LLM）** 为核心能力，实现课堂实录的自动分类、量化评估、可视化对比与内容总结，将枯燥的课堂语音转文字数据，转化为可解读、可对比、可优化的教学洞察，为教师教研、学校管理提供数据支撑。

一、项目背景与核心痛点

1.1 传统课堂评估的三大痛点

• 效率低下：人工逐句分析师生对话，一节 40 分钟课堂需 2–3 小时，难以规模化开展。
• 标准不一：评课依赖教师主观经验，不同评课者标准差异大，评估结果缺乏客观性与可比性。
• 维度单一：仅关注教学内容，忽略师生话语功能、互动质量、思维层次等深层维度，无法精准反映课堂思维水平。

1.2 智慧课堂的新需求

新时代智慧课堂评估，需聚焦 **“思维型课堂”核心，从知识理解、表达交流、实践应用、创造迁移 ** 四大维度，量化师生话语质量，对标优质课堂标准，精准定位教学短板。同时，需自动生成课堂内容总结，助力教学复盘与教案优化。

1.3 技术解决方案

基于阿里云通义千问（DeepSeek-v3）大语言模型，结合 Python 数据处理、可视化技术，开发课堂话语自动分析 + 内容智能总结系统，实现：

• 课堂对话智能分类：12 个二级指标、4 个一级指标精准划分；
• 优质课堂对标：自动生成可视化对比图表；
• 课堂内容精炼总结：自动生成含背景、目标、重点的结构化总结；
• 全流程自动化：输入语音转写文本，一键输出分析报告。

二、系统整体架构与技术选型

2.1 整体架构

系统分为数据输入层、核心处理层、结果输出层三层架构：

1. 数据输入层：接收课堂语音转写后的 CSV 文件（含角色、内容字段）或纯文本实录文件；
2. 核心处理层：包含两大核心模块 ——话语功能分析模块（DiscourseAnalyzer111）、课堂内容总结模块（ClassNoteSummarizer）；
3. 结果输出层：生成分类文本、统计 CSV、可视化图表、结构化总结、标准 JSON 报告。

2.2 技术选型

• 核心语言：Python 3.9+，简洁易读、生态丰富；
• 大模型接口：阿里云通义千问（DeepSeek-v3），支持长文本理解、自定义分类、结构化输出；
• 数据处理：Pandas，高效处理 CSV 表格数据；
• 文本处理：正则表达式（re），实现句子拆分、格式清洗；
• 可视化：Matplotlib，生成饼图、柱状图，支持中文适配；
• 文件操作：os、json、csv，实现多格式文件读写。

三、核心模块代码解析

3.1 模块一：课堂话语功能分析（discourse_function.py）

3.1.1 模块核心功能

该模块是系统的核心分析引擎，负责：

• 加载 CSV 格式的师生对话数据；
• 过滤无效语句（问候、指令、简单评价等）；
• 调用大模型，将对话分类到4 大一级指标、12 个二级指标；
• 统计各指标占比，对标优质课堂标准；
• 生成可视化对比图表、分类结果文件、标准 JSON 报告。

3.1.2 核心指标体系

模块内置科学的话语功能分类体系，贴合中小学思维型课堂评估标准：

# 一级指标（4类）：知识理解、表达交流、实践应用、创造迁移
# 二级指标（12类）：
SUBCATEGORIES = {
    "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"
}

同时内置优质课堂基准数据，用于自动对标分析：

BENCHMARK_RATIOS = {
    "知识理解": 76,
    "表达交流": 12,
    "实践应用": 0,
    "创造迁移": 12
}

3.1.3 核心流程解析

1. 数据加载与预处理读取 CSV 文件，提取 “角色”“内容” 字段，过滤空内容，按标点拆分句子，生成待分析的对话列表：

   def load_csv_content_with_roles(self):
       df = pd.read_csv(self.csv_path, encoding='utf-8')
       roles = df['角色'].fillna('未知').tolist()
       contents = df['内容'].fillna('').tolist()
       combined = [f"{role}：{content}" for role, content in zip(roles, contents) if content.strip()]
       # 拆分句子，过滤无效短句
       all_sentences = []
       for item in combined:
           sentences_in_item = re.split(r'(?<=[。！？\n])\s*', item)
           all_sentences.extend([s.strip() for s in sentences_in_item if len(s.strip()) > 5])
       return all_sentences
   

2. 大模型对话分类定义精准的系统提示词，指导大模型严格按 12 个二级指标分类，过滤无效语句：

   def classify_text(self, sentence):
       system_content = """
       你是专业课堂话语分类器，按12个二级指标分类，过滤问候、指令、简单评价等无效语句，仅返回小类名称。
       分类定义：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）
       """
       response = self.client.chat.completions.create(
           model="deepseek-v3",
           messages=[{"role": "system", "content": system_content}, {"role": "user", "content": f"分类：{sentence}"}]
       )
       return response.choices[0].message.content.strip()
   

3. 结果统计与可视化统计各指标频次、占比，生成一级 / 二级指标饼图、与优质课对比柱状图，直观呈现课堂思维层次：

   def generate_charts(self):
       # 统计一级、二级指标占比
       main_ratios = {k: v/sum(self.main_category_counts.values())*100 for k, v in self.main_category_counts.items()}
       # 绘制柱状图：本节课vs优质课
       plt.bar(main_ratios.keys(), main_ratios.values(), label="本节课")
       plt.plot(self.BENCHMARK_RATIOS.keys(), self.BENCHMARK_RATIOS.values(), 'o-', color='yellow', label="优质课")
       plt.savefig(os.path.join(self.output_dir, "一级指标对比图.png"))
   

4. 结果输出生成分类文本、统计 CSV、可视化图表、标准 JSON 报告，适配教研平台对接：

   def save_discourse_form_json(self, conclusion_report):
       # 生成教研标准JSON，含指标占比、优质课对标、分析结论
       discourse_form = {
           "discourse_form": {
               "summary": conclusion_report,
               "classifications": [...],
               "time_class": [...]
           }
       }
       json.dump(discourse_form, open(json_file, 'w', encoding='utf-8'), ensure_ascii=False)
   

3.2 模块二：课堂内容智能总结（content_sumary.py）

3.2.1 模块核心功能

该模块负责课堂实录文本精炼总结，自动提取章节背景、知识定位、教学目标、教学重点四大核心要素，生成结构化、规范化的课堂总结，替代人工手写教案反思。

3.2.2 核心流程解析

1. 文本读取：读取纯文本格式的课堂实录（语音转写后的口水稿）；

2. 大模型结构化总结：通过精准提示词，指导大模型生成规范总结：

   def summarize_notes(self, content):
       prompt = f"""
       请精炼课堂实录，生成一段总结，必须包含：
       1. 章节背景（教材、年级、章节）：以“本课内容为”开头；
       2. 知识背景：知识点在学科中的定位；
       3. 教学目标：学生需达成的能力；
       4. 教学重点：以“基于此，本节课的教学重点是”结尾。
       仅输出一段文字，无需额外说明。
       实录：{content}
       """
       response = self.client.chat.completions.create(
           model="deepseek-v3",
           messages=[{"role": "user", "content": prompt}]
       )
       return response.choices[0].message.content.strip()
   

3. 结果输出：返回 JSON 格式结果，含总结文本、文件路径、状态，便于系统集成。

四、系统优势与创新点

4.1 标准化评估，告别主观评课

内置权威话语分类体系 + 优质课堂基准数据，所有课堂按统一标准量化，评估结果客观、可对比，解决人工评课 “凭感觉” 的问题。

4.2 全流程自动化，效率提升 10 倍

输入语音转写文件，一键完成分类、统计、可视化、总结，无需人工干预，一节课堂分析从 2 小时缩短至 1 分钟，支持全校规模化评课。

4.3 思维层次量化，直击教学本质

突破传统 “内容分析” 局限，聚焦学生思维发展：“创造迁移” 占比反映创新能力，“说明论证” 占比反映逻辑思维，精准定位课堂思维短板，指导教师优化教学设计。

4.4 多格式输出，适配教研场景

生成文本、CSV、图表、JSON、结构化总结，适配教师个人复盘、教研组教研、学校管理报表等多场景需求，数据可直接对接智慧教研平台。

五、应用场景与落地价值

5.1 教师个人：精准教学复盘

教师课后上传语音转写文本，系统自动生成话语分析报告 + 课堂总结，清晰看到：

• 本节课 “知识理解 / 创造迁移” 占比，对比优质课差距；
• 课堂总结（背景、目标、重点），直接用于教案反思；
• 师生互动质量，反思是否过度 “教师讲、学生听”。

5.2 教研组：标准化教研评课

教研组开展集体评课，无需人工记录，系统自动分析多节课堂，横向对比：

• 不同教师课堂话语差异；
• 同一教师不同课时的进步；
• 年级整体课堂思维水平，精准定位共性教学问题。

5.3 学校管理：教学质量常态化监测

学校可批量分析全校课堂数据，生成教学质量报告：

• 各学科、年级话语质量排名；
• 优质课对标达标率；
• 教学短板学科，针对性开展教研培训。

5.4 教育研究：课堂教学数据挖掘

为教育研究者提供海量、标准化课堂话语数据，支持：

• 思维型课堂教学模式研究；
• 师生互动与学习效果相关性分析；
• 大语言模型在教育评估中的应用探索。

六、总结与展望

本文介绍的智慧课堂话语分析与内容总结系统，以 Python 为工具、大语言模型为核心，实现了课堂教学从 “人工评估” 到 “数据驱动” 的跨越。两段核心代码分工明确、协同高效：discourse_function.py负责话语质量量化评估，直击课堂思维本质；content_sumary.py负责课堂内容精炼总结，赋能教学复盘。

系统解决了传统评课效率低、标准不一、维度单一的痛点，将枯燥的语音转写数据，转化为可解读、可对比、可优化的教学洞察，为教师专业成长、教研组教研、学校教学管理提供科学、客观、精准的数据支撑。

未来，系统可进一步升级：支持语音直接输入（无需先转写）、多学科分类体系优化、教学改进建议自动生成，让智慧课堂评估更智能、更贴合教学实际，真正以数据赋能教育高质量发展。