運用AI支持教師專業發展—以分析教師教學與學生學習行爲爲基礎的行動研究

壹、研究背景與動機
進入數位化時代後，人工智慧（Artificial Intelligence, AI）的應用對各領域形成巨大衝擊，面對科技技術發展的瞬息萬變，傳統教育模式顯然將不足以幫助學生具備面對未來生活與工作的能力，囿於教育政策或課程架構的調整根本無法即時反應教育現場的需求，學校教師扮演更為關鍵的角色。在全球教育轉型的趨勢下，提升教師符合時代需求的專業更是刻不容緩的議題。
長久以來，教學視導（Instructional Supervision）乃是提升教師專業發展與課堂教學品質的關鍵機制。研究顯示，有效的教學視導能提升教師的課堂管理能力、增進教學策略的多樣性，並能改善學生的學習成果（Darling-Hammond, 2017）。
然而，教學視導的執行長久以來有著極大的挑戰。例如，教學視導人力資源的限制容易導致視導頻率與覆蓋範圍不足的問題，特別是在教育資源較為有限的地區，學校難以配置足夠的視導人員來支援所有教師。另外，由於視導過程往往帶有高度的主觀性，一旦教學視導人員的專業度不足時，也可能影響視導結果的有效性。此外，傳統視導通常依賴片段人工紀錄與筆記，缺乏系統量化數據的支撐，較難以提供系統性的分析與長期趨勢追蹤。而基層教師普遍對教學視導就是上對下督導的誤解也容易造成其對視導產生抗拒心理。從而阻礙教師專業的正向發展。
近年來，人工智慧（AI）技術的迅速發展在促成各領域變革的同時，也為教學視導帶來新的可能性。像是AI 透過機器學習（Machine Learning）、自然語言處理（Natural Language Processing, NLP）及電腦視覺（Computer Vision）等技術，即能自動化課堂觀察以及分析師生互動過程，且能迅速提供即時回饋與數據報告。運用AI技術將能提高教學視導過程的效率與客觀性，補足傳統視導模式的不足。
例如，AI可透過語音與文本分析辨識教師提問與學生回應的模式，迅速記錄與初步分析師生課堂互動情形，教師得以優化課堂互動策略。教師的專業成長歷程也能透過長期的AI數據記錄進行追蹤和分析，提供能依據不同教師個性化推薦專業發展課程或教學資源。融入AI工具應用的教學視導模式將更能精確化與個人化每位教師的專業發展需求，為教學視導帶來新的可能。
本研究將透過此一AI 在教學視導中的應用之前導研究，使用AI技術紀錄並分析教師與學生在課堂上的行爲，提供即時回饋給教師。藉由研究案例分析，我們希望回答以下問題：AI 如何優化教學視導的效能？探究發展國內系統運用AI工具，以支援教師專業成長的可行性為何？本研究期待能提供教育決策者、學校管理者及教師進一步思考AI 在教學視導中的潛力，並探索未來如何擴大運用的可能性。
貳、文獻探討
一、課堂觀察與行為分析
課堂觀察技術不僅是紀錄教室事件的工具，更是教學視導的重要基礎，透過系統化的觀察，督導者能與教師共同釐清教學行為與學習反應之間的關聯。傳統的課堂觀察多依賴人工紀錄與觀察者的專業判斷，例如，常見的系統性觀察工具Flanders互動分析系統（Flanders Interaction Analysis System, FIAS）（Flanders, 1964, 1961; Evans, 1970）、Stallings 課堂觀察系統（Stallings, 1977）、Danielson 的《教學框架》（Framework for Teaching, FFT）（Danielson, 2013）或是Acheson和Gall（1980/1995）在其著作 Techniques in the Clinical Supervision of Teachers 中提出的教師臨床視導技巧。這些工具透過明確的觀察指標，以系統化的方式記錄教師與學生的行為與互動模式，為評估課堂教學與學生學習提供了標準化依據。
儘管前述觀察工具多半皆能依循明確的指標來記錄師生行為，雖然具備標準化與可比性，但也可能因過於聚焦於特定面向而忽略課堂情境中的整體脈絡。Acheson 與 Gall（1980/1995）在其教師臨床視導的實務操作中，進一步提出「廣角鏡技巧」（Wide-Angle Lens Technique），主張觀察者應盡可能以開放且不干預的方式，全面性地紀錄課堂事件。透過這種方法，教師能在事後回顧課堂的完整流程，從而察覺自身教學模式與學生反應之間的脈絡關係，甚至是發現未曾注意到的教學問題。然而，廣角鏡技巧仍高度依賴觀察者的人眼紀錄與專業判斷，受限於觀察者之注意力分配、觀察角度與紀錄完整度，觀察者想要在短時間內進行全面且一致的分析就具有相當之困難性。此外，在即時性和數據量化等方面的資料生成與取得亦有限制。
近年來，隨著人工智慧技術的發展，也為課堂觀察與行為分析的自動化和效率提升，並帶來更多新的可能性。以自然語音辨識與分析為例，Dale 等人（2022）與 Demszky 等人（2024）開發的系統能自動轉錄並量化師生談話比例、提問類型與語言層次，並將分析結果即時回饋給教師。Kelly、Guner、Hunkins 與 D’Mello（2024）的研究同樣透過其開發的系統 Teacher Talk Tool，讓高中英文教師可在接收自動化回饋後進行自我反思，據以優化課堂互動策略。
在非語言行為分析方面，電腦視覺技術的應用已能辨識學生專注度、情緒狀態與肢體動作模式（Liu et al., 2025; Li et al., 2025），例如結合 YOLOv5 與姿態估計（OpenPose）的系統，可以在課堂中持續監測學生的專注情形與互動行為（Liu et al., 2025）。此外，AI 觀察工具在大規模研究中亦已展現出可量化並比較不同教學風格與互動模式的能力（Gao &Yang, 2025）。這些技術不僅有助於我們辨識有效教學的關鍵特徵，亦為規劃後續教師專業發展計畫提供了重要依據。
整體而言，AI 輔助的課堂觀察與行為分析不僅能保留傳統系統性觀察的優勢，還能進一步提升數據收集的即時性、分析的精準度與觀察結果的一致性，為教學視導提供相較於過去傳統教學視導模式更為全面與客觀的資訊來源。藉由AI技術，課堂觀察「廣角鏡技巧」將更能發揮其呈現整體課程進行脈絡之特性，更能突破傳統人工紀錄的限制，提供更為全面性的課程觀察資訊：AI 可在宏觀紀錄課堂全貌的同時，自動化地擷取與量化關鍵行為模式，使廣角鏡所強調的「整體脈絡觀察」能與精細的數據分析互補。此一結合不僅維持了原有方法的開放性與完整性，也為督導者和教師在反思與改進教學時，提供了更具操作性與信度的實證依據。
二、自然語言處理（NLP）在教師回饋中的應用
有效的回饋對學習者具有關鍵影響（Hattie & Timperley, 2007）。在教學視導中，教師身為學習者，教學回饋的品質與精準度對其專業成長具有關鍵影響。教學回饋不僅能引導教師辨識自身教學的優劣勢，還能促進持續的專業對話與反思，從而改進教學實踐（Van der Lans, Van de Grift, & Van Veen, 2018）。具體且可行的回饋將能提升教師的自我效能，促進其教學策略的創新，並進而對學生的學習成效產生正向影響。
然而，傳統的教師回饋大多依賴觀察者的筆記與記憶，較易出現主觀偏差與記錄不完整的問題。即使採用廣角鏡技巧來全面紀錄課堂事件，也多偏重於「看見了什麼」，而在「說了什麼」與「如何說」的語言互動上，仍需依靠觀察者的詮釋，難免產生遺漏或偏差。
近年來，自然語言處理（Natural Language Processing, NLP）技術快速發展，使課堂語音與文本資料得以自動轉錄與分析，為教師回饋提供較一致、可重複且更即時化的支持。透過自動語音辨識（Automatic Speech Recognition, ASR）先將課堂錄音轉為文字，再結合語言處理模型，可分析教師與學生的互動特徵，例如教師使用的提問類型、師生使用之語言複雜度分析、或是師生話語比例等等，以協助教師針對課室對話做更具體的反思與改進。 例如，在提問類型方面，Dale 等人（2022）運用語音辨識與語料分析，量化教師與學生的發話比例及互動結構，並將分析結果即時回饋給教師。在Demszky 等人（2025）的研究中即發現，AI 生成的即時數據化回饋能有效促進教師改善其提問策略。Kelly、Guner、Hunkins 與 D’Mello（2024）開發的 Teacher Talk Tool，則能自動分類教師語言，並將回饋連結至教學策略，並且能確實幫助教師在課堂後進行更深層的自我反思。
在語言複雜度分析方面，NLP 系統能偵測教師與學生使用的語言層次，例如句法結構與詞彙難度，並計算發話比例、等待時間與專業詞彙使用情況（Suresh et al., 2022）。這些數據有助於教師檢視自己在課堂中使用的語言，並據此調整教學策略。
此外，NLP 還能跨時間追蹤教師語言使用的變化，形成教師個人化的專業發展檔案。透過長期數據分析，系統可辨識教師在不同學期或教學單元中的提問策略演變，並據此推薦相應的專業成長資源（Gao & Yang, 2025）。這類NLP 的數據回饋模式，不僅提升了回饋的客觀性與精準度，也有助於教師能在規劃自我長期專業發展時更有方向。
總結來說，若教學視導中的廣角鏡技巧旨在提供了「宏觀的全貌」，NLP 技術則能補足其中的「語言互動細節」。兩者結合，能將課堂紀錄轉化為更精準、更具操作性的回饋機制，進一步支持教師專業成長與教學改進。
參、計畫目標
一、蒐集國內外有關AI運用於教學視導的文獻，了解其內容、優勢及限制。 二、針對下列三種觀察工具，發展適合本研究之AI技術工具，並運用於教學情境，探索其效能。
（一）在工作中（At Task）：主要觀察學生上課的注意力（如全班學生的專注力比例，專注力與性別、座位前後等相關性⋯）。
（二）選擇性逐字紀錄（Selective Verbatim）：可量化師生談話比例、教師談話屬性及提問類型（如教師及學生語言佔所有上課時間的比例、教師的提問屬開放性問題的比率與學生的回應、教師的語言屬鼓勵性質的比率、教師與某些學生互動的次數與比例等）。
（三）廣角鏡技巧（Wide-Angle Lens Technique）：全面性紀錄課堂事件，了解課堂的流程與脈絡（如教師授課的活動時段與學生專注力的關係等）。
三、對未來AI工具於國內教學視導之應用提出建議。
肆、計畫期程
自114年10月1日起至115年9月30日止。
伍、研究方法
本研究採取行動研究導向的混合方法研究取向（Action-Research Oriented Mixed-Methods Approach），研究設計結合行動研究的循環歷程與量化、質化資料蒐集方式，透過「課堂錄製—AI分析—教師回饋—系統修正—再錄製」的反覆歷程，檢視並優化AI在教學視導中的應用成效。
量化部分屬於行為指標量化取向，透過 AI 技術將課堂錄影與語音資料轉化為數據，例如教師與學生的發言比例、提問類型及學生回應頻率。這些量化指標將以描述性統計與前後期比較方式分析，用以呈現教學行為的客觀變化，並作為質性詮釋的重要依據。質化部分則透過兩次半結構式訪談，深入探討教師對AI提供之教學回饋的期許、使用經驗與專業反思。此設計不僅能呈現 AI 系統在不同階段的功能表現，也能透過回應教師在使用過程中的實際需求，逐步改善系統，使發展之系統更貼近教學現場，也有助於更全面地理解 AI 在教學視導中的效能與潛力。
一、研究對象
本研究採立意抽樣（Purposive Sampling）方式，邀請新北市四所國民小學參與，以國語科或社會科教師為主要觀察與回饋對象，原因在於此類課程談話量與師生間語言互動較為豐富，能提供較完整的語言與影像資料。每校將邀請二 個中年級班級（以四年級班級為優先），共計八位教師參與研究。研究全程將預先取得教師及學生家長之知情同意，並遵守研究倫理。
二、AI系統設計與技術處理
（一）三種觀察與分析模式
1. 在工作中（At Task）：系統需觀察學生上課時的注意力狀態，主要依據肢體動作與臉部朝向進行判斷。具體作法為先透過攝影機偵測並定位人物區域，再在該區域進行動作分析與臉部方向判別。由於攝影機能持續擷取影像並即時交由系統處理，因此可生成高頻率且連續性的樣本特徵，進一步提供更精細的注意力觀察結果。
2. 選擇性逐字紀錄（Selective Verbatim）：此模式聚焦於師生語言互動之分析，能自動化量化談話比例與提問類型，進而優化課堂互動策略。核心方法為運用自然語言處理（NLP）技術進行語料分析，同時結合影像資訊以辨識具體對象，使系統能更精準標註並紀錄師生互動，提升分析的可靠度。
3. 廣角鏡技巧（Wide-Angle Lens Technique）：此模式著重於全面紀錄課堂事件，掌握教學流程與脈絡。系統透過影像分析辨識教師在課堂中觸發的各類事件，並在時間軸上進行標註，建構 class profile，以支持課程歷程的全貌性描繪與分析。同時，透過逐字稿角色分段、時間標示與語氣判別，能進一步標示出影響班級活動的關鍵時段與成員，並追溯可能的影響因素。
（二）系統核心模組與功能
基於上述三種模式之需求，本研究研發的智慧系統由 電腦視覺模組 與 自然語言處理模組 組成，各自具備以下功能：
A. 電腦視覺模組
1. 影像擷取與強化：針對即時影像進行均化處理，降低因教室光照差異造成的亮度變動，確保分析穩定性。
2. 學生位置偵測與定位：利用 R-CNN 模型搭配轉移學習（transfer learning），精確劃定學生於影像中的位置。
3. 學生肢體骨架擷取：透過 MediaPipe 姿勢偵測模型（pose），擷取頭部、手部、四肢與軀幹等關鍵節點，建立骨架結構，以利行為分析。
4. 學生動作類型辨識：依據骨架節點相對位置變化，辨識學生動作類型，解析課堂中的行為模式。
5. 臉部方向判別：根據臉部關鍵節點位置判定朝向，作為注意力觀測與互動分析依據。
B. 自然語言處理模組
1. 語音轉文字（Speech-to-Text, STT）：將錄音檔轉為逐字稿，採用 Google AI Studio API 開發介接，確保高效與準確。
2. 自動分段與時間標示（Timestamping & Alignment）：依語氣自動分段並標註時間，與影像時間軸對齊，作為後續多模態分析基礎。
3. 說話者識別：自動區分教師與學生，支援師生談話比例統計與互動分析。
提問與回應分析：
(a) 問句辨識：利用零樣本或少樣本學習，設計提示詞（Prompt）將文字段落分類為「問句」或「敘述句」。
(b) 問題類型判斷：針對「問句」進一步分類為「開放性問題」或「是非題」。
(c) 語氣友善度分析：透過少樣本學習提供範例，將語氣分級為五等級（非常友善、友善、中性、不友善、非常不友善），或採三等級簡化分析，以提升一致性。
三、研究工具
（一）課堂錄影設備：於教室架設固定攝影機與收音裝置，完整紀錄課堂互動情形。
（二）影像與語言分析系統：預先建置影像與語言分析系統，後續針對課堂錄影進行影像與語言互動分析，分析重點包括教師教學行為、學生學習行為與師生語言互動特徵。
（三）AI 回饋平台：將影像與語音數據轉化為分析報告，於課後提供教師即時回饋，作為其專業反思和教學調整之依據。
（四）半結構式訪談：
半結構式訪談（兩次）：每位教師進行二次個別訪談（第一次約四十分鐘；第二次進行更入之訪談，約六十分鐘）
1.第一次／研究前：了解教師對 AI 促進教師專業發展之期許與其既有AI使用經驗與程度。
2.第二次／研究後：聚焦於本研究提供之AI回饋教師之教學調整與專業成長的實際幫助與限制，深入了解教師對於數據解讀、情境因素與可持續性之看法。
(五) 輔助文件：請參與教師於每次研究團隊提供AI系統回饋教師之報告後，於線上填寫其課程反思記錄。
四、研究程序：行動研究循環
本研究依行動研究的精神，設計為多次循環歷程：
1.課堂錄製與 AI 分析：透過廣角攝影機與收音裝置蒐集課堂影音資料，並由 AI 系統進行量化分析（如發言比例、提問類型、學生回應頻率）。
2.提供教師回饋：將分析結果轉化為報告，課後提供教師參考，促進專業反思。
3.蒐集教師意見：研究團隊透過訪談與反思紀錄，蒐集教師對 AI 回饋的實際感受與改進建議。
4.系統調整與再測試：根據教師回饋修正或優化 AI 系統，並在後續課堂中再次應用，以檢驗改善後系統的成效。
透過上述「錄製—回饋—修正—再錄製」的循環，本研究不僅能驗證 AI 在教學視導中的可行性，也能持續優化系統功能，更符合教師專業發展的實際需求。
陸、執行方法及工作項目
（一）前期準備：籌組研究團隊，與教育局與學校協調研究場域，招募參與研究教師，設備購置；完成參與教師說明會與倫理程序。
（二）蒐集、整理、分析國內外運用AI於教學視導之文獻與案例，疏理出其趨勢、效益與限制。
（三）審酌前述文獻、案例及國內教育現場實況，決定本研究擬聚焦之教學行爲，擬包含一種教師教學行爲、一種學生學習行為及一種師生語言互動行爲。
（四）開發符合本研究擬聚焦之教學行爲之AI系統記錄。
（五）研究前訪談：對八位教師施作第一次半結構式訪談（約四十分鐘），了解參與教師對 AI 促進專業發展之期許，以及其既有AI使用經驗。
（六）課堂錄製與資料蒐集：每班進行五次錄影，涵蓋不同教學單元；同時同步產出語料供後續分析。
（七）AI 系統導入與教師回饋：據影像與語音分析生成教學回饋報告供教師課後檢視，參與教師於閱後填寫線上課程反思記錄。
（八）研究後訪談：對八位教師進行第二次個別訪談（約六十分鐘），蒐集八位教師對 AI 回饋之實際體驗，以及其認為AI回饋對其教學之影響與可再改進之建議。
（九）統整與建議：彙整研究資料，提出教學視導的政策建議，供行政機關及學校參考。
柒、資料處理與分析
1.量化分析：以描述統計與前後期比較呈現關鍵指標（如師生發言比例、提問類型、學生回應頻率）之變化趨勢。
2.質性分析：採用主題分析法針對兩次參與教師之半結構式訪談逐字稿進行分析。
3.資料整合與信效度：
首先將採三角檢證方式進行檢核。研究者將針對下列四項初步發現以四類證據交叉驗證：（1）量化指標的前後期變化與趨勢（如師生發言比例、提問類型、學生回應率等）；（2）教師兩次半結構式訪談內容；（3）研究團隊於課堂所記錄的觀察札記與情境紀錄（如活動型態、座位配置、班級動態）；及（4）相關文件資料（如AI 回饋報告與教師反思記錄）。當四類證據中若出現不一致的情形，則該項資料會標記為待確認，研究者會再回到資料整理與情境釐清程序後再行判定。其次，研究團隊成員將共同針對研究資料進行檢核，針對記錄分歧、修訂代碼本/指標進行解讀，同時形成決策備忘錄。同時，AI系統所產生之初步教學回饋亦會請參與研究教師進行確認。
4. 研究倫理與研究資料匿名化：本研究全程採匿名化與去識別處理，學校、教師、班級與學生皆以代碼（例如，S1、T3、C2、St-05）呈現，逐字稿與報告中不出現任何可辨識姓名或特徵。所有原始檔均加密儲存，僅計畫主持人與授權研究助理得依權限存取，並保留存取紀錄，研究期滿將依規定銷毀或去識別資訊後長期保存。研究進行前將取得教師與學生家長書面之知情同意書，並明載研究收集資料用途、保存期間與撤回權利。
捌、研究限制與倫理考量
AI 模型需要大量高品質的數據進行訓練，然而，教學場景中的數據（如課堂錄影、學生行為紀錄）往往受限於普及性與隱私考量而不易取得。此外，由於教師教授不同學科，以及教師具有不同文化背景，各個教師的教學模式也不相同，這些因素將使得開發能夠適用於不同學科、文化背景與教學風格的通用性 AI 系統變得困難，因為單一模型可能無法準確理解並適應各種課堂情境。另外，AI技術仍難以記錄教學過程中非語言因素對教學的影響（例如，課堂氣氛、非語言溝通等因素），仍須克服無法全面記錄的問題。本研究作為AI運用於教學視導初步探究之前導研究（pilot study），受限於時間與空間因素，前述之限制暫不在本次研究探討範圍，此次將先針對國語與社會兩項科目於四所國小八位教師之課程實踐進行探討，提供後續未來進行大規模研究之先備基礎。
此外，AI 在教學視導中通常需要收集大量的教學數據，包括課堂錄影、學生互動、教師授課方式等，這些數據可能涉及教師的個人隱私、專業評價，甚至學生的學習行為，因此必須謹慎管理，以防濫用。本研究除了於各項研究資料中均採匿名化處理外，關鍵資訊將僅有僅計畫主持人與授權研究助理得依權限存取，並且僅取得完成研究目的所需之五次課堂資料與必要欄位，不錄製課外片段，對外僅提供彙總或教師層級之指標，不公開原始影像，亦保證不得作為績效評比或人事評量之用。
捌、預期效益
本研究擬達成之預期效益如下：
一、掌握 AI 教學視導的發展趨勢與在地應用潛力
透過整理國內外 AI 應用於教學視導的主要方向與已知挑戰，同時回顧相關研究文獻與本研究的案例實踐，初步分析AI 應用於教學視導在台灣國小教學現場的可行性與限制。此成果將提供後續研究與政策推動之基礎參考。 二、建置並驗證 AI 輔助的教室觀察工具
本研究將開發可自動化分析師生互動的 AI 工具，並在行動研究循環中測試其效能與教師使用經驗。預期可建立符合台灣國小教學現場需求，且具雛型功能的觀察工具與使用流程，未來可逐步擴展應用於校內教學視導與教師專業學習社群（PLC）。
三、提出支持教師專業成長的應用方向
本研究將結合教師回饋與 AI 分析數據，探索可促進教師專業反思與教學改進的應用模式。可能的方向包括：
1. 透過課後報告呈現提問類型與分布，協助教師更清楚掌握課堂教學之師生互動樣貌，作為其後續教學調整的參考。
2. 利用師生發言比例或互動數據，讓教師更清楚掌握學生參與情形，作為觀察與教學調整的參考。
3. 運用語言特徵或回應模式分析，即透過 AI 將課堂談話轉換為文字，進一步檢視教師與學生的語言特徵（如提問類型、語言複雜度、情感傾向），以及師生互動結構（如教師如何接續學生回應、是否延伸追問或重述學生觀點），提供教師另一種觀察視角，協助教師理解課堂對話的深度與提升師生互動品質。
玖、報告章節
一、緒論（含研究背景與動機、研究目的、研究方法、研究限制、名詞釋義）。
二、國內外教學視導發展趨勢及運用AI於課堂上教師與學生行爲分析現況和發展。
三、研究設計與實施。
四、研究成果與檢討（含完成之及時紀錄、分析、回饋教學與學習系統以及其應用情形之成效評估）
五、研究結論及對未來教師專業發展與研究建議。
拾、研究人力與工作分配
計畫工作分配表

拾壹、研究進度甘特圖
本計畫預計進行1年，如下表2所示。

參考文獻 Acheson, K. A., & Gall, M. D.（1980/1995）。教師臨床視導技巧-職前教師及在職教育適用（林春雄等譯，呂木琳校訂）。台北市：五南圖書出版公司。
Bastian, K. C., Henry, G. T., & Pan, Y. (2016). Having their cake and eating it too: The impact of accountability incentives on classroom observation scores. Educational Evaluation and Policy Analysis, 38(2), 289–315. https://doi.org/10.3102/0162373715618923
Dale, M. E., et al. (2022). Toward the automated analysis of teacher talk in the classroom. Computers & Education, 186, 104532.
Darling-Hammond, L., Hyler, M. E., & Gardner, M. (2017). Effective teacher professional development. Palo Alto, CA: Learning Policy Institute. Retrieved
from https://files.eric.ed.gov/fulltext/ED606743.pdf
Demszky, D., et al. (2024). Does feedback on talk time increase student participation? EdWorkingPaper No. 23-891.
Demszky, D., Liu, J., Hill, H. C., Sanghi, S., & Chung, A. (2025). Automated feedback improves teachers’ questioning quality in brick-and-mortar classrooms: Opportunities for further enhancement. Computers & Education, 227.
https://doi.org/10.1016/j.compedu.2024.105183 Danielson, C. (2013). The framework for teaching evaluation instrument, 2013 edition: The newest rubric enhancing the links to the Common Core State Standards. Princeton, NJ: The Danielson Group.
Evans, R. (1970). The analysis of classroom interaction: A manual for teachers. Sydney: Sydney University Press.
Flanders, N. A. (1961). Analyzing teacher behavior. Reading, MA: Addison-Wesley.
Flanders, N. A. (1964). Interaction analysis and the role of the teacher. In E. A. Amidon & N. A. Flanders (Eds.), The role of the teacher in the classroom: A manual for understanding and improving teacher classroom behavior (pp. 27–49). Minneapolis, MN: Association for Productive Teaching.
Gao, Y., & Yang, X. (2025). Are China’s classes predominantly centered around teacher-presentation instruction?—A large-scale data analysis based on classroom intelligent analysis systems. ECNU Review of Education, 8(2). Advance online publication. https://doi.org/10.1177/20965311251322181
Hattie, J., & Timperley, H. (2007). The power of feedback. Review of Educational Research, 77(1), 81–112.
Hill, H. C., & Grossman, P. (2013). Learning from teacher observations: Challenges and opportunities posed by new teacher evaluation systems. Harvard Educational Review, 83(2), 371–384. https://doi.org/10.17763/haer.83.2.d11511403715u376
Holstein, K., Wortman Vaughan, J., Daumé, H., Dudik, M., & Wallach, H. (2019). Improving fairness in machine learning systems: What do industry practitioners need? Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, 1–16. https://doi.org/10.1145/3290605.3300830
Kane, T. J., & Staiger, D. O. (2012). Gathering feedback for teaching: Combining high-quality observations with student surveys and achievement gains. Bill & Melinda Gates Foundation. https://www.edweek.org/media/2012/01/31/met-gathering-feedback-for-teaching.pdf
Kelly, S., Guner, G., Hunkins, N., & D’Mello, S. K. (2024). High school English teachers reflect on their talk: A study of response to automated feedback with the Teacher Talk Tool. International Journal of Artificial Intelligence in Education, 35(3), [頁碼未提供]. https://doi.org/10.1007/s40593-024-00417-x
Li, X., Wang, Y., Chen, Z., & Zhao, H. (2025). Student behavior analysis using YOLOv5 and OpenPose in classrooms. IEEE Access. Advance online publication. https://pmc.ncbi.nlm.nih.gov/articles/PMC12099366/
Liu, X., Peng, Y., & Liu, L. (2025). Application of artificial intelligence technology in teaching supervision for vocational education. International Journal of Vocational Education and Training Research, 11(1), 1-8. https://www.researchgate.net/publication/388850828
Nwuke, C., & Annette, O. (2025). Artificial intelligence in educational supervision: A case study of public secondary schools in Nigeria. International Journal of Education and Data Management, 5(1), 45–58. https://ijedm.com/index.php/ijedm/article/download/27/24
Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78(1), 153–189. https://doi.org/10.3102/0034654307313795
Stallings, J. (1977). Learning to look: A handbook on classroom observation and teaching performance analysis. Belmont, CA: Wadsworth.
Steinberg, M. P., & Donaldson, M. L. (2016). The new educational accountability:
Understanding the landscape of teacher evaluation in the post-NCLB era. Education Finance and Policy, 11(3), 340–359. https://doi.org/10.1162/EDFP_a_00186
Suresh, A., Jacobs, J., Harty, C., Perkoff, M., Martin, J. H., & Sumner, T. (2022). The TalkMoves dataset: K-12 mathematics lesson transcripts annotated for teacher and student discursive moves. In Proceedings of the 13th International Conference on Language Resources and Evaluation (LREC 2022) (pp. 4654–4662). European Language Resources Association.
Van der Lans, R. M., Van de Grift, W. J. C. M., & Van Veen, K. (2018). Developing an instrument for teacher feedback: Using the Rasch model to explore teachers’ development of effective teaching strategies and behaviors. Educational Measurement: Issues and Practice, 37(2), 32–43. https://doi.org/10.1111/emip.12164
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review. of research on artificial intelligence applications in higher education – Where are the educators? International Journal of Educational Technology in Higher Education, 16(39). https://doi.org/10.1186/s41239-019-0171-0