痛点
评课多半靠记忆和感觉，容易讲得很空，抓不住实质证据。听完别人的指导也常陷入同一困境：大道理都懂了，下周课还是不知道具体怎么改。
诉求
需要能直接跳到的课堂切片，以及互动频次这类客观数据，帮自己把证据找实。评课标准也不要停在抽象条目，最好拆成下一节课能照着做的小动作。
知了评课AI课堂分析系统
多模态 AI 教学诊断与课堂评课工作台
概述
业务挑战与产设职责概述
挑战
常态化教研里，结论常常说不清依据。要让评课结果经得起组内讨论和人工复核，并把诊断真正嵌进听课 → 诊断 → 反馈这条业务闭环，而不是评完就断。
机会
把课堂音视频里零散的互动、提问与时间切片，整理成可对照、可复用的评价依据。不只是多一份报告，而是给一线教师、教研员和管理者一套能对齐口径的教学评价语言。
背景
从听课到改进，中间总是断一层。
评课本该帮老师把下一节课上得更好，现实里却常停在感觉和印象：证据难回溯、标准对不齐、建议落不了地。 知了评课AI课堂分析系统想把录音录像里的互动、提问与时间切片，整理成可讨论、可复核的诊断材料， 让一线教师、教研员和校长能用同一套口径说话，并把结论拆成下周就能试的动作。
流程
0-1 产设全链路流程
1
业务洞察
- 痛点调研
- 竞品分析
- 业务流诊断
- 需求边界定义
2
产品架构
- 角色与权限梳理
- 核心状态机设计
- AI 意图与逻辑推演
- MVP 路径规划
3
交互推演
- 信息架构规划
- 核心任务流
- LUI / GUI 融合探索
- 可用性验证
4
方案交付
- 高保真可交互原型
- B端组件库沉淀
- PRD 需求说明书交付
- 研发协同与走查
5
业务闭环
- PoC 逻辑验证
- 核心链路复盘
- 下期迭代规划
研究
用户访谈
为了摸清真实评课链路里的卡点，我分别访谈了 一线教师、区教研员、校长 三类角色。问题围绕：
- 一线教师：平时坐下来研讨评课时，你最看重哪些具体维度，比如师生互动、提问分布？给别的老师写反馈时，又怎么对着这些指标，从课堂里找到站得住脚的证据？
- 区教研员：跨校听评课时，不同专家对同一个指标的打分标准经常对不齐。你们平时怎么把这条基线拉齐？评完之后，这些核心维度后面有没有提升，又怎么追踪？
- 校长：全校常态课这么多，管理层怎么摸清各项核心教学指标的整体情况？如果引入 AI 辅助打分，系统里的量表怎么跟学校自己的办学理念和考核标准对上？
痛点
跨校听课时，学校不同、专家不同，评价标尺对不齐，很难形成区域通用的说法。评课活动也经常评完就结束，校本有没有落实很难追踪。
诉求
要一套统一、能量化的诊断口径。希望 AI 先把评价基线拉齐，再把单次听评课变成连续的数据追踪，真正成为推动区域教学质量的抓手。
痛点
对 AI 工具天然警惕，担心标准化评价和本校办学理念打架，老师产生抵触。
诉求
采信 AI 的前提是：结论必须绑回原始视频切片，随时能人工复核。系统还要能配校本评课量表，以及校领导自己的数据看板，让数据既客观，又能直接服务本校师资考核。
研究
竞品分析
我重点对照了三款产品：希沃课堂智能反馈（软硬一体的智慧课堂方案）、棒棒堂 AI 听评课（手机录课的轻量方案），以及飞书妙记——它本是通用会议纪要，但转写和回溯体验做到了标杆。对比时我主要看三件事：课堂怎么采集、诊断怎么给出、结论能不能回到原片复核。
⚠️ 请注意，以下优缺点基于各产品公开资料与试用体验归纳，不同学校的硬件条件和教研制度差异很大，实际体验会因落地方式而不同。
希沃课堂智能反馈
与竞品相比，其主要突出功能包括：AI 四目摄像头无感采集、课后约 10 分钟出报告、「2 维度 8 视角 28 观察点」课堂质量模型、抬头率 / 举手率 / 参与度等学生行为指标，并可关联电子听评课与校本量表。
优点
- 观察维度极细：提问比、启发指导比、学生稳态比、抬头率、举手率……课堂观察颗粒度是同类里最细的一档。
- 采集无感：与交互平板、录播深度集成，老师上课无需额外操作。
- 人机协同评课：AI 报告能和听课老师的评课记录、校本量表合并查看。
缺点
- 硬件门槛高：必须部署希沃摄像头与智慧教室，普通教室、借班上课基本用不了。
- 生态绑定：数据与流程锁在希沃体系内，跨校、跨区统一口径成本高。
- 试用周期长：更适合区域整体采购，单个教研组很难快速上手验证。
棒棒堂 AI 听评课
与竞品相比，其主要突出功能包括：一部手机即可录课、OCR 读取教案与课件、自动划分教学环节、五维二十项观测指标、三份独立诊断报告，支持教研组自定义观察模型和 AI 多轮追问。
优点
- 使用门槛低：手机录音就能分析，不依赖教室硬件，常态课也能覆盖。
- 贴近教研语境：对比教案预设与实际授课的偏差，统计提问认知层次与 S-T 曲线。
- 观察模型可定制：教研组可按学期主题聚焦观察重点。
缺点
- 证据以声音为主：核心分析依赖转写文本，板书、PPT、学生状态等画面证据偏弱。
- 结论与切片衔接弱：报告偏「分析结果」，从结论跳回课堂原片复核不够顺手。
- 管理视角较薄：校级 / 区域层面的横向对比与连续追踪能力有限。
飞书妙记
与竞品相比，其主要突出功能包括：约 98% 准确率的实时转写、声纹区分发言人、文字与音视频逐句对齐跳转、智能纪要（总结 / 待办 / 章节）、自定义提炼维度，并能联动飞书文档、任务与多维表格。
优点
- 回溯体验标杆：点任意一句话就能跳回原片，发言人时间轴一目了然，「结论可溯源」做到了极致。
- 结构化能力强：章节纪要、自定义提炼维度，让长录音能被快速读懂。
- 协作流转顺：多人标注、分享，待办一键进任务，信息不会停在一份文档里。
缺点
- 不懂教学：面向通用会议，无法对齐课标、学科与课堂观察维度，给不出教学诊断。
- 没有视觉理解：看不到板书、课件和学生状态，课堂证据只有一半。
- 不进教研流程：缺少评课量表、校本标准与改进追踪。
三款产品各有一块做到了很好：希沃把观察维度做到最细，但被硬件绑定；棒棒堂用手机把门槛降到最低，但证据主要来自声音；飞书妙记让每句话都能回到原片，却不懂教学。知了评课要占的位置，是把三者接起来——不依赖专用硬件、音视频双通道解析、每条结论绑定时间轴切片可复核，并对齐学校自己的评课量表，嵌回听课、反馈与改进的业务闭环。
系统
多模态数据处理流程
针对常态化录播课数据维度庞杂的难题，设计了拆解 → 提取 → 对齐 → 融合的标准处理管线。采用 ASR 提取语音特征，依托 FFmpeg 抽帧与视觉大模型解析画面意图，最终在统一的时间轴上完成数据重组。以此构建标准化的底层数据基座，让后续 AI 融合诊断的每个判断都有时间点可查，减少幻觉。
从洞察到方案
五个问题，对应五个场景
访谈和竞品分析最后收敛成五个问题。它们分别来自不同角色，但指向同一件事： 评课结论要有依据，而且要能落到下一节课。方案没有做成一个大而全的平台，而是按谁在什么时候用拆成五个场景，每个场景只解决一个问题。
02
提问和追问的质量说不清教师 · 教研员
预设的问题链和学生的真实回答常常对不上，追问得好不好，只能靠听课人的经验判断。
把每条提问按认知层级拆开，把追问还原成一条链，看老师能否脱离预设去引导学生。
场景二提问与追问诊断
03
评价标尺对不齐教研员 · 校长
学校、专家各有一把尺子，统一的 AI 标准又容易和校本理念冲突。
评价标准从模型里拿出来，做成学校可配置的量规，AI 按选定的口径出诊断。
场景三校本量规配置中心场景一 · 一线教师
找证据的沉浸式评课工作台
老师评课最大的障碍不是没有录像，而是 45 分钟里找不到「那一段」。多模态解析的结果对老师来说是一堆转写文本和分数， 我把它翻译成老师熟悉的课堂语言：视频下方按教学环节切出切片卡片，每张卡带时间码、高亮环节标签和 AI 分析， 点任意一段，播放器直接跳到对应时刻；右侧把 SOLO 分层、高频词云这些结果收成一句「AI 洞察」。 老师不需要看懂模型，也能拿着证据评课，而不是凭感觉。
按环节切片，不按时长切
切分依据是教学环节（情境导入、核心讲授、合作探究），每张卡片 = 时间码 + 环节标签 + 课堂内容 + AI 分析，读起来就是一份课堂实录。
标签先行，扫一眼就懂结构
用颜色区分「生活化情境」「重点内容」「小组合作」等环节类型，老师先看整节课的节奏分布，再决定展开哪一段。
每条结论都能回到原片
视频进度条与脉络双向联动，评课对话从「我觉得这里不太好」变成「你看 08:46 这一段」。
场景二 · 教师与教研员
提问与追问诊断：看老师能不能脱离预设
在教研员和老师眼里，追问是整节课最见功力的部分。年轻老师备课时会预设一条问题链，但学生的真实回答往往不按预设走： 有的老师会一直换着问法提问，直到听到想要的答案；有经验的老师则会顺着学生的回答往下追，把思考一步步引深。 前者看起来互动很多，后者才是真正的引导，但两者在录像里很难区分。 所以我们把提问单独拿出来做诊断：每条提问标出布鲁姆认知层级和判定依据，管理类、无效提问单独筛出， 追问则挂在主问题下面还原成提问树，教研时可以逐条看老师有没有脱离预设去回应学生。
追问单独成类
提问分成全部、管理类、追问、无效提问四类。「是不是啊」「对不对」这类无效提问被单独标出，老师第一次直观看到自己的提问习惯。
用提问树还原链路
追问挂在触发它的主问题下，带时间码可回放。一眼能看出这是顺着学生回答往下追，还是在同一层级反复换问法。
层级变化比次数更重要
每条提问都有认知层级和判定依据。追问的价值不在多少，而在于有没有把学生从「记忆」「理解」推向「分析」「评价」。
场景三 · 教研员
灵活的校本量规配置中心
不同学校对好课的定义并不一样：有的按新课标，有的有自己的四位课堂观课表。如果 AI 只输出一个统一分数， 学校会觉得它不懂自己的办学理念，报告也就没人用。所以我把评价标准从模型里拿出来，做成可配置的量规模板（系统里统一叫 AI 评价量规）： 教研员把校本量规沉淀进系统，老师上传课堂时按场景选择，系统按学段、学科推荐默认项。 同一节课换一把尺子，就能得到对应口径的诊断，标尺统一的问题在学校内部解决，而不是由产品替学校决定。
量规是配置，不是写死的规则
量规可以创建、复用、共享，标明适用学段、学科和创建人，学校自己的评价体系可以沉淀成资产，不随人员流动丢失。
推荐，但不强制
默认推荐义务教育新课标保证开箱可用，同时保留校本量规的选择权，缓解通用标准与校本理念之间的冲突。
一次录入，服务多项分析
教案用于教学设计与实际课堂的一致性分析，学段、学科、课型用于校准诊断口径，前置补全上下文，后面的报告才准。
场景四 · 校领导与教研组长
全景教学数据洞察看板
校长不看单节课，看的是整体：系统有没有真正用起来、哪些学科覆盖不足、哪些老师需要支持。 看板把分散在每份报告里的数据向上汇总成三层：顶部是本月报告、活跃教师、累计报告等运营指标； 中间按学科、年级看分布；底部落到每位老师的上传与活跃情况。同一套数据按角色裁剪范围， 校领导看全校的学科覆盖，教研组长看本学科近 8 周的活跃趋势和组内成员，为教学管理和师资盘点提供依据。
一套看板，按角色给数据
通过右上角角色切换决定数据范围和模块组合，校领导看「学科使用情况」，教研组长换成「活跃趋势」，不需要维护两套系统。
从指标下钻到具体的人
指标卡 → 分布图 → 教师明细 → 查看详情，宏观判断有数据支撑，发现问题时也能直接定位到老师。
用于盘点，而不是排名
列表突出「最近活跃」，长期未使用的账号标红提示，帮助管理者识别需要支持的老师，而不是公开比较谁的分数高。
场景五 · 专家建议
专家意见 × AI 报告的二次评价
AI 报告再完整，教研里最有分量的仍然是专家的判断，但专家的评语往往比较概括，老师拿到后不知道从哪改。 评完课后，老师可以把专家的听课记录或评语上传到报告里，系统把专家意见与已有课堂数据对齐做二次评价： 先提炼两者的「诊断共识」，再排出最多 3 条「行动优先级」，最后把建议绑定到具体课堂片段， 生成下一节课可以直接照做的「实操锦囊」。
空状态本身就是引导
未上传时不留空白，而是预告上传后会补充的三类分析，让老师知道多做这一步能换来什么。
专家为主，AI 负责具体化
保留专家原话作为依据，AI 只做补充理解，把「探究引导不足」翻译成具体的提问改法和步骤，每条建议标注来源。
建议落回课堂时间轴
实操锦囊绑定到对应环节（如 03:37–08:46 合作探究），并拆成课前、课中、课后动作，改进有据可依、可以验证。
交互体验策略
导出一份和网页一样的 HTML 报告
评课报告很少只停留在系统里：老师要发到教研群，教研员要收集课例，公开课还要附在材料里一起交。 最初我们只提供 PDF 和 Word，但反馈很快暴露出一个问题：报告在系统里是可点击、可回看视频的， 一旦导出成文档，时间轴、切片和图表交互全部被压成静态页面，最有说服力的证据反而丢了。 而 B 端系统的网页链接受账号和权限限制，校外的专家、兄弟学校的老师点开就是登录页。 所以我们加了第三种格式：单文件 HTML 报告，老师直接转发，对方用浏览器打开，看到的就和系统里一样。
- 优势
- 版式固定，适合打印、盖章和归档。
- 局限
- 完全静态，不能点击、不能播放视频，长报告翻页阅读吃力。
Word
- 优势
- 可以二次编辑，方便教研员摘录内容写总结。
- 局限
- 图表容易错位，排版在不同电脑上表现不一致，交互同样丢失。
HTML 新增
- 优势
- 保留网页交互：环节可展开、视频可回看、图表可查看明细，免登录就能打开。
- 取舍
- 不适合直接编辑，所以与 PDF、Word 并存，按用途选择。
转发即可阅读
一个文件发到微信或教研群，对方不需要账号，手机和电脑浏览器都能打开，解决 B 端链接无法外发的问题。
证据不在导出时丢失
智能脉络、布鲁姆分类、时间分布等模块保持和系统一致的交互，结论依然能回到课堂片段。
三种格式各管一件事
HTML 负责传播和讨论，PDF 负责存档，Word 负责二次编辑。导出时按用途给出说明，不让老师猜该选哪个。
成果与业务复盘
PoC 验证：区级数学教研现场
2026 年 4 月 28 日，上海师范大学第一附属小学（西校区）承办了一场区级展示课，主题是 「基于知了评课系统的有效提问研讨」。到场的有区数学教研员，以及徐汇区多所学校的备课组长和教研组长。 我们用一节四年级数学《条形统计图》做样本，现场研讨围绕场景二的提问与追问诊断展开： 老师提了哪些问题、分别处在哪个认知层级、学生怎么回答、追问有没有顺着学生往下走，每一条都能回到对应的课堂时间点。
173一节课内自动识别的教师提问，全部带时间码
89%布鲁姆层级判定与教研员人工标注的一致率
40min研讨前的提问梳理时间，原先人工整理约 3 小时
6所现场提出后续试用意向的学校
分类结果经得起复核
两位教研员事先独立标注同一节课，与系统结果对照，分歧主要出现在「理解」和「应用」的边界。因为每条都附了判定依据，现场几分钟就能对齐口径。
研讨从印象变成逐条对照
讨论不再停留在「这节课提问偏低阶」，而是具体到 00:29「是不是啊？」这类无效提问，以及 00:33 开始的一串追问是否真正推动了学生思考。
验证出了下一期需求
现场问得最多的是两件事：教案里预设的问题链能不能和课堂实际对照，同一位老师改进前后能不能对比。这两点直接进入了下一期规划。
成果与业务复盘
来自一线的反馈
「以前评一节课提问好不好，全凭听课老师的经验。现在每条提问都有时间点、有层级、有依据，大家讨论的是同一份证据。区里做提问专题，最缺的就是这个。」
「最有用的是『无效提问』和『追问』两个筛选。组里老师自己都没意识到一节课说了这么多『是不是』『对不对』，点开回放一看，马上知道下节课该改哪。」
「报告导出成网页直接发到教研群，没来现场的老师也能点开看视频片段，不用我再一张张截图配文字了。」
下一步
下一期功能规划
PoC 证明了单节课的提问诊断是可信的，下一步要回答的是：老师的提问有没有在变好。 下一期从「看一节课」走向「看一段时间、看一个区域」，三个功能都来自教研现场的反馈。
01 预设与生成对照
读取教案里预设的问题链，和课堂实际的提问、追问逐条对照，标出哪里按预设走、哪里临场生成，帮助年轻老师复盘自己的应变。
02 教师成长档案
同一位老师多节课的提问层级、无效提问占比、追问深度形成趋势，改进前后可以对比，教研组长也能据此安排帮扶。
03 区域专题教研
教研员按「有效提问」等专题汇总多校课例，形成区级基线和优秀追问片段库，让一次展示课的结论沉淀为区域资产。
反思
结语
做知了评课最大的体会是：B 端 AI 产品的价值，不在于模型能算出多少指标，而在于这些指标能不能进入真实的教研流程。 老师要的不是一个分数，而是能拿去和同事讨论的证据；学校要的不是统一标准，而是能装下自己理念的工具； 一份报告要能发出去、被打开、被讨论，才算真正被用上。
所以在每一个设计决策里，我都尽量让 AI 退到证据后面：结论绑定原片，标准交给学校，建议落到下一节课。 上师大附小那场教研让我确认，当诊断可看见、可讨论、可行动，老师是愿意用它来改课的。