录播系统记录课堂全过程，是教学资源积累的早期方式。随着AI视频分析技术的成熟，技术与教育更深入的融合，教育信息化2.0对常态化录播系统提出了更高的要求，记录只是信息技术在课堂教学应用的开始。
将从常态化录播面临的挑战、AI升级录播的关键技术、AI升级录播的4个方面，阐述AI如何升级常态化录播，为教育工作者提供参考。
常态化录播面临的挑战
课堂录播为整堂课的视频录制和播放提供支持，但面对数据驱动教学教研的需求，常态化录播存在以下2点局限：
1、回顾课堂视频费时费力
一堂课通常有45分钟，教师或管理者在复盘/回顾课堂视频时需要花费大量时间，却得不到直接有效的结果。这使教师使用录播进行教学研究、学情分析的积极性大打折扣。
2、缺少数据作为教研依据
除了整堂课的视频没有标记（如课堂视频在某个时间段涉及的相关知识点）、回顾费时费力以外，常态化录播只有录制和播放功能，不能提供数据分析作为教研、教学管理的依据。
AI升级常态化录播的关键技术
1、基础教育知识图谱
知识图谱一般分成通用知识图谱和领域知识图谱，基础教育知识图谱属于领域知识图谱。基础教育知识图谱的构建有准确性、全学科、全覆盖、可用性四个方面的要求。
准确性要求图谱中的基础教育知识必须准确，其知识来源必须是教材等权威资源；全学科要求图谱必须覆盖中国K12教育的主要九门学科（语文、数学、英语、历史、地理、政治、生物、物理、化学）；全覆盖要求每门学科的知识必须覆盖教育部颁布的学科课程标准中规定的全部知识点；可用性指图谱中的知识检索与访问效率要足够高。
2、专注力分析
专注力可以反映出学生是否进入学习状态。传统课堂，老师通过提高音量、增加互动、改进内容等方式提高学生的专注力，但由于教学任务重、班级人数多、精力有限，老师无法细致地了解每位学生每堂课的专注力情况。
伴随式采集课堂教学视频后（不干扰课堂教学），通过头部姿态估计技术，推断出学生头部在三维空间的姿态参数，建立头部三维空间姿态模型，通过头部姿态在不同坐标系之间的相互转换，判断学生群体的头部朝向。
再利用头部姿态追踪人眼的视线方向，对汇总数据进行二次分析，从而计算出学生的社交专注保持力，这也是目前学习认知领域的分析技术。
3、情感计算
1997年，MIT（麻省理工）媒体实验室的Rosalind Picard教授提出了“情感计算”的概念，她把“情感计算”定义为：针对人类的外在表现，能够进行测量和分析并能对情感施加影响的计算。事实证明，情感计算与认知研究密不可分。
在课堂场景中，利用深度学习算法对课堂教学过程进行分析。通过采集设备获取教学过程的图像序列，利用深度神经网络检测人脸位置区域，进一步识别人脸关键点，根据教学场景的特性进行面部表情识别。然后再结合教学方法进行深度分析，帮助学校了解教师授课风格及学生情感状态变化，在此基础上进行教学指导，改进教学效果。
AI升级常态化录播的4个方面
1、从人工检索到自动标记
录播完成后，教师通过完整的课堂教学视频回顾教学内容。但是如果教师想要回顾讲到某个知识点时，学生的课堂表现，则需要来回拖动视频进度条，这是一个人工检索信息的过程，视频只完成了记录的工作，为实际使用带来了很大的困难。
利用基础教育知识图谱技术，将整堂课的关键知识点进行自动标记，由计算机代替人工，教师在回顾知识点时就会更加高效。除了标记知识点，课堂专注力、学生情感变化也能直接呈现在视频中。
2、从回顾视频到查看数据
在回顾课堂视频的基础上，利用AI技术为教师和学校管理者提供课堂专注度、师生发言明细、教师的授课模式、学生的情绪变化等数据，能提高教学复盘的效率，从回顾视频到查看数据，为教师成长、教学管理提供数据支持。
3、更有效的教学资源积累
完整的课堂视频是一种教学资源，但是这种教学资源利用难度大。利用AI技术为教师提供课堂教学视频剪辑，用短视频替代长视频，分享更使教学资源得到更有效地利用。
同时，AI技术自动提取板书、整理课堂语音笔记、提取知识点等功能，不仅让课堂教学资源得到有效积累，还可以直观、清晰地反映教师的授课逻辑。
4、量化过程性教学评价
常态化录播视频也被学校管理者用作教师教学过程的评价，管理者逐一观看录制好的课堂视频，再进行打分和评价。常态化录播只解决了时间和地点的问题，并没有从根本上解决过程性评价缺少量化数据的问题。
教育评价是量化评价与质性评价的结合，量化评价是指将评价内容化为可以量化的数据，并通过量化统计方法来分析这些数据，得到结果;而质性评价关注评价主体与客体之间的互动与理解。
过程性评价也应该从量化与质性两方面进行，AI技术为过程性评价提供了分析框架，可以帮助管理者更好地对课堂录像进行分析与理解，使过程性评价可用。