基于 CSV 数据分析的课堂教学问题诊断与改进建议系统

在教育数字化转型的背景下，通过量化数据分析课堂教学行为、评估教学质量已成为提升课堂效率的重要手段。本文将分享一个基于 Python 实现的课堂教学问题诊断系统，该系统能够读取 CSV 格式的课堂评估数据，对比待测课与优质课的各项指标占比，借助大语言模型自动生成问题分析报告和改进建议。

一、系统设计思路

本系统核心目标是通过结构化的 CSV 数据解析，提取课堂教学的关键维度指标（师生行为、关键能力、关键行为、情感体验），对比待测课与优质课的指标差异，最终生成有针对性的问题分析和改进策略。整体流程分为三个核心环节：

1. 数据解析：读取不同维度的 CSV 数据，提取标准化的指标占比；
2. 数据对比：构建待测课与优质课的指标字典，明确差异点；
3. 智能分析：调用大语言模型，基于指标差异生成问题分析和改进建议。

二、核心代码实现

1. 环境准备与类初始化

首先需要安装依赖库，并初始化核心类，配置 API 密钥和 CSV 文件路径（本文使用阿里云通义千问兼容 OpenAI 接口的模式）。

import openai
import json
import csv
import os
from typing import Dict, List, Tuple
import re

class ProblemImprovement:
    def __init__(self, api_key=None, csv_files=None, weight_file_path=None):
        self.api = api_key
        # 配置通义千问兼容OpenAI的客户端
        self.client = openai.OpenAI(
            api_key=self.api,
            base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")
        # 定义课堂评估的核心维度与指标
        self.indicators = {
            '师生行为': ['全班讲解', '个别指导', '教师巡视', '学生听讲', '学生回答', '学生做题', '小组活动',
                         '汇报展示'],
            '关键能力': ['知识理解', '表达交流', '实践应用', '创造迁移'],
            '关键行为': ['陈述', '提问', '回答', '反馈', '管理'],
            '情感体验': ['积极', '中性', '消极', '积极', '中性', '消极', '积极']
        }
        self.weight_file_path = weight_file_path
        self.csv_files = csv_files

2. CSV 数据解析核心方法

CSV 文件中存储了课堂各维度的指标占比和优质课参考值，需要针对性解析不同维度的数据（以师生行为数据解析为例）：

def extract_teacher_student_data(self, file_path: str) -> Dict[str, List[float]]:
    """提取师生行为数据，返回待测课和优质课的指标占比（小数形式）"""
    result = {'test': [], 'quality': []}
    try:
        with open(file_path, 'r', encoding='utf-8') as file:
            # 处理BOM字符，避免表头解析错误
            content = file.read()
            content = content.lstrip('\ufeff')
            reader = csv.reader(content.splitlines())
            headers = next(reader)

            # 查找占比和优质课列的索引
            ratio_index = -1
            quality_index = -1
            for i, header in enumerate(headers):
                if '占比' in header:
                    ratio_index = i
                elif '优质课' in header:
                    quality_index = i

            if ratio_index == -1 or quality_index == -1:
                raise ValueError("找不到占比或优质课列")

            # 读取二级指标数据并标准化为小数
            for row in reader:
                if len(row) > max(ratio_index, quality_index) and row[1] == '二级指标':
                    try:
                        test_value = float(row[ratio_index].strip().rstrip('%'))
                        quality_value = float(row[quality_index].strip().rstrip('%'))
                        result['test'].append(test_value / 100)  # 转换为小数
                        result['quality'].append(quality_value / 100)  # 转换为小数
                    except (ValueError, IndexError):
                        continue

    except Exception as e:
        raise Exception(f"提取师生行为数据时出错: {str(e)}")
    return result

该方法的核心逻辑：

• 处理 CSV 文件的 BOM 字符，避免编码问题；
• 动态查找 "占比" 和 "优质课" 列的索引，适配不同格式的 CSV 文件；
• 过滤二级指标行数据，将百分比转换为小数，便于后续计算和对比。

3. 构建指标对比字典

将各维度的解析结果整合为结构化的字典，键为具体指标（如 "全班讲解""知识理解"），值为对应的占比：

def get_dict(self) -> tuple:
    """从四个CSV文件读取课堂评估数据，返回待测课和优质课的指标占比字典"""
    try:
        # 初始化向量字典
        test_vectors = {}
        quality_vectors = {}

        # 处理师生行为数据
        if '师生行为' in self.csv_files and os.path.exists(self.csv_files['师生行为']):
            behavior_data = self.extract_teacher_student_data(self.csv_files['师生行为'])
            test_vectors['师生行为'] = behavior_data['test']
            quality_vectors['师生行为'] = behavior_data['quality']

        # 处理话语功能（关键能力）、话语形式（关键行为）、情感体验数据（逻辑类似，略）
        # ...

        # 构建最终的指标字典
        test_dict = {}
        quality_dict = {}
        # 按照预设指标顺序匹配数据
        for dimension, indicators_list in self.indicators.items():
            if dimension in test_vectors:
                test_values = test_vectors[dimension]
                for i, indicator in enumerate(indicators_list):
                    if i < len(test_values):
                        test_dict[indicator] = test_values[i]
            if dimension in quality_vectors:
                quality_values = quality_vectors[dimension]
                for i, indicator in enumerate(indicators_list):
                    if i < len(quality_values):
                        quality_dict[indicator] = quality_values[i]

        return test_dict, quality_dict

    except FileNotFoundError as e:
        raise FileNotFoundError(f"找不到必要的数据文件: {str(e)}")
    except Exception as e:
        raise Exception(f"读取数据时出错: {str(e)}")

4. 调用大模型生成问题分析

基于指标对比字典，构造提示词调用大语言模型，生成结构化的问题分析报告：

def get_problem_analysis(self) -> str:
    """获取问题分析部分"""
    test_dict, quality_dict = self.get_dict()

    # 构造精准的提示词，约束输出格式和内容
    prompt = f"""
# 任务
你的核心任务是通过对比待测课和优质课的指标占比，对课堂教学中存在的主要问题和不足进行分析。

# 输出要求
通过对比待测课和优质课的指标占比，分析课堂教学中存在的主要问题和不足。具体为："数据表明，本节课各项指标表现...，但在...仍有一定的改进空间。例如，...环节虽...，但...，该环节...占比低于优质课，...。在...层面，虽然...，但...，...，特别是...有待加强。...环节主要是...，...类话语较少，表现为...，缺乏...。此外，..."

# 关键要求
- 背景要求: 必须先对比待测课和优质课的指标占比，了解该课堂中老师采用的教学方式，以及学生的学习情况。
- 结构要求: 必须以4个空格开头实现首行缩进。
- 内容要求: 必须生成一个内容完整连贯的段落，不准分段。
- 格式要求: 严禁使用任何形式的列表、分点符号或JSON格式。

# 对比数据
待测课指标占比: {test_dict}
优质课指标占比: {quality_dict}
"""

    try:
        response = self.client.chat.completions.create(
            model="deepseek-v3",
            messages=[
                {"role": "system", "content": "你是一个擅长对课堂进行问题分析的分析助手。"},
                {"role": "user", "content": f"{prompt}"}
            ],
            max_tokens=1500,
            temperature=0.5
        )

        response = response.choices[0].message.content.strip()
        return {"status": "success", "problem_analysis": response}

    except Exception as e:
        return {"status": "error", "error_message": str(e)}

5. 生成改进建议

基于问题分析结果，进一步生成可落地的改进建议，核心逻辑与问题分析类似，但调整提示词聚焦 "解决方案"：

def get_improvement_suggestions(self) -> str:
    """获取改进建议部分"""
    test_dict, quality_dict = self.get_dict()
    problem_analysis = self.get_problem_analysis().get("problem_analysis", "")

    prompt = f"""
# 任务
针对课堂教学的问题分析结果提出具体的改进策略和实施方案。

# 输出要求
- 内容要求: 都是小标题+具体改进建议的形式，使用（一）（二）等中文序号。
- 格式要求: 严禁使用其他列表形式、分点符号或JSON格式，最多允许一个换行。

# 输入数据
待测课指标占比: {test_dict}
优质课指标占比: {quality_dict}
问题分析结果: {problem_analysis}
"""
    # 调用大模型逻辑（与问题分析类似，略）
    # ...

三、系统使用示例

if __name__ == "__main__":
    # 配置API密钥和CSV文件路径
    API_KEY = "你的API密钥"
    csv_files = {
        '师生行为': r".\doc\师生行为.csv",
        '话语形式': r".\doc\话语形式.csv",
        '话语功能': r".\doc\话语功能.csv",
        '师生情绪': r".\doc\师生情绪.csv"
    }

    # 创建实例并运行
    problem_improvement = ProblemImprovement(api_key=API_KEY, csv_files=csv_files)
    try:
        problem_analysis = problem_improvement.get_problem_analysis()["problem_analysis"]
        improvement_suggestions = problem_improvement.get_improvement_suggestions()["improvement_suggestions"]
        print("=== 课堂教学问题分析 ===")
        print(problem_analysis)
        print("\n=== 改进建议 ===")
        print(improvement_suggestions)
    except Exception as e:
        print(f"执行失败: {str(e)}")

四、系统亮点与扩展方向

1. 核心亮点

• 数据适配性强：支持不同格式的 CSV 文件，自动处理 BOM 字符、列名模糊匹配，兼容百分比格式数据；
• 结构化输出：通过精准的提示词工程，约束大模型输出格式，避免杂乱的非结构化文本；
• 维度全覆盖：涵盖师生行为、关键能力、关键行为、情感体验四大核心维度，分析全面。

2. 扩展方向

• 权重配置：引入指标权重文件，支持不同学科、学段的权重自定义；
• 可视化展示：结合 Matplotlib/Plotly 将指标对比结果绘制成图表，直观呈现差异；
• 批量处理：支持多份课堂数据的批量分析，生成汇总报告；
• 本地化部署：对接本地化大模型，避免数据外发，提升安全性。

五、总结

本系统通过 Python 实现了课堂教学数据的自动化解析与智能分析，将量化数据与大语言模型的自然语言生成能力结合，既能精准定位课堂教学的问题点，又能输出可落地的改进建议。该方案可广泛应用于教师教学反思、学校课堂质量评估、教研活动等场景，为教育教学质量提升提供数据化、智能化的支撑。

在实际应用中，可根据具体的课堂评估体系调整indicators字典的指标定义，优化提示词以适配不同的教学场景（如小学、中学、不同学科），进一步提升分析结果的精准性和实用性。