导读 从教与学的行为数据中洞察教与学的行为规律,打破现有的以经验为主、人工分析课堂教学行为,转为以大数据为支撑的智能化教学行为计算,已成为智能时代教学行为分析的重要趋势。研究从教与学行为的视角切入,梳理传统课堂教学行为分析到广义学习行为分析的历程,结合行为计算,提出教学行为可计算的概念,构建教学行为计算的通用框架,并梳理学习者与参与者、学习者与环境、参与者与学习成就、学习环境与学习成就四个研究方向。大规模教学行为数据的获取、表征、挖掘和呈现,将为实践教学提供指导,助力智能时代新型教学模式和教学过程的构建。 作者:黄荣怀1, 高博俊1, 王欢欢1, 徐晶晶2, 杜 静1 (1.北京师范大学 互联网教育智能技术及应用国家工程实验室, 北京 100875;2.陕西师范大学 现代教学技术教育部重点实验室, 陕西 西安 710062) 01 引言 02 教与学行为研究的历史演变 较为系统的行为研究始于二十世纪二三十年代,一批心理学家(如桑代克、斯金纳)从研究动物的行为开始,探索行为与结果之间的联系,尽管他们一直在研究人类的行为,但并没有用客观的工具来量化人的行为。教育学研究者虽然热衷于探索教与学的行为,但仍难以实现对学习行为的精准化识别并给予个性化的指导。对教与学行为的研究大致可分为传统课堂教学行为分析阶段和广义学习行为分析阶段。 传统课堂教学行为分析阶段始于二十世纪六七十年代。随着行为研究的不断深入,教育学者逐渐关注教学过程对学习成就的影响,形成一批较有影响力的课堂教学行为分析方法。1970年,美国学者弗兰德斯提出了弗兰德斯互动分析系统,将课堂上师生的言语行为划分为教师言语、学生言语和沉寂或混乱三类,共计10种编码[5]。早期的S-T分析法,通过现场观察或回看教学过程录像,划分学生行为(S)和教师行为(T),计算教师行为所占比例Rt和师生行为转化率Ch,最后通过绘制Rt-Ch图来确定课堂教学模式,反映课堂结构、教师风格和课堂情感氛围等信息,进而指导和改进教学[6]。国内许多学者从不同角度演化出多种版本,如改进编码过程、细化分析项目属性特别是沉寂行为、构造面向数字化学习环境或是基于教学活动理论的分析框架[7-10]。弗兰德斯互动分析系统为教学活动分析提供了量化可操作的方法,但其将课堂教学过程编码为10类行为,容易造成分析对象过于笼统,且不能细化深入分析;而我国学者的改编虽然细化了很多行为类目,但编码数量也近乎增长了一倍,不仅加重了分析编码时的负担,而且人工编码仍存在误差较大的问题。 广义学习行为分析阶段源自大数据概念的兴起。基于教育大数据的学习行为分析催生出学习分析技术,并将其推向研究的前沿。2011年,美国新媒体联盟(NMC)首次在《地平线报告》中提出学习分析将成为影响未来教育变革的新兴技术[11]。学习分析技术旨在运用已有的算法和模型深度理解学习者的学习过程和行为,进而对教学进行评估、预测和干预[12]。顾小清团队提出在线学习行为分析模型,分别从数据、机制、结果三个层面进行探讨,并建立及时反馈和预测机制,通过结果可视化便于教师、家长和管理层实施教学干预[13]。武法提团队构建数字化学习环境下个性化学习行为分析模型,对学习者个人特征数据、社交网络数据、身体数据、课程数据、学习环境数据等进行数据挖掘和可视化,通过个性化和自适应引擎调整和反馈学习状态[14]。以上两种分析方法与传统课堂教学行为分析的不同之处主要体现在:第一,分析颗粒度越来越细,分析结果越来越精准;第二,编码方式从人工的和非实时的转变为自动化的和实时的,在减少教师工作量的同时,提升了分析结果的稳定性和准确性;第三,分析对象从类型单一且小规模的数据转变为多模态且海量的数据;第四,分析深度从仅仅识别行为的浅层外显特征到深入理解行为的模式、演变规律,并推测行为背后的动机等内在意义;第五,分析的重点从“教”转到了“学”。 03 技术发展与情境拓展呼唤教学行为的计算 04 教学行为计算的内涵 教学行为是具体的可操作的行动方式,是教师的教学理念、专业知识、专业情意、实践智慧等内隐素质的凝聚和外显,教学行为的主体是教师[16]。学习行为是学习者在某种动机指引下为获得某种特定学习结果而选择各种各样的手段去实现学习结果的活动的总和[17]。单一从教师教学和学生学习的视角诠释教与学的行为,都难以支持多情境与多场域的教学分析和教学互动诉求。在教学实践中,教与学无法割裂,因此,研究教学行为既应包括教和学的行为,更应关注教与学交互的行为。正如《教育大辞典》中对教学行为的界定,教学行为是指教学过程中,为达到一定的教学目的,教师和学生所采取的行为[18],不仅包括教师与学生之间的相互作用、学生之间的相互作用,还包括教师、学生与整个教学环境的相互作用。 教学行为计算的概念可追溯到宾夕法尼亚大学计算行为科学实验室对于计算行为研究的界定:使用行为实验和计算建模来研究人们如何思考、判断和决定[19]。该领域聚焦行为计算,主要通过对行为数据的获取、表征、挖掘,实现深度理解和发现行为智能,最终支持决策,并服务于应用和管理行为[20]。依据教学行为和行为计算的概念,教学行为计算可被认为是通过对信息技术支持的教与学过程中,师生行为、师生互动以及师生与环境交互等数据进行获取、表征、挖掘,发现教学行为的特征及规律,深度理解教学过程,既有效服务于教学设计、组织、管理、评价,又能支撑学习资源的精准推送和智能教学系统的研发与部署。教学行为计算不但要计算稳定的习惯性行为,还要关注偶发性的异常行为,异常行为的出现预示特殊的教与学状态,需要教师及时的关注与反馈。 教学行为计算以教学行为为中心组织数据,依据行为的多维度属性进行数据建模,深度理解行为的模式、驱动因素、发展机制和潜在影响,通过对大规模实时数据的采集、处理和分析,为实践教学提供指导,优化教学活动的设计与实施,助力智能时代新型教学模式和学习过程的构建。 05 教学行为计算的逻辑模型 在大数据兴起的背景下,为更好地支持教学行为分析,提出教学行为计算的通用框架。该框架建立在一般行为计算[21]过程的基础上,主要包含三个部分:从与教学行为相关的应用和领域中获取数据;教学行为的表征与推断、行为数据的挖掘与分析;计算结果的呈现与应用,如图1所示。 从与教学行为相关的应用和领域中获取数据,涉及教学行为发生的几个重要情境,如课堂教学、有组织的自学和协作探究学习等。数据主要来源于物理环境和虚拟环境。在物理环境中,师生的言语、动作、沉寂等行为产生了多样的数据,可通过脑电、眼动等可穿戴设备、智能摄像头等智能终端进行捕捉抓取。在虚拟环境中,对于问题解答、信息浏览、加工、发布、交流等行为数据[21],可通过在线学习管理系统、智能教学系统、社交网络平台等获取。随后,对获取的数据进行预处理和存储。预处理包括数据清洗和数据集成。数据清洗包括处理噪声数据、无关数据和缺失值等[22],确保数据的有效性。数据集成是将不同来源和形式的数据,根据其相关性,按照学习者与参与者、学习者与环境、参与者与环境三个大类进行集成。存储环节是将集成后的教学行为数据按照数据在结构上的特点(结构化数据、半结构化数据和非结构化数据)进行存储,为后续的计算分析做准备。 图1 教学行为计算通用框架 06 教学行为计算的四个主要研究方向 教学行为计算研究的核心是各种教学交互行为及其影响,教学交互是在学习活动中,学习者为了对知识进行正确的意义建构,与学习环境之间的相互交流和相互作用[23],其内涵为发生在学习者、参与者和学习环境之间的活动,如图2所示。按照抽象程度的差别,教学交互分为不同的层次,交互的层次和质量对学习过程和结果均有重要影响,是考量教学效果的重要指标[24]。随着学习环境形态的演进,技术对教学互动的支持手段越来越丰富。对交互本身及交互涉及的各类因素之于学习成就的影响相关问题的关注、应用和研究也越来越广泛。 图2 教学行为计算的核心和四个研究方向 学习者与参与者的互动可以激活学习者内部的多种机制,最终促使学习发生并取得学习成就,是行为计算的重要研究领域,主要包含学习者与教师、学习者与同伴间的互动。典型的研究主题包括构建分析工具、探索互动过程的特征、发现互动行为的类型和模式、评价互动效果、探索影响互动的因素、解释互动的动力机制、构建课堂互动理论和对未来发展趋势的探讨等八类 [25-26]。围绕着上述研究主题,定量研究方法、定性研究方法和混合型研究方法被广泛使用。研究的结果被用于理解学习者与参与者的行为和其中的情感、思维,识别课堂互动和其他课堂结构要素之间的关系,评估教学效果,发现教学的普遍规律,优化课堂互动模式,最终提升教学效果。 基于对已有研究问题的分析,我们认为,未来的研究将包含学习者在线互动行为数据库的建立,从而加强对互动中隐性和深度信息的分析。研究样本的选取应该均衡、合理,分析尽可能建立在海量数据的基础上[27],在不同学科教学的情境中进行分析,增加对跨时空互动的动态分析和比较研究。此外,还可以分析学习者行为的变化趋势,增强结论的可靠性。同时,注意采用多种方法和工具进行研究[28]。 学习者与学习环境的有效交互能够拓展学习经验、建构知识、提升学习效果。该方向的研究聚焦五大主题,包括交互分析框架和流程的构建、学习环境的开发、理论框架研究、学习者和环境交互的特征及影响因素研究、学习者的情感和心理过程研究[29-33]。上述研究使用的研究方法有内容分析法、相关分析法、分类分析法、聚类分析法和案例研究法等。交互分析结果可以用来发现学习环境中学习行为模式的差异性和相似性,推测不同环境中的学习习惯,为学习过程涉及的各相关方提供参考,为教学干预提供依据,实现个性化学习。 基于已有的研究问题,未来交互学习环境的开发和研究应考虑以下四个方面:(1)从系统观视角看,以学习者为中心,关注学习者、学习环境和其他参与者之间的多方互动,从而使学习环境与教师和学生无缝衔接;(2)从技术视角看,进一步增强语音和图像识别精度,聚焦这类技术在特定学习环境中的情境化处理,支持多模态交互,降低认知负荷;(3)从教学视角看,应更加注重学习者在交互环境中切实的学习效果,确保学生的活动和学习概念的一致性;(4)从研究视角看,应扩大数据规模,从而增强研究结论的信度和效度。 人际互动对学习绩效具有显著影响,而这种影响也是评价参与者与学习者互动效果、衡量互动是否成功的重要着眼点。该方向主要的研究主题包括:不同类型的参与者对学习成就的影响、与参与者的互动对学习成就的影响、互动对学习成就的细分领域的影响以及对不同因素如何影响学习成就各细分领域的综合建模研究[34]。上述研究主题常用的研究方法有观察法、问卷法、实验法、准实验法和统计分析法。参与者对学习成就的影响研究能够明确参与者如何影响学习,以及他们具体影响学习的哪些方面和影响程度,从而引导教师更有效地与学生互动,帮助教师设计有效促进学习的同伴互动。 考虑到参与者对学习影响所呈现出的复杂性,建议研究者可以关注学习者和参与者关系内涵和外延的复杂性和多元性,考虑参与者对学习影响的各类介质性因素,采用多元研究范式,在不同类型的学习环境中进行研究。着力于从实际教学过程或者互动过程中产生的真实问题,关注微观的、深层的教学互动问题,扩大数据规模,从而进行深入研究。 丰富的交互环境有助于学习者进行有效的交流并影响学习。该方向典型的研究主题包括:学习者对学习环境的感知与学习成就的关系研究、学习环境中的不同因素对学习成就的影响及其建模研究、不同类型学习环境影响的比较研究 [35-36]。主要涉及的研究方法有实验法、问卷法、观察法以及综合使用多种方法的混合型研究。研究的结果能够指明学习环境中的哪些因素以何种方式影响学习成就,从而支持学习环境的创建和优化、教师对教学活动的安排以及学校对学习环境的管理。 在学习环境的创建和优化方面,在构建技术支撑的复杂性学习环境时要重视教学设计和教学策略的使用,构建虚实结合的学习共同体,注意对教师转化角色的支持,为学习者提供良好的学习体验。同时,智能学习环境提供给学习者的支持要与学习者的个性特征相适应。在研究内容方面,除了关注学习环境对认知领域学习成就的影响外,还要注重考察学习环境对学习者情感等多维度的影响,深入探索潜在的中介性因素对学习环境和学习成就之间的影响协调机制,通过延长研究周期和扩大数据规模来增加结论的可靠性。 07 结语 与教学行为计算相关的研究在取得突出成果的同时,仍存在以下五个方面的问题:第一,对于教学互动行为相关的基本概念、理论基础和评价标准,学界尚未完全达成共识,没有形成统一的理论体系;第二,构建互动分析模型的研究较多,而验证模型的可操作性和可推广性的研究较少;第三,当前对教与学行为的分析多集中在对参与者之间互动的显性分析,对深度互动的挖掘不够;第四,多数研究样本抽样不够全面、总量偏小、实验周期较短,所得出的结论可推广性和解释力有限;第五,数据分析的工具和手段有待进一步多样化,当前国内运用质性工具系统化研究互动分析的较少。对于教学行为研究和行为计算对教育过程的重塑潜力以及当前研究中仍然存在的问题和挑战,特别是教学行为计算的四个研究方向涉及的研究主题,我们将进一步展开研究和实践工作。 [参考文献] [1]郁晓华,顾小清.学习活动流:一个学习分析的行为模型[J].远程教育杂志,2013,31(4):20-28. [2]王策三.教学论稿[M].2版.北京:人民教育出版社,2005:87. [3]黄荣怀,周伟,杜静,孙飞鹏,王欢欢,曾海军,刘德建.面向智能教育的三个基本计算问题[J].开放教育研究,2019,25(5):11-22. [4]胡钦太,张晓梅.教育信息化2.0的内涵解读、思维模式和系统性变革[J].现代远程教育研究,2018(6):12-20. [5]FLANDERS N. Analyzing teacher behavior[M].MA:Addison-Wesley,1970:107. [6]傅德荣,章慧敏,刘清堂.教育信息处理[M].2版.北京:北京师范大学出版社,2011. [7]顾小清,王炜.支持教师专业发展的课堂分析技术新探索[J].中国电化教育,2004(7):18-21. [8]方海光,高辰柱,陈佳.改进型弗兰德斯互动分析系统及其应用[J].中国电化教育,2012(10):109-113. [9]谢幼如,王芹磊,彭丽丽,李冠杰.精品视频公开课的教学特征与师生行为研究[J].电化教育研究,2013,34(10):90-96. [10]穆肃,左萍萍.信息化教学环境下课堂教学行为分析方法的研究[J].电化教育研究,2015,36(9):62-69. [11]赵以霞,王鑫,金昆,张鹏.国内大数据环境下学习分析技术研究路径及趋势分析[J].现代教育技术,2019,29(8):34-40. [12]顾小清,刘妍,胡艺龄,等.学习分析技术应用:寻求数据支持的学习改进方案[J].开放教育研究,2016,22(5):34-45. [13]胡艺龄,顾小清,赵春.在线学习行为分析建模及挖掘[J].开放教育研究,2014,20(2):102-110. [14]武法提,牟智佳.基于学习者个性行为分析的学习结果预测框架设计研究[J].中国电化教育,2016(1):41-48. [15]CUKUROVA M,LUCKIN R,CLARK-WILSON A. Creating the golden triangle of evidence-informed education technology with EDUCATE[J].British journal of educational technology,2019,50(2):490-504. [16]段作章.论教学行为的内涵与特点[J].教育科学研究,2015(2):27-31. [17]李松林.课堂教学行为分析引论[J].教育理论与实践,2005(7):48-51. [18]顾明远.教育大辞典[M].上海:上海教育出版社,1998:721. [19]Computational Behavioral Science Lab. Behavior [EB/OL].(2019-11-03)[2019-11-04].http://web.sas.upenn.edu/cbs-lab/publications. [20]CAO L, PHILIP S Y. Behavior computing:modeling, analysis,mining and decision[M]. London:Springer,2012:30-32. [21]刘中宇,周晓.行为科学理论指导下的高校大学生网络学习行为研究[J].中国电化教育,2008(5):46-48. [22]王改花,傅钢善.网络学习行为与成绩的预测及学习干预模型的设计[J].中国远程教育,2019(2):39-48. [23] 陈丽.术语“教学交互”的本质及其相关概念的辨析[J].中国远程教育,2004(3):12-16. [24] 卢婷.智慧学习环境下的教学深度交互研究[D].徐州:江苏师范大学,2017. [25]魏志慧,陈丽,希建华.网络课程教学交互质量评价指标体系的研究[J].开放教育研究,2004,10(6):34-39. [26]谢幼如,宋乃庆,刘鸣.网络课堂协作知识建构的群体动力探究[J].电化教育研究,2009(2):55-58. [27]何克抗.“学习分析技术”在我国的新发展[J].电化教育研究,2016(7):5-13. [28]朱彩凤,柴唤友,周雪,孙晓军.混合学习环境中主动性人格和人际交互与学习绩效的关系研究[J].中国远程教育,2019(8):68-78. [29]何聚厚,黄秀莉,韩广新,等.VR教育游戏学习动机影响因素实证研究[J].电化教育研究,2019(8):70-77. [30]蒋双双,王卫军.协作式在线课程交互设计研究——以“教育传播原理”为例[J].中国远程教育,2018(5):35-44. [31]田阳,陈鹏,黄荣怀,等.面向混合学习的多模态交互分析机制及优化策略[J].电化教育研究, 2019(9):67-74. [32]MEGAHED M,ASAD A,MOHAMMED A. Data on learners emotional states,mental responses and fuzzy learning flows during interaction with learning environment[J]. Data in brief,2019,25:104378. [33]KOKKU R,SUNDARARAJAN S,DEY P,et al. Augmenting classrooms with AI for personalized education[C]//2018 IEEE International Conference on Acoustics, Speech and Signal Processing. Piscataway:IEEE,2018:6976-6980. [34]KANG M,IM T. Factors of learner-instructor interaction which predict perceived learning outcomes in online learning environment[J]. Journal of computer assisted learning,2013,29(3):292-301. [35]李洪修,李美莹.基于虚拟现实环境的深度学习模型构建[J].中国电化教育,2019(9):68-73. [36]张屹,祝园,白清玉,李晓艳,朱映辉.智慧教室环境下小学数学课堂教学互动行为特征研究[J].中国电化教育,2016(6):43-48. Behavioral Computing Based on Perception of Teaching Process HUANG Ronghuai1, GAO Bojun1, WANG Huanhuan1, XU Jingjing2, DU Jing1 (1.National Engineering Laboratory for Cyberlearning and Intelligent Technology, Beijing Normal University, Beijing 100875; 2.Key Laboratory of Modern Teaching Technology of Ministry Education, Shaanxi Normal University, Xi'an Shaanxi 710062) [Abstract] It has become an important trend to analyze teaching behaviors in the intelligent age to discover the behavioral laws of teaching and learning from the behavioral data of teaching and learning, break the existing experience-based, manual analysis of classroom teaching behavior, and turn to intelligent teaching behavior computing supported by big data. From the perspective of teaching and learning behavior, combined with behavior computing, this study combs the history form the traditional classroom teaching behavior analysis to broad learning behavior analysis, proposes the concept of computable teaching behavior and constructs a general framework of teaching behavior computing. Then, this study recommends four research directions of learners and participants, learners and environments, participants and learning achievement, and learning environments and learning achievement. The acquisition, characterization, mining and presentation of large-scale teaching behavior data will provide guidance for practical teaching and help construct new teaching models and teaching processes in the intelligent era. [Keywords] Teaching Behavior; Teaching Behavior Computing; Intelligent Education; Teaching Process 基金项目:国家社会科学基金“十三五”规划2019年度教育学重点课题“人工智能与未来教育发展研究”(课题编号:ACA190006) [作者简介] 黄荣怀(1965—),男,湖南益阳人。教授,博士,主要从事智慧学习环境、教育信息化、协作学习等研究。E-mail:huangrh@bnu.edu.cn。高博俊为通讯作者,E-mail:gaobojun@mail.bnu.edu.cn。 |
|