|
教学行为分析是教学研究的一项重要内容，可为教学过程性评价与精准教学服务提供参考与依据。国内外有关教学行为分析的文献样本，从时间分布、研究主题和主题共现等多角度，呈现出教学行为分析的研究现状。在此基础上，面向教学的具体过程，基于数据科学视角，对教学行为的过程性分析框架展开的探讨，可以分析不同情形下教学行为分析方法的合理选择，把握新时期教学行为分析的发展趋向。经研究发现：互联网、大数据和智能技术的发展，对教学行为分析的影响日益凸显；教学主体、教学情境、教学行为与分析方法等方面，是教学行为分析关注的重点。基于此，教学行为分析应以过程性数据为基础，重视多模态数据的采集分析与行为分析方法在不同数据形态下的适切运用，以形成从数据到结论的全链条输出。因此，教学行为分析应立足过程性行为数据，聚焦多模态智能计算，通过“关联”与“因果”探究行为背后的作用机制，不断推动研究结论服务于教学实践和科学决策。 1 引言 教学行为分析是教学过程研究与评价的重要内容，也是促进教师专业发展[1]、学生个性化学习[2]和教育教学改革[3]的重要途径。在传统的教学行为分析中，研究者通常处于单一课堂情境中，运用行为理论和教学原理，通过观察、问卷调查和经验分析等方式，分析教学的主客体行为及其各要素之间的特征、表现和内部转化关系，进而揭示教学行为与师生个体的发展规律[4]。随着互联网、智能设备、社交媒体等相继问世，教学情境已从课堂拓展至线上空间，使教与学全过程行为的数据化成为可能。同时，教育大数据应用为教学研究提供了新的范式，促使教学研究从以往基于观察、经验的方式，转向基于数据揭示教学规律的探究。因此，如何从数据科学视角出发，基于教与学的全过程数据进行教学行为的计算，成为当前的研究热点。其对于实现精准化、个性化的教学服务和学习评价，具有重要的实践价值。 本研究在对已有研究进行文献回顾的基础上，从时间分布、研究主题和主题共现等多维度，剖析教学行为分析的研究现状。基于文献分析，梳理不同教学情境的行为关联要素，进而从数据科学视角探讨教学行为的过程性分析框架，用以分析不同情形下教学行为分析方法的合理选择。最后，预测教学行为分析的发展趋势，思考未来教学行为分析应当关注的焦点，并提出一些研究建议。 2 教学行为分析的研究现状 （一）研究对象选取教学行为是指为达到一定教学目标，教师和学生在教学过程中所采取的行为，主要关注教师与学生的相互作用，包括教授（学）行为与学习行为两类[5]。本研究以“中国知网”（CNKI）为数据源，选取与教学行为分析的相关CSSCI期刊文献作为国内研究样本。检索主题为“教学”或“学习”或“课堂”或“在线”有关“行为分析”的文献，检索时间截至2019年底，共得到272篇文献。通过逐条分析检索结果，去除部分关联性低的文献，最终得到202篇作为国内期刊的有效文献样本。 国外的研究样本选自Web of Science（WOS）核心合集，使用检索式TS=（（“teaching behavior*”OR“instructional behavior*”OR“learning behavior*”）AND（“analy*”OR“research*”）），语种选择“English”，文献类型为“Article”，索引类型为“SSCI”。由于WOS数据库收录的SSCI期刊是从2000年开始的，因此，检索的时间区间为2000-2019年。同时，精炼类别限定为“EDUCATION EDUCATIONAL RESEARCH”，所得文献267篇。经人工逐条筛选，剔除部分关键词缺失以及与研究主题无关（学习材料、学习策略、教学模式和学习界面设计等）的文献后，获得国外有效文献样本164篇。 （二）文献时间分布从图1国内教学行为分析文献的时间分布情况可看出，20世纪末教学行为分析研究逐步出现，如俞国良在1999年从心理学视角研究了教学行为与教学效能感、教师专业发展之间的关系[6]。在研究方法上，研究者对教学行为的分析，早期以主观质性分析为主，研究总体进展相对缓慢。此后，网络教学平台[7]和线上学习形式[8]的发展，促使研究者对教学行为分析突破了以往的课堂教学维度，拓宽了教学行为分析的研究范围；同期，全球范围内的慕课（MOOC）兴起，进一步推进教学行为分析相关研究工作的发展[9]。因此，自2008年后，对教学行为分析的研究进入快速发展阶段，研究文献的数量有了明显提升。尤其是近三年来，随着“互联网 教育”[10]、智慧教育[11]等新型教育模式持续涌现，教育信息化受到国家层面的重点关注，基于交互行为的智能化分析方法与模型，成为新一轮研究热点，每年都会有相对稳定（≥20篇）的研究成果问世。  国外教学行为分析研究的时间分布情况与国内大致相同，如图2所示。2000年，波特拉克（P.Potrac）等[12]从人文视角对体育训练辅导教学进行了行为分析与解释研究。在早期教学行为研究中，教师效能测量[13]、学习成绩归因[14]等是国外研究者的关注焦点。此后，在信息和通信技术（ICT）的发展推动下，对教学行为分析的研究得以快速增长。同时，大数据技术[15]的发展和成熟，也为教育教学研究带来了新的挑战与机遇，教学行为分析的作用日益凸显。近五年来，学习分析和教育数据挖掘[16]等智能技术与教育的融合发展，为教学分析研究指明了发展方向，促使深度、智能的学习分析成为可能，由此，带动教学行为分析研究的热度持续上升。从综合整体趋势来看，当前的教学行为分析研究正处于热度高涨的发展阶段，后续的相关研究或将持续增长。  （三）研究主题分析文献的关键词是研究主题的重要体现。为了解国内外教学行为分析的主题现状，我们对有效样本的关键词进行了聚类分析。将国内的202篇文献经预处理剔除检索词“教学行为分析”后得到的53个高频关键词（次数≥3）聚类为5个主题类别：教育阶段与学科、教学主体行为、教学发生情境、分析方法与模型和行为影响因素。各研究主题对应关键词可参见表1。  经进一步分析，我们认为，国内对教学行为分析的研究主要关注以下五个方面：（1）教学行为分析涵盖教育过程的全阶段，既包括学前教育、基础教育，又涉及职业教育、高等教育等，但总体以中学阶段为主；分析的科目呈现多样化的特征，涉及数学、英语、对外汉语、物理、生物、信息技术等不同学科。（2）就教学行为分析主体而言，已有研究主要聚焦于教师行为和活动，对学生行为的关注则相对较少。（3）教学行为的发生情境持续更迭，技术对教学的支撑和影响愈加显著，研究者对在线教学行为分析的关注度明显提升。（4）教学行为分析的方法由定性观察走向定量分析，辅助分析的手段和方式呈现自动化、可视化与智能化的趋势。同时，对教学行为分析模型的系统研究逐渐趋热，但主要的关注点是对在线学习环境的研究。（5）分析教学行为的影响因素占据已有研究的一定比重，其主要是将教学行为的优化、教学效果的提升作为研究的切入点。 我们使用同样的方法，将国外的164篇文献通过预处理后，将得到的59个高频关键词（次数≥3）聚类为5个主题类别，各主题对应关键词可参见表2。分析结果表明，国外对教学行为分析的相关研究，与国内的研究主题相比，呈现出以下不同的趋向：（1）国外的教学行为分析研究在涵盖教育各阶段的同时，将特殊教育人群也纳入了研究视野[17]；在课程学习方面，国外的教学行为分析研究在关注STEM、英语（语言）等科目的学习之外，对音乐、体育、舞蹈等课程也有涉猎。（2）学生是国外教学行为分析的主体，国外的教学行为分析研究较为强调以学生为中心以及学习的自主化、个性化；各种类型的学生学习行为和活动均为关注焦点，其中，学习者在线行为成为研究新热点。（3）教学行为的发生情境聚焦于线上环境，开放式、交互式和可移动是其主要特征；互联网、计算机等技术对线上情境的支持和中介作用凸显，呈现出由沟通媒介、协作工具向情感认知发展的趋势；与此同时，以虚拟现实、增强现实为代表的数字仿真学习情境逐渐崭露头角。（4）教学行为分析的方法主要基于线上过程性数据的量化分析，模型驱动[18]和数据驱动[19]是两类主要的辅助分析手段和方式。（5）从分析教学行为的影响因素来看，研究者在考虑教师信念、教师效能等对教学行为的影响的同时，也着眼于探讨学习动机、学习态度和学习风格等因素与学习行为之间的关联。  综上，通过分析国内外文献中的关键词，我们发现，国内外教学行为分析的研究主题呈现出以下五个特征：一是教学分析的学科范围正由科学文化类课程，拓展至体育、美育类课程，因此，面向特殊群体、边缘人群的全纳教育引发研究者的关注；二是教学行为涉及到教师与学生两类主体，既包括教师的提问、会话、组织等教的行为，又包括学生的自主、协作、探究等学的行为；三是教学情境不再限定于课堂教学，线下课堂、在线教学、网络社区、仿真实验室等多种学习空间并存；四是教学行为的分析方法复杂、多样，不再满足于课堂观察、互动编码等定性分析，逐步转向（滞后）序列分析、聚类分析和学习者建模等新型量化分析方法；五是在教学行为影响因素方面，在关注与教师绩效相关的信念、策略、评价等因素的同时，也注重对学习动机、态度、风格等因素的探究。 （四）主题共现分析在研究文献中，关键词词频统计和分类关注的是词语本身，并未剖析词语之间的关联。因此，我们进一步对高频关键词进行两两共现，若某两个关键词在一篇文献中同时出现则记为1，否则记为0，进而构建起高频关键词共现矩阵，以期揭示关键词间的内容关联和隐含寓意。基于交互式的复杂网络分析平台Gephi，绘制出共现矩阵网络，详见图3、图4。   基于高频关键词的共现矩阵网络，我们发现，网络中高频词间整体连通性较好，并具有不同程度的共现关系。其中，中心度最高的词语依次是“课堂教学”“学习分析”“内容分析”“（滞后）序列分析”“在线学习”“数据挖掘”，这说明课堂、在线教学情境和教学行为分析方法的受关注程度较高，是热点研究话题。在开展小团体分析时，我们发现，国内高频关键词间主要涉及4个小团体。而在分析小团体内部节点间关联时，我们进一步发现：（1）言语互动、技术使用等行为是国内课堂教学分析的重点，典型的数据形态包括课堂观察、教学（实录）视频；行为分析方法则主要涉及互动编码系统、矩阵分析、S-T分析等。（2）学习分析关注教师教学行为和学生学习行为，聚焦于教学行为的建模与可视化分析，适用于智慧课堂、网络课程、混合教学等多种教学情境。（3）在协作学习和在线开放课程中，内容分析与回归分析、文本分析和案例分析等方法密切关联，主要是用来提取学习者观点、分析教师的行为与特征。（4）在网络教学、信息化教学中，学习者学习成绩的预测也受到关注，通常会涉及计划行为模型、技术接受模型等。 在分析图4中国外小团体内部节点间关联时，我们发现：（1）在线讨论、同伴辅导、自主学习等在线学习行为是国外学习分析的主要关注点，学习日志和标注视频是主要的分析依据，从图4可推测个性化学习干预可能是提升学习成果、课程成效的重要手段。（2）在线学习平台的学习行为通过服务器日志、点击流数据自动记录，借助数据挖掘、聚类分析等方法抽取关联规则，可服务于个性化学习、弹性学习以及学习结果的预测。（3）滞后序列分析适用于翻转课堂、在线课程和混合学习等多种教学情境，多用于评估协作学习、问题解决中学习者的行为模式与认知风格。 基于上述分析，我们发现，在课堂和在线两种教学情境下，教学行为分析方法的使用，呈现与教学场域相对应的小规模聚集。譬如：在课堂情境中，主要涉及师生的话语互动行为，实录视频、课堂观察[20]是该情境下特有的数据获取方式。与之对应的行为分析方法有编码分析[21]、S-T分析[22]等；在网络学习空间中，学习者是主要的研究主体，系统日志、交互文本等多模态数据的加入，驱动在线学习分析的数据化、自动化与智能化发展。滞后序列分析[23]、数据挖掘[24]、日志分析[25]等，构成其行为分析的主要方法体系。同时，学习分析[26]是国内外教学行为分析关注的焦点，强调在不同情境下对教学行为的个性化建模与深层分析。譬如，课堂情境主要涉及师生互动行为，面向的是课堂学习的深度交互模型；而在线情境则更关注学习者主体，多落脚于成绩预测、行为模式、认知风格等方面。 3 教学行为分析的实践框架与方法演进 通过分析国内外教学行为分析的研究现状，我们认为，教学行为的发生情境经历了从课堂到线上再到混合的发展历程，数据形态由文本到图文声像，并呈现海量拓展的趋势，由此，可分析的教学行为内容愈加广泛。教学行为分析方法则由手动化向自动化转变，逐渐趋向客观精准与智能处理。基于上述思考，我们将从数据视角出发，探讨“教学行为的过程性分析框架”与“不同情境下教学行为分析方法的运用”这两方面内容，以此形成对教学行为分析内在逻辑的基本认识。 （一）数据驱动的教学行为分析框架由上述研究现状可知，已有研究者尝试构建用于分析教学行为的模型和工具，但教学发生情境通常限定于在线学习环境，且多数研究无法体现对教学分析的过程性描述。面对教学情境的多样化、数据形态的多源化、分析方法的差异化，给定适用各类教学情境下的教学行为分析的实践框架显得尤为重要。其可在描述和分析多种情境教学过程的同时，有效提升分析结论的科学性和准确性。我们分析发现：尽管不同教学情境下的行为关联要素存在着一定的差异，但其大体包括了教学情境、行为数据、分析方法和研究结论等要素。基于前期的研究主题与主题间共现分析，我们拟从以下四个方面对这些行为关联要素进行梳理与解释：（1）明确不同教学情境中的行为主体及其关联要素；（2）针对特定行为发生情境，通过观察记录、视频录像、平台记录和生理测量等方式，采集过程性教学行为数据；（3）结合教学管理、学习分析理论以及领域知识，采用定性或定量的方法，对教学行为数据进行分析；（4）以真实、定量的分析结果为依据，撰写研究报告，为教师、学生等提供实时的教学反馈。 第一，依据教学发生情境的差异，研究者首先应明确教学行为主体、辅助教学的技术工具等关键要素，判断教学主体和辅助要素之间的内在关联。信息时代的教与学涉及多样化的教学情境，既有师生双主体参与的传统教室，又有增添互联网、计算机等技术因素的信息化教学环境，还包括引入虚拟助理、学习平台/系统等智能要素的智慧教学环境。 第二，在明晰行为分析的特定情境及其关联要素后，研究者可以借助必要的技术或手段，获取教学主体的行为数据，主要包括资源学习数据、媒体操作数据、互动交流数据和练习评测数据等。（1）资源学习数据是指围绕资源在学习过程中产生的数据，包括浏览、标注、提问、发帖等行为；（2）媒体操作数据指在教学过程中产生的技术交互轨迹，一般可被自动记录，如，服务器日志、点击流等数据；（3）互动交流数据的来源广泛、类型多样，师生言语、交互手势、在线讨论、跟帖回复等均包含其中；（4）练习评测涉及教学效果的反馈数据，多以文本形式存在。 此外，生物特征识别技术的发展也促使学习过程中生理的信号数据获取成为可能，研究者可通过面部识别系统[27]、可穿戴设备[28]等途径，捕捉学习者的面部表情、身体姿势、眼动轨迹和脑电信号，以此分析学习者的情感状态、专注程度以及思维动态，为科学的个性化教学干预提供参考。具体来说，研究者在采集行为数据后，经由必要的数据清洗、整理，将多种数据形式、不同教学主体的行为信息，按照一定的类别或规律进行多源汇聚和统计归类，预处理后的行为数据，最终会存储于样本数据库中。 第三，由于教育实践场域的复杂性，仅遵循通用的数据分析思路，难以有效地解读教学行为。因此，研究者需要将教育理念、专家经验纳入数据驱动的教学行为分析流程中，促使领域知识与数据模型的有机融合，形成面向特定教学问题的行为分析模型。此时，教学领域的规则定义成为亟需解决的问题，其主要包括确定教育问题、选取指标体系、提取数据特征、筛选行为变量和明晰评量规则五个环节。（1）基本思路是从教育场景和亟待解决的教育问题出发；（2）在现有的教学研究成果中，选取切合教学情境的指标体系；（3）再从教学主体的行为数据中，提取表征样本的相关特征；（4）由专家对样本特征展开评估，筛选出强区分能力的特征作为行为分析变量；（5）建立教学行为类别与样本数据特征之间的映射关系，形成清晰、明确的评量规则。需要指出的是，行为建模与计算是基于教学数据的行为分析流程的核心阶段，其以教学领域已定义的规则为基准，经过模型的选择、训练、迭代优化等过程，构建出面向特定教学问题的行为分析模型。同时，研究者还需要根据教学情境与问题需求，选取合适的初始模型，输入筛选的数据特征，训练和形成教学行为识别模型。当行为识别模型构建成功后，研究者可将教学行为多模态数据作为输入变量进行自动化计算，预测出相应的教学行为状态结果。其中，各类数据统计与行为分析方法贯穿始终。 第四，研究者需结合研究目标整理和论述行为建模与计算的结果，将研究结论落脚于教学反馈与应用上，以期为教育工作者改进教学、管理者制定决策等提供支持。在结果呈现和论述方面，数据的呈现方式会影响人们对研究结果的认识与理解，因而研究者会面对不同类型的行为分析结果。对此，研究者可采取恰当的数据呈现方式对行为进行阐释。譬如：对于教学模式、课堂风格等表征结果，可采用数据矩阵[29]、图表描述[30]等统计形式进行表示；面对师生关系、行为路径等特征结果，活动序列图[31]、行为关联图[32]等可视化界面的形式，则更为妥当。 第五，在研究反馈和应用方面，对教学过程的行为分析主要表现为：师生可直观掌握教学过程中自身行为的统计数据，并以量化数据为参考，对教学过程进行反思、评价；研究者可基于研究结论，有针对性地进行“专家—新手型”教师的比较、有效学习方式的提出、教育决策的服务等。同时，技术研究者亦可依据教学现实情况，对教学情境进行优化和设计，以促进教育教学中各要素的良性循环。 综上，不同教学情境的行为关联要素通常涉及教学情境、行为数据、分析方法和研究结论等方面，基于教学过程数据的行为分析流程是实践框架的核心内容，包含着数据采集与预处理、教学领域规则定义、行为建模与计算、结果呈现与论述、研究反馈与应用五个层层递进的基本环节。结合教学情境行为关联要素以及基于教学数据的行为分析流程，我们给出数据驱动的教学行为过程性分析框架，如图5所示。可见，数据驱动的教学行为分析，是以数据密集型计算为核心的科学研究第四范式[33]为基础，通过在教学行为分析中引入数据视角和领域知识，针对不同教学情境的行为关联要素，围绕教育领域的研究问题，对教学主体的过程性数据进行收集、整理、提炼、总结规律，从而形成（智能）分析模型，最后转化为教学建议和决策洞见。  （二）教学行为的分析方法演进从课堂教学中的观察编码记录到信息化课堂的交互量化分析，行为分析方法伴随教育教学形式的更迭而持续变化。大数据时代的教学分析工作更为复杂，其涉及多样化的教学情境与数据形态。因此，针对不同的情形（教学情境和数据形态）选择适切的行为分析方法，显得尤为重要，这将直接影响教学分析的深度与研究结论的科学性。 课堂教学是教育教学中最先出现且最为重要的形式，在传统教室或信息化教学环境中，师生主要通过对话进行知识信息交流。此时，教学观察仍是课堂活动研究的主要方法，观察量表和教学实录（视频）是该情境下两种典型的样本数据形态。相较于观察量表，在传统教室走向信息化课堂的过程中，教学实录（视频）因其自动采集、支持回溯、利于分析等特点，得到了广泛应用。可见，基于视频的教学行为分析的基本思路是以确定的采样频率对教学过程进行采样，进而依据教学经验、指标体系，对样本行为进行编码处理和统计分析；教学行为分析方法主要包括内容分析[34]、S-T分析、互动行为编码[35]三类。 随着“互联网 教育”的推进，在线学习成为一种重要的学习形式。与课堂教学相比，在线学习采集的行为数据，既包括操作层面的行为日志，也涉及反映学生认知行为的交互文本等其他数据。对于这些大规模、多样态的样本数据，研究者可通过采用适当的机器学习算法，对反映学生学习行为的数据进行挖掘，进而揭示行为数据背后有价值的信息（譬如行为模式、行为规律、行为习惯等），最终促进人们对于学习过程、学习结果以及学习环境的分析、理解和优化。针对所研究教育问题的差异，研究者需采用不同的数据分析方法，譬如：回归预测[36]、分类算法[37]、聚类技术[38]和序列分析[39]等。在分析学习成绩影响因素时，基于数据集中的教学行为要素等自变量，可利用回归分析方法去推断因变量绩效（成绩）的可能表现；在分析、识别学生的人格特质、学习状态时，则以在线交互行为特征为对象，利用决策树、朴素贝叶斯和支持向量机等分类算法实现行为分析。聚类技术在主体行为分类方面可发挥重要作用，其基于学习者基本特征、在线学习行为和学习路径等数据，划分在线学习者全体为若干类别，使每一类学习群体都包含类似标签。此外，滞后序列分析方法在近年来也成为分析在线学习行为序列与模式的一种有效工具，它将学习行为数据整理转化为可分析的时间序列，用于检验当个体的某种行为发生之后，另一种行为紧随发生的可能性。 混合式教学、智慧教育是近年来教育教学情境的新形式，两者的教学发生场所贯穿课堂和在线情境。在混合的教学情境下，学习场所贯穿课堂与网络，教师将预复习、作业练习等简单的知识学习移至线上，以实现对课堂的有效延伸；课堂则重点训练学生的协作探究、实践创造等复杂技能。混合式教学情境融合课堂和在线的教学实录、系统日志、交互文本等数据获取途径，因此，研究者可结合内容分析、滞后序列分析方法以及回归、分类、聚类等统计分析模型，对混合学习环境下学习者的学习状态、学习模式、影响因素等展开研究，构建有利于学习者深度学习的混合学习环境[40]。 智慧学习环境的特征是能够自动记录学习过程和评测学习成果[41]，在此情境下的教学行为研究，注重反映学生认知发展情况的客观反馈信号，如心电、脑电等生理信息，反映学生情绪状态的语音、表情等非生理信号，以更深入探究深度学习机制。此时，教学行为分析由教学实录中的言语交互数据，延伸至多模态、多源异构的数据挖掘。研究者在数据获取、预处理、特征提取等过程的基础上，运用机器学习、深度学习等智能手段，实现行为数据推理、识别与预测，进而达到学生认知发展的目标。譬如，有研究者基于Kinect传感器获取动作数据，使用深度神经网络的数据融合技术，识别学习者的情感状态，实现对学习者在学习过程中挫折感的调整和干预，进而提高学习效率[42]。另外，通过研发深度学习神经网络（DLNN）系统，提取教学主体的话语及脑电图信号、呼吸强度、皮肤电导等生理信息，来判断其心理状态也是一种可行的方法[43]。在虚拟学习环境中，深度学习神经网络系统可通过学习者的内省报告（成就情绪问卷），来准确地判断学习者的心理状态，进而为其推荐合适的学习计划、促进学习效果的最优化。 综上所述，情境引领数据，数据驱动分析，分析变革教育。在教育教学发展的过程中，教学情境呈现出由课堂到线上，再由线上到混合情境转变的特征，情境的复合特性显著增强。在这种趋势影响下，伴随智能技术的发展与成熟，在教学中可采集的行为数据，也从观察记录、视频录像等传统形态，拓展为涵盖系统日志、交互文本及人的情感、生理信息等多模态的大数据样式。面对大数据时代纷繁复杂的行为数据，研究者对行为分析的自动化与智能化需求日益增长，这快速推动了学习分析与教学改革的发展。由此，我们结合教学情境，归纳现有研究中主要分析方法的应用情况，剖析出教学行为分析的方法演进历程。已有研究中涉及的主要分析方法的应用情况，可参见表3。需要说明的是，该关联表遵循着教学行为分析规律，在树立科学有效的“数据形态—分析方法”适配观的同时，研究者还可根据不同教学情形，灵活地选择和拓展教学行为分析方法的适用范围。  4 教学行为分析的发展趋向 对教学情境的拓展，丰富了教学行为数据的类型与数量；而教学设备和算法工具的普及，为多模态行为的获取与分析提供了便利，语音、表情、生理信号等信息的跨媒体交互，使得基于大数据的智能分析成为可能，进而为教育的变革和发展提供方向与参考。基于上述研究，我们进一步分析了教学行为分析的发展趋势，思考未来教学行为分析研究的重点和方向。 （一）教学行为分析的发展趋势伴随着教学情境的信息化、智能化趋势，我们发现，教学行为分析在数据的采集规模、样本的数据形态和行为分析方法等方面，都发生了显著的变化。具体体现在：自小规模质性文本走向大规模量化数据；从单一情境下的简单形态数据转向混合情境下的多模复合形态数据；由以人工主观分析为主跨入技术参与的客观智能分析。 在数据层面，智能技术和数据采集工具的发展，为教学行为数据的获取提供了便利。可供采集的数据从单一的观察记录文本扩展到融合语音、图像、生理信号等形态丰富的行为数据样本，多模态数据逐步成为教学行为分析的对象。同时，教学行为分析的数据规模逐步扩大，这不仅体现在数据形式的多样化上，也体现在行为类别和数据范围的拓展上。行为类别由单一化的、有限师生言语行为，走向多模化的动态信息交互行为，样本数据范围由课堂拓展至线上，技术交互、课程资源等相关行为加入学习分析行列。互联网、智能技术与教育的融合，促使教学全过程性数据的采集与管理成为可能，教学行为分析逐渐从基于结果数据的粗线条分析，走向结果数据与过程数据并举的精细化分析。 从方法层面来看，教育数据挖掘、学习分析等技术，为教学行为的深度分析提供了途径，教学行为的分析方法正从以人工为主向自动化方向发展，行为分析的手段由主观为主趋向客观分析。从以往基于课堂观察的编码分析到基于特征提取的机器学习，教学行为分析逐渐削弱主观性因素的影响，技术辅助分析的作用愈加明显。同时，智能化的分析方法促使分析层面由表征教学主体的外部行为拓展到探寻其内隐认知状态，分析结论从浅层的教学模式归纳、课堂风格描述，深入到学习动机、心理情绪和策略方法等内外动因的剖析，从而把握学习者的学习规律与过程机制，促进精准教学与课程改革的进程。 （二）建议与思考全过程的多模态行为数据和全链条的智能化分析方法，深刻影响着教学行为分析的未来走向，推动教学行为分析从粗线条的结果分析走向精细化的过程分析，由外部行为的表征描述深入到内在学习和认知规律的剖析。然而，当前的教学实践研究，依旧存在着数据采集粗颗粒、过程分析难深入、结论反馈不落地等问题。为此，本研究将从以下四个方面思考未来教学行为分析的关注焦点，并提出相应建议。 1.立足过程性行为数据，实现教学的精细化感知 互联网和数字技术促使人们对教学环境的全维感知、对教学环节的精确把握成为可能。相较于以往基于观察、经验的教学行为研究，教与学的过程性行为数据，无疑为教学过程评价、主体行为分析提供了更为客观、细粒度的基础和前提。面向过程性教学行为数据的采集，强调对学生、教师、环境、知识反馈等要素多元、多维度的精细化感知；同时，为了满足教育现象中动态行为研究的需要，在数据的时间尺度上，需从特定时间点的抽样言语数据，拓展至动态时间轴的连续交互数据；此外，还应着重关注师生的非言语行为数据，譬如面部表情、姿势、眼动和步态等，从而为内隐心理状态的感知提供新的思路。总之，全过程、精细化的教学行为数据最终应回归到教学本身，通过深度挖掘教学全过程数据的价值，为教学中重难点问题的解决提供契机。 2.聚焦多模态智能计算，提供精准化的教学服务 在拥有海量的教学全过程数据的基础上，数据的分类、表征和建模等直接关系到教学行为的分析效果。当前，教学场景中的数据类型已从单一文本数据，转变为图像、视频、音频以及生理信号等多模态数据。现有主流的智能计算方式是基于文本、图像等单一模态数据去分析教学行为，难以解决深层次语义信息的理解问题。多模态智能计算可为解决上述问题提供可行的思路，其利用多模态数据之间的互补和关联性，学习模态不变的语义表征，从而得到更加准确、全面的行为判断结果。通过对师生的外在细微行为（眼动、表情、手指等）和生理数据进行智能计算，开展基于多模态的行为分析，实现对教学过程中学习者内在情感、认知负荷和注意水平等方面的精准量化，从而为满足个性化的学习需求、定制优质的教学服务提供依据。 3.重视“关联”与“因果”融合，剖析深层次的作用机制 在识别教学交互动作和行为的基础上，重视师生行为背后的机理和因果关系，会直接影响到教学干预的成效。数据驱动范式能够发现的关系模式主要是相关关系及其扩展形式，而以教育学为代表的社会科学研究，则更关注内在因果关系的识别，强调变量之间是否存在某种理论逻辑上的关联。此时，面对教学行为背后原因的识别，既要寻找数据间的相关关系，更要建立因素间的因果模型，从而剖析教学行为中深层次的内在作用机制。为了满足人工智能时代教学行为分析对“关联 因果”的诉求，可采用“数据驱动 模型驱动”的融合思路。首先，研究者应利用数据驱动范式的关联挖掘方法去发现变量间的关联，以缩减变量空间和组合规模；进而，利用断点回归法、双重差分法、倾向值匹配法等模型驱动范式的行为方法，解析变量间的因果关系，计算出因果效应。 4.结合教学的实践场域，注重研究结论的决策应用 教学是一个复杂、多元的动态过程，涉及人员、资源、技术等多种要素。面对日益复杂的课程教学，教学行为分析正逐渐从初期的主观经验判断走向详实的客观数据推理，强调以确凿的事实和数据为依据，形成对教与学过程的认识与反思。在智能化时代，研究者应注重分析结果与教学实践场域的结合，连接教学过程中的具体问题和人员关系等情况，形成明确、精准的研究结论与决策建议，如改进活动设计、修订阶段目标、调整教学计划等。此外，在加强教学行为研究科学化的同时，需警惕技术理性塑造的数据洞穴[44]，研究者应浸透到复杂的实践问题中，从人文和科学的双重视角深入思考与分析，通过聆听多方主体的、合理可行的真实需求，从而实现研究成果和应用效能的双提升。 5 结语 本研究基于国内CSSCI期刊和国外权威检索中教学行为分析的文献样本，从时间分布、研究主题以及主题共现等，多角度地探讨了教学行为分析的研究情况。我们认为，教学行为的发生情境经历了从课堂到线上再到混合的发展历程；数据形态由文本到图文声像，并呈现海量拓展的趋势；教学行为分析方法由手动化向自动化处理转变，趋向客观精准与智能处理。 基于对研究现状的分析，我们以数据密集型计算为核心的科学研究第四范式为基础，通过在教学行为分析中引入数据视角和领域知识，结合上述分析得到的教学情境行为关联要素，给出数据驱动的教学行为过程性分析框架。同时，结合教学情境，抽取并整理文献研究中不同分析方法的应用情况，剖析出教学行为分析的方法演进历程。最后，基于对教学行为分析的现状、框架与方法的研究，从数据与方法层面，聚焦教学行为分析的自动化与智能化发展趋向，提出应立足过程性行为数据、聚焦多模态智能计算、重视“关联”与“因果”融合、关注决策应用落地等建议，以推动信息化、智慧化教学的成长，为精准化教学服务和合理性决策应用，提供有力支撑。 |
|
|
