课堂教学行为分析云模型的构建与应用研究

本文由《远程教育杂志》授权发布

作者：程云、刘清堂、王艳丽、王锋、毛刚

摘要

通过以新的课堂教学行为分析编码系统为基础，从行为主体和行为活动方式两个维度出发，将16种教学行为以环形分布，形成4个分布区域、16个子维度区间，建立了课堂教学行为云坐标系。通过对数据进行标准化处理，提出了课堂教学行为云模型的构建方法，确立了云模型的基本属性及静态、动态特性，定义了云模型的面积、周长、重心、离散系数等关键属性参数的计算方法；并通过实验，详细验证了所述方法的可行性和有效性，为课堂教学行为的量化分析提供新的模型和方法。

关键词：课堂教学；教学行为；云模型；教学行为分析

20世纪60年代以来，课堂教学交互分析方法取得了长足发展，比较有代表性的课堂交互分析方法有弗兰德斯互动分析方法、言语互动分类分析方法、IIS图分析法、基于信息技术的互动分析方法、S-T分析法等。但随着教育理念的发展及教学环境的改善，这些分析方法存在的问题日益凸显，如，行为类别划分不完整，媒体环境研究不足；“重教轻学”趋势明显，行为划分不均衡；行为划分粗略，教学内涵难反映；行为划分具有模糊性，降低了采集数据的准确性；机械采样操作难度大，易遗漏有效数据等[1]。因此，探索新时代背景下的课堂教学交互行为分析方法，进一步完善和发展相关分析方法十分必要。

一、课堂教学行为数据的获取与处理

（一）教学行为分类

在对几种典型课堂教学行为编码系统比较分析的基础上，从行为主体（教师、学生）和行为活动方式（言语、活动）两个维度出发，将课堂教学行为划分为教师言语行为、教师活动行为、学生言语行为、学生活动行为四大类16种。其中，教师言语行为分为讲授、提问、指示、反馈与评价；教师活动行为分为板书、演示或展示、观察或巡视、个别指导或参与活动；学生言语行为分为主动提问、应答（被动反应）、对话（主动反应）、讨论；学生活动行为分为观察、笔记或练习、实践或实验、思考[2]。

（二）教学行为数据的获取

按照上述四大类16种具体行为的分类标准，采用“时间抽样、动态补偿”的教学行为样本采集原则[3]，依据教学行为观察和记录的标准和约束规则，在软件的辅助下，基于视频对课堂教学行为进行观察和记录[4]。

（三）教学行为数据处理

1.数据标准化处理

为便于不同课堂教学之间的比较，首先，将课堂教学行为数据的统计结果转换为频率分布，使转换后的数据分布于[0，1]区间；然后，对转换后的数据再进行Z-score标准化处理[5]。经过处理的数据符合均值为0、标准差为1的标准正态分布。

2.多级评分

利用统计数据的平均值和标准偏差，将测试得分变换为具有指定的多个级别（段位）的评定值。参考C得分标准[6]，根据分析需要，多级评分以平均值为中心、以1/2倍标准偏差的范围为基准进行扩展，得到得分范围为1-11的多级评定值，具体分布情况如表1所示。

二、课堂教学行为云模型的构建

（一）课堂教学行为云

“课堂教学行为云”模型通过图形的方式把教师的课堂教学行为描述出来，以便表征、研究和分析。按照“言语一活动”以及“教师一学生”划分成两个维度，并构建出教师言语行为、教师活动行为、学生言语行为、学生活动行为四个分布区域；每个区域中由4个不同的行为构成，形成16个子维度区间[7]，教学行为环形分布示意图如图1所示。

根据课堂教学行为分布示意图，可以将每一个维度的教学行为所对应的结果在图中标出。依据11级评分标准，最外圈为满分11分，我们将16个维度、11个等级用同心圆表示出来，可以形成一个课堂教学行为云坐标系，如图2所示。

为避免行为排序的变化影响到云的参数的估算，云的构造以扇形云片为基本单元[8]。首先，将教学观察所记录的各种教学行为数据分别进行统计，并计算出每个维度上教学行为的多级评分的评定值；再以云坐标系的几何中心为原点，某一维度（一种行为）的多级评分的评定值为半径，按顺时针方向绘制一个圆心角为/8的扇形，得到一种行为构成的云片；最后，依次绘制其它15个云片，得到一个由扇形云片组成的课堂教学行为云，如图3所示。

（二）基本属性及特性

依据云的构成方法，云具有半径、极差、离散系数、周长、面积、重心等基本属性。借助云模型，可以从静态和动态两方面对课堂教学的情况进行分析。

静态分析方法主要是作横向比较分析，将分析对象与其他对象的得分情况进行横向比较分析，挖掘背后的差异因素。对于教学来说，可以将同一学科的不同教师的得分分布进行比较分析，分析教师之间的教学差异因素；也可以将不同学科的教学情况进行横向比较，分析学科教学的特点等。

动态分析方法主要用于纵向比较分析，将评价对象当前的状态与之前的状态进行纵向比较分析，也可作为对未来的发展前景预测的依据。在教学中，可以将某教师当前的教学情况与之前的情况作比较分析，进行教学研究，并可以依据比较分析的结果，借助其它方法对该教师未来的发展趋势进行预测。

（三）对教学的指导意义

基于云模型，结合具体的教学情况，可开展教学行为基本情况分析、教师教学行为比较分析、教师教学行为掌控水平发展预测等方面的教学研究，探究隐含的相关因素，以促进教师教学、分析与评价能力的发展，提高教育教学质量。

1.课堂教学行为基本情况分析

根据课堂教学行为云的基本属性，可以了解课堂教学行为的整体情况，如，教师教学风格倾向、行为整体分布均衡性、离散情况等。

2.教师教学行为比较分析

通过对教师课堂教学行为的比较分析，来挖掘课堂教学行为差异的隐含因素，在帮助教师发现课堂教学中的问题、完善教学的同时，教师的课堂教学能力、分析与评价等专业能力也获得了发展。在具体的应用中，可对个人、团体、不同学科的课堂教学情况进行比较分析[9]，有多种应用形式。

（1）教师个人的教学情况比较分析。针对教师个人，可以对教师的课堂教学进行跟踪比较分析，与以往的教学进行比较，找出两次课堂教学行为的差异并分析原因，不断完善教学。

（2）教师团体教学情况比较分析。可将某教师的教学情况与其他教师的教学情况作比较分析，找出差距并分析原因，完善教学；还可以将讲授相同内容的教师团体的课堂教学情况进行比较分析，并以此进行研讨，开展教学研究，完善该内容的教学。

（3）多学科间的教学情况比较。通过将不同学科的教学情况进行横向比较，分析学科教学的特点等。

（4）职前的教学技能训练。将师范生或实习教师与有经验的教师的课堂教学情况进行比较，分析原因并改善教学，可为师范生的教学技能训练、实习教师开展教研并完善教学提供一条有效途径。

3.教师教学行为掌控水平发展预测

通过对教师的跟踪观察，将两次讲授相同内容的课堂的教学情况进行比较分析，找出两次教学的差异，依据分析结果，利用马尔科夫模型对该教师未来的课堂教学能力的发展趋势进行预测，为开展教师的发展性评价提供依据。

三、主要属性参数的涵义及估算方法

（一）主要属性参数的涵义[10]

（1）半径R。即从原点到某项行为评定值的距离，是教学中某一行为的得分分布值；（2）极差。即最大半径与最小半径之差，表示行为极端分布情况；（3）离散系数。即教师课堂教学行为分布的离散情况，用标准差表示；（4）周长L。即云外部边缘的周长，结合面积间接反映教师教学行为掌控水平情况；（5）面积S。即云内部的面积，在一定程度上反映了教师教学行为掌控水平的高低；（6）重心G。即行为云几何图形的重心，表示了该教师教学行为的综合表现，反映行为分布的集中趋势。

（二）主要属性参数的估算方法

在“课堂教学行为云”的主要属性中，每个维度的半径与每种行为的得分值一一对应；极差可由最大半径减去最小半径直接得出；其它参数则需在每种行为得分的基础上计算得到。

1.离散系数

离散系数用标准差表示，可利用方差的计算公式计算得出。离散系数越大，表示课堂教学行为分布越分散；反之，表示课堂教学行为分布越集中。

2.周长

云的周长L为组成云的16个扇形云片弧长之和，由每个扇形云片的半径所决定。

3.面积

云面积S为组成云的各个扇形云片的面积之和。

4.重心

在课堂教学行为云中，我们可以将云看作是一个密度均勻分布的物体，云的重心只与云的形状有关。云的重心在一定程度上可以反映出课堂教学行为分布的整体倾向，有助于对课堂教学行为的深入分析。

改进后的云由16块扇形云片组成，由于扇形的半径大小不一，故构成的云是由多个扇形组成的不规则图形，我们无法直接得到其重心。由于扇形的数量一定，且圆心角相等，每个扇形的圆心角是固定的，即/8。在已知扇形的半径和圆心角的前提下，我们可以方便地计算出扇形的面积，并求出该扇形的重心坐标。

依据云的重心坐标，可精确确定云的重心所在的具体位置，从而确定课堂教学行为的一种整体分布倾向，为教学行为分析和评价提供依据。

四、实验与讨论

（一）应用案例

为验证上述方法的可行性和有效性，我们选取了一节小学《信息技术》课程的教学视频作为实验分析的样本，依据课堂教学行为编码与采集标准，对课堂教学行为进行采集。

通过统计可得到每类教学行为的基本数据，该样本的离散系数为0.08473175，进而可得到Z得分、多级评分（即云片半径值）、极差等数据，如表3所示。依据每个云片的半径值，可以绘制出课堂教学行为云图，并可分别计算出每个云片的面积、周长、重心、力矩等属性值，如表4所示。

根据云的定义，可计算得到云的面积S为103.2799、周长L值为24.3473、力矩值为-7.5655、力矩值为204.6089。基于以上云的基本属性值，可计算出云的重心坐标为G（-0.07325，1.981111）。

至此，云的属性值均已计算得出，可绘制出如图5所示的行为云，直观地反映出教学行为的整体情况，为教学行为分析与评价提供依据。

（二）相关讨论

在极端分布情况下（如，整个教学过程只有一种行为或每种行为等比率分布等），云是一种什么样的结构？云的面积是否有一个确定的取值范围？

1.一种课堂教学行为主导教学

当只有一种课堂教学行为主导教学时，该教学行为所占比率为1，而其它15种教学行为所占比率均为0。据此，我们可以算出平均值为0.0625，标准差为0.25，并计算出每种行为值的Z得分情况，确定Z得分的分布范围，得出每种行为的多级得分评定值，从而得到课堂教学行为云的分布图，如图6所示。此时，云的面积为16。

2.课堂教学行为等比率分布

教学行为呈等比率分布时，平均值为0.0625，标准差为0，每种行为的Z得分也为0。根据多级评分的定义规则，取得分平均值6为每种行为的最终得分。此时的课堂教学行为云（如图7所示）实际上是一个标准的圆形，云的面积为36。

3.云面积取得极值情况

显然，当教学行为等比率分布时，云的面积并不是最大的。从教学的角度来说，云模型只是提供了一种比较分析的方法，教学不能刻意追求行为的比率分布，教学行为等比率分布未必就是最好的教学。理想情况下，一位优秀的教师应该能够根据课堂教学的对象、内容、条件等多方面因素，尽可能运用多种教学行为，灵活多变地开展教学，行为分布的比率应该是有高有低的。

根据课堂教学行为云的构成方式及多级得分的标准可知，每种行为的最高得分为11，最低得分为1。即使某种教学行为出现的频数为0，该教学行为得分也是1。那么，能不能每种教学行为的得分都为最小值或最大值？

云的面积的大小由组成云的各个云片的半径决定，即由每种教学行为的最后得分所定。而每种教学行为的最后得分依据每个得分数据的Z得分确定，Z得分又由原始得分、平均值和标准差决定，如公式5所示。在平均值一定（0.0625）的前提下，Z得分由标准差决定，且与标准差成反比的关系。当16种教学行为等比率分布时，标准差为0，其它情况下标准差的值大于0。在标准差不为0的情况下，标准差越大，相对于某一确定的原始得分而言，Z得分越小；反之，Z得分越大。因此，教学行为的极端得分情况与标准差也呈反比关系，可通过间接考察标准差的取值来探讨教学行为的极端得分情况。

标准差取的是方差的算术平方根，如公式6所示，而方差直接反映的是一组数据的分散程度。因此，数据分布越分散，方差越大，标准差也越大；数据分布越集中，方差越小，标准差也越小。

通过前文讨论可知，当教学行为等比率分布和只有一种教学行为时，标准差的取值分别为0和0.25两个极值，对应的云的面积分别为36和16。

教学行为的最终得分还受到多级评分中的每个得分的分布范围的影响。在平均值一定的情况下，这个分布范围也是由标准差决定的，标准差越小，每个得分的分布范围就越小；标准差越大，每个得分的分布范围就越大。极端情况下，标准差为0时，即每种教学行为等比率分布的情况，得分范围就成了一个数值，所有的教学行为得分都相同。因此，标准差同时影响到Z得分和多级评分中每个得分的分布范围，且与Z得分呈反比关系，与多级评分中每个得分的分布范围呈正比关系，所以，在考察极值时也考虑对这两个方面带来的影响。

（2）极小值。同理，当标准差取得一个较小的值时，每个得分的得分范围就较小，如果有一种教学行为的占有率明显大于其它15种行为，且其它15种教学行为接近于等比率分布时，则该种行为的Z得分可以取到一个较大的值。由于此时的每个得分的分布范围较小，该行为的Z得分值很容易超过10分，即记做11分；而其它15种行为对应的Z得分将是一个负值，其对应的最后得分必然为1。当能取得15个1分、1个11分的情况下，此时云的分布情况如图9所示，将取得最小面积8.5。

云的面积是云的核心属性之一，可为课堂教学行为分析和评价提供一定的参考依据。以上讨论的是几种极端情况的课堂教学行为分布，一般情况下，云的面积的取值范围S[8.5，113.5]。

五、结束语

模型的构建是课堂教学行为分析与评价的一个重要环节，好的模型可以提供更为科学和有效的分析与评价方法。利用云模型可便捷地分析出相关属性参数的值，为深入分析课堂教学行为提供量化依据。但是本文着重阐述的是模型的构建与参数的估算方法，只选取了个案视频样本进行应用，在后续研究中应丰富各种案例样本，结合一般的课堂教学情况，开展进一步的实证研究。希望课堂教学行为云模型概念的提出，能够为进一步丰富和发展课堂教学行为分析方法带来一定的启发意义。

基金项目：本文系全国教育科学规划教育部青年课题“基于视频内容分析的课堂教学评价研究”（ECA130373）的研究成果。

作者简介：程云，黄冈师范学院教育科学与技术学院副教授，博士，研究方向：智能软件与知识服务；刘清堂，华中师范大学教育信息技术学院教授，博士生导师，研究方向：学习分析技术；王艳丽，黄冈师范学院教育科学与技术学院讲师，硕士，研究方向：教育技术基本理论、方法与应用；王锋，黄冈师范学院教育科学与技术学院教授，博士，研究方向：协同通信技术；毛刚；华中师范大学教育信息技术学院在读博士研究生，研究方向：学习分析技术。

转载自：《远程教育杂志》 2017年第2期 第35卷 总第239期