大数据视野下的课堂观察方法研究

胡晓灿+丁革建+江惠

【摘要】课堂观察作為一种重要的教育研究方法，一直以来得到教师的关注。本文对国内外课堂观察研究进行分析，了解课堂观察的历史、发展以及当前的应用情况，发现课堂观察因操作繁琐而没有充分发挥应有的作用。本文讨论了在大数据背景下，运用技术来支持课堂观察，探讨视频监控和模式识别技术，机器学习等等在课堂观察中的应用，进而探讨大数据如何支持学生的成长和教师的专业发展。

【关键词】大数据；课堂观察；机器学习

【中图分类号】G434 【文献标识码】A

课堂观察是指通过观察对课堂的运行状况进行记录、分析和研究，并在此基础上谋求学生课堂学习的改善、促进教师发展的专业活动。通过课堂观察，可以帮助改善学生的课堂学习和促进教师的专业发展。

一、传统的课堂观察方法

课堂观察作为一种研究课堂的方法，发展于20世纪五六十年代。1950年贝尔思的“互动过程分析”，第一次提出“人际互动12类行为编码”，构建了课堂讨论互动框架，也开启了课堂研究的量化序幕。1960年美国课堂研究专家弗兰德斯的“互动分类系统”，釆用编码程序，将课堂师生互动情况进行系统记录，然后分析、改进教学。从70年代开始，人种志研究等质性研究方法开始走入课堂观察。完整的文字描述呈现了课堂全貌，使原本被剥离出来的课堂事件、课堂行为回归情境本身，从而研究者利用个人经验可以更好地理解、诠释课堂。从此，课堂观察的方法更加丰富，定量和定性的方法相互结合、相互补充成了课堂观察发展的主要趋势。

我国的课堂观察研究在借鉴国外研究的基础上，并通过对课堂观察的深入研究，取得了不小的成就。随着技术的进步，越来越多的辅助设备和器材被用来帮助教师观察和分析课堂，基于视频的课堂观察越来越普遍，例如弗兰德斯分析法等等。这些课堂观察的方法在一定程度上帮助了教师对课堂的观察，但是在整个过程中，教师起主要的作用，教师不仅需要观看视频，还要对视频中的师生行为进行分类、编码，整个过程需要消耗大量的人力物力，工作量非常大，这一系列繁琐的工作使得课堂观察在平时没有发挥出应有的作用。因此，我们结合大数据的背景，寻找能够帮助教师减轻工作量的课堂观察方法。

二、技术应用于课堂观察

大数据时代的到来，可以帮助教师从技术层面上使学生在课堂中的表现得以显现和量化。学生在一堂课中的表现，经过大数据的处理变得可视化，教师也能获取更多了解学生的途径和方法。如果更进一步的设想，不是通过教师的观察，而是直接应用信息化的技术对学生的行为进行记录，就能够真正实现大数据的收集与处理，从而实现与课堂的结合。通过对学生课堂行为的大数据的收集，可以帮助教师了解学生对知识的感兴趣程度以及掌握程度，进而反思教师的教学是否满足了学生的需求。

在大数据的背景下，我们可以借助视频监控和模式识别技术以及机器学习对学生个体在整个课堂中的表现进行观察，了解个别学生与其他学生在课堂中的学习行为差异，从而来寻找学生的课堂学习行为存在的问题。

之前的课堂观察虽然已经采用摄像机将课堂拍摄下来，但只是一个记录的作用，而现在的摄像机已经包括一系列完整的视频监控系统，并且视频监控系统大多已经能实现对场景内运动目标的检测或跟踪，也就是说，当学生的行为发生变化的时候，视频监控系统可以对学生的行为进行检测和追踪。而模式识别是指对表征事物或现象的各种形式的（数值的、文字的和逻辑关系的）信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。我们可以借助模式识别对学生的行为进行量化分析和描述。视频监控系统和模式识别技术可以对不一样的行为进行自动识别和存储，从而让老师及时发现不一样的行为，了解学生的学习状态。

机器学习（Machine Learning， ML）是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。借助机器学习，让计算机成为老师进行课堂观察的助手，可以在一定程度上减轻老师的工作量。

可以将课堂观察分为两个阶段，第一阶段是机器学习的过程，最终形成一个机器识别系统，来辅助教师进行课堂观察；第二阶段是运用机器识别系统来完成学生课堂学习行为的诊断，从而寻找课堂行为与成绩之间的相关性。

在第一阶段，首先对学生在课堂中的行为进行分类并标注，对不同的行为进行编码。然后随机选取n个学生作为观察对象，对他们在课堂中的行为进行实录。根据之前的行为编码，先对视频中的一个学生的行为进行人工标识，画出关于时间-行为变化的曲线图，生成行为曲线s；再对同一个学生的行为用机器标识的方法生成曲线m，然后对比曲线s和曲线m，如果两者的差异不在误差范围内，则不断改善机器学习的过程，调整相关的变量，直到两者的差异在误差范围内，曲线s与m基本符合，就完成机器学习的过程，从而完成一个机器识别系统。在改善机器学习的过程中，可以在事先选取的n个对象中选择不同的学生作为观察对象，也可以不断调整时间的选取点，来提高机器学习的精确度。

第二阶段需要借助之前生成的机器识别系统，重新选取研究对象O和参照对象R，根据他们在课堂中的表现，分别生成行为曲线MO和MR，对比两者的行为曲线并寻找差异性，从而生成关于研究对象O的诊断报告，在选取研究对象与参照对象前，教师需要对学生在本堂课的知识掌握情况做个测试，选取成绩在中等水平的学生作为参照对象，选取成绩较差或者较好的学生作为研究对象，然后结合诊断报告与学生的随堂测试成绩，寻找学生的课堂学习行为与成绩之间的相关性。

整个分析过程一开始需要借助人为标识和机器标识相结合来完成，通过一次次的分析和机器学习的过程，最终形成一个机器识别系统，在这过程中也形成了一系列大数据。因此，借助于大数据的理念和机器学习等相关的技术，整个课堂观察的过程可以让机器来帮助完成，老师只需要查看诊断报告，结合学生的成绩，制定相应的改善措施。观察得到的数据可以进行详细的记录并重复利用，同时可以链接到具体事件，比较不同学生的课堂学习行为，可以帮助教师了解学生的课堂学习，进而反思自己的教学实践。在这些条件下，老师的工作量会减少很多，课堂观察的流程也会变得更简单，可以使老师更容易进行课堂观察。

三、困难与展望

目前，要做到只靠机器识别来对课堂进行观察与分析，还是存在一定困难的。首先，虽然贝尔思提出了12类人类行为编码以及之后学者提出的编码系供人们参考，但人的行为是复杂多样的，并且很多动作都很细微，不容易被发现，更不容易被机器识别。其次，在完善机器学习的过程中，不可避免会存在误差，对结果会有影响。最后，每个人都有不同的个性，并且在不同的课学生的表现不一样，要寻找适合所有学生的一个系统，也将是一个漫长的过程。

因此，我们现在需要做的就是寻找合适的工具与方法，运用技术来帮助收集数据和分析学生在课堂中的表现。在大数据的背景下，我们通过对课堂中的数据的分析，可以了解学生在课堂上的学习情况，从而可以判断他在课堂上进行的是有效学习还是无效学习。然后将分析结果与学生的平时测试中的表现相联系，可以很容易发现学生对知识的掌握情况以及学习过程中存在的问题，这对于教师改善学生的课堂学习和提高自身的专业化发展都能有所帮助。

参考文献

[1]何颖.课堂观察一种新的教研方式——以小学品德与社会学科为例[D].南京：南京师范大学，2011.

[2]黄江燕，李家鹏，乔刘伟.课堂观察研究的文献综述[J].长江师范学院学报，2012（12）.

[3]陈颖鸣，陈树越，张显亭.智能视频监控中异常行为识别研究[J].微电子学与计算机，2010（11）.

[4]李新良.模式识别理论的研究与应用[J].北京电子科技学院学报，2011（4）.

[5]百度百科.机器学习[EB/OL].http：//baike.so.com/doc/3290018-3465759.html.

[6]周秋怡.课堂视频分析工具支持下教师课堂教学行为案例分析[J].韶关学院学报，2013（2）.

作者简介：胡晓灿，1992年生，硕士，主要研究信息技术教育应用。

（编辑：龙贤东）