智慧課堂教師行為數據的分析方法與應用驗證

王冬青 劉歡 邱美玲

摘要：課堂教學行為數據的采集與分析能有效反映教學效果，以往的課堂教學行為分析多采用教學視頻打點分析、課堂觀察量表等方法對課堂教學進行評價。在云計算與大數據服務支持的背景下，涌現了大量基于云+端應用模式的智慧教學環境，使教學行為數據的自動采集與分析成為可能。該文從教師專業發展的角度，將教育數據挖掘方法應用于智慧課堂環境下教師行為數據的可視化分析與應用，提出一種面向智慧課堂教師教學模式的頻繁序列挖掘算法和聚類分析方法，通過教學視頻案例的分析驗證，發現針對某一具體學科聚類分析得到的優秀教師結果簇與實際教學中的優秀教師表現出較強的一致性，且各學科的智慧課堂教學模式呈現不同的發展特點。該方法對提高課堂教學質量和促進教師專業能力提升具有重要的實踐探索意義，為“互聯網+”時代下建立教師新型的評價方式提供新思路和新方法。

關鍵詞：智慧課堂;課堂教學行為數據;數據挖掘分析方法;教師專業發展

中圖分類號：G434 文獻標識碼：A

一、問題提出

云計算、大數據和學習分析等新一代信息技術融人教育教學全過程，智慧教育日漸興起，并日益成為未來教育的發展趨勢。智慧課堂是智慧教育的典型教學應用，其迅速發展引發了教學環境的新一輪變革，為教師創新教學模式、轉變教與學方式、提升專業發展水平提供更多機會，也因此對教師的專業發展提出了更高的要求和標準。其中，數據素養已成為當下任何教師都必須具備的核心專業能力，具體表現為數據意識、數據處理與分析能力、數據決策能力、數據交流與評價能力等。對于教師而言，采用數據驅動的精準教學模式，對課堂進行全樣本、全過程分析，透視隱藏在數據背后的教學特征，能幫助教師對自身教學行為進行有效反思，提升專業發展能力。

智慧課堂常態化應用為收集和分析教學過程中的數據創造了許多機會，實時追蹤課堂教學中產生的行為表現數據，全面刻畫教師的教學過程與學生的學習過程。相比傳統課堂，智慧課堂教學行為豐富且復雜，其影響因素也較多，如：教師的教學時間長短、已有知識結構、教學策略、教學模式以及外部環境和技術等因素的綜合作用。采用傳統的視頻分析法、課堂觀察法等質性描述分析智慧課堂的教學行為，通常僅得到師生互動性增強、課堂較活躍等表層信息，缺乏底層有效行為數據的支撐，因而在傳統分析方法下進行智慧課堂教學行為的研究面臨不少難題。

目前教育數據挖掘與學習分析技術相結合主要針對學生行為進行建模與學習趨勢預測，更多關注學生行為數據的采集與分析，較少從教師專業能力提升的角度，采集與分析智慧課堂的教師行為數據。如何借助日益成熟的教育數據挖掘對課堂教學進行量化觀察和數據處理，對技術支持的教與學創新應用具有重要實踐意義。基于此，本文針對智慧教學環境所采集的跨平臺異構、多源、非完整以及動態演化的數據，采用合適的數據挖掘方法及可視化分析技術，全面分析智慧課堂環境下教師行為數據的價值信息，發現教師的教學規律和教學方法特點，為大數據時代下教師專業發展的研究范式提供新思路和新方法。

二、相關研究基礎

教育數據挖掘（EDM）是指在教育環境中應用數據挖掘技術分析教育教學活動中產生的數據，用以解決教學實踐與教育研究中的問題，旨在改善和提高教學質量。

（一）教育數據挖掘方法的相關研究

教育數據挖掘常用的方法有聚類、關聯規則、序列模式挖掘、文本挖掘、Web挖掘等。聚類是在教育數據挖掘中使用較多的方法，是一種無監督的學習算法，不需要對數據進行訓練，主要按對象的特性進行相對合理的分類，將一個完整的數據集分成不同的子集，同組的樣本具有相似的特征，采用的聚類算法有K-Means、K-medoids等。早期的聚類分析數據來源主要是人為輸入數據進行分析，計算量大且冗繁，如通過問卷調查的方法收集教師的信息技術教學應用情況數據，采用K-Means聚類分析教師的信息技術教學應用形態;利用課堂教學行為大數據，運用視頻觀察法和聚類分析法研究課堂教學的規律。隨著數據量的不斷豐富和擴大，研究者們開始運用技術實現數據記錄、存儲和導出，并以此作為聚類分析算法的輸入數據進行深透挖掘，如對基于Moodle網絡日志進行的聚類分析，發現教育現象之間的相互關聯與規則;將在線學習系統的數據做聚類，發現在線數學游戲學生團隊協作中的行為規則。

關系挖掘的主要目的是為了找出數據與數據之間隱藏的具有關聯性的某種關系，目前關系挖掘在教育方面的應用主要是研究在線學習環境中學生成績與教學活動之間的內在聯系，研究者利用關系挖掘，探索在線學習環境中學習者學習活動和學習成績的相關關系，進而用于改進學習內容呈現方式和序列，以及在線教學方法。頻繁項集和關聯規則是關系挖掘中最高效的兩種方法。通常在做關聯規則挖掘時的首要步驟是生成頻繁項集，隨后在頻繁項集的基礎上生成規則，因此更準確地說，關聯規則是關系挖掘領域最主要的算法之一。序列模式挖掘作為與關聯規則較為相似的算法，也可用于關系挖掘，但序列模式挖掘更關心數據之間順序的關聯性。

（二）教育數據挖掘應用的相關研究

早先國內外對于教育數據挖掘的應用研究主要聚焦于在線學習或學習結果數據的挖掘，關注學生發展，對學生的行為表現、學習偏好等內容進行評估，因為訪問學生日志的數據和學習成績數據更容易自動獲取和分析，如利用數據挖掘工具對在線開放課程學習者的過程和行為數據進行采集與聚類分析，發現不同群體的學習行為與學習效果之間存在密切相關性。而近年來人們越來越意識到教師數據對于改善教學設計的重要價值，教師教學數據挖掘逐漸成為教育數據挖掘領域最新的發展方向。McKenney收集教學過程中的數據進行教學實證研究，表明教學挖掘有利于幫助教學和學習，是一個非常有潛力的領域。更有一部分學者深入探討了大數據對教師表現的影響研究，關注分析教育系統中的行為數據，以探索課堂教學模式的應用及效果，進一步評估和改進教師表現。陳俊強等人通過定量與定性相結合的分析方法，對大數據背景下科學課教師的教學行為進行了探討，全面剖析課堂存在的教學問題，有效促進教師改進課堂教學行為。與之不同的是，李淼浩在對教學行為大數據分析的基礎上，融入了教學模式和課堂效率的評價，幫助教師清晰審視教學方法的合理性，有益于實現教學能力的自我提高。此外，還有學者針對特定的智慧課堂環境中產生的教學數據進行挖掘分析，包含師生的行為互動數據和表現數據，并以此構建了完整系統的智慧課堂學習行為分析框架;孫曙輝提出了智慧課堂數據挖掘分析的四類應用模式，最后基于真實數據探討了學生主觀行為對成績的影響分析應用案例;除關注智慧課堂學生群體的行為分析外，有學者還基于智慧課堂教師教學行為數據，尋找不同教師群體及其教學行為的關系。不難發現，現有研究多采用傳統的分析方法，關注課堂教學呈現的顯性數據，對自動采集的海量教師行為數據分析利用較低，尚不能深入對教學過程性數據進行全面挖掘分析，需要提出一套系統集成的技術方法來挖掘分析過程性的教師行為數據。

三、智慧課堂教師教學行為分析方法

智慧課堂應用規模不斷擴大，掀起智慧教學研究熱潮，并引發教學環境設計、教學活動個性化編排、教學管理科學決策等方面的變革，使這些過去靠拍腦袋或理念靈感加經驗的工作，逐步變成一種數據支撐的行為科學。教學行為分析技術是對教學過程中產生的各種教學行為數據進行解讀和分析，以評估教師教學開展情況并指導教師改進教學。

（一）智慧課堂教師教學行為數據采集與處理

精確的數據采集是數據挖掘的前提和基礎。智慧課堂教學通常由一系列復雜的教學活動與環節組成，每個活動中生成的動態數據具有與情境緊密結合的特征，本文依托前期研究基礎，從直接情境與間接情境兩方面對智慧教學情境數據進行分類并篩選其具體指標，重點關注智慧教學活動中的強交互任務和任務執行場景。直接情境能夠由終端或者其他手段直接獲取。間接情境則主要為教與學活動情境，通過埋點方式進行采集。結合最常用的課堂教學行為分析編碼系統，通過調研智慧課堂互動系統功能模塊和相關研究基礎，將智慧課堂間接教學情境采集數據分為課堂講授、課堂測試、自主探究、小組協作、總結評價、反思提升6大教學活動模塊。具體教育場景采集數據及其結構如表1所示。

（二）智慧課堂教師行為分析挖掘方法

面對智慧課堂教學環境所采集的動態情境數據，需借助交互可視化分析機制進行充分挖掘和應用，構建一套云端結合的數據分析挖掘方法。該方法的實現包括接口模塊、預處理模塊、分析模塊、服務模塊、可視化模塊共五個模塊完成。教師教學行為數據通過接口模塊進入預處理模塊，經預處理和標準化后進入分析模塊，主要采用頻繁模式挖掘和聚類算法進行分析，完成后的結果通過服務模塊暴露給可視化模塊進行交互顯示。

1.頻繁序列挖掘關鍵算法與流程

課堂行為序列是一組具有時間維度的活動組合，按照時間與邏輯上的先后順序進行排列，其中每一個元素都是帶有時間屬性的活動，對應到某個具體教師就是教師課堂行為序列。智慧課堂中教師課堂行為序列是通過埋點采集的方式進行。序列模式挖掘是指從序列數據庫中尋找頻繁子序列作為模式的知識發現過程。通過序列模式挖掘算法發現教師的教學頻繁序列，發現智慧課堂教師教學活動的極大頻繁序列。

（1）數據采集與預處理方法

對確定的目標數據進行采集。由于智慧課堂的用戶操作行為種類多且分散，本文將原始課堂行為序列按照6類間接教學情境分類，然后進行標準化，形成特征數據。數據預處理階段需要對數據進行異常值處理以及簡單的數據變換，主要對教師的無效操作數據進行剔除。例如：如果教師教學行為序列中某一活動的駐留時間小于N（0.5min）或者超過N（30min），則代表這不是教師所實施的有效活動，即教師可能在教學操作過程中出錯或教師可能離開這個教學操作，需要將該操作從教師教學活動列表中剔除。

（2）數據挖掘算法設計

將MFSGrowth算法應用于極大頻繁序列挖掘，算法的具體實現偽代碼如圖1所示。

2.基于教師教學活動數據的聚類分析實現

頻繁序列挖掘給出了教師常用的智慧課堂教學序列，若想深入分析當前智慧課堂教學模式的發展特點，還需借助聚類分析方法找出具有相同教師行為屬性的教師，從而形成不同階段特征的教學共同體，以此幫助學校發現一批在教學方法運用、課堂結構編排、技術工具使用等方面都較為出眾的優秀教師，為教育部有關部門制定面向不同教學方法特色的教師專業培訓方案提供依據。此外，對于在智慧課堂中較難開展教學的教師來說，聚類分析方法能夠對教師特征和行為進行監測與分析，有助于教師認識自己在開展智慧課堂教學過程中的優勢和不足，進一步識別教師采用的智慧課堂教學模式特征，及時發現教學有待改進的方面并采取相應的措施來促進自身的專業發展。本文采用優化的K-Means聚類算法，具體實現方法如圖2所示。

（1）數據處理

聚類分析的數據處理，首先對樣本指標或參量值進行標準化處理。將原始課堂活動數據進行標準化形成特征數據。由于數據中存在一部分極大或者極小數據，采用離群點識別和剔除處理操作，離群點識別主要是基于四分位數箱行圖，以6個教學活動為聚類屬性，依次建立每個維度的四分位箱形圖，從而將教師課堂活動數據中的離群數據（異常值）提取出來，并根據特征屬性維護離群數據表，將相同類型的離群數據放人到一個新的聚類結果簇中;經過離群點識別和剔除處理后，對剩下的教師課堂活動數據利用優化的K-Means算法進行聚類分析。

（2）算法設計

聚類分析使用了兩層聚類，第一層聚類主要使用DBScan聚類算法，基于教師的訪問數據以及訪問時間的相似度，對用戶會話進行聚類，得到的結果為多個類集;第二層聚類則使用了K-Means聚類算法，在第一層聚類的結果上根據教師在每個類集中的使用比例對教師進行聚類，算法的具體實現偽代碼如圖3所示。

四、基于智慧課堂教師行為數據頻繁序列挖掘和聚類分析的可視化實現

本文所分析的課堂數據源于珠海“粵教云”試驗區所實施的“智慧課堂”項目，該項目在珠海市中小學校中基本實現常態化使用，數據覆蓋范圍包含54所學校，378個班級、419名教師用戶數據、4269條課堂數據，其中每條課堂數據包含大量過程性行為數據與學業結果數據。本研究通過對智慧課堂中的課堂教學行為數據進行挖掘，試圖通過可視化方式發現在智慧課堂環境下教師教學方法及模式的發展特點。

（一）智慧課堂教學行為序列挖掘的可視化實現

以珠海學校教師課堂行為序列為數據集，采用序列模式挖掘的方法，挖掘出較高頻度教學路徑，顯示教師常用的教學課堂序列，從而發現智慧課堂的極大頻繁序列。智慧課堂因其教學內容呈現便利、教學反饋及時、教學互動高效等技術特征，教師的教學活動與課堂教學結構也不同于傳統課堂。Jacobson依據學生所獲指導的不同，將課堂的結構劃分為高結構化教學（教師滿堂課都在講授，即傳統的滿堂灌）和低結構化教學（教師把課堂交還給學生，讓學生進行探究學習和項目學習，教師僅僅一個指導者的角色），并形成SPS（Sequencingof Pedagogical Structure）框架。本文在此基礎上對教學結構序列框架（SPS）進一步完善，新增了時序特征，并參考教學方法、教學媒體結構對應的教師指導特征，結合研究的實際應用情況，對教學活動進行高低結構定義，即課堂講授（H）、課堂測驗（H）、自主學習（L）、小組協作（L）、總結評價（L）、反思提升（L），其中字母H代表高課堂結構、字母L表示低結構課堂，詳細信息如表2所示。

1.頻繁序列挖掘結果分析

為避免頻繁序列的重復挖掘，定義如果某個頻繁序列不是頻繁序列集中其他任一頻繁序列的子序列，則稱該頻繁序列為極大頻繁序列。研究以珠海市語文學科教師數據為例，從數據庫中抽取語文學科教師行為數據并過濾掉總體時間不足20Min的無意義和不完整的無效數據后，得到序列模式數據庫D，采用MFSGrowth算法進行挖掘，最后選擇在頻繁度閾值為10%情況下挖掘到的頻繁序列，得到38條極大頻繁序列。此處列出了排名前7的極大頻繁序列，如表3所示，并對各條頻繁序列進行了深入解讀。

挖掘出來的7條極大頻繁序列，3條為高低型結構，2條為低高型結構以及2條低低型結構，智慧課堂的課堂結構未出現高高型以教師為中心的教學課堂結構，說明智慧課堂環境中開展的教學已不再是純粹的高結構實施，這與文獻的研究結論相吻合，更多呈現出以低結構教學為主、高結構教學為輔的教學設計趨向。目前教師在智慧課堂中使用最多的為“課堂講授一小組協作”這一教學結構，屬于H→L高低型的教學結構序列，表示該課堂在整個教學過程中同時運用高結構化教學方法和低結構化教學方法，在技術的支撐下，增加了低結構化教學方法的比重。而與其相反的L→H型結構序列是比較典型的低高結構教學，它注重解放學生，先讓學生自己體驗，教師再提供高結構化的指導，與教師直接進行講授相比，L→H型結構更注重培養學生的高階思維和問題解決的能力，這種課堂結構被認為是“主導一主體型”教學結構思想的最佳體現，有利于突破傳統課堂的教學方法，給予學生極大的發揮空間，較容易取得良好的教學效果。H→L型和L→H型雖只是時序的不同，但這種差異卻體現了不同的教學理念，會帶來顯著不同的學習效果。與此同時，挖掘結果中還發現L→L型結構序列，即凸顯以學生為中心的低低型教學結構，課堂設計指向更高階認知目標的內容，適用于語文綜合性學習的探究課。新技術的使用極大地改變了教育過程的性質，現有的智慧課堂教學已基本擺脫了以單一課堂講授為主的教學方式，更多采用多種教學方法交替組合的形式開展教學實踐，教師在關注高結構課堂的同時，逐漸轉向以實現生成性教學為目標的低結構課堂。

2.頻繁序列挖掘結果驗證

為進一步驗證頻繁序列挖掘算法的有效性，以珠海市某實驗校8節語文課為例，通過對智慧課堂教學視頻分析，詳細了解智慧課堂的課堂結構及課堂教學目標達成情況。分析發現，語文學科教師課堂教學結構序列主要為H→L型結構（如表4所示），未出現H→H型結構，這一分析結果與頻繁序列挖掘結果基本符合。總體表明智慧課堂教學在技術的支撐下，基本已擺脫教師滿堂灌型教學方法，正朝著以學生為中心的方向發展，教師開始關注高低結構并重的教學方法，較好符合新課程改革提倡的教育理念。以現階段的分析情況來看，智慧課堂教學環境的使用仍有較大提升的空間，目前的課堂形態仍然是一種知識控制下的線性關系，即學生的學習更多是教師主導下的線性學習，學生在課堂中的主體地體并未較好體現。參考這一頻繁序列挖掘結果，可有效輔助教師快速刻畫課堂教學結構全貌，為其改進完善智慧課堂教學結構設計提供更科學化的參考。

（二）智慧課堂教學活動數據聚類分析的可視化實現

智慧課堂作為現代信息技術與教育相融合的產物，適當且有效地運用現代信息技術能夠促進教育的個性化發展，促進教育新模式的產生。通過相關文獻調研發現，當前智慧課堂發展呈現出階段性特征，根據智慧課堂智能化技術與智慧化教學的特征，提出智慧課堂教學模式的三個階段特征，改進型、交互型和理想型，具體發展階段特征如圖4所示。可以發現三類教學模式的判定依據均與技術和教學緊密聯系，這為本研究聚類分析得出的教師教學規律和教學方法特點的比較分析提供參照標準，下面研究將分析試驗校教師聚類結果反映出的智慧課堂教學模式發展階段，為推進智慧課堂教學實踐的有效應用提供參考。

1.基于優化的K-Means算法的可視化分析

研究以珠海市初中語文學科教師的教學活動數據為數據集，采用聚類分析的方法，挖掘智慧課堂教師的教學模式。以課堂講授、課堂測試、自主探究、小組協作、總結評價、反思提升為特征屬性，經過傳統K-Means、DBScan、優化k-Means多次聚類算法核對，發現選擇優化的K-Means算法效果更佳。由于不同學科教師的智慧課堂教學行為可能有所差異，所以通常篩選同一學科教師進行聚類分析。本文選取珠海市初中語文學科30位教師478節課的智慧課堂數據進行教學模式可視化實現，結果如圖5所示，其中8位教師屬于改進型，18位教師屬于交互型，4位教師屬于理想型，體現了健康持續的智慧課堂教學模式發展態勢。

2.聚類結果的驗證

為驗證聚類結果的準確性，結合文獻調研、問卷調查和教師訪談的相關內容，本文制定了一個優秀教師評定框架，對教師的職稱、論文、課例、公開課、教學設計等其他優秀成果進行綜合評價，由此判斷聚類結果與教師優秀情況是否具有關聯。優秀教師評定框架分別對三種類型的智慧課堂教學模式進行了特征分解，并設定相應分值：改進型綜合評價得分范圍為0-15分，交互型為16-25分，超過25分即達到理想型階段。通過對上述30位初中語文教師智慧課堂教學優秀成果的評分，將聚類分析結果和實際評價結果進行一一比較，以三種教學模式類型聚類結果準確率的平均數，表征聚類分析方法的整體性能。結果顯示，改進型的準確率為77.78%，交互型、智慧型各為85%和80%，聚類計算得到的平均準確率達到80.93%，詳情如下頁表5所示，發現語文學科教師的挖掘結果與實際評價結果基本吻合，表明該聚類方法的整體性能較為良好。

研究同時發現不區分學科的教師聚類得出的結果與教師實際評價相差甚遠，例如以珠海市香洲區的1050條課堂數據為數據集進行聚類分析，可得到平均準確率為75.2%，但如果將篩選條件精確到具體學科，聚類的準確程度得到了較大幅度的提升。初步考慮是因為不同學科的教學標準對教師的要求有所不同，例如，理科教師在智慧課堂進行教學時會有較多的小組探究、問題思考行為，而文科教師在這方面表現出比較弱的水平。總體來說，智慧課堂教學活動數據聚類分析方法與實際教學情況表現出較明顯的一致性，分析方法具有一定的有效性。

五、結語

隨著技術支持下教學環境的不斷改進與發展，教育教學模式也在持續更新融合。本文通過對智慧課堂環境下教師的教學行為進行分析，提出了基于教師行為數據的頻繁序列挖掘和聚類分析方法，并結合教學應用實踐驗證了分析方法的有效性，取得了一定效果，分析發現智慧課堂不僅是教與學環境的改進，更是對課堂教學結構、教學模式等方面產生了深入影響，逐步走向以學生為中心的課堂教學結構。基于大數據的學習分析一直以來都是教育信息化2.0時代研究的熱點與難點問題之一，本文選取了教師專業發展的角度，提出了基于智慧課堂的教師行為數據挖掘分析方法和應用案例，通過數據解構智慧課堂，期待能為教師智慧教學能力的發展提供一些數據支撐，為促進智慧課堂的教師專業發展提供研究的新思路和新方法。