基于教學過程感知的行為計算

黃榮懷 高博俊 王歡歡 徐晶晶 杜靜

[摘 ? 要] 從教與學的行為數據中洞察教與學的行為規律，打破現有的以經驗為主、人工分析課堂教學行為，轉為以大數據為支撐的智能化教學行為計算，已成為智能時代教學行為分析的重要趨勢。研究從教與學行為的視角切入，梳理傳統課堂教學行為分析到廣義學習行為分析的歷程，結合行為計算，提出教學行為可計算的概念，構建教學行為計算的通用框架，并梳理學習者與參與者、學習者與環境、參與者與學習成就、學習環境與學習成就四個研究方向。大規模教學行為數據的獲取、表征、挖掘和呈現，將為實踐教學提供指導，助力智能時代新型教學模式和教學過程的構建。

[關鍵詞] 教學行為; 教學行為計算; 智能教育; 教學過程

[中圖分類號] G434 ? ? ? ? ? ?[文獻標志碼] A

[作者簡介] 黃榮懷（1965—），男，湖南益陽人。教授，博士，主要從事智慧學習環境、教育信息化、協作學習等研究。E-mail：huangrh@bnu.edu.cn。高博俊為通訊作者，E-mail：gaobojun@mail.bnu.edu.cn。

一、引 ? 言

智能技術的飛速發展正在潛移默化地改變現有的教學環境、教學模式和教育制度，嚴謹的決策論證、信服的評判依據逐漸成為從教育信息化邁向教育現代化的全新訴求[1]。從教與學的本質屬性來看，教師與學生在教學活動中是相互依存的，教學永遠是教和學的統一活動[2]，教和學的交互需要依賴對雙方行為的客觀判斷，從而使行為數據的分析顯得越來越重要。從常規課堂教學的過程來看，傳統的教學設計依賴經驗本位的主觀判斷進行教學媒體、教學策略和教學評價設計，缺乏依據課堂教與學的行為數據分析而得到的客觀依據。從拓展的教學情境看，在線學習作為互聯網與教育融合的重要產物，遠程學習中的學習支持與服務同樣需要基于對教與學行為數據的分析、診斷、預測和干預，從而精準判斷學生的學習狀態，為教師及時轉變教學策略以提高在線教育質量提供數據支撐。

作為大數據分析的重要發展方向，計算行為科學是聯結數據計算和教學行為研究的橋梁。計算行為科學與教育結合為教與學活動分析提供了一種可行路徑，使重構和優化教學過程成為可能[3]。由此，數據成為撬動整個教育系統變革和教學過程重構的關鍵因素。隨著信息存儲技術效率的提高、數據傳輸取得的歷史性突破、大規模并行計算對數據處理速度的提升[4]，教育研究逐漸從經驗主義走向數據密集型的研究。從教與學的行為數據集合中洞察教學行為規律，通過教學行為計算對課堂教學行為進行深度分析，打破現有以經驗為主的、傳統的人工分析課堂行為模式，轉為以大數據為支撐的智能化教學行為計算，已成為一種重要的發展趨勢。

二、教與學行為研究的歷史演變

較為系統的行為研究始于二十世紀二三十年代，一批心理學家（如桑代克、斯金納）從研究動物的行為開始，探索行為與結果之間的聯系，盡管他們一直在研究人類的行為，但并沒有用客觀的工具來量化人的行為。教育學研究者雖然熱衷于探索教與學的行為，但仍難以實現對學習行為的精準化識別并給予個性化的指導。對教與學行為的研究大致可分為傳統課堂教學行為分析階段和廣義學習行為分析階段。

傳統課堂教學行為分析階段始于二十世紀六七十年代。隨著行為研究的不斷深入，教育學者逐漸關注教學過程對學習成就的影響，形成一批較有影響力的課堂教學行為分析方法。1970年，美國學者弗蘭德斯提出了弗蘭德斯互動分析系統，將課堂上師生的言語行為劃分為教師言語、學生言語和沉寂或混亂三類，共計10種編碼[5]。早期的S-T分析法，通過現場觀察或回看教學過程錄像，劃分學生行為（S）和教師行為（T），計算教師行為所占比例Rt和師生行為轉化率Ch，最后通過繪制Rt-Ch圖來確定課堂教學模式，反映課堂結構、教師風格和課堂情感氛圍等信息，進而指導和改進教學[6]。國內許多學者從不同角度演化出多種版本，如改進編碼過程、細化分析項目屬性特別是沉寂行為、構造面向數字化學習環境或是基于教學活動理論的分析框架[7-10]。弗蘭德斯互動分析系統為教學活動分析提供了量化可操作的方法，但其將課堂教學過程編碼為10類行為，容易造成分析對象過于籠統，且不能細化深入分析;而我國學者的改編雖然細化了很多行為類目，但編碼數量也近乎增長了一倍，不僅加重了分析編碼時的負擔，而且人工編碼仍存在誤差較大的問題。

廣義學習行為分析階段源自大數據概念的興起。基于教育大數據的學習行為分析催生出學習分析技術，并將其推向研究的前沿。2011年，美國新媒體聯盟（NMC）首次在《地平線報告》中提出學習分析將成為影響未來教育變革的新興技術[11]。學習分析技術旨在運用已有的算法和模型深度理解學習者的學習過程和行為，進而對教學進行評估、預測和干預[12]。顧小清團隊提出在線學習行為分析模型，分別從數據、機制、結果三個層面進行探討，并建立及時反饋和預測機制，通過結果可視化便于教師、家長和管理層實施教學干預[13]。武法提團隊構建數字化學習環境下個性化學習行為分析模型，對學習者個人特征數據、社交網絡數據、身體數據、課程數據、學習環境數據等進行數據挖掘和可視化，通過個性化和自適應引擎調整和反饋學習狀態[14]。以上兩種分析方法與傳統課堂教學行為分析的不同之處主要體現在：第一，分析顆粒度越來越細，分析結果越來越精準;第二，編碼方式從人工的和非實時的轉變為自動化的和實時的，在減少教師工作量的同時，提升了分析結果的穩定性和準確性;第三，分析對象從類型單一且小規模的數據轉變為多模態且海量的數據;第四，分析深度從僅僅識別行為的淺層外顯特征到深入理解行為的模式、演變規律，并推測行為背后的動機等內在意義;第五，分析的重點從“教”轉到了“學”。

三、技術發展與情境拓展呼喚教學行為的計算

技術發展正在或遲或早地推動教學理念、教學方式以及教學過程等的革新。技術在潛移默化地影響教育、教學方式，改變教育、教學過程。投影技術的出現使得幻燈教學得以普及，電影技術拉開了視覺教育運動的帷幕，留聲唱片機和無線電廣播的興起開啟了視聽教學的新領域，電子計算機的發明推動了計算機輔助教學時代的來臨，慕課的大規模興起掀起了翻轉課堂的熱潮等。隨著智能時代的來臨，諸多新興技術呈指數形式發展[15]。如5G技術不僅是網絡帶寬的增長和延時的降低，伴隨虛擬現實與增強現實技術的發展，全息投影也成為可能，國內已有成功案例將優秀教師的課堂現場實時投影到教育資源不均衡的地區，實現“雙師”課堂。與此同時，5G技術也極大提升了原有的運算存儲速度，可以連接千百億數量級的物理設備，為物聯網的發展提供了強有力的支持，為教與學過程的計算和處理奠定了基礎。再如語音識別技術的快速發展為言語類行為的分析與計算提供了助力。因此，技術的發展和成熟使得對多模態、大規模數據的分析和深層理解成為可能。

隨著技術逐步融入學校，教與學情境也日趨多元化，學校的邊界日趨模糊。多樣化的教與學情境帶來了大規模、多模態、復雜的教與學行為數據，如何通過對數據的分析和計算來理解教與學行為背后的深層次含義已成為迫切需求。然而，傳統的課堂教學行為分析和廣義的學習行為分析由于其數據組織形式和處理手段的局限，大多只關注行為的外顯特征，難以挖掘行為背后的驅動因素、生命周期等，在深度理解行為方面存在一定困難，無法滿足智能時代精準教學的需求。盛行的課外輔導及其對新型教學模式的靈活應用正在倒逼學校課堂教學進行改革[3]，也亟待新型教學行為研究模式的出現。教與學情境的演化期待更智能的教學行為分析，其基礎就是教學行為計算。

四、教學行為計算的內涵

（一）教學行為

教學行為是具體的可操作的行動方式，是教師的教學理念、專業知識、專業情意、實踐智慧等內隱素質的凝聚和外顯，教學行為的主體是教師[16]。學習行為是學習者在某種動機指引下為獲得某種特定學習結果而選擇各種各樣的手段去實現學習結果的活動的總和[17]。單一從教師教學和學生學習的視角詮釋教與學的行為，都難以支持多情境與多場域的教學分析和教學互動訴求。在教學實踐中，教與學無法割裂，因此，研究教學行為既應包括教和學的行為，更應關注教與學交互的行為。正如《教育大辭典》中對教學行為的界定，教學行為是指教學過程中，為達到一定的教學目的，教師和學生所采取的行為[18]，不僅包括教師與學生之間的相互作用、學生之間的相互作用，還包括教師、學生與整個教學環境的相互作用。

（二）教學行為計算

教學行為計算的概念可追溯到賓夕法尼亞大學計算行為科學實驗室對于計算行為研究的界定：使用行為實驗和計算建模來研究人們如何思考、判斷和決定[19]。該領域聚焦行為計算，主要通過對行為數據的獲取、表征、挖掘，實現深度理解和發現行為智能，最終支持決策，并服務于應用和管理行為[20]。依據教學行為和行為計算的概念，教學行為計算可被認為是通過對信息技術支持的教與學過程中，師生行為、師生互動以及師生與環境交互等數據進行獲取、表征、挖掘，發現教學行為的特征及規律，深度理解教學過程，既有效服務于教學設計、組織、管理、評價，又能支撐學習資源的精準推送和智能教學系統的研發與部署。教學行為計算不但要計算穩定的習慣性行為，還要關注偶發性的異常行為，異常行為的出現預示特殊的教與學狀態，需要教師及時的關注與反饋。

教學行為計算以教學行為為中心組織數據，依據行為的多維度屬性進行數據建模，深度理解行為的模式、驅動因素、發展機制和潛在影響，通過對大規模實時數據的采集、處理和分析，為實踐教學提供指導，優化教學活動的設計與實施，助力智能時代新型教學模式和學習過程的構建。

五、教學行為計算的邏輯模型

在大數據興起的背景下，為更好地支持教學行為分析，提出教學行為計算的通用框架。該框架建立在一般行為計算[21]過程的基礎上，主要包含三個部分：從與教學行為相關的應用和領域中獲取數據;教學行為的表征與推斷、行為數據的挖掘與分析;計算結果的呈現與應用，如圖1所示。

（一）數據獲取

從與教學行為相關的應用和領域中獲取數據，涉及教學行為發生的幾個重要情境，如課堂教學、有組織的自學和協作探究學習等。數據主要來源于物理環境和虛擬環境。在物理環境中，師生的言語、動作、沉寂等行為產生了多樣的數據，可通過腦電、眼動等可穿戴設備、智能攝像頭等智能終端進行捕捉抓取。在虛擬環境中，對于問題解答、信息瀏覽、加工、發布、交流等行為數據[21]，可通過在線學習管理系統、智能教學系統、社交網絡平臺等獲取。隨后，對獲取的數據進行預處理和存儲。預處理包括數據清洗和數據集成。數據清洗包括處理噪聲數據、無關數據和缺失值等[22]，確保數據的有效性。數據集成是將不同來源和形式的數據，根據其相關性，按照學習者與參與者、學習者與環境、參與者與環境三個大類進行集成。存儲環節是將集成后的教學行為數據按照數據在結構上的特點（結構化數據、半結構化數據和非結構化數據）進行存儲，為后續的計算分析做準備。

（二）教學行為的表征與推斷、行為數據的挖掘與分析

教學行為的表征與推斷、行為數據的挖掘與分析這兩個模塊是彼此關聯、相互作用的，實現了數據分析教學的深度融合，也體現出對教學過程的深度“感知”。“感”強調對外界環境和內在心理所能感知的信息及數據的接收。行為數據的挖掘與分析中涉及數據挖掘與處理的步驟，可以廣義地理解為信息捕獲、數據轉換及處理的過程，即為“感”。“知”傾向于對感覺到的信息進行有組織的加工處理，實現對其的理解。在教學行為計算通用框架中，通過教學行為的表征和推斷，結合相應的教育教學理論，可以更加深入闡釋和理解行為，即為“知”。在此過程中，先根據一定的教學理論和經驗創建行為表征規則，指導教學行為的描述，即教學行為的元表征，包括描述行為的操作主體、作用對象、目標、時間、環境、影響等。在不同的教學情境下，表征方法會有所不同。在課堂教學情境下，教師的言語可表述為：李老師在上課一開始對全班同學進行了關于求解一元二次方程方法的提問，目的在于喚醒同學們對該知識點的記憶，在老師提問后，班級同學給予了積極回應。這種行為表征方法是教學行為計算區別于傳統教學行為分析方法的關鍵，通過細化行為的屬性標簽，使得對行為的深度理解成為可能。

對于從各種傳感設備和學習管理系統中捕獲到的數據，依據特定的標準，如弗蘭德斯互動分析系統和S-T分析法等，劃分為教學行為數據和其他數據源。隨后，通過行為模式挖掘、異常行為發現、關聯因素分析等步驟處理。行為模式挖掘旨在從海量的教學行為數據中發現行為間存在的模式和隱藏在內部的關系，與行為模型核查存在相互檢驗的關系。行為模型根據挖掘的結果進行核查和優化，以便使行為表征更加準確和全面。異常行為發現是指識別在教學過程中發生的偏離大概率事件的偶發行為，如頻繁點擊教學系統中某個按鈕、頻繁進出教室等行為。關聯因素分析包含兩個方面：其一是促使行為發生的因素;其二是行為發生后造成的影響，根據分析結果進一步解釋不同類型教育教學社群的形成和演化的狀態與規律。以上行為數據的挖掘與分析常用到聚類分析、分類分析、回歸分析、路徑分析、時間序列分析和語義分析等。常用的數據挖掘算法有Random Forrest、深度神經網絡、SVM和Bayes Belief Network等。

使用數據挖掘與分析的結果進行綜合分析與評價。例如：教師教的行為、師生互動、同伴互動、學生與環境互動對學習過程和結果的影響;判斷教學行為模式對學習結果的促進作用、潛在風險和成本效益等。根據綜合分析和評價的量化結果指導行為關系的質性分析，包含對行為間的關系描述和推斷。例如：發現學習者多次中途無故退出學習系統，則推斷學習者可能出現輟學的行為，此時，教師應及時進行有針對性的教學干預。行為關系分析的結論又會用于支持行為表征規則的修正和優化。

（三）計算結果的呈現與應用

通過計算和分析將產生的教學行為特征、教學互動規律、學習影響因素等結果以可視化方式共享給各相關方。依據教育教學中各相關方的需要，使用表格和圖示等方式來呈現和報告從數據挖掘中得到的行為的動態、關系、模式、網絡和規律，幫助相關人員更加深入地理解教學行為的生命周期及其影響的傳導機制，從而理解教學過程。典型的任務包括行為過程可視化、行為網絡關系可視化和行為序列可視化等。利用計算和推理的結果支持教學設計、教學組織、課堂管理、教學評價等教育教學管理與決策，同時，也為智能教學系統、學習資源推送系統等提供支持服務。

以上各部分除了依據客觀的數據和嚴謹的計算分析之外，還依賴教學理論、行為科學理論、計算機理論和數據科學等多學科理論的指導，為教學行為數據模型的構造和核查提供依據，為數據分析和挖掘提供切入點，為行為理解提供佐證，為教學決策的優化提供理論支撐。基于教學過程感知的行為計算使新的教育生態以數據驅動為特征，向個性化教學變革。通過捕捉整個教育生態中以學習者為中心，多方參與者的全流程、多模態的數據，整合應用多種計算分析技術，從而識別、診斷、預測和干預教育教學中的問題，支持主動、實時、動態地調整教學活動，如規劃學習路徑、配置學習資源，支持個性化的教學和管理，促進傳統班級授課向個性化學習和差異化教學轉變，推動教育從標準化供應走向個性化服務，優化教學過程，提高教學質量。

六、教學行為計算的四個主要研究方向

教學行為計算研究的核心是各種教學交互行為及其影響，教學交互是在學習活動中，學習者為了對知識進行正確的意義建構，與學習環境之間的相互交流和相互作用[23]，其內涵為發生在學習者、參與者和學習環境之間的活動，如圖2所示。按照抽象程度的差別，教學交互分為不同的層次，交互的層次和質量對學習過程和結果均有重要影響，是考量教學效果的重要指標[24]。隨著學習環境形態的演進，技術對教學互動的支持手段越來越豐富。對交互本身及交互涉及的各類因素之于學習成就的影響相關問題的關注、應用和研究也越來越廣泛。

? ? ? （一）學習者與參與者的互動行為研究

學習者與參與者的互動可以激活學習者內部的多種機制，最終促使學習發生并取得學習成就，是行為計算的重要研究領域，主要包含學習者與教師、學習者與同伴間的互動。典型的研究主題包括構建分析工具、探索互動過程的特征、發現互動行為的類型和模式、評價互動效果、探索影響互動的因素、解釋互動的動力機制、構建課堂互動理論和對未來發展趨勢的探討等八類 [25-26]。圍繞著上述研究主題，定量研究方法、定性研究方法和混合型研究方法被廣泛使用。研究的結果被用于理解學習者與參與者的行為和其中的情感、思維，識別課堂互動和其他課堂結構要素之間的關系，評估教學效果，發現教學的普遍規律，優化課堂互動模式，最終提升教學效果。

基于對已有研究問題的分析，我們認為，未來的研究將包含學習者在線互動行為數據庫的建立，從而加強對互動中隱性和深度信息的分析。研究樣本的選取應該均衡、合理，分析盡可能建立在海量數據的基礎上[27]，在不同學科教學的情境中進行分析，增加對跨時空互動的動態分析和比較研究。此外，還可以分析學習者行為的變化趨勢，增強結論的可靠性。同時，注意采用多種方法和工具進行研究[28]。

（二）學習者與環境的交互行為研究

學習者與學習環境的有效交互能夠拓展學習經驗、建構知識、提升學習效果。該方向的研究聚焦五大主題，包括交互分析框架和流程的構建、學習環境的開發、理論框架研究、學習者和環境交互的特征及影響因素研究、學習者的情感和心理過程研究[29-33]。上述研究使用的研究方法有內容分析法、相關分析法、分類分析法、聚類分析法和案例研究法等。交互分析結果可以用來發現學習環境中學習行為模式的差異性和相似性，推測不同環境中的學習習慣，為學習過程涉及的各相關方提供參考，為教學干預提供依據，實現個性化學習。

基于已有的研究問題，未來交互學習環境的開發和研究應考慮以下四個方面：（1）從系統觀視角看，以學習者為中心，關注學習者、學習環境和其他參與者之間的多方互動，從而使學習環境與教師和學生無縫銜接;（2）從技術視角看，進一步增強語音和圖像識別精度，聚焦這類技術在特定學習環境中的情境化處理，支持多模態交互，降低認知負荷;（3）從教學視角看，應更加注重學習者在交互環境中切實的學習效果，確保學生的活動和學習概念的一致性;（4）從研究視角看，應擴大數據規模，從而增強研究結論的信度和效度。

（三）參與者對學習成就的影響研究

人際互動對學習績效具有顯著影響，而這種影響也是評價參與者與學習者互動效果、衡量互動是否成功的重要著眼點。該方向主要的研究主題包括：不同類型的參與者對學習成就的影響、與參與者的互動對學習成就的影響、互動對學習成就的細分領域的影響以及對不同因素如何影響學習成就各細分領域的綜合建模研究[34]。上述研究主題常用的研究方法有觀察法、問卷法、實驗法、準實驗法和統計分析法。參與者對學習成就的影響研究能夠明確參與者如何影響學習，以及他們具體影響學習的哪些方面和影響程度，從而引導教師更有效地與學生互動，幫助教師設計有效促進學習的同伴互動。

考慮到參與者對學習影響所呈現出的復雜性，建議研究者可以關注學習者和參與者關系內涵和外延的復雜性和多元性，考慮參與者對學習影響的各類介質性因素，采用多元研究范式，在不同類型的學習環境中進行研究。著力于從實際教學過程或者互動過程中產生的真實問題，關注微觀的、深層的教學互動問題，擴大數據規模，從而進行深入研究。

（四）學習環境對學習成就的影響研究

豐富的交互環境有助于學習者進行有效的交流并影響學習。該方向典型的研究主題包括：學習者對學習環境的感知與學習成就的關系研究、學習環境中的不同因素對學習成就的影響及其建模研究、不同類型學習環境影響的比較研究 [35-36]。主要涉及的研究方法有實驗法、問卷法、觀察法以及綜合使用多種方法的混合型研究。研究的結果能夠指明學習環境中的哪些因素以何種方式影響學習成就，從而支持學習環境的創建和優化、教師對教學活動的安排以及學校對學習環境的管理。

在學習環境的創建和優化方面，在構建技術支撐的復雜性學習環境時要重視教學設計和教學策略的使用，構建虛實結合的學習共同體，注意對教師轉化角色的支持，為學習者提供良好的學習體驗。同時，智能學習環境提供給學習者的支持要與學習者的個性特征相適應。在研究內容方面，除了關注學習環境對認知領域學習成就的影響外，還要注重考察學習環境對學習者情感等多維度的影響，深入探索潛在的中介性因素對學習環境和學習成就之間的影響協調機制，通過延長研究周期和擴大數據規模來增加結論的可靠性。

七、結 ? 語

與教學行為計算相關的研究在取得突出成果的同時，仍存在以下五個方面的問題：第一，對于教學互動行為相關的基本概念、理論基礎和評價標準，學界尚未完全達成共識，沒有形成統一的理論體系;第二，構建互動分析模型的研究較多，而驗證模型的可操作性和可推廣性的研究較少;第三，當前對教與學行為的分析多集中在對參與者之間互動的顯性分析，對深度互動的挖掘不夠;第四，多數研究樣本抽樣不夠全面、總量偏小、實驗周期較短，所得出的結論可推廣性和解釋力有限;第五，數據分析的工具和手段有待進一步多樣化，當前國內運用質性工具系統化研究互動分析的較少。對于教學行為研究和行為計算對教育過程的重塑潛力以及當前研究中仍然存在的問題和挑戰，特別是教學行為計算的四個研究方向涉及的研究主題，我們將進一步展開研究和實踐工作。

[參考文獻]

[1] 郁曉華，顧小清.學習活動流：一個學習分析的行為模型[J].遠程教育雜志，2013，31（4）：20-28.

[2] 王策三.教學論稿[M].2版.北京：人民教育出版社，2005：87.

[3] 黃榮懷，周偉，杜靜，孫飛鵬，王歡歡，曾海軍，劉德建.面向智能教育的三個基本計算問題[J].開放教育研究，2019，25（5）：11-22.

[4] 胡欽太，張曉梅.教育信息化2.0的內涵解讀、思維模式和系統性變革[J].現代遠程教育研究，2018（6）：12-20.

[5] FLANDERS N. Analyzing teacher behavior[M].MA：Addison-Wesley，1970：107.

[6] 傅德榮，章慧敏，劉清堂.教育信息處理[M].2版.北京：北京師范大學出版社，2011.

[7] 顧小清，王煒.支持教師專業發展的課堂分析技術新探索[J].中國電化教育，2004（7）：18-21.

[8] 方海光，高辰柱，陳佳.改進型弗蘭德斯互動分析系統及其應用[J].中國電化教育，2012（10）：109-113.

[9] 謝幼如，王芹磊，彭麗麗，李冠杰.精品視頻公開課的教學特征與師生行為研究[J].電化教育研究，2013，34（10）：90-96.

[10] 穆肅，左萍萍.信息化教學環境下課堂教學行為分析方法的研究[J].電化教育研究，2015，36（9）：62-69.

[11] 趙以霞，王鑫，金昆，張鵬.國內大數據環境下學習分析技術研究路徑及趨勢分析[J].現代教育技術，2019，29（8）：34-40.

[12] 顧小清，劉妍，胡藝齡，等.學習分析技術應用：尋求數據支持的學習改進方案[J].開放教育研究，2016，22（5）：34-45.

[13] 胡藝齡，顧小清，趙春.在線學習行為分析建模及挖掘[J].開放教育研究，2014，20（2）：102-110.

[14] 武法提，牟智佳.基于學習者個性行為分析的學習結果預測框架設計研究[J].中國電化教育，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.論教學行為的內涵與特點[J].教育科學研究，2015（2）：27-31.

[17] 李松林.課堂教學行為分析引論[J].教育理論與實踐，2005（7）：48-51.

[18] 顧明遠.教育大辭典[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] 劉中宇，周曉.行為科學理論指導下的高校大學生網絡學習行為研究[J].中國電化教育，2008（5）：46-48.

[22] 王改花，傅鋼善.網絡學習行為與成績的預測及學習干預模型的設計[J].中國遠程教育，2019（2）：39-48.

[23] 陳麗.術語“教學交互”的本質及其相關概念的辨析[J].中國遠程教育，2004（3）：12-16.

[24] 盧婷.智慧學習環境下的教學深度交互研究[D].徐州：江蘇師范大學，2017.

[25] 魏志慧，陳麗，希建華.網絡課程教學交互質量評價指標體系的研究[J].開放教育研究，2004，10（6）：34-39.

[26] 謝幼如，宋乃慶，劉鳴.網絡課堂協作知識建構的群體動力探究[J].電化教育研究，2009（2）：55-58.

[27] 何克抗.“學習分析技術”在我國的新發展[J].電化教育研究，2016（7）：5-13.

[28] 朱彩鳳，柴喚友，周雪，孫曉軍.混合學習環境中主動性人格和人際交互與學習績效的關系研究[J].中國遠程教育，2019（8）：68-78.

[29] 何聚厚，黃秀莉，韓廣新，等.VR教育游戲學習動機影響因素實證研究[J].電化教育研究，2019（8）：70-77.

[30] 蔣雙雙，王衛軍.協作式在線課程交互設計研究——以“教育傳播原理”為例[J].中國遠程教育，2018（5）：35-44.

[31] 田陽，陳鵬，黃榮懷，等.面向混合學習的多模態交互分析機制及優化策略[J].電化教育研究， 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，李美瑩.基于虛擬現實環境的深度學習模型構建[J].中國電化教育，2019（9）：68-73.

[36] 張屹，祝園，白清玉，李曉艷，朱映輝.智慧教室環境下小學數學課堂教學互動行為特征研究[J].中國電化教育，2016（6）：43-48.

[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