基于xAPI數據的智慧課堂互動行為模式發現及序列分析框架研究

摘要：智慧課堂是一種個性化教學的新型課堂，師生互動行為作為智慧課堂研究的重要組成部分，是課堂教學質量評價的重要依據。但是，當下師生互動行為研究多以某一方面行為質性研究為主，缺少師生互動行為序列的客觀數據支持，難以深刻剖析課堂運轉規律。因此，為深入研究師生互動行為序列關聯性，本研究依托數據處理流程框架設計出基于xAPI數據的智慧課堂互動行為序列分析框架，以某智慧示范區某學校的數學課作為研究樣本，借助智慧課堂行為占比與頻次、殘差值和行為轉換圖對師生互動行為數據、互動行為模式發現及LSA行為序列和序列可視化進行分析并驗證行為序列分析框架的可用性與科學性。最后，采用行為序列量化分析，佐以課堂質性觀察，從中提取智慧課堂顯著性互動行為序列特征，力求推動教師專業發展，為今后優化智慧課堂教學提供參考。

關鍵詞：xAPI數據；智慧課堂；模式發現；互動行為序列

中圖分類號：G434 文獻標識碼：A 論文編號：1674-2117（2024）15-0102-06

問題的提出

2018年，教育部出臺《教育信息化2.0行動計劃》對智慧教育示范區項目的批辦，提出“積極開展智慧教育創新研究和示范，推動新技術支持下教育的模式變革和生態重構”。由此，智慧教育開始從理論研究向實踐探索逐步過渡。智慧課堂作為智慧教育環境的物化形態，以學生智慧生成作為培養起點，將智慧教育理念、技術和方法等融合應用于課堂教學[1]，實現智慧育人。但當前，針對智慧課堂的教學模式、課堂交互行為等研究，仍缺乏有效的研究工具。[2]近年來，大數據技術已經成為數據時代建設智慧教育的重要支持[3]，所以，本文通過探索性地使用滯后序列分析和課堂觀察的量化與質性分析，以厘清行為間的因果關系，挖掘其中的關鍵行為序列，發現智慧課堂中師生互動行為規律，從而為教師發展提供策略，優化課堂教學。

相關概念和文獻綜述

1.智慧課堂

智慧課堂是由智慧教育衍生而來的，因此智慧課堂的含義可以從兩個方向予以解讀：一種是區別于傳統課堂“知識傳授”，以培養學生“智慧”能力和素質為核心的課堂[4]；一種是區別于傳統課堂教學環境，以建構主義作為理論基礎，利用大數據等新一代信息技術打造的智能化、高效性的新型課堂。[5]基于此，本文提出的智慧課堂的核心是通過從信息化視角下構建的有利于學生主動完成知識的意義建構，能夠使師生、生生協作探究的智慧學習環境，來促進教育教學改革，加速教師專業發展。

2.xAPI數據

Experience API（xAPI）是一種用來存儲和檢索學習經歷的技術規范[6]，其作為一種簡單、輕量級且與實現平臺無關的技術規范對分析智慧課堂的智慧性具有基礎作用。[7]因此，本文從師生交互行為數據出發，以xAPI技術規范為基礎，通過對課堂教學過程中生成數據支持下的教學過程進行分析，挖掘行為數據，從而為教育大數據支持下的課堂教學分析提供新的方法。

3.師生互動行為分析

師生互動分析是對課堂教學進行教學類型的編碼與解讀過程[8]，其作為智慧課堂教學必不可少的組成部分，是衡量教師教學質量的重要依據，影響最終的教學效果。目前，在國內外已有的對教學行為量化分析方法的研究中，較為成熟的有FIAS、S-T分析、ITIAS以及iFIAS等，但仍存在該類研究多聚焦于行為頻數、時間占比等課堂數據統計的問題，課堂行為之間的關聯仍需主觀論述，難以揭示課堂中教學行為的客觀運作規律。本文注重對師生互動過程中教與學特征的量化統計分析，并佐以課堂質性觀察，以彌補傳統行為分析方法中研究者主觀判斷造成的誤差。

4.互動行為序列分析

在量化研究中，課堂互動效果的評判標準主要是依據師生行為出現的頻次、占比時間等數據，以此來反映課堂互動行為的效果質量。但行為的發起含義往往與所處的情境相關聯，如果將行為單獨抽離出來，就很有可能偏離原本的意義。近年來，國內外眾多研究者開始將LSA應用于行為分析研究，如國內學者馮仰存等利用LSA以骨干教師與新手教師共90名教師為樣本，對二者在教學決策行為上的差異進行了比較。[9]國外有研究應用LSA分析了研究生在異步討論區的小組交互行為模式。[10]因此，本文強調關注師生互動行為序列，而非割裂的行為本身。[11]通過分析某種行為與其前后行為之間的關聯，呈現出行為所處的情境，從而挖掘師生互動的深層次含義。這一轉向為該領域的研究提供了新的分析視角，也為及時實施教學干預、提高學生學習效率提供了新的途徑。[12]

基于xAPI數據的智慧課堂互動行為序列分析框架研究

本文旨在發現智慧課堂中具有代表性和普適性的互動行為模式，因此需完成數據清洗、模式發現、滯后序列分析等工作，以確保師生互動行為序列的科學性，實現突破當前xAPI技術規范后行為數據分類與內在規律挖掘的困境。通過互動行為數據分析、模式發現、滯后序列分析及結果應用，自上而下設計系統，確立智慧課堂互動行為序列模式的整體框架，如圖1所示。

該框架以數據處理流程為基礎，依托xAPI技術規范行為編碼體系發現師生互動模式，利用LSA方法精細化該模式，并以轉化圖形式呈現。框架包括互動行為數據分析、模式發現、LSA行為序列分析及可視化三部分。在數據分析階段，建立基于xAPI數據的智慧課堂交互體系，進行清洗、過濾、排序等工作，提取有效行為數據。數據流進入第二階段，通過交互體系人工排序有效數據，發現粗粒度互動模式，再結合xAPI數據建立分類編碼體系，利用LSA方法驗證師生行為頻次，得到細粒度互動模式。由于前兩個階段主要梳理顯著性行為序列關系，但數據表現獨立，可視化不足，影響易用性，因此將行為序列數據轉換為可視化圖式，繪制轉換圖，實現序列模式可視化效果。

基于xAPI數據的智慧課堂互動行為編碼分析

本文主要選取的是某智慧示范區某校線上集體授課的智慧課堂互動行為數據作為研究樣本，提出將教學行為歸為講解、提問、提示、發布任務、反饋、評價、多媒體演示、設備操作八個類別，將學習行為歸為應答、完成任務、觀看媒體演示、使用媒體四個類別。基于此，筆者開發了基于xAPI數據的智慧課堂互動行為類型編碼分析系統，其具體行為劃分情況如表1所示。為方便后期編碼和行為區分，使用字母與阿拉伯數字對上述12類行為依次進行編碼，并對每類行為進行了描述。根據分析該校的教師教學行為和學生學習行為數據，參考xAPI限定動詞類型表，規范智慧課堂中師生各自行為。

本文運用LSA分析法對智慧課堂中師生互動行為進行分析和研究，在xAPI技術規范格式化后的教學行為分類編碼體系的基礎上，采用LSA揭示出智慧教室環境下師生互動中存在的顯著行為序列。這一研究的目的聚焦于其出現的可能性和概率。當某種行為序列具有顯著性時，預示著某種行為之后另一種行為的出現概率極高。通過GSEQ軟件分析已編碼的行為序列，生成MDS文件，并計算行為轉換頻率和殘差。若Z值大于1.96，則行為路徑具有顯著性。參照前期建立的智慧課堂互動行為編碼體系，驗證哪些行為序列路徑具有顯著特征，最終繪制得到存在顯著意義的行為序列模式。

基于xAPI數據的智慧課堂互動行為模式發現及LSA序列分析

在xAPI技術規范下，將師生的互動行為數據以活動語句“statement”的形式記錄在LRS之中。本文中的操作對象主要是指教師和學生，以xAPI數據為基礎分別對規范教師教學行為序列和學生學習行為序列進行分析。基于xAPI數據的智慧課堂互動行為模式發現如圖2所示。從本文實際案例中師生操作行為數據來看，可分別將教師操作行為和學生操作行為進行劃分，即教師操作行為類型包括“講解”“提問”“指示”“發布任務”“反饋”“評價”“媒體演示”和“設備操作”八種類型，學生操作行為類型包括“應答”“完成任務”“觀看媒體演示”和“使用媒體”四種類型。通過對實驗數據進行清洗，來提取有效行為數據。

實驗組師生互動數據顯示：教師行為總數為674，其中講解頻次最高，體現多媒體教學特色；技術展示與操作亦頻繁，但個性化教學應用不足。學生行為主要包括應答、完成任務、觀看媒體演示和使用媒體學習，線上學習行為類型相對單一，表明智慧課堂仍以教師為主導。對比發現，教師行為次數與類別均多于學生，技術應用主要服務于講解，學生以接收知識為主，教師并沒有更多地使用技術組織開展個性化教學活動。

根據師生互動行為頻次，以時間為切入點進行分析，在xAPI技術規范下，在對二者行為數據格式規范后，發現互動行為序列模式為“講解→聽講→提問→應答→反饋→發布任務→反饋”。由于該模式是基于師生行為頻次結合時間序列分析得出，缺乏一定科學性，粒度較粗，為保證普適性的行為序列模式更具科學性，本文提出基于當前研究結論可進行下一步的智慧課堂互動行為序列模式的研究工作。該分析機制的優勢主要以xAPI規范當前行為數據格式，基于LSA方法得到顯著行為序列，因此可以進一步探究顯著行為序列的關聯程度。最終得到最具代表性和普適性的智慧課堂互動行為模式，其中包括“講解—聽講—提問”“提問—應答—反饋”和“教師發布任務—學生完成任務—反饋”三類，具體如圖3所示。

基于xAPI數據的智慧課堂互動行為模式發現及序列分析應用案例

本文旨在驗證智慧課堂中師生互動行為序列模式的有效性和通用性，因此筆者先進行數據清洗，篩選出有效互動行為數據，并依托已構建的互動行為分析系統編碼體系，進行滯后序列分析。鑒于智慧課堂環境的復雜性，詳細記錄行為間的轉換關系，避免交叉重疊，確保數據的完整性和科學性。

基于前期數據記錄與分析，針對某英語優質課在線教師和學生課堂行為數據主要對外顯操作性行為進行分類和定義，因此，可直接從學習平臺數據庫中導出。根據確立的智慧課堂互動行為編碼體系對其進行編碼，將編碼完成后的行為數據錄入到分析軟件進行滯后序列分析得到相應的互動行為轉換頻率（如下頁表2）。將教師線上教學行為和學生線上學習行為整理出有效行為，結合前期發現的互動行為模式，一一映射，對軟件生成的調整后殘差如表3所示，繪制解讀出顯著性行為序列模式如下頁圖4所示。依據解讀出來的行為序列關聯性，教師教學行為和學生學習行為的交互序列大致符合前期研究發現的互動行為序列模式。在該課例中，教師在提問學生之后會出現較高頻次的編輯操作行為。結合具體數據可以發現，教師行為特征表現為借助技術手段完成教學，且提問后常伴隨編輯操作，主要用于根據學生的回答進行講解答復和媒體編輯。從發現的師生互動行為序列模式可以看出，基本的行為序列模式中的主要行為序列與圖3所示相同。

通常情況下，完全符合前期依據師生互動行為數據統計得到的行為模式的案例難以找到。一方面，智慧課堂技術手段豐富，教師多依賴此展示教學內容，過程中存在不可控因素，可能導致分析結果與前期預測存在偏差；另一方面，教師使用技術呈現內容的方式各異，與教授科目、課程形式等有關，且案例數據的有效性和樣本容量也影響分析結果。因此，通過滯后序列分析得到全面的行為序列模式非常困難，所以本文僅證明大部分智慧課堂互動行為序列模式包含其中一種。要驗證完整的智慧課堂互動行為序列，需結合課堂觀察，以質性研究法深入了解師生行為，這樣不僅有助于更深入地理解教師教學活動設計和學生課堂參與度，也為后續研究智慧課堂相比傳統課堂的智慧性、如何調動學生參與及針對師生互動問題設計教學干預措施提供幫助。

討論和總結

綜上所述，在同一學科下的智慧課堂中顯著的師生互動行為序列基本是一致的，那么，在不同學科下的智慧課堂又會存在哪些顯著的行為序列，以及這些顯著的互動行為序列是否適用于其他課堂教學場景，還有待進一步研究。同時，本文存在一定局限性，如所選課例數據普適性不足，行為模式受復雜因素影響等。未來需從多角度驗證完善編碼體系，開發智能化分析工具，探究不同教學能力層級下的交互行為模式差異，以精準支持教學反思與教師專業發展。

參考文獻：

[1]邱藝，謝幼如，李世杰，等.走向智慧時代的課堂變革[J].電化教育研究，2018，39（07）：70-76.

[2]Yu L，Cui Y，Zhang H.Teacher behavior sequence under smart learning environment[C].//2018 International Joint Conference on Information，Media and Engineering（ICIME），2018：158-161.

[3][6]方海光，陳俊達，詹偉華，等.基于xAPI標準數據的交互式學習資源設計研究[J].中國電化教育，2016（12）：78-82.

[4]張海，崔宇路，余露瑤，等.基于數據挖掘的智慧課堂教學行為事理圖譜研究[J].遠程教育雜志，2020，38（02）：80-88.

[5]劉邦奇，李鑫.智慧課堂數據挖掘分析與應用實證研究[J].電化教育研究，2018，39（06）：41-47.

[7]李青，孔沖.下一代SCORM標準的新動向——ADL TLA和Experience API解讀[J].電化教育研究，2013，34（08）：61-67+72.

[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]馮仰存，曹凡，張懷浩.基于滯后序列分析法的教學決策行為比較研究[J].現代教育技術，2022（02）：63-71.

[10]Jeong，A.C.The sequential analysis of group interaction and criticalthinking in online[J].The American Journal of Distance Education，2003，17（01）：25-43.

[11]Lefstein A，Snell J，Israeli M.From moves to sequences：expanding the unit of analysis in the study of classroom discourse[J].British Educational Research Journal，2015，41（05）：866－885.

[12]江毅，王煒，康苗苗.基于行為序列分析的師生互動效果研究[J].現代遠距離教育，2019（06）：53-61.