刘清堂 何皓怡 吴林静

一、传统课堂教学环境阶段

此阶段的课堂教学行为分析方法研究多集中于分析量表的编制，观察者基于相关量表对课堂中的教学行为进行手工编码记录，再进行计算分析。学者Anderson对幼儿教师与儿童的交互行为进行研究，研制出了观测幼儿教师在教学过程中的支配行为和民主行为的量表，并对两种行为进行计算比较。弗兰德斯互动分析系统（FIAS）将课堂中教师和学生的言语行为分为教师言语、学生言语、静止或混乱三大类共10个维度，观察人员选择适当的代码记录下师生的言语互动行为，形成互动分析矩阵，该方法为教师进行教学反思提供了支持。S-T分析方法将课堂教学行为分为学生（s）行为和教师（T）行为两类，通过观察课堂教学过程，以一定时间间隔进行采样、编码，形成S-T时序数据，绘制S-T曲线并计算确定课堂教学模式。

二、信息化教学环境阶段

随着信息技术特别是多媒体技术的发展，给课堂教学带来了更为丰富的媒体展示和信息交互，同时也带动了课堂教学行为分析新方法和新工具的产生和应用。为适应信息化教学环境下的课堂教学行为分析，学者们设计了融入信息技术特征的编码系统;同时，课堂教学行为分析软件的开发和引入，有效提升了分析的效率。学者顾小清等基于弗兰德斯互动分析系统，增加了师生与技术互动的维度，设计了基于信息技术的互动分析编码系统（ITIAS）。穆肃等结合信息技术课堂中师生教学行为的特点，提出了课堂教学行为分析系统（TBAS）及系列分析方法。李静等利用NVIVO软件，以信息化教学环境下的授课视频为研究对象，基于质性分析的视角对课堂教学行为进行研究。王艳丽等开发了课堂教学行为采集与分析软件，提高了数据采集和分析的效率。

三、智慧教室阶段

智慧教室环境下，为自动化和智能化的采集和分析数据创造了条件，研究者们基于多源数据及智能算法，从多种教学行为切入开展识别模型的构建及分析方法研究，进一步丰富了课堂教学行为分析的内容和方法，同时分析的效率也得到了极大提升。学者Iau等利用移动脑波传感器采集学习者的脑电信号，采用支持向量机分类器分析计算脑电特征并判断学习者的注意力情况取得了较高的准确率，这为教师的实时教学干预提供了支持。学者WhitehiU等开发了自动化的课堂学习参与度识别器，该工具采用机器学习的方法实现了对学习者面部表情的自动采集和计算，推断出学习者的参与度情况，以增强教师对学习者參与度的瞬时感知。韩丽等建立了认知行为与学生头部姿态及面部表情行为的特征关系，并在此基础上构建了基于人脸检测与表情分析的课堂教学评价系统，分析与评价了学生对课堂教学的关注度、参与度以及活跃度。曹晓明等采用深度学习的方法，融合多模态数据，构建了学生学习参与度识别模型。

综上所述，随着信息技术的发展，课堂教学行为分析技术正走向自动化和智能化，这使得课堂教学评价的常态化和规模化成为可能，为课堂教学规律的研究和学习本质的探寻提供了强有力的支持。

（节选自《中国电化教育》2019年第9期）