基于xAPI数据的智慧课堂互动行为模式发现及序列分析框架研究

摘要：智慧课堂是一种个性化教学的新型课堂，师生互动行为作为智慧课堂研究的重要组成部分，是课堂教学质量评价的重要依据。但是，当下师生互动行为研究多以某一方面行为质性研究为主，缺少师生互动行为序列的客观数据支持，难以深刻剖析课堂运转规律。因此，为深入研究师生互动行为序列关联性，本研究依托数据处理流程框架设计出基于xAPI数据的智慧课堂互动行为序列分析框架，以某智慧示范区某学校的数学课作为研究样本，借助智慧课堂行为占比与频次、残差值和行为转换图对师生互动行为数据、互动行为模式发现及LSA行为序列和序列可视化进行分析并验证行为序列分析框架的可用性与科学性。最后，采用行为序列量化分析，佐以课堂质性观察，从中提取智慧课堂显著性互动行为序列特征，力求推动教师专业发展，为今后优化智慧课堂教学提供参考。

关键词：xAPI数据；智慧课堂；模式发现；互动行为序列

中图分类号：G434 文献标识码：A 论文编号：1674-2117（2024）15-0102-06

问题的提出

2018年，教育部出台《教育信息化2.0行动计划》对智慧教育示范区项目的批办，提出“积极开展智慧教育创新研究和示范，推动新技术支持下教育的模式变革和生态重构”。由此，智慧教育开始从理论研究向实践探索逐步过渡。智慧课堂作为智慧教育环境的物化形态，以学生智慧生成作为培养起点，将智慧教育理念、技术和方法等融合应用于课堂教学[1]，实现智慧育人。但当前，针对智慧课堂的教学模式、课堂交互行为等研究，仍缺乏有效的研究工具。[2]近年来，大数据技术已经成为数据时代建设智慧教育的重要支持[3]，所以，本文通过探索性地使用滞后序列分析和课堂观察的量化与质性分析，以厘清行为间的因果关系，挖掘其中的关键行为序列，发现智慧课堂中师生互动行为规律，从而为教师发展提供策略，优化课堂教学。

相关概念和文献综述

1.智慧课堂

智慧课堂是由智慧教育衍生而来的，因此智慧课堂的含义可以从两个方向予以解读：一种是区别于传统课堂“知识传授”，以培养学生“智慧”能力和素质为核心的课堂[4]；一种是区别于传统课堂教学环境，以建构主义作为理论基础，利用大数据等新一代信息技术打造的智能化、高效性的新型课堂。[5]基于此，本文提出的智慧课堂的核心是通过从信息化视角下构建的有利于学生主动完成知识的意义建构，能够使师生、生生协作探究的智慧学习环境，来促进教育教学改革，加速教师专业发展。

2.xAPI数据

Experience API（xAPI）是一种用来存储和检索学习经历的技术规范[6]，其作为一种简单、轻量级且与实现平台无关的技术规范对分析智慧课堂的智慧性具有基础作用。[7]因此，本文从师生交互行为数据出发，以xAPI技术规范为基础，通过对课堂教学过程中生成数据支持下的教学过程进行分析，挖掘行为数据，从而为教育大数据支持下的课堂教学分析提供新的方法。

3.师生互动行为分析

师生互动分析是对课堂教学进行教学类型的编码与解读过程[8]，其作为智慧课堂教学必不可少的组成部分，是衡量教师教学质量的重要依据，影响最终的教学效果。目前，在国内外已有的对教学行为量化分析方法的研究中，较为成熟的有FIAS、S-T分析、ITIAS以及iFIAS等，但仍存在该类研究多聚焦于行为频数、时间占比等课堂数据统计的问题，课堂行为之间的关联仍需主观论述，难以揭示课堂中教学行为的客观运作规律。本文注重对师生互动过程中教与学特征的量化统计分析，并佐以课堂质性观察，以弥补传统行为分析方法中研究者主观判断造成的误差。

4.互动行为序列分析

在量化研究中，课堂互动效果的评判标准主要是依据师生行为出现的频次、占比时间等数据，以此来反映课堂互动行为的效果质量。但行为的发起含义往往与所处的情境相关联，如果将行为单独抽离出来，就很有可能偏离原本的意义。近年来，国内外众多研究者开始将LSA应用于行为分析研究，如国内学者冯仰存等利用LSA以骨干教师与新手教师共90名教师为样本，对二者在教学决策行为上的差异进行了比较。[9]国外有研究应用LSA分析了研究生在异步讨论区的小组交互行为模式。[10]因此，本文强调关注师生互动行为序列，而非割裂的行为本身。[11]通过分析某种行为与其前后行为之间的关联，呈现出行为所处的情境，从而挖掘师生互动的深层次含义。这一转向为该领域的研究提供了新的分析视角，也为及时实施教学干预、提高学生学习效率提供了新的途径。[12]

基于xAPI数据的智慧课堂互动行为序列分析框架研究

本文旨在发现智慧课堂中具有代表性和普适性的互动行为模式，因此需完成数据清洗、模式发现、滞后序列分析等工作，以确保师生互动行为序列的科学性，实现突破当前xAPI技术规范后行为数据分类与内在规律挖掘的困境。通过互动行为数据分析、模式发现、滞后序列分析及结果应用，自上而下设计系统，确立智慧课堂互动行为序列模式的整体框架，如图1所示。

该框架以数据处理流程为基础，依托xAPI技术规范行为编码体系发现师生互动模式，利用LSA方法精细化该模式，并以转化图形式呈现。框架包括互动行为数据分析、模式发现、LSA行为序列分析及可视化三部分。在数据分析阶段，建立基于xAPI数据的智慧课堂交互体系，进行清洗、过滤、排序等工作，提取有效行为数据。数据流进入第二阶段，通过交互体系人工排序有效数据，发现粗粒度互动模式，再结合xAPI数据建立分类编码体系，利用LSA方法验证师生行为频次，得到细粒度互动模式。由于前两个阶段主要梳理显著性行为序列关系，但数据表现独立，可视化不足，影响易用性，因此将行为序列数据转换为可视化图式，绘制转换图，实现序列模式可视化效果。

基于xAPI数据的智慧课堂互动行为编码分析

本文主要选取的是某智慧示范区某校线上集体授课的智慧课堂互动行为数据作为研究样本，提出将教学行为归为讲解、提问、提示、发布任务、反馈、评价、多媒体演示、设备操作八个类别，将学习行为归为应答、完成任务、观看媒体演示、使用媒体四个类别。基于此，笔者开发了基于xAPI数据的智慧课堂互动行为类型编码分析系统，其具体行为划分情况如表1所示。为方便后期编码和行为区分，使用字母与阿拉伯数字对上述12类行为依次进行编码，并对每类行为进行了描述。根据分析该校的教师教学行为和学生学习行为数据，参考xAPI限定动词类型表，规范智慧课堂中师生各自行为。

本文运用LSA分析法对智慧课堂中师生互动行为进行分析和研究，在xAPI技术规范格式化后的教学行为分类编码体系的基础上，采用LSA揭示出智慧教室环境下师生互动中存在的显著行为序列。这一研究的目的聚焦于其出现的可能性和概率。当某种行为序列具有显著性时，预示着某种行为之后另一种行为的出现概率极高。通过GSEQ软件分析已编码的行为序列，生成MDS文件，并计算行为转换频率和残差。若Z值大于1.96，则行为路径具有显著性。参照前期建立的智慧课堂互动行为编码体系，验证哪些行为序列路径具有显著特征，最终绘制得到存在显著意义的行为序列模式。

基于xAPI数据的智慧课堂互动行为模式发现及LSA序列分析

在xAPI技术规范下，将师生的互动行为数据以活动语句“statement”的形式记录在LRS之中。本文中的操作对象主要是指教师和学生，以xAPI数据为基础分别对规范教师教学行为序列和学生学习行为序列进行分析。基于xAPI数据的智慧课堂互动行为模式发现如图2所示。从本文实际案例中师生操作行为数据来看，可分别将教师操作行为和学生操作行为进行划分，即教师操作行为类型包括“讲解”“提问”“指示”“发布任务”“反馈”“评价”“媒体演示”和“设备操作”八种类型，学生操作行为类型包括“应答”“完成任务”“观看媒体演示”和“使用媒体”四种类型。通过对实验数据进行清洗，来提取有效行为数据。

实验组师生互动数据显示：教师行为总数为674，其中讲解频次最高，体现多媒体教学特色；技术展示与操作亦频繁，但个性化教学应用不足。学生行为主要包括应答、完成任务、观看媒体演示和使用媒体学习，线上学习行为类型相对单一，表明智慧课堂仍以教师为主导。对比发现，教师行为次数与类别均多于学生，技术应用主要服务于讲解，学生以接收知识为主，教师并没有更多地使用技术组织开展个性化教学活动。

根据师生互动行为频次，以时间为切入点进行分析，在xAPI技术规范下，在对二者行为数据格式规范后，发现互动行为序列模式为“讲解→听讲→提问→应答→反馈→发布任务→反馈”。由于该模式是基于师生行为频次结合时间序列分析得出，缺乏一定科学性，粒度较粗，为保证普适性的行为序列模式更具科学性，本文提出基于当前研究结论可进行下一步的智慧课堂互动行为序列模式的研究工作。该分析机制的优势主要以xAPI规范当前行为数据格式，基于LSA方法得到显著行为序列，因此可以进一步探究显著行为序列的关联程度。最终得到最具代表性和普适性的智慧课堂互动行为模式，其中包括“讲解—听讲—提问”“提问—应答—反馈”和“教师发布任务—学生完成任务—反馈”三类，具体如图3所示。

基于xAPI数据的智慧课堂互动行为模式发现及序列分析应用案例

本文旨在验证智慧课堂中师生互动行为序列模式的有效性和通用性，因此笔者先进行数据清洗，筛选出有效互动行为数据，并依托已构建的互动行为分析系统编码体系，进行滞后序列分析。鉴于智慧课堂环境的复杂性，详细记录行为间的转换关系，避免交叉重叠，确保数据的完整性和科学性。

基于前期数据记录与分析，针对某英语优质课在线教师和学生课堂行为数据主要对外显操作性行为进行分类和定义，因此，可直接从学习平台数据库中导出。根据确立的智慧课堂互动行为编码体系对其进行编码，将编码完成后的行为数据录入到分析软件进行滞后序列分析得到相应的互动行为转换频率（如下页表2）。将教师线上教学行为和学生线上学习行为整理出有效行为，结合前期发现的互动行为模式，一一映射，对软件生成的调整后残差如表3所示，绘制解读出显著性行为序列模式如下页图4所示。依据解读出来的行为序列关联性，教师教学行为和学生学习行为的交互序列大致符合前期研究发现的互动行为序列模式。在该课例中，教师在提问学生之后会出现较高频次的编辑操作行为。结合具体数据可以发现，教师行为特征表现为借助技术手段完成教学，且提问后常伴随编辑操作，主要用于根据学生的回答进行讲解答复和媒体编辑。从发现的师生互动行为序列模式可以看出，基本的行为序列模式中的主要行为序列与图3所示相同。

通常情况下，完全符合前期依据师生互动行为数据统计得到的行为模式的案例难以找到。一方面，智慧课堂技术手段丰富，教师多依赖此展示教学内容，过程中存在不可控因素，可能导致分析结果与前期预测存在偏差；另一方面，教师使用技术呈现内容的方式各异，与教授科目、课程形式等有关，且案例数据的有效性和样本容量也影响分析结果。因此，通过滞后序列分析得到全面的行为序列模式非常困难，所以本文仅证明大部分智慧课堂互动行为序列模式包含其中一种。要验证完整的智慧课堂互动行为序列，需结合课堂观察，以质性研究法深入了解师生行为，这样不仅有助于更深入地理解教师教学活动设计和学生课堂参与度，也为后续研究智慧课堂相比传统课堂的智慧性、如何调动学生参与及针对师生互动问题设计教学干预措施提供帮助。

讨论和总结

综上所述，在同一学科下的智慧课堂中显著的师生互动行为序列基本是一致的，那么，在不同学科下的智慧课堂又会存在哪些显著的行为序列，以及这些显著的互动行为序列是否适用于其他课堂教学场景，还有待进一步研究。同时，本文存在一定局限性，如所选课例数据普适性不足，行为模式受复杂因素影响等。未来需从多角度验证完善编码体系，开发智能化分析工具，探究不同教学能力层级下的交互行为模式差异，以精准支持教学反思与教师专业发展。

参考文献：

[1]邱艺，谢幼如，李世杰，等.走向智慧时代的课堂变革[J].电化教育研究，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，陈俊达，詹伟华，等.基于xAPI标准数据的交互式学习资源设计研究[J].中国电化教育，2016（12）：78-82.

[4]张海，崔宇路，余露瑶，等.基于数据挖掘的智慧课堂教学行为事理图谱研究[J].远程教育杂志，2020，38（02）：80-88.

[5]刘邦奇，李鑫.智慧课堂数据挖掘分析与应用实证研究[J].电化教育研究，2018，39（06）：41-47.

[7]李青，孔冲.下一代SCORM标准的新动向——ADL TLA和Experience API解读[J].电化教育研究，2013，34（08）：61-67+72.

[8]方海光，高辰柱，陈佳.改进型弗兰德斯互动分析系统及其应用[J].中国电化教育，2012（10）：109-113.

[9]冯仰存，曹凡，张怀浩.基于滞后序列分析法的教学决策行为比较研究[J].现代教育技术，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，王炜，康苗苗.基于行为序列分析的师生互动效果研究[J].现代远距离教育，2019（06）：53-61.