购物车(0)
课堂大数据分析篇1
如今，我们已经进入到了一个“数据驱动学校、分析改革教育”的大数据时代，大数据正影响着传统教育与传统教学，未来大数据必将改变传统教育的面貌[1]。随着大数据时代的到来，大数据分析也相应地产生。因而，研究基于大数据分析下的数学课堂教学具有较为重要的理论意义和现实意义。
一、大数据分析的概念
1.大数据的概念。就数据本身而言，其是记载信息的一种载体，当然，也是知识的来源。数据的不断增加，表示其相应的记录范围、测量范围和分析范围在不断扩大，表示人类获取的知识越来越多，获取的信息量越来越大，而知识的边界也在相应地不断扩展与延伸。所谓大数据，可以从宏观和围观两个角度来进行理解，有不少国内外学者选择从宏观角度理解和研究大数据，其对于大数据的概念做了以下定义，即需要新处理模式才可以具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产，大数据具有4V特点，分别是Volume（数据量大）、Velocity（实时性强）、Variety（种类多样）、Veracity（真实性），另外还有一部分学者认为应当再加两个V，即Value（价值）和Visualization（可视化）[2]。而维基百科给出的定义则是无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。
2.大数据分析的概念。所谓大数据分析，即对规模巨大、数量庞大的数据进行分析。其具有四个非常显著的特征：首先，数据量大;其次，速度很快;再次，种类繁多;最后，真实性。而大数据分析的目的就是要通过对历史数据的分析和挖掘，科学总结与发现其中蕴藏的规律和模式，并结合源源不断的动态流式数据去预测事物未来的发展趋势[3]。
二、基于大数据分析下的数学课堂教学策略
1.更新教学观念，构建数据分析观念。物质决定意识，意识是物质的反映。在高中数学教学中，教师在课堂教学的过程中，教学方法、教学模式难免会受其自身教学观念的影响，因而数学教师首先必须先更新教学观念，构建数据分析观念。在新课标中提出了“数据分析观念”一词，这一词是由“统计观念”变更而来。由此可见，随着大数据时代的来临，数据分析也日益受到人们的关注与重视。因而，有必要在数学课堂教学构建相应的背景，构建数据分析观念，使学生树立数据分析的意识，并对其予以重视[4]。
2.勇于探索，在数学教学中尝试分层教学。在现行的高中数学课堂教学上，一般采取班级统一上课的模式，这样的教学模式比较固定，缺乏新意，不利于培养和发展学生的个性，更不利于挖掘学生的潜能。我国古代教育师祖孔子曾提出“因材施教”，就是要求教师根据每个学生不同的情况，对学生进行不同类型的教育。在高中数学课堂教学中，教师可以对学生尝试分层教学。一个班有众多的学生，学生与学生之间存在着个体、个性差异，对不同的学生进行不同类型的教学，能够促进有效教学。对于个性化差异和个体化差异比较明显的小学生，也可以尝试不同的教学方法，尝试全新的教学模式，对于不同基础和不同背景下的学生，要正视其存在的个体差异，对他们进行分层次的教学，这样有利于促进学生更好地学习数学，也有利于充分挖掘学生的数学潜能。
3.学会运用大数据分析和获取数据中的有用信息。在高中数学教学中，教师应注意引导和帮助学生学会运用大数据分析和获取数据中的有用信息，充分调动学生学习数学的积极性和主动性。通过激发学生的学习兴趣，帮助学生提高他们的学习效率，这样既有助于促进学生全面发展，也有助于提升高中数学课堂教学的效率[5]。举例来说，教师可以结合高中数学教材内容，大数据分析工具制定教学计划，例如在学习《空间向量》这一章时，教师可以引导学生结合实际生活，充分发挥想象力，对空间向量进行思考，还可以引入与空间向量相关的内容，通过相关数据分析，帮助学生加深对知识的理解。同时，带动学生主动思考，积极参与课堂互动。此外，教师还应教学生学会获取数据中的有用信息。以高中数学《统计》这一章为例，在学习《统计》这一章时涉及抽样方法以及总体分布的估计，教师可以在具体教学过程中，引导学生利用大数据对相关数据进行分析，然后从中获取有用的信息，以帮助解题。
4.引入数据挖掘算法，提升数学运算能力。数学教师除了按照教学大纲要求完成教学任务之外，还要注意在数学课堂中引入数据挖掘算法，注意提升学生的数学运算能力。一方面，数学教师要利用大数据分析工具密切关注学生对所学数学知识的掌握情况;另一方面，还要密切关注学生对于数学运算能力的掌握。引导和帮助学生学会收集数据和使用数据，利用大数据中的数据挖掘算法，培养数学解题能力。对于高中学生而言，数学运算能力是其必须掌握的，数学运算能力是学好数学的前提和基础。因而，数学运算能力非常重要。举例来说，在高中数学的运算中，涉及函数、指数和向量等计算，而这些计算相对而言又比较复杂，如果在计算过程中出现失误，将导致整个运算结果错误。这就要求学生具备较强的运算能力，在运算过程中保持细心、认真和严谨的态度进行运算。在高中数学教学中，教师要教学生运用不同的数学方法进行解题，让学生学会举一反三。
5.学会分类，重视数学知识的积累。高中数学学科是一门具有较强的抽象性和较强的逻辑性的学科，知识点还比较多，这就要求学会分类，对各类数学知识进行分门别类，这样有助于加深对知识的理解，也有助于理清数学知识的脉络，促进学生更好地进行下一阶段的数学学习。此外，还应重视数学知识的积累。高中数学知识具有较强的连贯性和衔接性，学生在学习过程中如果出现知识点断层问题，很容易影响下一阶段的数学知识学习，致使前期所学的知识与后期将要学习的知识无法较好地衔接，影响学生的学习积极性，也会在一定程度上影响学生的整体成绩。因而，在高中数学教学过程中，教师要注意帮助学生做好相关知识点的复习和巩固，加深学生对前期所学知识的印象。例如：在初中的数学学习过程中，教师对十字相乘法已经不作要求了，同时对三次或三次以上多项式因式分解也不作要求了，但是到了高中教材中却多处要用到。另外二次根式中对分子、分母有理化这也是初中不作要求的内容，但是分子、分母有理化却是高中函数、不等式常用的解题技巧，特别是分子有理化应用更加广泛。所以，教师在教学过程中，应该多复习以前学生学过的知识，将其进行一定的积累，同时，也能为其今后数学知识的学习奠定良好的基础。此外，还要养成良好的数学学习习惯和数学知识积累意识，在实际学习过程中，充分重视数学知识的积累，通过各种不同的方式促进对数学知识的理解，并且学会运用自己所学的数学方法来解决数学问题，通过这种方法能够使学生不断地巩固所学的数学知识，提升数学解题能力，提升整体数学素质。
6.感悟数字化的便利，学以致用，提升数学应用意识。大数据时代的来临，改变了人们以往的生活方式，改变了人们生活的方方面面，也在一定程度上改变了数学课堂教学，举例来说，大数据时代的来临改变了高中数学课堂教学的形式、方法等。教师可以通过大数据提供的数字化信息，运用多媒体设备进行备课以及给学生布置作业，还可以利用大数据分析班里每位同学的学习情况。在数学学习过程中，学生在感悟数字化的便利的同时，还要学会将所学的数学知识融会贯通，学以致用。当然，有一点必须强调的是，无论哪一学科，都有其自身的特性及作用。以高中数学学科为例，数学是一门科学性与综合性较强的学科，其作用之一就是能够培养人的逻辑思维推算能力。并且，数学还是一门与我们生活息息相关的学科。因而，在学习数学这门课程时，教师要当好向导的角色，注意培养学生的数学学习意识，要让学生学以致用，注重提升他们的数学应用意识。
三、结束语
综上所述，基于大数据分析下的数学课堂教学策略主要有：第一，更新教学观念，构建数据分析观念。第二，勇于探索，在数学教学中尝试分层教学。第三，培养数学学习兴趣，学会获取数据中的有用信息。第四，引入数据挖掘算法，提升数学运算能力。第五，学会分类，重视数学知识的积累。第六，感悟数字化的便利，学以致用，提升数学应用意识。笔者希望有更多的有志之士，能够投身到这个课题的研究之中，指出笔者在文中的不足之处，同时也可以为基于大数据分析下的数学课堂教学这一课题的研究，做出自己应有的一份贡献。
参考文献：
[1]孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2013，（1）：146-169.
[2]姜强，赵蔚，王朋娇，王丽萍.基于大数据的个性化自适应在线学习分析模型及实现[J].中国电化教育，2015，（1）：85-92.
课堂大数据分析篇2
数据分析课程的特点就是要求学生具备较高的理论基础水平、综合应用及动手能力，还需要学生掌握必要的分析解释能力。将理论与实际案例结合，发挥学生的主观能动性，增加学生的动手实践和分析解释环节，是数据分析教学中必须遵循的原则。而翻转课堂正是通过对知识传授和知识内化两个环节的颠倒，实现学生对授课内容的理解和对知识点的内化，也就是理论结合实践的过程。因此本文针对数据分析课程特点和存在的问题，结合翻转课堂的教学理念，对数据分析课程各个教学环节进行设计研究，以期促进数据分析教学，使之更好地为专业素质的培养提供服务。
一、数据分析教学存在的问题
1.理论教学
数据分析课程的理论与方法内容丰富，涉及面广，应用范围大。在理论教学中，学生学习理解掌握理论基础具有一定的难度。如对各分析方法的理解掌握，必须建立在良好的数学基础上，综合运用所学数学知识才可以理解各种数据分析的理论分析原理。同时学生还需要理解掌握各分析方法理论的内在联系，并把握其不断发展的趋势，才能真正掌握数据分析的理论与方法。我校现在的数据分析课程教学理论课程授课方式单一，传统教学方式使学生只能对课程方法理论浅尝辄止，无法深入了解，综合运用。同时单一的课堂授课模式无法对学生的掌握程度进行有效的评价和检测。
2.实践教学
数据分析课程对学生的动手能力要求很高。学生在理解掌握各种分析方法的理论基础上，需要掌握一定的统计软件的使用方法，如SPSS，MATLAB。这需要将理论方法，如复杂的公式，与实际软件使用相结合。实验教学中，要求学生有较高的计算机编程能力，然后结合数据分析的理论方法，对数据进行分析，并应用于实践。现阶段我校数据分析课程中，学生实践课时偏少，而且传统授课模式让学生的学习处于被动状态。实践教学中只能根据老师和教材的指导，对课本上的例题程序进行练习，极大地限制学习广度和深度，且无法有效地将本课程与实际生活与应用联系起来，从而挫伤学生学习和动手的积极性。
3.学生能力培养
数据分析课程对学生能力的培养体现在综合运用能力和对结果的分析解释能力。理论课程传统的填鸭式教学，和实践课程拘泥于教材的例题程序的现状，将数据计算与数据分析分割开来，势必会限制学生综合运用能力和分析解释能力的发展，影响学生学习兴趣和课程教学效果。
二、翻转课堂教学理念
翻转课堂起源于美国林地公园高中，两位化学老师通过让学生在家观看视频，课堂进行练习的方式，完全颠覆传统教学模式。翻转课堂将传统教学模式中知识传授和知识内化两个阶段颠倒过来。与传统授课模式不同的是，知识传授不再是完全由课堂中教师的讲解完成，而是通过信息技术的辅助在课前或课后等业余时间完成，同时知识的内化不再是单一的由课后作业或者练习完成，而是通过在课堂中进行疑难解答、项目式学习、合作学习等方式进行。因此，对翻转课堂教学方法的实际有效利用可以将大学生学习时间最大化，并培养学生的自学能力、自我约束能力及分工合作能力。
在数据分析课程教学中，学生可以利用课余时间，结合教师提供的数据分析每一模块的课前学习材料，实现对数据分析课程基本方法和理论的了解，这样很好地利用学生的课余时间，培养学生的自学和约束能力。而对所学数据分析方法的具体应用、深入理解及综合分析等方面，学生可以通过课堂的各种活动和学习方式，以及和教师的及时沟通，和同学的合作交流等方式，在知识内化这一环节获得比传统课堂更好的学习效果。
三、翻转课堂在数据分析教学中的应用设计
近些年国内外很多对翻转课堂教学的研究，形成针对各个学科和地区的教学模式。如RobertKarplus提出的“探索-解释-应用”三阶段学习周期，RamseyMusallam提出的“探索-翻转-应用”模式，国内南京大学张金磊等人提出的由课前学习和课堂学习组成的翻转课堂教学模式等。
针对数据分析课程学科特点和本校学生基础水平及实际情况，本研究提出数据分析翻转课堂的教学流程：
课前――概念探索教学视频平台交流
课中――问题解决（经验交流，教师讲解）测试反馈项目创建协作学习及汇报
课后――平台交流，作业反馈
在课前教学环节中，概念探索是根据数据分析课程的学科特点设计的，由于学生初次接触数据分析，对很多基本概念及意义没有深入了解，意识不到社会意义和实践意义，在这一环节中学生可以通过教师给出的简单具体的实例演示，再加上信息丰富的网站、视频及博客等手段在教学交流平台上阐述自己对所学概念的理解，相互交流，以此实现对概念的初步正确理解。如对聚类分析的理解，学生可以概念探索这一过程中通过具体实例演示和对各种信息的阅读，了解到聚类分析作为数学工具的基本思想和在现实生活中的重要意义。
教学视频主要是微视频和幻灯片。对于教学视频的观看，要求学生针对自己的数学学习基础有选择地观看。教学视频中主要针对本单元学习内容进行讲解，同时还会提供与本单元学习相关的数学基础理论的教学内容。这种数学基础与数据分析内容相结合的教学材料可以让数学基础不完善的学生更有效地理解本单元的知识。在视频或者课前学习资料的制作中，需要结合每一章节的实际，主题突出，简短生动，而且有效。如在聚类这一章节中，对于各种聚类方法的介绍可以结合具体的实例，如与生活密切相关的人均家庭收入问题等，通过不同方法展示对比，从而做到对每一聚类方法的理解和融会贯通。同时需要介绍相关的Matlab编程方法，让学生结合理论和实际，通过编程过程实现对理论知识的理解和应用。
课前学习中，反馈是比较重要的一部分。教师可以通过平台交流得到课前理论学习的反馈信息，同时可以通过在线学习简单的作业练习，由此获得课前学习的反馈。
课堂教学仍然是很重要的一环。课堂上教师首先组织学生面对面交流，解决并了解课前学习中遇到的问题，对普遍性问题做详细解答。然后经过简单的例题让学生编程实现，并进行相应的解释，由此测试学生的学习效果。这样教师可以更好地掌握学生对每一章节数据分析理论的学习效果，以及学生对理论的应用构建能力。在保证学生对概念和理论的学习后，教师可以提供项目创建的基本信息和参考实例，如数学建模题目等。学生分组合作交流，选择自己感兴趣的问题成立合作组，结合本章节内容分析解决问题，寻找合适的数据处理方法，应用相关软件编程实现自己的想法，将理论应用于实践，并进行有效的分析，学生的问题解决过程和讨论过程可以在课下进行。在学生充分准备后，课堂上进行分组汇报，并进行自评和互评，实现学生对理论的应用和相互学习。
本章节教学内容结束后，教师组织学生在教学平台交流，并展示自己的作业和反思内容，巩固对本章节内容的理解。
四、教学设计效果分析
1.符合大学生学习特点
大学生作为已经独立的学习个体，拥有独立的学习和思考能力，同时具备独立学习时间和空间，而传统教学方式无法充分发展学生的独立学习能力，让学生的课余学习漫无目的，松散自由，无法充分利用课余时间。翻转课堂在数据分析课程教学中的应用让学生在课余时间的学习有的放矢，通过学习交流平台还可以相互交流督促，培养学生良好的独立学习和探索学习的习惯。
对于思想上已经独立的大学生来讲，个性化学习更符合学生的行为习惯和思想意识。在数据分析课程的学习中，学生可以根据自己的基础、学习习惯及自己的喜好等自由选择学习的材料、时间和方式，互不打扰，又可以相互交流。如对概念和理论的理解，学生可以通过网络资料，也可以选择图书馆的书籍，观看教学材料等方式进行，每位学生理解的深度和广度可能会有所不同，通过相互交流和共同知识构建和应用又可以相互弥补。这样的教学和学习方式极大地满足了不同学生对知识的需求，避免一刀切式教育，可以充分发挥学生的学习潜力。
2.增强学习效果
通过初步的教学实验，接受翻转课堂数据分析课程的学生无论在理论知识理解还是实践应用上都有明显提高。相对于传统课堂中的学生，在数据分析课程结束后，翻转课堂中的学生可以较好地阐述相关理论，通过Matlab软件编程实现对理论的应用，并给出合理的解释。通过测试对比可以看出，翻转课堂中的学生理论基础更加扎实，编程能力有很大提高。在翻转课堂试行后，学生在数学建模大赛中成绩有明显进步。
3.改善教学氛围
在数据分析翻转课堂中，学生学习积极性有很大提高。首先学生已经通过概念的探索阶段对所要学习的知识有初步了解和认识，能够较好地意识到所学知识的社会意义，增强学习兴趣和信心。其次，学习方式多样化，学生可以充分利用自己喜欢的现代信息设备，将手机、平板及电脑等学生喜爱的现代化信息设备变成学习的工具。避免学生与教师之间对手机等工具的对弈，改善学生将手机等单纯作为娱乐工具的现象。此外，学生在交流平台上的发言、总结和展示不仅乐意给学生带来成就感，而且可以激发其他学生的学习动力，形成你追我赶的学习氛围。
通过将翻转课堂理念初步运用于数据分析课堂，发现这一理念的运用可以有效解决目前数据分析课程教学中存在的一些问题，将理论教学与实践教学密切联系起来，并有效调动学生的学习积极性，取得较好的教学效果。在这一过程中，我们发现翻转课堂理念的实施不能拘泥于形式，需要根据具体问题和课程需要进行相应的调整。同时翻转课堂中需要教师付出更多精力进行探索，如更合适的教学资料和课堂活动设计。总之，翻转课堂理念的实施带来的不仅是教学形式的变化，更是对教师工作分工和角色的改变。
参考文献：
[1]宋艳玲，孟昭鹏，闫雅娟.从认知负荷视角探究翻转课堂[J].远程教育杂志，2014，（1）：105-112.
[2]汪晓东，张晨婧仔.“翻转课堂”在大学教学中的应用研究[J].现代教育技术，2013，（8）：11-15.
[3]张金磊.“翻转课堂”教学模式的关键因素探析[J].中国远程教育，2013，（10）：59-64.
[4]周学刚.浅谈“数据分析”课程的教学[J].中国电力教育，2011，（7）：110-111.
课堂大数据分析篇3
当前，教育研究者和教育实践者们都在探究新的课程变革。教育者们越来越深刻地领悟到：在这一场新的教学变革中，教育到底能不能革新，改革能不能深入，一线教师们在其中起到至关重要的作用。这是一场“自下而上”的教育变革，作为教育一线的教师们，既被认为是改革的重要力量而被寄予厚望，也被要求不断学习和改造。而教师们在跟随课程改革的步伐，不断完善自身的课堂教学时却普遍感到缺乏专业指导。由于大批教师出省或出国学习，各高校面临教学师资紧缺、教学经费超支等的压力和困难，因此公开课、观摩教学、研讨课等在各高校成为最常见的教师培训和考评的途径。但这种只有同事间的横向支持，缺少更多来自纵向专家的专业性引领，并缺少较为先进教学理念引导的同僚文化，特别容易造成低水平的不停重复，而得不到实质性的进步。
由于公开课、教学观摩、研讨活动……在评价课堂教学时，结论往往会掺杂很多主观的感觉因素，因此只有定量的、客观的指导性意见，才能使教学人员不断反思，并研究发现完善教学的方法。而像S-T教学分析法、Flanders互动分析法这样较其他课堂教学评价方法而言更为细致、客观，更具指导性专业的课堂教学分析方法又由于分析过程较为耗时、分析难度大等问题不适于一般教师使用和评价。鉴于对教师课堂教学质量提高过程中暴露出的相关问题的思考，我希望可以运用VB可视化编程语言开发一个实现影象数据采集、数据导入及数据分析功能，从而解决S-T教学分析法和FlandersXf动分析法在课堂教学分析中不能得到广泛运用这一问题的课堂教学评价辅助软件。
2.课堂教学评价辅助软件的理论依据
此次课堂教学评价辅助软件的开发将主要以S-T教学分析法和Flanders互动分析法为理论依据。
2.1S-T教学分析法
S-T教学分析法是一种可以将教学分析数据以图形的方式来直观表现教学情况的教学分析方法。该教学法将实际教学过程中所发生的行为分为两大类：学生行为（s）和教师行为（T）。这样一来大大降低了教学过程中行为分类的难度，减少了采样者分类的失误，增加了教学评定的客观性；最后将整堂课的教学行为以图形表示，让老师可以更加形象、直观地研究教学的特点。
通过观看教师课堂教学的录像资料，首先确定视频采样频率（通常为20秒），然后按照确定的采样频率对该课堂教学过程进行采样，并根据教学中的行为类别，以符号s或T记入表格，形成s-T数据；然后根据该数据绘制出本次课堂教学的S-T曲线、计算出课堂教学中教师行为占有率Rt、行为转换率Ch，并根据本次课堂教学中的“教师行为占有率”和“行为转换率”绘制出Rt-Ch图，最终确定课堂教学模式。
在整个采样过程中，教学行为的采样总数为：N；T行为数为：Nt；s行为数为：NS；相同行为的连续，将记为数据中的连续数g；教师行为占有率Rt：Rt=Nt/N；学生行为占有率Rs.Rs=Ns/N：师生行为转换率（即师生互动）Ch：Ch=（g-1）/N。
2.2 Flanders互动分析法
Flanders interaction analysis system，简称FIAS，是教学语言互动观察分析方法。该分析法用于记录教学中的师生互动情况；了解教学互动情境对整个课堂教学的影响，帮助教师了解、改进其教学行为。
Flanders将课堂教学中所有的教师和学生产生的话语互动情况大致分为10个类别，如表1所示。表格中的1-7类记录的是教师对学生的语言情况；8-9类是记录学生对老师的语言表达；在实际课堂教学进行中，除了人们熟悉的教师与学生的话语情况以外，还有第10类状况，就是记录教室有可能发生的其他情况。课堂教学观察者首先需要熟悉表格中的十大分类，然后根据课堂教学中每次发生的语言互动，选择最适合的代码记录下来。课堂教学观察员大约每3秒钟客观记录一次课堂教学的话语互动情况。
Flanders互动分析方法主要包括3种分析：互动分析矩阵法、时间线标记法、变项分析法，本次课堂教学评价辅助软件开发运用到其中对课堂教学分析最为细致的变项分析法：Flanders（19701利用互动分析矩阵所得到的数据进行分析，并利用13项较为科学的指标来解释所采样到教学行为背后的深层含义。Flanders称这些指标为变量（variable）。这些变量通过计算可以得到相应的值，把这些值和Flanders计算出的常规值相比较，就可以把该堂课的优良情况以量化的方式表示出来。采样者根据经过严谨处理的采样数据，依次将一前一后的两个数据组成一组坐标（见图1），然后利用这些坐标在10×10的矩阵上划记并予以加总后，制作出矩阵分析，如图2所示。
3.课堂教学评价辅助软件的总体规划设计
由于所开发的课堂教学评价辅助软件主要以s―T教学分析法和Flanders互动分析法为理论依据，所以我对整个软件进行了以下规划。
3.1模块设计
基于以上理论及需求分析，把该软件分为以下模块，如图3所示。
3.2模块功能
（1）观看录像及数据采集模块：无论是s-T教学分析法还是Flanders互动分析法，首先都要观看录像并进行数据采集。
（2）数据分析模块：数据采集完毕后，用户需根据所采集数据的类型选择分析方法进行下步分析。
（3）s-T教学分析法模块：此模块包括s-T曲线图和Rt-Ch图两部分。导入Excel中的s-T原始采样数据后，根据该数据绘制S-T曲线、计算教师行为占有率Rt、行为转换率Ch并绘制Rt-Ch图确定教学模式。
（4）FlandersX动分析法模块：此模块包括矩阵分析图和变量计算两部分。导入Excel中的Flanders原始采样数据后，由系统自动生成矩阵分析图，或对Excel中的矩阵分析图直接导入并显示；系统得到矩阵分析图后，根据计算公式，计算并显示各变量的值。
3.3模块特点
（1）自带定时播放器：由于S-T和Flanders的采样频率比较高，用其他的播放器难以控制时间，所以软件自带播放器，该播放器的特点是可以根据用户所输入的采样率，定时暂停播放，并提醒用户在Excel中录入数据，待用户确定后方可继续影片播放。
（2）实现智能客户端：本软件并不开发数据录入功能，而是直接提供Excel倒入功能，这样既让用户使用起来得心应手又不会让软件操作过于繁琐。
（3）软件可以满足不同需求的用户：S-T教学分析法一般用与对课堂教学的初步分析，让教师了解自己的课堂教学是否达到自己所期望达到的教学模式，此采样及分析占用时间较短使用于一般的课堂教学分析，而FlandersHk动分析法对于课堂教学的分析则比较细致，但采样及分析占用时间比较长，适用于课堂教学的高精度分析，所以软件设计了数据分析的选择界面。
（4）简化分析过程：由于S-T和Flanders对于数据的处理比较复杂，以致研究者使用及分析较为不易，因此辅助软件最主要的功能即为简化复杂的数据处理及转化的过程，让使用者只需输入观察的原始资料，其余的数据处理及转化皆由辅助软件来协助。使用者只需根据最后呈现的信息一变量及图表，加以解释及分析即可。
4.软件的开发
通过对软件进行需求分析及总体规划设计，以下开始运用VB可视化编程语言对整个课堂教学评价辅助软件进行编程并实现功能。
4.1封面
考虑到用户使用软件的视觉舒适度，此软件主要以蓝色为背景主色调。添加图片控件，导入图片，实现较为简洁的启动界面，如图4所示。对鼠标事件进行编程，使用户单击鼠标左键时，软件从启动界面跳转至主界面。开发主界面如图5所示时，添加图片控件，导入背景图片；导入按钮控件，并编写程序，实现各窗体之间的交互。
4.2定时播放器的编程
将播放器控件、定时器控件、通用对话框控件添加到窗体中，并对其相关属性进行设置；利用各控件画出定时播放器界面，编写程序实现播放器功能，如图6所示。根据输入采样率定时暂停播放功能，如图7所示。
4.3数据分析编程
利用各控件画出选择分析方法界面，如图10所示，利用编程实现分析方法的选择及窗体之间的切换。
4.3.1S-T教学分析法编程
利用各控件画出s-T坐标图显示界面，如图11所示。编程实现窗体之间的切换并绘制坐标网格；编程建立对象，实现对Excel的导入，并根据Excel中的数据在坐标格中描点绘制出s-T坐标图。
利用各控件画出ch-Rt图显示界面如图12所示；编程实现Ch-Rt图的绘制并使软件根Excel中的数据计算出Rt及Ch的值，最后以Rt，Ch的值为横纵坐标在Ch-Rt图中描点。用户可根据程序给出的附录得出这堂课的师生互动行为模式。
4.3.2Flanders互动分析法
利用各控件画出Flanders互动分析法显示界面，如图13所示，编程建立对象，实现Excel中原始数据的导入或己处理数据的导入（所谓导入采样原始数据就是Excel中的数据仅仅只是10个数据为一行，需通过程序将其生成互动分析矩阵图。而导入己处理数据是指Excel中的数据已经为互动分析矩阵图，无须程序再次生成，直接导入）；根据各参数的计算公式编写程序，计算并显示各参数的值（在计算13个分析参数的同时对公式的分母进行是否为0的判断，防止在计算过程中出现数据溢出的错误，为程序健壮性提供可靠保障），用户可根据这些数据参照附录，如表3所示，得出参考性评价。
5.利用软件实例分析
5.1实例分析
以吉林省付军老师所讲授的《法拉第的发现》一课为例，利用所开发的课堂教学评价辅助软件进行分析。
（1）观看影片后，得到S-T原始采样表，如图14所示。
（2）导入软件后生成S-T，如图15所示。
（3）生成的Ch-Rt图，如图16所示。
（4）观看影片得到Flanders原始采样表如图17所示。
（6）参考性评价。
①由s-T教学分析法得出本堂课师生互动行为模式为对话型。而从Flanders互动分析法得出的参数值：TT（教师话语比率）=70.24%，较接近常模68%；PT（学生话语比率）=29.76%，大大超过常模20%来看，也可以看出学生话语比例较高，是对话型师生互动行为模式的一大特点。对话型师生互动行为模式可以很好地促进师生之间的沟通交流，让教师及时得到学生的反馈信息，为教师进行下一步教学提供很有价值的参考。
②由s-T教学分析法得出Rt（教师行为占有率）=52%，也就是说Rs（学生行为占有率）=48%，这是一个比较高的比例，这说明教师已建立了以学习者为学习活动主体的学生观。
③在整个课堂教学中，一旦学生停止说话，教师立即称赞或整理学生观念和感觉，所以TRR89（教师实时话语一学生驱动比率）为89.74%，远远高于常模中的60%比例，而这一数据比例占越高，表示教师越能主动引导学生进行话语行为。这样的课堂教学风格较能激发学生的学习兴趣、进一步提高学生学习的积极性，更加确立学生的学习当中的主体地位。
④PIR（学生话语一学生主动比率）=0%，也就是说本堂课学生话语中由学生主动引发所占的比例为零。说明虽然学生行为占有率较高，但都是学生为了回应教师所讲的话、教师指定学生答问或是引发学生说话，而缺乏学生主动表达自己意见的行为。SSR（稳定状态区比率）=0.4%，也就是说师生言谈停留在同一行为类别达3秒以上的情况很少。
⑤Flanders的其他参数值和常模较为接近，说明这是一个比较优秀的课堂教学实例，说明授课教师具有比较先进的课堂教学理念，在课堂教学中能较好地实现师生互动。但在今后的教学中也需要多引导学生主动开启对话，自由地阐述自己的见解和思路，鼓励学生发散思维；并适当延长学生对重点知识的重复记忆时间。
5.2实例分析后对软件的补充
（1）人工采样时间过长。
虽然此软件已经简化了比较复杂的数据处理过程，但是人工数据采集所花费的时间仍不可小觑，不过能得到如此细致的课堂教学数据，在对课堂教学方面有较高要求的教师眼里，时间上的花费也是比较值得的。
（2）对用户采样的熟练程度要求较高。
由于采样时的数据是用户自行判断并记录，不可排除有判断错误的时候。
课堂大数据分析篇4
一、前言
随着新课改不断走向深入，教师课堂教学语言行为作为教师专业发展的显著指标之一成为了人们普遍关注的核心问题。很多教师希望对自己的课堂教学语言行为进行科学、客观、精确的分析和诊断，从而获得客观的反馈，触发有效的教学反思，进而改进教学，提高课堂教学效率与质量，促进教师自身的专业发展。对课堂教学语言行为的量化分析研究，比较有影响的是美国学者弗兰德斯（Flanders）在20世纪60年代提出的互动分析系统FIAS（Flanders Interaction Analysis System）[1]。FIAS是一种非常专业的课堂教学分析方法，由三部分内容组成，即一套描述课堂教学语言行为的编码系统、一套关于观察和记录编码的规定标准及一个用于显示数据、进行分析、实现研究目的的矩阵表格，最后借助它专业的统计计算辅助软件来获取对课堂教学语言情况的分析结果。[2]弗兰德斯互动分析的编码系统将课堂教学中师生的语言行为分为十类（如表1）。
表1 弗兰德斯互动分类分析体系的类别[3]
[行为分类＼&语言行为类别＼&具体语言行为＼&教
师
语
言＼&间接影响＼&1＼&接纳学生的情感＼&2＼&赞同或鼓励＼&3＼&接纳或利用学生的想法＼&4＼&提问＼&直接影响＼&5＼&讲授＼&6＼&指令或命令＼&7＼&批评学生或维护权威＼&学生语言＼&8＼&应答＼&9＼&主动发言＼&沉寂或混乱
（无效语言）＼&10＼&停顿、短暂的沉寂或混乱＼&]
FIAS的分析方法使用过程并不简单，对于一般教师而言比较难以实现。虽然，后续研究者对弗兰德斯的互动分析系统进行了改进，但是，目前的软件大部分都存在着不同程度的问题，如：只是单纯的桌面软件，行为编码与数据分析分离，效率不高，操作复杂等。
鉴于以上问题，笔者构建了基于FIAS的在线课堂教学语言行为分析平台，整合行为编码与数据分析于一体，提高使用者的效率，并能够进行比较全面的变量分析，从而对教师的课堂教学语言行为进行科学、精确的诊断，并且能根据分析得出教学中存在的语言行为问题，给教师提出有针对性的改进策略。笔者希望构建的平台可以帮助改善教师的课堂教学语言行为，提升执教教师的课堂教学实践能力，促进教师的专业发展。
二、应用场景及作用
“课堂教学语言行为分析”平台是指利用弗兰德斯互动分析方法，分析教师的课堂教学语言行为的视频分析平台，通过数码摄像技术、网络技术和计算机技术来实现在线的课堂教学语言行为分析。在实际应用中，课堂研究者可以将录制好的课堂教学视频上传到Web服务器的指定位置。而上传的视频信息会自动读入数据库，当课堂研究者观看课堂教学视频时，可以在同一页面边观看教学视频边对视频中的教师教学语言行为进行编码分析（语言行为编码界面如图1所示）。
图1 语言行为编码界面
“课堂教学语言行为分析”平台改变了传统的纸笔记录的编码分析方式，对教师将产生积极影响。教师通过“课堂教学语言行为分析”平台不仅能观察自己的课堂教学语言行为，反思自己的教学语言行为、教学策略等是否得当，还能够通过诊断报告，提高教学质量，全面了解学生的课堂表现，不断改进教学。
三、课堂教学语言行为分析平台构建
1.平台的开发工具
本平台是采用IIS6.0（windows7），Internet Explore6.0或以上版本，利用Microsoft Visual Studio2010作为主要的开发工具，以C#和.NET作为主要开发语言，数据库选择Microsoft SQL Server 2005，流媒体服务器采用FMS（Flash Media Server）进行基于Web的网络应用开发。
2.平台的基本模块
基于Web的课堂教学语言行为分析平台将数码摄像技术、网络技术和计算机技术应用于课堂教学语言行为分析中，平台的总体功能如图2所示。平台规划了四个模块，包括视频上传模块、语言行为编码模块，数据分析模块和诊断报告模块。视频上传模块主要通过课堂研究者设置好课堂教学视频的课程名称、课程内容、年级、班级等信息，作为前台页面点播列表的基础，通过平台将课堂教学视频上传到Web服务器的指定位置，并将视频信息读入数据库，待课堂研究者点击播放视频进行观察研究。语言行为编码模块主要是根据弗兰德斯互动分析的编码系统，把课堂教学语言行为分为10类对课堂教学语言行为进行编码。课堂研究者点击视频播放按钮观察教师课堂教学语言行为，并在编码按钮区每3秒对视频中教师的课堂教学语言行为进行一次编码，它所对应的语言行为类别会自动写入并保存到数据库中。然后，再从数据库中读取出语言行为类别，使其显示在语言行为类别显示区中。数据分析模块主要对编码完成的语言行为代码进行处理。首先，要从数据库中读取出利用编码按钮写入，并保存在数据库中的语言行为代码来形成序对。然后，对每种序对进行统计，接着把统计结果填写入矩阵表格。最后，形成10×10的阶矩阵。继而利用固定的公式来计算各个变量的值。矩阵的形成和比率的计算都将由系统自动完成，之后将分析的结果在平台的“数据分析”页面中呈现给课堂研究者。诊断报告模块主要是根据数据库模块中计算出的各个变量的值与它们各自的常模进行比较，根据大于或者小于标准值的比较结果，给教师提供教学行为的改进建议。
[课堂教学语言行为分析平台][视频上传][语言行为编码][数据分析][本地视频][本地视频][视频信息][视频播放器][编码按钮][语言行为代码][炬阵表][比率值][诊 断 报 告]
图2 平台总体功能结构图
四、平台关键环节的实现
1.视频上传
课堂研究者完成课堂教学视频录制后，通过HTTP协议登录到课堂教学语言行为分析平台，在“视频上传”界面，输入课堂教学视频信息后，点击“提交”按钮，将课堂教学视频信息读入到数据库的视频信息表中。
2.语言行为编码
视频上传完成后，点击进入“教学语言行为编码”界面，教学语言行为编码界面包括视频播放区、编码按钮区和语言行为类别显示区。课堂研究者可以一边观看视频一边点击编码按钮，而所对应的语言行为代码将显示在语言行为类别显示区，并且语言行为代码也将同时保存到数据库中。
3.数据分析
语言行为编码完成后，数据库中保存了一连串的语言行为代码，点击进入“数据分析”界面，平台将提取数据库中的语言行为代码做序对，并对每种序对进行统计，再填写到矩阵表格中。
4.诊断报告
最后，点击进入“诊断报告”界面，在分析报告功能模块中将计算出的各个变量的值与各个变量的常模进行比较。根据大于或者小于标准值进行结果比较，给出教师教学行为的改进建议。
五、平台的特点
进过测试，平台的视频上传、语言行为编码、数据分析和诊断报告四个功能模块都实现了，在语言行为编码界面视频播放清晰流畅。但如果在编码时出现错误要及时撤销，再重新编码。所以，平台没有“撤销”功能是有待改进的地方。“课堂教学语言行为分析”平台具有以下四方面的特点。
（1）平台界面简洁，导航清晰，操作简单，易上手。
（2）半自动化的编码，语言行为编码和数据分析一体，减轻课堂研究者的工作量，提高研究效率。
（3）在诊断报告模块，可以根据各个变量的值分析得出教学中存在的语言行为问题，给教师提出有针对性的改进策略。
六、结束语
综上所述，设计并开发基于FIAS的课堂教学语言行为分析平台，是为了提高教师教学技能，促进教师专业发展而构建的。虽然平台的技术需要不断地完善，但作为提高教师专业发展的途径，提升教师的教学技能，为教师提供方便的课堂分析与诊断仍是一种有益的尝试。
参考文献：
[1] 高巍.课堂教学师生言语行为互动分析[D].武汉：华中师范大学，
2007.
[2] 金建峰，顾小清.信息技术环境下课堂教学行为的分析研究[J].
中国电化教育，2010，09：82-86.
[3] 宁虹，武金红.建立数量结构与意义理解的联系――弗兰德互动
分析技术的改进运用[J].教育研究，2003，05：23-27.
[4] 李兰英.课堂教学语言行为分析平台的开发与应用[D].金华：浙
江师范大学，2013.
课堂大数据分析篇5
文章编号：1671-489X（2014）18-0158-02
On Comparison of Classroom Teaching Behavior between China and United States//PENG Yingjuan， ZHAO Bo
Abstract The behavior categories in FIAS are improved according to the characters of multimedia classroom teaching environment. The case of two Netease open classes from China and United State is analyzed by FIAS to gain difference in teaching subject， teaching content， teaching method， teacher-student relationship， classroom atmosphere and evaluation standard between China and United State.
Key words FIAS； classroom teaching behavior； difference
1 方法概述
弗兰德斯交互分析法（Flanders Interaction Analy-sis，简称FIAS）是美国教育家弗兰德斯20世纪60年代创设的[1]。FIAS主要将课堂上的师生语言互动行为分为教师语言、学生语言和沉寂或混乱三大类别，并赋予1～10的10个编码。然后运用制定好的观察记录表对课堂实录每间隔三秒钟取样，依照分类表记录下相应的编码，按时间顺序将编码连接成一个序列，将全部的序列出现的频数填入对应的矩阵单元格中，构成弗兰德斯迁移矩阵，对教师的课堂教学结构、教学风格等教学情境或行为进行有意义的分析。
2 数据处理过程
2010年11月1日，网易推出“全球名校视频公开课项目”，首批1200集课程上线[2]；2011年11月9日，首次大规模推出中国大学视频公开课，截止目前已覆盖人文、社会、艺术、金融等不同学科。本研究以网易视频公开课中中国某大学的一节哲学导论课（样本一）和美国某大学哲学课第一讲（样本二）的实录课堂数据为案例，运用FIAS层层深入地进行对比分析。
数据采集 在新教育背景下，FIAS的10个行为类别已不能完全地反映教学过程。为更好地分析教学过程，本研究在原有编码的基础上增加学生思考问题（行为11）和多媒体辅助讲解（行为12）两个类别，详见表1。
数据处理 样本一视频长度35分13秒，按照FIAS的记录方法，记录样本725个；样本二视频长23分39秒，记录样本473个。再进行数据序列对的个数统计，最后得到FIAS数据处理结果，如表2所示。
3 数据分析
教师提问和学生回答的模式 教师提问比率反映的是“教师利用学生的观念，立即使用问题的方式以响应学生话语的倾向。数据愈高，表示教师愈能实时追问学生的话语，常模约为44%”[3]。由表2可看出，样本一教师提问比率约4.14%，样本二教师提问比率约12.9%，比值均小于常模。这就可以看出两节课程教师都处于课堂的主导地位。相比较而言，样本二教师比样本一教师对学生的关注度更高一些。
同时，FIAS可以分析教师提问的创新程度。由4-4、4-8、8-4、8-8四个单元格所形成的闭环显示了由教师提问驱动学生回答的情况，代表了训练型提问的程度；3-3、3-9、9-3、9-9四个单元格所形成的闭环则显示了由教师通过接受或采纳学生意见诱导学生主动发言的情况，代表了创新型提问的程度[4]。观察表3可知，样本一4-4、4-8、8-4、8-8四个单元格形成的闭环记录次数642（占总次数的88.67%），3-3、3-9、9-3、9-9四个单元格形成的闭环矩阵记录次数642（占总次数的88.67%）；样本二4-4、4-8、8-4、8-8四个单元格形成的闭环矩阵记录次数373（占总次数的79.03%），3-3、3-9、9-3、9-9四个单元格形成的闭环矩阵次数为417（占总次数的88.35%）。显而易见，样本二教师的创新型提问程度明显高于样本一教师。
粒度分析二维矩阵不难发现，在样本一中，学生既无回答问题的记录，也没有思考问题（类别11）的数据，这就说明样本一教师和学生的问与答模式属于“有问无答”型。在这节课中，教师只是以设问的方式来引导教学流程，这是一节讲授型课堂模式。样本二的闭环说明在课堂中教师注重构建对话情境，设置的问题具有启发性，学生能够勇于表达自己的观点，这是一节对话型课堂模式。
课堂结构
1）根据表2数据统计，样本一教师语言比91.16%，学生语言比0，多媒体使用比8.84%；样本二教师语言比80.43%，学生语言比15.68%，多媒体使用比1.69%。由此可见，两节课中均是教师占课堂主导地位，以讲授为课堂主要组织形式。样本一教师语言与技术操作搭配较为合理。样本二教师与学生语言互动性较强。
2）样本一课堂的无效语言比率（行为10/总次数）为0；样本二课堂无效语言比率2.12%。说明这两节课教师教学组织能力都很强，课堂利用率很高。
3）样本一学生主动讲话概率（行为9/行为8-9）为0；样本二学生主动讲话概率占44.59%。说明样本一学生对知识处于被动接受的地位；样本二学生在教师的鼓励下，课堂反应积极踊跃。
教学管理方式 通过数据分析，样本一积极整合格（1-3行和1-3列矩形相交区域）记录次数为0，缺陷格（6-7行和6-7列的相交矩形区域）记录次数为0，比值无意义；样本二积极整合格记录次数为12，缺陷格记录次数为1，比值12。由此可知，样本一课堂处于无管理状态，教师是课堂的中心，教师和学生之间无情感交互，教师仅仅在扮演着知识的传递者；样本二中，教师对课堂管理更趋向于间接管理，教师对学生的回答以称赞、鼓励为主，使课堂气氛轻松和谐，同时也极大地调动了学生参与的积极性。
稳态模式 表4显示出，样本一中除了教师持续讲授的比例最高外，只有教师提问学生问题稳态格中含有数据，就充分说明在这节课中，教师只管自己将知识“传递”给学习者，忽视了教师与学生之间的积极互动，更是对学生学习的反馈毫无涉及；样本二除教师持续讲话比例最高以外，就是师生之间的互动比例最高，这说明在样本二课堂中，教师注重和学生的沟通，且在讲授中善于运用启发式的教学形式对学生学习进行引导，调动了学生的学习热情，有利于学生知识的主动建构。
教师语言动态曲线 从图1可清晰地看出，样本一教师的课堂语言占有率明显高于样本二教师，只有在媒体切换的间歇中有短暂的语言停留；样本二教师比较重视创设教学情境，和学生一起进行讨论思考，在课程进行的最后做了一个系统的总结。
在具体地分析样本一教学视频的过程中发现，教师在短短的37分钟课堂给学生讲了4个哲学知识点，并列举了7～8个例子来佐证这些观点，但对于学生对知识点的理解却未做考查。而样本二教师在授课过程中并没有直接给出学生知识点，而是通过假设、例证的方式，让学生自主思考；对于学生的回答，教师更多的是采用赞赏、鼓励的方式让学生深化理解，形成观点。
4 中美公开课对比
课堂教学是学校实现教学目标的主要形式，其效果的优劣直接影响学生的学习质量[5]。通过以上数据的分析，中美两国在教学中到底存在哪些差异呢？本研究通过运用FIAS对教学过程各个层面进行分析，从六个方面阐述中美课堂教学差异。
教学主体差异 中美课堂教学理念的不同直接导致课堂教学行为的差异。通过中美两节公开课的比较，可以很清晰地看到美国课堂以学生为主体，教师对于课堂教学效果的检验是基于学生的理解和吸收，重视学生“学”的过程；我国的课堂教学以教师为主体，课堂教学效果的检验以是否完成教学大纲为主，过分重视教师“教”的过程。
教学内容差异 教学内容是完成教学目标的重要基础。视频案例可以看出美国教师在对教学内容的选择、处理和组织上有很大的自主性和灵活性；而我国教师大都根据教学大纲的要求将知识传授给学生即可，缺乏对教学内容的处理，照本宣科，以致教学内容与社会生活需求脱节。
教学方法差异 FIAS分析发现，美国教师在课堂教学中运用了大量的假设案例，和学生展开大范围的讨论和思考。学生在这个过程中超越认知领域的局限，实现对问题本身的生命感受、价值判断和能力的形成。这一分析结果恰好印证了美国主流重视归纳分析、渗透综合的教学法[6]。我国教师却是在课堂上进行着“独角戏”，教授大量知识，忽略了学习主体――学生，使学生成为教师灌输知识的容器。这种教学方法不利于培养高校学生独立思考、自主创新的精神，而这一点正是高等教育中所必需的。
师生关系差异 FIAS分析表明，美国教师积极整合格内数据远大于落在缺陷格内数据，这说明在课堂上教师对学生多采用正向反馈；即使在和学生有分歧的情况下，也能认真听取学生意见，提出建议，师生关系友好、坦诚。分析过程同时显示出我国教师受传统文化的影响，在课堂上具有绝对权威的地位，学生亦在尊师重道的学习氛围影响下，鲜少表达个人观点，课堂讨论也往往是浅尝辄止；在新时代背景下，师生关系有所进步，但还处于初步阶段。
课堂氛围差异 中美课堂教学的课堂氛围迥然不同。视频资料显示美国教师在讲台前停留的时间极短，大部分时间都是在讲台上四处走动，甚至会坐在讲桌边缘。学生也显得比较自在，吃东西、跷二郎腿看似也是极普通的行为举动，却体现了轻松和谐的课堂氛围。我国课堂教学沉闷压抑，课堂中不允许学生讲小话、吃东西，课堂中往往是教师讲得“洋洋洒洒”，学生听得“昏昏欲睡”。
评价标准差异 美国大学课程教学质量评价的主体是学生；中国大学课程教学质量评价的主体是专家[7]。文献查阅归纳出美国的课堂评价主要是针对学生的学习质量，即学生如何接受学习课堂知识，能否明确学习目的，是否形成了自己的知识理解等。而我国课堂的教学质量评价主要针对教师的讲解质量，即教师如何引出话题、分配时间、引导学生思考、布置作业等，并不过多关注学生的表现，这就直接忽视了学生的学习主体地位。有关这一点从前面的数据分析中虽然不能直观得出，但是仔细分析推敲却也是隐含其中。
5 结束语
本文运用FIAS粒度化地对中美两节哲学公开课进行分析，从师生问答模式、课堂结构、课堂管理方式、稳态结构及师生语言比五个层面进行对比，以定量研究方法分析中美两国在教学主体、教学内容、教学方法、师生关系、课堂氛围和评价标准六个方面的课堂教学行为差异，使教师可以看到中美教育现象下的一些本质差异，以便改进课堂教学设计，优化教学过程。
参考文献
[1]FIAS N A. Analyzing teaching behavior[M].MA： Addision-Wesley Publishing Company，1970：34.
[2]网易科技讯.网易启动全球名校视频公开课公益项目[EB/OL].[2014-05-18]..
[3]金建峰，顾小清.信息技术环境下课堂教学行为的分析研究[J].中国电化教育，2010（9）：82-86.
[4]张露丹，汪颖，潘玉霞.基于FIAS的中学信息技术专家教师课堂教学研究[J].现代教育技术，2011（6）：39-43.
课堂大数据分析篇6
课堂教学行为是课堂教学活动的中心，是影响课堂教学质量的重要因素。研究课堂教学行为具有积极作用，有助于教师课后反思，还有助于教师分析学生课堂表现，从而提高课堂教学效率。
1 FIAS课堂互动分析系统解析
研究课堂教学行为工具多种多样，如贝拉克教学分析、梅汉对话分析、卡兹顿社会语言学分析、弗兰德斯互动分析法，其中弗兰德斯分析系统是最经典、最著名[1]、最成功[2]、操作性较强的课堂分析技术之一[3]。
1.1 FIAS课堂互动分析系统简介
上世纪60年代，弗兰德斯提出语言行为是课堂中主要的教学行为，占所有教学行为的80%左右，因此评价一堂课的最佳方法是对课堂内的师生语言行为进行互动分析[4]。弗兰德斯通过大量实验建立了互动分析系统，简称FIAS（Flanders Interaction Analysis System）[5]，该系统运用一套编码记录师生互动的重要事件，来分析研究教学行为，了解互动情境中事件的影响，以帮助教师了解并改进其教学行为。
FIAS主要包括三个步骤：（1）建立一套描述课堂言语互动行为的编码系统，将教室中所有师生语言互动情况分为10个类别。（2）设计标准，该标准用于规范观察和记录编码。（3）将记录到的言语行为录入到编码系统中，并通过矩阵表格形式表示出来。将每一个代码分别与前一代码和后一代码结成一“序对”（orderpair），10类语言行为纵横组成10×10阶矩阵（matrix），每一序对的前一个数字表示行数，后一个数字表示列数。例如，（1，5）表示在第1行、第5列的方格中计入一次。数据分析利用改进的计算机软件进行矩阵分析和曲线分析[6，7]。
1.2 FIAS迁移矩阵
迁移矩阵见表1，各区域代表的意义为：区域D表示学生课堂沉寂；区域E表示教师在课堂上表扬学生、接纳学生情感、接受学生意见；区域F代表课堂教学过程中教师对学生行为的控制；区域G表示教师以间接影响终止学生讲话；区域H代表教师以直接影响终止学生讲话；区域I代表教师哪些行为促进学生参与课堂；区域J代表学生发表意见和交流；内容十字区域表示教师提问和讲授[8，9]。
1.3 FIAS互动分析系统的优势与不足
FIAS互动分析系统在许多方面都作了革命性的突破。一方面，FIAS分析系统从课堂教学结构、教师教学风格倾向、学生活动主动性三方面对课堂教学行为进行分析，科学而真实地展现课堂教学全貌，丰富了课堂教学行为的研究方法；另一方面，在观察范畴上，它是一种系统的（Systematic）、有结构（structured）的观察，对每类语言行为都下了操作性定义，便于观察者对课堂语言行为进行甄别、归类；在记录方式上，它用“代码”客观地记录下了课堂内所发生的事件及其序列，这些“代码”基本上反映了课堂教学的原貌，为随后进行的评价奠定了扎实的基础，克服了传统课堂教学评价的主观性，大大地提高评价的客观性和科学性；在处理方法和结果使用上，它把复杂的课堂教学现象转化为相对简单的数学问题，采用矩阵和曲线分析，形成一定的数学结论，然后把数学结论还原为教学结论，及时反馈教师在教学中存在的问题，提出改进方案，具有较强的诊断性。它既是一份评价的清单，也是一张改进的处方，是一种比较理想的定量评价法。如果教师借助于录音机、摄像机，还可以运用弗兰德斯课堂互动分析系统记录、分析自己的课堂教学，无须外来的评价者，为教师提供一种很好的反思自己教学的工具[10，11]。
就像所有的课堂语言行为分析法一样，FIAS互动分析系统仍存在以下不足：（1）该系统只反映口语行为，不能反映出实验、板书、教学媒体等非口语行为，不能真实地反映课堂教学全貌；（2）该分析系统重视教师在教学中的行为表现（有7类别），忽视学生在课堂教学中的行为表现（仅有2类别）；（3）该分析系统所转化后的量化数据虽然能较好地反映教师教学风格，但无法回溯分析到底是哪些话语而得到此数据[12，13]。
2 研究工具设计
2.1 改进思路
化学实验是一门以实验为基础的学科，而研究发现板书和多媒体技术也是影响课堂教学行为的重要因素[14]。基于以上FIAS互动分析系统的不足和已有研究，在原始FIAS互动分析系y中增添了实验、板书、教学媒体等非口语行为（增添了10-14、15类编码），将原始FIAS互动分析系统由三维度增添为五维度、10个编码细化为16个编码。改进后的互动分析系统简称为3C-FIAS（FIAS Based On Contenporary Chemistry Class）互动分析系统（见表2）。与原始的FIAS互动分析系统相比，3C-FIAS互动分析系统具有以下优势：（1）编码系统包括语言行为和非语言行为2大类，可以较好地反映化学课堂上教师与学生的实验操作行为、多媒体技术在化学课堂教学中的运用、课堂上不同含义的“沉寂”行为和“学生讨论”情形，更符合化学课堂教学实际，更全面；（2）直观的动态曲线分析法。以课堂教学行为比率动态特性曲线来呈现，可更清晰、直观地分析化学课堂教学行为；（3）与国内此前已有关于化学课堂教学行为研究分析系统相比，3C-FIAS可以在一定程度上解决国内改进中存在的化学课堂教学行为编码分类不全面或编码个数过多的问题，更好地体现化学实验、技术操纵在师生课堂教学中的运用情况，全面地观测学生在课堂教学中的参与度[15，16]。
2.2 3C-FIAS互动分析系统操作步骤
3C-FIAS互动分析系统操作步骤沿用了原始FIAS互动分析系统步骤。具体步骤为：
（1）数据采集。对课堂记录进行描述性分析，以3s为单位将有效课堂片段分离出来；
（2）数据统计。根据3C-FIAS编码原则对分离出的有效课堂记录进行编码，并形成序列对；
（3）数据分析。将得到的序列对根据迁移矩阵的原则汇编成3C-FIAS迁移矩阵，对于获得的3C-FIAS迁移矩阵，可以采用2种方法来分析研究，分别是互动分析矩阵法、动态特征曲线分析法。
2.3 3C-FIAS分析方法
2.3.1 矩阵分析法
3C-FIAS互动分析系统1～9编码沿用了原始FIAS矩阵分析结果，新增的编码区域意义具体如下：区域K表示通过多媒体操作促进学生参与课堂的行为；区域L表示师生进行实验操作；区域M表示课堂沉寂；区域N表示课堂师生教学过程中使用多媒体辅助技术和实验[17]。
2.3.2 比率动态特征曲线分析法
宁虹、武金红等人提出动态特征曲线，并指出通过绘制主要参数的动态特征曲线能更细致、客观、真实地挖掘课堂教学行为背后所隐藏的教学行为[18]。比率动态特征曲线的绘制方法为：纵坐标代表师生语言行为，分别由行为代码1、2、3、4……来表示；横坐标代表时间，以3秒钟为时间单位，依次为3、6、9、12、15……，两者构成一个坐标系，将行为与时间的交点用线段连接起来，构成曲线，它基本可以反映出师生语言行为持续、衔接和变化情况。各行为比率计算方法见表4[19，20]：
3 3C-FIAS互动分析系统应用案例
3.1 研究对象
本研究以高中化学必修二第一章第三节“化学键”第一课时“离子键”为例，分别选择3位新手教师和3位专家型教师，对课堂教学行为进行对比研究。
3.2 研究假设
反复比较新手教师和专家型教师六节课堂实录，初步感知新手教师和专家型教师在提问模式、多媒体技术应用、实验操作等方面存在明显差异，具体如下：
（1）提问模式：专家型教师偏向于使用驱动问答，新手教师采用“满堂灌”或形式上的“讨论式”和“启发式”。
（2）多媒体技术应用：新手教师在六节课堂实录中都借助了多媒体辅助教学，专家型教师六节课中大多数采用板书。
（3）实验操作行为：新手教师大多数采用演示实验或视频，专家型教师多采用学生操作实验。
专家型教师和新手教师在这三方面的差异只是初步感知，究竟是否存在这样的差异就需要一个量化工具，而3C-FIAS互动分析系统作为一种现代课堂教学行为分析工具，能从提问模式、多媒体辅助技术和实验操作等方面对课堂中师生行为进行更细致分析。
3.3 结果分析
3.3.1 迁移矩阵分析结果
一位专家型教师的迁移矩阵见表5（为节约空间，省去新手教师的分析结果），从提问、技术与实验等层面对两类群体进行比较。
（1）提问方式结果分析：迁移矩阵中（4，4），（4，8），（8，4），（8，8）四个序列对代表教师提问驱动学生回答[21]；（9，9），（9，3），（3，3），（3，9），（8，3），（4，9），（8，9），（4，3）八个序列对表示教师通过接受或采纳学生意见引导学生主动发言的情况，代表创造性提问的程度[22]。分析专家型教师和新手教师这些序列对，发现专家型教师与新手教师在问题驱动学生回答和创造性提问程度两方面序列对频数为105、48和107、59，专家型教师显著高于新手教师。也就是说专家型教师更偏向借助驱动力和创造性提问调动学生，而新手教师看似采用了“启发式”和“问答式”，实则是“强加”式和“灌输”式[23]（当代表提问驱动和创造性提问程度序列对频数低于常模频数63时为“强加”和“灌输”式[24]）。
（2）技术和实验操作结果分析：区域G（教师对学生间接制止影响学生讲话）这一序列对专家型教师和新手教师频数为43和67，说明新手教师偏向间接制止学生，这一结论是初期未预测到的；区域K（多媒体技术）专家型教师和新手教师序列对频数为121和147，也就是新手教师善于运用多媒体辅助技术，区域L（师生实验操作）专家型教师和新手教师序列对频数为139和73，区域L中专家型教师和新手教师课堂（14，14）序列Γㄑ生操作实验）频数为66和12，说明专家型教师注重培养学生独立实验操作能力；M区域（沉寂）序对频数为32和59，其中新手教师课堂中（16，11）序列对（教师实验操作引起学生无效行为）频数为37，进一步研究发现实验视频播放是造成学生课堂无效行为的主要原因。
3.4.2 比率分析法分析专家型教师与新手型教师课堂教学行为
比率分析结果见图1，从左到右四个点依次代表技术比率、教师操作占技术比率、学生操作占实验比率和实验比率。这四项中只有技术比率新手教师（0.185）大于专家型教师（0.127），其余三项专家型教师均大于新手教师，这与之前的序列对分析结果相一致。进一步分析发现基本在技术应用比率高峰后都会有教师较小的语言比率高峰出现，说明教师在整堂课中，先使用技术呈现教学内容，再对教学的内容进行分析；新手教师在17min和40min左右各有一个沉寂比率高峰，这个高峰期是学生在观看视频、做练习。可以看出，随着技术的使用，学生语言也不断提高，说明了技术的应用能够带动学生积极参与到课堂教学中，积极回答问题，这一结论与初期的猜想相吻合。
3.4.3 动态特征曲线分析专家型教师与新手教师课堂教学行为
根据课堂实录和行为比率计算结果，以时间为横坐标，行为比率为纵坐标绘制动态曲线，专家型教师（如图2所示）和新手教师动态曲线。
通过动态曲线图分析发现新手教师教学一般流程中，教师与学生的语言基本呈“T（教师）-P（学生）-T-P-T-P”模式分布，这种模式属于“传递中心教学”，其特点是教师与学生一问一答，教师主导教学过程，其实质是教师向学生单项的传递知识，学生被动的接受知识的教学。而专家型教师的教学流程多表现为“T-P-P-P-P-T-P-P-T-P-PP-T”模式，这种模式属于“对话中心的教学”，也叫做“师生共同探究式教学”，其特点在于：“学习的过程体现在教师与学生反反复复的对话中，体现在探究和发现真理的过程里”。
4 总结展望
3C-FIAS互动分析系统从提问方式、实验操作和多媒体辅助技术等方面分析了专家型教师和新手教师课堂教学行为差异，分析结果与初期猜想结论相符。研究分析得出新手教师制止学生行为时多采用间接制止学生行为方式，产生这一现象的原因可能是新手教师处于成长初期，渴望得到学生的认可和配合。
3C-FIAS互动分析系统对于实验操作中专家型教师与新手教师差异性结果验证需要选择实验课进一步验证。动态特征曲线不仅能用于分析课堂教学过程中师生情感交流、师生提问互动情况，也能分析课堂教学模式，这是本研究得出的新的结论。
3C-FIAS互动分析系统不仅能从教师行为、学生行为、课堂沉寂实验、实验多媒体辅助技术等方面对新手教师和专家型教师课堂行为进行分析，而且从学生实验操作、教师实验操作、教师使用多媒体辅助技术、学生使用多媒体辅助技术等维度对专家型教师和新手教师课堂教学行为进行差异性分析，能更加科学而真实地反映课堂教学行为。
总之，3C-FIAS互动分析系统具有一定的科学性、实用性，为课堂教学行为的分析提供了量化工具，也为教师相互学习和借鉴提供了工具。但由于课堂活动是一个动态的、变化的活动过程，要分析这种复杂的、多变的课堂教学活动，任何一种方法都存在一定的局限性，这就需要研究者根据自己的研究目的，结合多种课堂行为互动分析方法进行分析。在应用3C-FIAS互动分析系统分析课堂教学行为时要考虑影响课堂活动行为的多种复杂因素和学科特征，再根据研究目的结合描述性观察、访谈等尽可能地使课堂教学行为得到真实的反映。
参考文献：
[1][6][10]肖锋.课堂语言行为互动分析――一种新型的课堂教学研究工具[J].辽宁师范大学学报（社会科学报），2011，（6）：40～44.
[2]杨玉琴，倪娟.基于FIAS的化学课堂师生言语行为个案研究[J].化学教育，2013，（5）：31～35.
[3]刘立新. FIAS互动分析系统的改进及在中学化学课堂分析中的应用[J].化学教育，2015，（3）：47～51.
[7][8] Flander Ned A. Analysis teaching behavior. Addsion-Wesley Publishing Company，1997.
[9] Silverman， Stephen & Buschner， Craig. Validity of Cheffers Adaptation of Flanders Interaction Analysis System. Journal of Classroom Interaction， 1990， 25（1～2）： 23～28.
[12][14][18]宁虹，武金红.建立数量结构与意义理解的联系――弗兰德互动分析技术的改进运用[J].教育研究，2003，（5）：23～27.
[11][13][15]高巍. Flanders课堂教学师生言语行为互动分析系统的实证研究[J].科学教育，2009，（5）：36～42.
[16]韩美珠，赵晓云，辛鑫.基于ITIAS工具的高中英语课堂教学语言行为量化分析[J].山西师范大学学报（社会科学版），2014，（5）：3～42.
[17][21]周莉.视频公开课教师课堂教学行为研究――以哈佛《公正》课为例[D].南京：南京师范大学硕士学位论文，2013.
[19]杨承印，龙彦达，杨帆.专家型中学化学课堂教学个案研究[J].化学教育，2016，（11）：43～46.
[20]高瑛，马宏佳，林康丽.研究现代化学课堂教学行为的量化工具- 3C-FISA [J].化学教育，2016，（5）：37.
[23] Peace， Sandra DeAngelis & Sprinthall， Norman A.. Training School Counselors to Supervise Beginning Counselors： Theory， Research and Practice. Professional School Counseling， 1998， 1（5）： 2～8.
[22][24] Freiberg， H. Jerome. Three Decades of the Flanders Interaction Analysis System. Journal of Classroom Interaction， 1998， 16（2）： 1～7.
[10]u琴，张家华，尹艳芳.改进型弗兰德斯互动分析系统及其应用[J].技术应用，2015，（10）：93～95.
课堂大数据分析篇7
二、视角独特，解读深刻
该书研究视角独特，通过从大学课堂的沉默现象、大学课堂学生沉默的原因、大学课堂沉默现象的治理困境等角度进行论述，实现了大学课堂沉默现象研究的完整解读。另外，该书解读深刻，通过从大学课堂后排现象概述、大学课堂后排现象的原因分析和大学课堂后排现象的治理困境等多元视角，详细分析了大学课堂的后排现象，为当前做好大学课堂治理提供了有效支持。大数据技术的成熟应用，为当前全面提升课堂教学质量提供了智慧指引。大数据既是智慧技术，也是引发思维方式变革的原始动力。在当前开展大学教学实践过程中，通过发挥大数据技术优势，对学生的学习行为、学习目标规划、课堂教学质量进行实时、智慧化管理，形成了精细化的课堂教学管理模式。在大数据时代，开展大学课堂教学质量管理时，通过引入实时互动、在线交流等反馈环节，构建数字化、智能化的课堂教学形态，改善了学生参与课堂的主动性，实现了大学课堂教学质量的智慧升级。
课堂大数据分析篇8
魏宁：教育硕士，高级教师。北京市东城区教育研修学院研修员。北京教育学会中青年理论工作者研究会理事，多次担任全国、市级论文、课题、活动赛项评审专家。主持北京市级课题1项。《中国信息技术教育》杂志特约撰稿人。先后为20多家报纸、杂志、公众号撰写文章，总计200多篇，40多万字。
魏宁：王老师，提起课堂教学行为大数据的研究，我记得您在本世纪之初就已经开展相关的研究工作了，虽然那个时候大数据的概念还不火爆，但您从一开始就坚信，课堂教学行为大数据的研究是一个能把基础研究与应用研究连接起来的纽带，是理论与实践之间的一座桥梁。您还曾多次用“巴斯德象限”这一范式来说明这个道理。
王陆：是的，作为我国第一个教师在线实践社区靠谱COP（The Teacher’s Online Communities Of Practice，简称靠谱COP）联盟的首席专家，我一直认为靠谱COP的课堂教学行为大数据研究必须坚持正确的研究价值观和研究取向。
巴斯德象限（Pasteur Quadrant）这一概念最早是由美国国家科学基金会（NSF）的主席顾问及美国国家科学研究委员会（NRC）的主席Donald E.Stokes（唐纳德・E.司托克斯）在他的《基础科学与技术创新：巴斯德象限》一书中提出来的，司托克斯把基础研究和应用研究之间的两两关联放置在一个四象限中（如图1），用来考察科学研究的范式。
如图1所示，左上角的第一象限叫“玻尔象限”，表示纯粹的基础研究。诺贝尔奖获得者尼耳斯・玻尔（Nie1s Bohr）对原子结构模型的研究，就属于纯粹的基础研究，丝毫不考虑应用。但是，他发现了构成这个世界的基础结构。
右下角的第二象限叫“爱迪生象限”，意味着以应用为目的的研究。托马斯・阿尔瓦・爱迪生（Thomas Alva Edison）就是其中的代表，作为人类历史上最卓越的发明家之一，他多年如一日从事着具有商业价值的电照明研究，而从不去探寻发明背后更深层的科学意义，不寻求对某一科学领域现象的全面认识。
左下角的第四象限至今没有正式命名，但也有人把它称作“皮特森象限”。起因于北美的鸟类观察家们对昆虫标记和发病率的高度系统化的研究，这些研究的成果后来被载入《皮特森北美鸟类指南》。这类研究的特点是研究本身是由科学家对某种事物的好奇心驱使的，这点与玻尔的初衷颇为相似，但结果却造就了应用研究的成果。
右上角的第三象限就是我们所说的“巴斯德象限”，它代表了那些以应用为目的而引起的基础研究。这一命名来自路易斯・巴斯德（Louis Pasteur），他一生所从事的研究几乎都是以应用为目的的，如解决发酵食物和饮料的变质问题、解决因细菌侵害蚕卵而导致丝绸工业濒临破产的难题以及把传染病的微菌培养成为防病的疫苗等问题。但令人肃然起敬的是，巴斯德在解决这些应用问题的同时，没有像爱迪生那样仅仅满足于应用问题的解决，他同时还追求了@些应用问题背后的更深层次的科学意义。也正因如此，他才能发展出微生物学的基础理论，成为微生物学的奠基人。
“巴斯德象限”说明，基础研究和应用研究两个看似不同的目标是完全可以融合的。而在教育技术研究领域，课堂教学行为大数据的研究就是连接二者的一座桥梁。
我清晰地记得我的导师南国农先生2007年1月28日在纪念中国电化教育70周年座谈会上提出的三个应该加强的研究中，就有“什么是能够真正把互联网与教育、教学结合在一起的好办法”的研究问题。当年，这个问题曾经深深地触动了我，使我顿感责任重大。我认为，靠谱COP的课堂教学行为大数据研究，是以巴斯德象限为范式的科学研究，把基础研究和应用研究相结合，把理论与实践相结合，最终服务于基础教育，服务于教师和学生，是我们一贯坚持的科研价值观和科研取向。
魏宁：王老师，大数据这个词语现在可谓无人不知，但要很严谨地定义它，又不是那么容易，您能给课堂教学行为大数据下一个定义吗？
王陆：目前，大数据还没有一个公认的定义，教育领域的大数据概念同样如此。我所理解的课堂教学行为大数据是指在课堂情境中，伴随教与学过程而产生的大规模、多样性、蕴含了丰富的教与学涵义的非结构化与半结构化的特殊数据集合。目前，课堂教学行为大数据具有模式数据、关系数据、结构数据和行为数据四种典型的类型。
而所谓的课堂教学行为是指教师引起、维持或促进学生学习的所有行为，也就是教师为了促进学习者完成学习行为而进行的支持性、服务性、指导性的活动总和。课堂教学是一切问题的衍生物，教育的逻辑起点是问题，所以，课堂教学行为分析也是聚焦问题类型、问题水平、问题结构、问题理答等方面的行为分析。
魏宁：王老师，针对课堂教学行为，应该说，我们一直在“研究”，从教师日常的听评课活动，到教育专业研究人员的研究，在大数据介入之前，这些传统的方法存在什么问题吗？
王陆：是的，对于课堂教学行为，我们一直在研究它。但以往的研究明显存在着几个问题：在方法上，由于以描述性案例为主，缺少学理分析，特别缺少对课堂教学行为的框架理论研究，致使这类研究较多停留在行为关注的层面；在研究结果上，虽然多数研究对课堂教学行为进行了调查分析，但由于缺少对数据资料科学的系统分析，所以无法给出恰当的策略建议。以往的教学行为研究无法把个案的研究结果转化为一种具有普适性的教师专业发展支持服务，导致许多课堂教学行为研究的成果无法影响到真正的课堂教学行为改进，也就无法对教育教学改革，特别是课堂教学变革产生重大影响。
魏宁：对课堂教学行为大数据的研究，我记得您还有一个精彩的比喻，就是中医和西医，您能解释一下吗？
王陆：传统的针对课堂教学行为的研究，或者就是教师日常的听评课，基本是以经验为主。一些有经验的教师就好比老中医，用“望、闻、问、切”的方法对待课堂教学行为，依据其个人的教育信念、教育价值观和教育经验做出他们的评判与诊断。而我们用课堂教学行为大数据的方法对课堂教学行为展开研究，要经历数据采集、数据分析并要可视化地表达经过信息处理后所得出的数据影像，这就好比西医的X光片、B超扫描，甚至是CT和核磁共振等。当然，基于课堂教学行为大数据的分析与研究，是需要将定性研究和定量研究相结合的，是需要被观察和被诊断教师个人以及观察者和诊断者个人的教育经验的。其实，若想全面、科学地对课堂教学行为加以诊断，最好的办法就是中西医结合。
魏宁：王老师，我知道您从2000年起就带领您的科研团队致力于课堂教学行为大数据的研究，到今天已经走过了17年。其间，先后出版了《信息化教育科研方法》《课堂观察方法与技术》等学术专著。但更为重要的，是坚持不懈地在一线学校开展了一系列的课堂教学行为大数据分析。17年来的数据岂止是“车载斗量”，我想，这才是您和您的团队最宝贵的财富，也是中国教育的宝贵财富，是真正的中国本土的原创研究。您能否大致介绍一下，17年来您都做了哪些方面的课堂教学行为大数据研究？
王：我的靠谱COP团队坚持17年进行课堂教学行为大数据的研究，从最初只有4个人的团队，发展到今天一个近60人的科研团队。我们的研究主要包括课堂教学行为大数据的基础理论研究和应用研究两大部分。在基础理论研究中，我们从数据采集与数据分析的原理、方法及技术等维度做了许多开创性的工作；同时，也对数据向信息的转化、信息向知识的转化、知识向智慧的转化等数据流及数据生命周期等做了大量的实证类的基础理论研究和实践性研究，形成了基于课堂教学行为大数据的课堂观察方法与技术、教学反思方法与技术、知识建构方法与技术，以及知识管理方法与技术等系列成果。在应用研究中，我们对基于大数据的教师专业发展支持服务做了深入系统的研究，开发出面向具体经验获取、反思性观察、抽象概括和积极实践等不同维度的共计12类4096种支持服务，开创了我国第一个教师在线实践社区，实现了大学科研成果的转化等。
魏宁：其实，对于教育领域而言，大数据只是一种研究的方法与手段。在信息化的大背景下，我们能搜集到与课堂教学行为有关的海量数据。但面对这些数据，我们又该如何“下手”呢？换而言之，不是说我们有了海量的数据，就会自然而然产出有价值的研究结论。我们必须有具体的工具和方法，来剖析这些数据。我也曾经见到不少学校、教育管理部门，号称用教育大数据采集师生的教学行为，进行了大数据的分析，并用大数据指导课堂教学改进等。但实际情况是，数据的来源和以前并没有什么两样，关键是，处理这些数据的手段依然是传统的数据处理方法。这样的教育大数据只不过是借用了一个时髦的说法而已，本质上并没有什么改变。您觉得，在课堂教学行为大数据面前，哪些有效的研究方法可以为我们所用？
王陆：第一，课堂教学行为大数据的采集方法。课堂教学行为数据已经从结构型数据扩展到多维度的非结构化和半结构化数据。从某种意义上讲，课堂中没有无用的数据，只有未被利用的数据，关键是如何获取数据。课堂教学行为大数据的搜集，已经从以前有针对性地获得结构化数据（如课堂观察量表数据），转变为有选择地删除某些数据。课堂教学行为大数据中的收集数据就是从非结构化和半结构化的数据中，识别、整理、提炼、汲取（删除）、分配、存储，并将其转化为结构化数据的过程。有一点特别需要注意的是，在小数据时代，人们对数据的精确性有严格的要求。而在大数据时代，数据的不精确性是允许的，人们需要接受纷繁芜杂的各类数据，而不应一味追求数据的精确性。
第二，基于课堂教学行为大数据的分析与决策方法。“量化行为获得结构化数据数据转化为信息信息转化为知识知识转化智慧”是对基于课堂教学行为大数据的分析与决策方法的简述。其中，基于课堂教学行为大数据的课堂观察方法与技术中的编码体系和记号体系可以将教学行为大数据转化为信息；教学反思方法与技术可以将信息转化为教师的实践性知识；抽象概括的方法与技术及积极实践可以支持教师从实践性知识中涌现出教学智慧。大数据正在颠覆传统的、线性的、自上而下的精英决策模型，逐步形成非线性的、面向不确定性的、自下而上的决策方式。
第三，信息化教学领导力的方法。校长与教师借助多种信息技术工具和信息化资源，直接对课程与教学各要素进行信息的搜集、整理、加工与处理，提升洞察力，优化教学决策，强化决策力和对教学产生影响作用的领导能力，具体如下页图2所示。
魏宁：通过您介绍的这些主要研究方法，您和您的团队在课堂教学行为的研究中发现了哪些有价值的结论呢？
王陆：在过去的研究中，我们在用上面这些研究方法重新审视教师的课堂教学行为时，发现了很多以往没能发现的问题。我举几个例子。
1.关于课堂提问倾向的分析。
不知道你有没有仔细观察过教师在课堂教学中的提问，这里面其实大有文章。根据我们的研究，教师在课堂上的提问可以分为八种类型：“是何问题”“为何问题”“如何问题”“若何问题”“记忆性问题”“推理性问题”“创造性问题”和“批判性问题”。它们代表了三种不同的教师提问倾向。其中，“是何问题”与“记忆性问题”反映的是教师提问的开放性教学倾向，这两类问题发生的频次越高，表示教师提问的开放性教学倾向越低；“如何问题”“为何问题”及“推理性问题”反映的是教师提问的问题解决教学倾向，它们发生的频次越高，表示教师提问的问题解决倾向越强；“若何问题”“创造性问题”和“批判性问题”反映的是教师提问的批判性及创造性教学倾向，它们发生的频次越高，表示教师提问的批判性及创造性教学倾向越突出。
我以提问的批判性与创造性倾向的研究结果为例，在提问的批判性与创造性倾向维度中，我们采集了教育发达地区、教育中等发达地区和教育发展中地区的教师大数据，结果是三类地区的教师整体水平都非常低，但教育发达地区相比其他两个地区，存在着明显的问题开放性最高、问题解决倾向最明显、批判性问题与创造性问题倾向最突出的教学特点。
通过研究，我们还发现在教师的课堂提问中有两种十分普遍的现象：一是教师提问的随意性十分明显，在课堂教学中教师往往因为发现有学生在搞小动作没有听讲，或在课堂中有些学生表现出昏沉的状态，便随即使用课堂提问的方式给予学生警告性提醒，其后果是课堂提问数量非常多，而所提出的问题大多是简单记忆或机械判断性问题；二是教师判断教学活动是否需要结束是以所提出的问题能够被全班大部分学生正确回答为依据，其结果是教师提出的问题大多是具有唯一正确答案的良构性问题且问题缺乏解决倾向与创造性和批判性倾向。上述两种现象在教育发展中地区尤为突出。
这些现象的背后，能折射出教师对课堂提问的价值取向：重视课堂提问的局部价值，忽视了课堂提问能够促使学生更积极主动地加入到课堂互动之中的整体价值；注重课堂提问的工具价值，轻视了课堂提问能够促进学生深入思考的目的价值；重视课堂提问的浅层价值，忽视了课堂提问的作用是促进学生提出更好的问题的深层价值。当前，有关课堂提问的价值取向应该引起教师培训机构和教育行政部门的高度重视，需要引导教师重新认识提问这个最古老的教学行为的教育价值和目的，并以此为依据和出发点再对现实的课堂教育活动作出更具体的评析，提出新的提教学原则、方案乃至方式和方法。
2.不同性别教师的差异性教学现象与共性教学现象。
我们曾对不同性别教师的课堂教学行为进行了独立样本t检验，结果表明：不同性别教师的差异性教学现象在0.01显著性水平下，不同性别的教师在师生行为转换率Ch上呈现出显著差异。而不同性别教师的共性教学现象在于，无论是男教师还是女教师的课堂，在批判性问题、创造性问题、鼓励学生提出问题、讨论后汇报，以及学生创造评价性回答等教学现象上均无显著差异，且这类教学现象明显少于其他教学现象。通过对不同性别教师的师生行为转换率Ch、管理性问题、对话深度二和对话深度三等教学行为大数据均值及标准差的分析，可以发现：女教师的师生行为转换率Ch值、管理性问题数量、对话深度二和对话深度三都显著高于男性教师。这一数据分析结果所反映的教学现象是：女教师比男教师在课堂中更频繁地更换课堂对话的话语权，女教师会跟学生发生更多的言语互动，同时女教师也更注重对课堂的统一纪律要求和管理，更重视在师生对话中开展适当的追问干预。
3.不同科目教师的差异性教学现象与共性教学现象。
我们分析了文科和理科教师的课堂教学行为所带来的课堂教学现象的差异情况，结果表明：不同科目教师的差异性教学现象是在0.01显著性水平下，文科和理科教师在课堂提问类型中的记忆性问题、推理性问题和创造性问题上呈现出显著差异；在提问方式中，在提问前先点名、让学生齐答、叫举手者回答上呈现出显著差异；在学生回答类型中的个别回答维度上呈显著差异；在学生回答类型中的认知记忆性回答、推理性回答和创造评价性回答上均呈现出显著差异；在问题结构的是何、如何、若何上呈现出显著差异；在对话深度一和对话深度四上呈现出显著差异。这表达了什么意思呢？就是无论是文科教师还是理科教师，在批判性问题、鼓励学生提出问题，以及运用基于小组的讨论法教学等以学生为中心的教学现象方面均无显著差异，且这类教学现象明显少于其他教学现象。经过对教学行为大数据均值及标准差的分析，可以发现：文科教师的记忆性问题、创造性问题、个别回答、记忆性回答、创造评价性回答、是何问题、对话深度一，以及学生的个别回答、认知记忆性回答、创造评价性回答都显著高于理科教师；而理科教师的推理性问题、推理性回答、如何问题、若何问题、对话深度四以及学生的推理性回答都显著高于文科教师。这一数据分析结果所表明的教学现象是：文科教师比理科教师更重视陈述性知识和创造性知识的获取，文科课堂也比理科课堂拥有更多的开放性问题，但对话深度明显低于理科课堂，说明文科课堂中的问题难度普遍较低，教师也较少进行追问式的教学干预；理科教师比文科教师更重视学生对原理性知识、策略性知识和迁移性知识的获得，理科课堂中的问题难度普遍比文科更高，且理科教师比较多地采用了追问式教学干预。
4.关于发散思维和评价思维的培养问题。
我们通过研究发现，发散思维和评价思维的培养，是当前教与学的最薄弱环节。教学是由问题构成的，教学的一切都可以说是问题的衍生物，学生学习能力的形成就是问题解决能力的形成。关注课堂中的问题类型可以让我们获得课堂教学的价值取向与认知目标达成水平的判断依据。通过对2000―2015年连续16年全国24个省市中小学课堂教学中的问题类型分析可以发现：小学文科和初中文科无论是对话型、混合型还是练习型的教学模式，课堂问题类型都是以记忆型问题为主，整体问题类型处于最低层级，即处于低层次集中型问题水平，学生的认知目标为认知-记忆水平。而小学理科、初中理科和高中理科及高中文科则多以推理性问题为主，问题层级处于高层次集中型问题水平，学生的认知目标为聚合思维水平。无论小学、初中和高中三个学段的理科与文科课程，整体都缺乏以批判性问题和创造性问题为核心的分析型问题，发散思维和评价思维的培养是当前教与学的薄弱环节和课堂教学中的短板。
魏宁：我们对课堂教学进行大数据分析，能透过纷繁的教学现象，得出关于师生教学的普遍规律性的东西。但若要改变其中的不合理之处，或对存在的问题进行纠偏，就必须通过教师行为的改变。这就涉及教师的专业成长了，所以我认为，大数据在很大程度上能助力教师成长。根据您的课堂教学大数据研究所得出的结论，您对教师的专业成长有何改进建议呢？
王陆：首先，透过课堂教学行为大数据的分析，可以看出，教师的课堂教学行为既存在共性问题，又存在突出的个性问题。在我看来，课堂教学行为的共性问题折射出的是教师应该“怎么学”的关键性问题，而课堂教学行为的差异性问题折射出的是教师应该“学什么”的关键性问题。从课堂教学行为大数据的分析结果可以看出：当前教师的教学还是以模仿模式为主的，也渗透了一定的变化模式；要想从教学的模仿模式彻底转变为教学的变化模式，首先就需要转变教师的专业学习方式。正如戴维斯教授所指出的，教师如何学习会反映在他如何教学上（Davis，2003）。教师的专业学习方式需要从技术性实践（Technical Practice）模式转变为反思性实践（Reflective Practice）模式，即教师要从真实的教学实践出发，经过对教学实践的反思，再重构新的教学经验的以教师实践性知识为核心的非正式学习方式。
其次，教师个体的教学行为具有差异性，造成教师教学行为具有差异性的原因是教师个体具有差异性的实践性知识。差异性的实践性知识给不同的教师个体带来了知识势差，而知识势差是造成知识流动、知识传播和知识转移的根本原因，也是教师能够获取实践性知识这种隐性知识的基本条件。为此，以“差异即资源”的理念搭建起来的教师在线实践社区（靠谱COP），为不同的教师个体搭建了实践性知识流动、传播与转移的基础环境，形成了由教师、专家及助学者所组成的一种正式学习与非正式学习相混合的学习型组织，有效支持了教师的反思性实践，促进了教师通过知识转化而最终获得实践性知识的增长和课堂教学行为的改进，取得了显著的教师专业发展成效。靠谱COP为不同的教师个体搭建了实践性知识流动、传播与转移的基础环境，形成了由教师、专家及助学者组成的一种正式学习与非正式学习相混合的学习型组织，有效地支持了教师的反思性实践，促进了教师通过知识转移最终获得实践性知识的增长和课堂教学行为的改进，取得了显著的教师专业发展成效。
此外，长期以来，中小学都采用师徒制的教师专业发展模式，即指派一名具有较长教学经历和较多教学经验的“老教师”，即成熟教师，作为新手教师的师傅，并希望这种模式能够促进新手教师在成熟教师的指导下，在开展教学实践的过程中，对教学实践进行有效的反思，从而能够较快地获取、继承、传递、存储和应用成熟教师的实践性知识。
一名新手教师成长为胜任教师至少要经历知识生产和知识进化两个关键阶段。既要经历在已有知识的基础上发现新知识的生产过程，这个过程一般发生在新手教师自入职开始的1～3年期间；也要经历随着外部环境的改变，主动改变知识内涵与结构以适应新环境的知识进化过程，这一般在新手教师入职3年以后。知识生产阶段是新手教师快速积累教学经验的阶段，而知识进化阶段是新手教师发展、修正、完善、建构其实践性知识的阶段。
美国著名的心理学家波斯纳曾经提出一个教师成长公式：教师成长=经验+反思。显然，在这个公式中经验是一种“慢变量”，是新手教师要随着时间和实践机会的增加而慢慢积累起来的；而反思是可以干预的一个“快变量”。在抽取了来自4个省8所靠谱COP项目学校共120位教师作为研究对象，其中新手教师40名，胜任教师40名，成熟教师40名，收集了这120位教师从2010年9月至2011年7月一年期间在靠谱COP平台的论坛中所发表的帖子、所撰写的课后反思文本以及制作的教学反思DST（Digital StoryTelling）视频材料等半结构化和非结构化的数据，采用了内容分析法、视频案例分析法和统计分析法等分析后发现，在高层教学反思中，胜任教师与成熟教师的反思特征相似聚为一类，而新手教师则单独为一类。继而进行了回归分析后，显示出新手教师的高层教学反思水平仅受胜任教师的高层教学反思水平的正向影响，与成熟教师无关。
同时我们发现：教师知识的进化过程是一种教师的知识集合处于不断的流通与变化的过程；成熟教师与新手教师在知识进化过程中的试探性理论或解决方案上表现出了比较大的差异，即成熟教师更倾向于从局部要素寻找解决问题的策略，而新手教师则更倾向于从整体要素的改变去寻求解决问题的办法；在知识进化的过程中，成熟教师对新手教师的影响十分明显；新手教师在知识进化排除错误的过程中，会表现出直接吸取成熟教师实践性知识的倾向。这一研究结果带来的启示是：在知识生产阶段，让胜任教师担任新手教师的师傅会显著影响新手教师的高层反思水平，从而使新手教师获得更快的进步与成长。在知识进化阶段，由成熟教师担任新手教师的师傅会更加有效地促进新手教师实践性知识的增长与改进。
根据大数据的分析研究结果，优化后的师徒制教师专业发展模式是一个“双师制”模式，即在知识生产阶段，学校为新手教师安排一名胜任教师做其师傅，帮助新手教师迅速获取具体经验，而在新手教师步入知识进化阶段后，可以再增派一名成熟教师同时担任其师傅，从而构造一种新的“双师制”的师徒制知识管理方式，使得新手教师、胜任教师和成熟教师都能在同一个生态环境中发展与成长。
魏宁：通过这么多年的课堂教学行为大数据研究，您对教育大数据一定有着深刻的理解和认识，您怎么看待当前火热的教育大数据呢？
王陆：应该说，到现在为止，国内外对课堂教学行为的研究还处于起步阶段。课堂是错综复杂的，需要广大研究者深入课堂教学的实际情境中，把课堂教学行为作为研究对象，从理论与实践两个层面去阐释课堂中存在的种种教学现象，从多学科的角度去说明课堂中出现的种种问题，寻找教学现象背后的教学规律与教学本质。
当前，深化基础教育领域综合改革最关键、最重要的是提高教师队伍素质及其实施素质教育的能力，任何教学改革的成功都取决于教师作为系统的实施者对改革需求的理解与应用，教师是学校改革的真正推动力。通过对课堂教学行为大数据的深入分析与挖掘，大数据能够把教师的隐性知识显性化，从而助力教师的专业发展与专业成长。
我们要感谢大数据等新技术与新工具，让我们实现了用数据化手段测度人类行为和人类社会，并由此改变了人类探索世界的方法。大数据通过对事物的数据化，实现了定性研究与定量研究的综合集成，使人文社会科学等曾经难以数据化的领域像自然科学一样走向了定量研究，实现了定量研究与定性研究的统一与融合。
应该看到，课堂教学行为大数据所表征的数量关系，仅仅是一种认识和研究教学现象的手段，是一种以搜集微观研究材料进而开展宏观理论构建的研究途径，其真正的目的是要通过数量关系探寻课堂教学的科学规律与教学现象的意义。无论是教学实践者还是教学研究者，都需要重视课堂中的教学现象并理解教学的本质。只有教学实践者透彻地理解教学本质，才有可能真正促进教学现象的有效改进；只有教学研究者走近或者走进教学现象，才有可能真正揭示教学的本质，也只有从教学现象中揭示出教学的本质，才有可能使其回归到教学现象之中，并对教学现象形成真实的影响力和指导力。由于课堂教学具有复杂性、情境性和实践性，在优化课堂教与学时往往不能仅凭个人经验或简单使用某种具有普适化意义的教与学的理论，为此，以课堂教学行为大数据为研究手段的教学现象研究，不仅是我们发现教学本质的切入点，还是我们创新教学研究的立足点和改进课堂教学行为的助推器。
魏宁：通过您的介绍，我对课堂教学行为大数据有了更全面、深刻的认识，17年弹指一挥间，您的坚持终于得到了回报。在这里，我祝愿您在今后的研究中取得更丰硕的成果，用大数据服务于教育改革，服务于教师，最终为学生的成长助力。
王陆：谢谢您，我们会继续努力的，靠谱COP一直与您同行。
对话印象
从学生时代算起，和王老师已经有二十多年的交往了。在我的眼里，王老师不仅是一位治学严谨的学者、谆谆善诱的长辈，很多时候更像是一位倾心相交的朋友，这是因为无论是在治学上还是做人上她都能时刻给我以启迪。
在教育技术界众多的专家学者中，王老师有着极为鲜明的特点，这主要体现在王老师的“跨学科”上。对教育技术来说，“跨学科”三个字本不稀奇，因为教育与技术本就分属文理，教育技术学自然就成了一个文理交叉的领域。但细究起来，大多数专家学者还是有着明确的学科背景的，要么以技术为背景，要么以教育为背景。真正意义上横跨教育、技术两个领域的学者可谓少之又少，而王老师称得上是其中的佼佼者。王老师早年的研究方向是智能学习支持环境，她对人工智能有颇深的研究，她的教授职Q便是来自计算机工程学院，她是不折不扣的计算机技术和人工智能专家。而此后，王老师毅然转入教育领域，又在教育技术方面取得了成功。
课堂大数据分析篇9
为了将《商务智能》课程做成一个翻转课堂，应事先把每节课相关的理论知识介绍和实验操作指南上传到在线课堂。然后学生在上课之前，去在线课堂平台提前预习这些知识，并且希望学生能够在上课之前，就能按照在线课堂上的指导，自己先做实验。学生课下提前做实验的过程中，会遇到很多问题，而且各个学生因为程度不同，各自遇到的问题也不同。对学生的这些问题的解答，安排在课堂上进行。上课时间就是用来帮助学生解决他们之前自己做实验所遇到的问题。并且在这种新的教学模式下，学生在课堂上会主动问很多问题。这种新的授课方式，可以提高学生自己做实验的积极性，以及增强他们对这门课的学习兴趣。计算机学科的专业课的特点是动手做实验很重要。很多理论知识、算法和操作技巧，如果只是课堂讲，学生没有实践操作，那么学生学到的知识会大打折扣。以前的教学模式是课堂上给学生讲很多实验操作方法，课堂留给学生做实验的时间很少，很多学生要利用课下时间来做实验。那么课下学生自己做，做的过程中遇到问题，如果不能及时获得解答的话，时间长了，学生自己也就忘记要问哪些问题了。还有一些学生刚开始做实验时，兴趣很高，做着做着，遇到的问题都没人帮助解决，时间长了，学生对实验操作也会失去兴趣。所以设计翻转课堂的目的，是改变传统的老师一个人在讲台上讲的教学方式，让学生在课堂上占据主动性，让他们主动问问题，老师的角色是帮助他们解答问题。
本课题组进行教学模式改革的第二项工作就是对期末考试方式进行一些改革。将传统的试卷考试转变为上机考试。本课题组的老师构建题库，通过学校提供的在线课堂平台来完成期末考试。考试时，学生登陆在线课堂，系统随机为学生组卷，每个学生的试卷都不同。考试结束后，系统自动评卷打分。这种上机考试的方式使得测试的知识点覆盖面更广，要求学生要全面复习。另外，由于各个学生的试卷都不同，就避免了考试作弊，还可以增强考试的公平公正性，也提高了效率。目前这个考试题库已经建成。后期课题组的老师将采用交叉检查的方式，对题库中的题目进行再检查，对一些有错误的题目进行修改。
此外，我们在讲授《商务智能》这门课时，结合大数据技术应用领域常用的数据分析技术进行讲解。如ID3分类算法和FP-Tree关联规则算法，在真实的数据集合上给学生安排课程实验，另外让学生课下自己从网上收集整理数据集，来完成以上算法的运行。为了突出我们教研室在进行此次教学模式改革中的创新性，我们在教材的最后添加了基于隐私保护的数据挖掘技术，强调在进行数据分析时，一定要考虑到不能挖掘出用户的敏感属性值。虽然我们拿到的实验数据，之前已经进行了数据清洗和预处理，但是如果挖掘分析算法不恰，那么也会从预处理后的数据中挖掘用户隐私。随着用户越来越重视个人敏感信息的保护，相关研究人员必须对传统的数据挖掘分析算法进行改进，添加数据安全和隐私保护技术，从而实现既能从大量的、模糊的、不完全的源数据中分析出隐藏在其中的、用户不知道的规则和知识，又能防止分析人员挖掘出用户的隐私信息。
为深化决策支持与商务智能课程的教学改革，我们将和 IBM、SAP 等企业的相关机构深入合作，共同讨论制定商务智能方向的专业课程，将企业应用商务智能的成功案例和项目实施过程，补充进课堂教学内容，使学生能够在项目实训中了解实际的项目环境并培养分析实际项目的能力，从而把先进的技术、方法以及企业的最佳实践项目引入决策支持与商务智能教学中，以满足学生对知识和能力培养的需求。
参考文献：
[1]Jian Wang， Le Wang. A New Anonymity-based Protocol Preserving Privacy Based Cloud Environment， Computer Modelling and New Technologies， Vol. 18， Issue：9， pp.139-144，2014.
[2]Jian Wang. A Novel K-NN Classification Algorithm for Privacy Preserving in Cloud Computing. Research Journal of Applied Sciences， Engineering and Technology， Vol. 4， Issue： 22， pp. 4865-4870，2012.
课堂大数据分析篇10
一、引言
随着高等教育信息化的不断发展，为有效提高教学质量，许多高校都采取各种手段来评估课堂教学质量和效果。传统的做法是学校教学管理部门聘请具有多年丰富教学管理经验的老教师为骨干，成立督导组，采用督导员听课评价、学生网上评教等方式，对教师的教学情况进行评估[1]。这些措施在一定程度上能使教师获得一些反馈信息，促使教师更加注重教育教学效果。然而，这种评估方式不可避免地具有较大的局限性。首先，教学督导组对某位教师的听课每学期只是一两次，并不能完全反映某位老师某门课程的整体教学情况；其次，教学督导组和学生对任课教师的评价具有很强的主观性和个人色彩，这种教学评价和管理方式缺乏客观性和全面性，衡量不够精细、全面和深入；而且，这种课堂教学评估只是针对教师，对于学生的课堂参与情况缺乏一种客观衡量。教师并非每堂课都点名，如果为了统计学生的课堂参与而点名，会占用和浪费宝贵的课堂时间。
在当今的大数据时代，采用大数据技术和数据挖掘技术来进行客观有效的教育教学管理和评估是时展的要求[2]。大数据和数据挖掘技术，不单纯依靠直觉和过往的经验，不依靠有限抽样的统计规律，更加客观和全面[3]。通过对全体数据的分析，更能发现现象和事物内在的关系，能够发现更多的、深入的有价值的信息，从而具备更强的决策力、洞见发现力和流程优化能力。
本文提出在学生上课的每个教室安装移动终端采集器，统计每节课的上课人数、到课率、迟到早退时间等等格式化数据，结合课程表、学生成绩表以及教务系统中更多的教师和学生信息，利用分布式计算基础构架，综合各方面信息得到更有效课堂教学数据[4]。
针对以上问题和提出的解决方案构想，通过在北京信息科技大学的各种教室，包括大教室、小教室、阶梯教室，布放了81个“移动终端采集器”数据采集点，对采集的数据进行大数据后台分析和维护，并提供大数据分析结果的网络访问页面，提供各种方式的查询和分析结果。例如：对学生课堂出勤率分析，可以按专业查询、按年级查询、按班级统计、按课程查询、按时段查询，把学校各个院系、各个专业和各个年级的学生上课出勤率按从高到低排列出来；对教师授课课程的学生出勤率分析，可以列出各个老师所授课程的学生出勤率，并排出名次。对整个学期，或者每个教学月、教学周的出勤率变化，可以从分析结果生成的趋势图中看出。
二、基于移动终端的考勤监控模型的构建
目前，几乎每一个学生都拥有一部智能手机，因此可以采用无线追踪技术和室内定位技术，在每个教室安装一个移动终端采集器，用来识别学生的智能手机的MAC地址，作为学生在教室中的唯一标识和统计指标。具体操作步骤可以分为：数据采集阶段、数据分析阶段和数据展示阶段，其如图1所示。
1.数据采集阶段
部署在教室的移动终端采集器在工作时，会不断地扫描周边设备的无线信号[5]，当学生、教师进入部署区域时，移动终端采集器会根据手机等设备发射的无线信号，识别设备的位置，移动终端采集器捕获移动终端设备的最长时间间隔为2秒，有效范围半径为30M，即两秒内经过移动终端采集器30M内的无线设备都将被捕获。
2.数据分析阶段
将采集到的移动终端信息进行过滤处理，将每个教室采集到的手机号、手机Mac地址与学生学号进行关联，结合教务管理系统中的课表信息，按照院系、专业、年级、班级等不同粒度对学生出勤率进行课程、时段等多维度分析；同时对教师每次授课对应教室的出勤率加以分析计算，多方位、多层次、多角度地获取学生的出勤数据。
3.数据展示阶段
根据数据分析阶段的分析结果，生成学生课堂出勤率图表，提供各种方式的查询和分析结果[6]。例如：对学生课堂出勤率分析，可以按专业查询、按年级查询、按班级查询、按课程查询、按时段查询，可以将各个院系、各个专业和各个年级的学生出勤率按从高到低排列出来；对教师授课课程的学生出勤率分析，可以列出各个教师所授课程的学生出勤率，并排出名次；对整个学期，或者每个教学月、教学周的出勤率分析，可以得出不同教学周期内学生出勤率的变化趋势，预测下一个教学周期的学生出勤情况。通过不同的展示方式，学生的出勤情况一目了然。
三、基于移动终端的考勤监控模型的应用
通过在北京信息科技大学的大教室、小教室和阶梯教室等不同类型的教室中，共布放了81个移动终端采集器。通过对采集到的数据进行后台分析和计算，不断累积数据集，随着数据规模地不断增大，分析结果的真实性和可靠性也在不断提高。经过一个学期的数据采集、处理、计算后，得到了全校37个专业、4个年级、107个班级、174门课程及175位任课教师的学生上课出勤情况，包括出勤率及排名。
根据统计数据，从学生和教师的角度，主要从以下三个方面对学生出勤率的变化情况进行分析：
课堂大数据分析篇11
一、引言
随着高职教育的快速发展，教学质量问题已经成为人们密切关注的热点问题。提高教学质量是当前高职教育的重中之重，而提高课堂教学质量又是提高教学质量的核心要素。因此，课堂教学质量直接事关高职学校的生存和发展，如何对课堂教学质量进行准确、客观的评价一直以来是高职教育研究的焦点与热点问题。目前，高职课堂教学质量评价存在以下几点问题。
1.影响课堂教学质量的影响因素很多
传统的教学质量评价大多采用定性分析法，或者使用AHP（层次分析法）将定性因素转换为定量分析。这些方法在评价过程中大多都存在主观性与片面性，评价的结果不能有效反映客观的课堂教学状态，数据的准确性不高。因此，对这样的评价大部分一线教师都心存疑惑。
2.评价人员对课堂教学质量的关注点不同
对于课堂教学质量的评价一般包括企业技术人员、校内外督导、课程组成员、其他教师以及授课班级学生这五类人员，这些人员对于课堂教学质量的关注点基本没有太大的交集。企业技术人员主要关注该课程是否将技能点应用于实践，校内外督导主要关注教学设计与课堂教学安排等，而学生主要关注教师的课堂教学内容和方法是否有趣，是否能引导他们学有所成。因此这5类人员的评价所得数据所对应的权重应有所不同，但目前对这5类人员的课堂教学质量评价的权重还鲜有人开展研究并加以考虑。
3.学生评教数据的获取存在偏差
目前学生的评教一般安排在每个学期期末进行，学生通过登录学院的教务管理系统――评教模块，针对其中的各项指标进行打分，再通过一定的计算并最终获得该班级该课程授课教师的学评教分。实际中，学生的评教在分值上有较大的缺陷。因为，虽然大部分学生打分比较理性，但还是有一部分学生不够理性，是由主观意志给出评教分数的，评价结果与实际情况之间会存在不小的偏差。
针对以上几点问题，结合课堂教学质量描述本身就具有一定的不确定性（模糊性）的特点，本文在合理确定五类人员课堂教学质量评价指标的基础上，运用FAHP来确定各参评指标以及各类评价人员评价分值的权重，再对学生评教结果进行“客观化”处理，最终得到教师课堂教学质量的评价结果，并通过仿真实例验证此方法的有效性与可行性。
三、模糊层次分析法在课堂教学质量评价中的应用
1.课堂教学质量评价的层次结构
由于五类评价人员的关注点不同，对课堂教学质量评价指标也有所不同。下面以理工科课程的学生评教指标体系为例，来构建课堂教学质量评价的层次结构。对教师的课堂教学质量评价主要是针对教学要求、教学内容、教学策略、教学方法、教学态度、教学效果等六个方面进行判断。评价人员为教师任课班级的全体学生。确定一个合理、有效的评价指标体系有相当的难度和挑战。本文以教育部评估体系标准为基础，参考同类高职校的课堂教学质量评价指标等资料，构建了层次型课堂教学质量学生评价指标体系，如表2所示。
2.构建模糊判断矩阵
基于前述的课堂教学质量评价层次结构模型，设计出相应的调查问卷，发放给在教学方面具有丰富教学经验的专家、课堂教学优秀者、教学骨干以及教务管理人员，请他们结合自己的工作经验以及对准则层、指标层等因素的判断和比较进行填写，构造出判断矩阵RA-B。
本次调查问卷共向浙江省内12所高职院校的教务处、督导处、理工科类相关专业负责人等，发放问卷150份，回收141份，回收率94%，有效问卷135份，有效率90%。经过归纳、整理后，结合“ 0.1-0.9”数量标度得出标准层各因素间的比较矩阵和权重，由此得到一级目标层对准则层的模糊判断矩阵：
R=0.5 0.3 0.4 0.3 0.4 0.3
0.7 0.5 0.6 0.5 0.6 0.6
0.6 0.4 0.5 0.5 0.5 0.4
0.7 0.5 0.5 0.5 0.6 0.4
0.6 0.4 0.5 0.4 0.5 0.4
0.7 0.4 0.6 0.6 0.6 0.5
3.构建模糊一致矩阵
通过γij=+0.5，其中γi=∑nk=1γik，?i∈{1，2，……，n}，计算模糊判断矩阵中的γij，如γ12=+0.5=+0.5=0.3917，以此类推可以计算得到模糊一致矩阵：
R= 0.5 0.3917 0.4417 0.4167 0.4500 0.4000
0.6083 0.5 0.5833 0.5333 0.5667 0.5167
0.5583 0.4167 0.5 0.4750 0.5083 0.4583
0.5833 0.4667 0.5250 0.5 0.5333 0.4833
0.5500 0.4333 0.4917 0.4667 0.5 0.4500
0.6000 0.4833 0.5417 0.5167 0.5500 0.5
4.层次单排序
根据模糊层次分析法第四步公式所示，计算模糊一致矩阵A的权重向量WA=（ω1，ω2，ω3，ω4，ω5，ω6），其中ωi=-+∑nk=1γik，如ω1=-+*2.2=0.11，同理可得各权重值，最后得到权重向量WA=（0.11，0.21，0.16，0.18， 0.15，0.19）T。以此类推得到指标层子权重向量WB1=（0.3，0.7）T，WB2=（0.2，0.4，0.15，0.1，0.15）T， WB3=（0.2，0.45，0.35）T，WB4=（0.3，0.25， 0.30，0.15）T，WB5=（0.15，0.25，0.3，0.3）T，WB6=（0.15，0.15，0.4， 0.2，0.1） T。
5.层次总排序
层次结构型课堂教学质量评价体系分为4个层次。现设目标层为O，准则层为A，指标层为B，方案层为P，根据模糊层次分析法第五步公式，可以计算出指标层B各因素相对于总目标的各子权重，其值为
WA=WB1 0 0 0 0 0
0 WB2 0 0 0 0
0 0 WB3 0 0 0
0 0 0 WB4 0 0
0 0 0 0 WB5 0
0 0 0 0 0 WB6
WA=（0.033，0.077，0.042，0.084，0.032，0.021，0.031，0.072， 0.056，0.054，0.045，0.054，0.027，0.0225，0.0375，0.045，0.02850，0.0285，0.0076，0.038，0.019）。
四、利用模糊综合评价得到定量数据
以本学院A教师为例，其负责B班级的C课程。对于A教师的课堂教学评价量化分值主要由专业教师、企业技术骨干、课程组内部成员、教学督导、学生等五类人员对该教师课堂教学指标层给出客观的评价，每个指标评价分10分制。下面以学生评教为例。某学生按照指标层进行打分，具体见表3。
使用模糊综合评价最后得到结果为8.0245，而单纯的取平均值，最后结果为7.869。如果以9.5分以上为优秀，8分到9.5分为良好，那么这位学生对A教师的评价就有了质的变化，而事实上也是如此。如B25：“理论联系实际、符合学生认知”和B32：“激发学生注意力与兴趣”，一个是6分，另一个是10分，学生其实非常在乎激发他们的兴趣，而并不是非常能体会到自己的认识是否到位。因此，这两个因素的权重几乎相差一倍（B25：0.031，B32：0.072），由此也证明模糊层次法在评价方面的有效性与客观性。
通过使用FAHP，还能够得到五类人员对于课堂教学评价影响因素的权重，并最终计算得到该课程授课教师的整体评价分值。
五、学生评教分值的客观化计算
一般来说，在统计一个班级全体学生的学评教分数时，往往不会考虑一些学生主观上的问题：如上课出勤率不高，提交作业不及时，与教师互动较少以及上课关注度不够等情况，而这些因素会直接影响学生评教的分数。因此，在学生评教完成之后，不能直接以全体学生评教分的平均分来计算最后的成绩，而是应该通过加权系数的方式来考虑因学生课堂表现所致的影响因素。
学生课堂表现影响因素系数主要包括以下4方面：出勤率、作业完成率、提问率、课堂关注率。根据教育专家、教学督导、任课教师组成的专业团队对以上4个因素进行模糊层次分析，通过四步骤进行计算，最后得到学生课堂影响因素系数的权重矩阵S=[0.35 0.3 0.2 0.15]。
通过对学生上课出勤次数、请假次数以及迟到早退次数，对学生提交作业数量以及相应的质量，对学生课间提问数量与质量等课堂行为进行统计，以及对学生课堂关注度进行分析，最后得到学生的课堂影响因素各个数值，加权之后得到最终的课堂影响因素数Qs。设每个学生的课堂影响因素系数为?i∈{1，2，……，n}，取出该班级中课堂影响因素最大数，并计为Qsmax，将Qs归一化处理，得到Ti，步骤如下：
第一步：得到该班级中课堂影响因素最大数Qsmax。
第二步：该班级中每个学生的课堂影响因素数Qs与Qsmax进行比较得到Pi=，?i∈{1，2，……，n}。
第三步：计算每个学生的课堂影响因素系数Ti，Ti=，?i∈{1，2，……，n}。
通过以上三步计算得到每个学生的课堂影响因素系数Ti，再将Ti与学评教的数值进行乘积，最后得到加权学生课堂影响因素系数后的学评教乘积。表4是B班级对A教师所上的C课程所作的学生评教数据。该班共有45位学生，具体数据见表4学评教分值。
通过学院自主开发的“课堂教学质量量化系统” 所采集到的相关数据，可计算每个学生的课堂影响因素系数Ti，见表5学生课堂影响因素系数。
最后通过计算得到以下数据：学生评教的算术平均值为79.67，加权学生课堂影响因素系数之后得到的值为82.71，通过分析发现，大部分评教分数较低的学生，其课堂影响系数也较低，因此，在计算过程中其所占的权重较少。通过这一计算方法的客观化处理，使得学生评教的结果更准确与更符合实际。
模糊层次分析评判具有客观、层次清晰和计算简便等特点，具有较好的操作性与实用性。本文通过FAHP构建高职课堂教学质量的量化评价模型，得到了课堂教学质量各因素的权重指标以及各类评价人员的权重系数，特别是对学生评教分的计算方法进行了客观化的模糊处理，从而使评教过程更加贴近实际，评价的结果更客观。
参考文献：
[1]张炳江.层次分析法及其应用案例[M].北京.电子工业出版社，2014.
课堂大数据分析篇12
2.1、文献分析法
本文通过分析20篇从中国知网、万方数据库、维普数据库中下载的文献可知，最近几年，有关中学体育安全教学、体育伤害事故、体育风险评估等问题成为我国相关体育专家和学者研究讨论的热点问题，其研究内容侧重于对体育教师课堂教学安全能力的分析，围绕对体育教师课堂教学安全能力的综合评价指标多达31项。
2.2、数据分析法
本文以中学体育教师课堂教学安全能力的指标数据为研究对象，在沈阳市各中学随即选取了5个班级，根据5个班级24名老师的体育课堂进行数据采集，包括教师的教育品德数据、体育安全能力数据、体育课堂教学安全能力数据等，再对学生进行体育素质测试，探讨教师体育教学安全能力和教学质量之间的关系。通过对上表数据进行系统分析可知，5所中学的24名教师拥有良好的体育安全能力，其各项指标基本可以达到教学要求。教师在体育教学过程中，能够以安全教学为中心，深化体育教学、体育活动、体育测验等各教学内容教育安全的重要性。
教育品德、体育安全、体育课堂教学安全等三中能力在综合测评体系中的地位同等重要，其数据指标的借鉴价值相同。在综合测评体系中，学校应优先处理教育品德指标数据，因为这部分数据和教师体育安全和课堂教学安全能力的影响不大，在排除教育品德之后，再将有关体育安全和课堂教学安全能力数据进行综合评价和处理。
课堂大数据分析篇13
选择高中二年级的学生是因为他们已经摆脱了高中一年级的迷茫和新鲜感，有了自己的知识体系和观点；同时，他们还没有深切地体会到高中三年级学生所面临的升学或就业的压力。
二、研究工具
弗兰德斯互动分析系统（Flanders？蒺 Interaction Analysis System，简称FIAS）是目前针对课堂师生话语研究发展较为细致和成熟的方法。弗兰德斯的课堂教学师生言语行为互动分析系统强调，课堂教学活动主要以言语方式进行，言语行为是课堂中最主要的教学行为，占所有教学行为的80%左右。[1] 可见弗兰德斯互动的分析系统记录和分析的是课堂中师生语言互动的过程和影响，是建立在师生话语的基础之上的，这正与本文的研究目的契合。
在弗兰德斯互动分析系统中，课堂师生言语互动行为被分为教师话语、学生话语、安静或混乱三大类。此三大类又分为10种情况，用数字1～10表示，分别为：① 接受感情；② 表扬或鼓励；③ 接受或采纳学生的意见；④ 提问；⑤ 讲授；⑥ 作出指导；⑦ 批判学生或为权威辩护；⑧ 学生讲话—应答反应；⑨ 学生讲话—主动反应；⑩ 安静或混乱。[2] 其中1～4为教师话语间接影响学生，5～7为教师话语直接影响学生。本研究将通过具体分析高中英语课堂中教师和学生的话语，对比课堂话语应有的特点与形态，探究其存在的问题。因此，在弗兰德斯互动分析系统的编码系统基础上，进行适当的调整，以便清晰、具体地达到研究的目的。将研究的内容分为接受感情、表扬或鼓励、接受或采纳、提问、讲授、作出指导、批判或辩护、学生应答反应、学生主动反应、学生之间讨论、学生参阅文本、安静或混乱12种情况，分别用数字1～12表示，具体情况如表2所示。
在观察和记录编码的过程中，根据弗兰德斯互动分析系统，采取时间抽样的方法，以3秒钟为一个时间单位，每3秒依照上表的分类体系记录相应编码，力求精确。这样一堂40～50分钟的课，有800～1000个编码。将编码结成序对后，12类语言行为构成12×12阶迁移矩阵。
三、研究结果
笔者从课堂师生话语行为互动数据分析、变量分析两个方面，对编码后的两堂分别由新教师、老教师执教的同主题的常规阅读课进行了分析。
1.课堂师生话语行为互动数据分析
根据笔者调整后的课堂师生话语分析量表，对两堂分别由新教师、老教师执教的同主题的常规阅读课进行编码统计，结果如表3所示。
从表3的数据中可以看出：
第1项：接受感情。在接受学生感情方面，新教师的课堂和老教师的课堂中出现的频次分别为4和3，相差无几，说明两种类型教师在接纳学生感情的话语行为上无明显差异。
第2项：表扬或鼓励。在表扬或鼓励学生方面，两种类型教师的课堂中出现的频次稍有不同，新教师表扬或鼓励学生的话语行为明显多于老教师。
第3项：接受或采纳。在接受或采纳学生的想法方面，老教师在接受和采纳学生的想法方面好于新教师。
第4项：提问。在提问方面，新教师的提问明显很多，比老教师多了约二分之一。
第5项：讲授。在讲授方面，老教师在课堂上的讲授多于新教师。
第6项：作出指导。在对学生作出指导方面，新教师的课堂和老教师的课堂差异不大。
第7项：批判或辩护。在教师批判和为自己辩护方面，新教师和老教师的课堂上都没有出现这种情况，无差异。
第8项：学生应答反应。在学生对教师的话语作出应答性反应（表达自己的想法受限制）方面，新教师的课堂上学生的应答反应多于老教师的课堂。
第9项：学生主动反应。在学生自由地提出自己的意见和想法方面，两种类型教师的课堂情况与学生应答反应的情况类似，新教师的课堂上学生的主动反应多于老教师的课堂。
第10项：学生之间讨论。在学生之间讨论方面，两种类型的教师在课堂上都没有组织学生进行大型或小型的讨论，没有组织学生之间的直接沟通。
第11项：学生参阅文本。在学生参阅文本方面，新教师在课堂上给学生参阅文本的时间相对较少，老教师给的时间相对较多。
第12项：安静或混乱。在暂时的混乱或安静、停顿方面，老教师的课堂上出现的相对较多，新教师出现的相对较少。但是此项不属于师生课堂话语行为，因此本文只做参考，不予讨论及分析。
2.课堂师生话语行为互动变量分析
在数据统计结果的基础之上，根据弗兰德斯课堂观察量表的变量计算公式，可以得出相关数据，结果如表4所示。
注：①“教师间接与直接影响比率”中，新教师课堂的观察次数超过1000次（为1068次），根据弗兰德斯互动分析量表的指标变量，适用第一个公式计算；老教师课堂的观察次数少于1000次（为942次），适用第二个计算公式。结果中，数据大于100以上时，表示教师使用间接影响的话语及时间大于使用直接影响的话语及时间。
②“学生讨论比率”为根据本文分析需要，笔者自行调整弗兰德斯互动分析系统之后新加入的变量，因此在弗兰德斯互动分析指标中，无此项常模。
③“学生参阅文本比率”为根据本文分析需要，笔者自行调整弗兰德斯互动分析系统之后新加入的变量，因此在弗兰德斯互动分析指标中，无此项常模。
从表4的数据中可以看出：
第1项：教师话语比率。与常模68相比，新教师和老教师课堂上的教师话语比率低于常模，无明显差异。
第2项：学生话语比率。与常模20相比，新教师的课堂上学生话语比率高于常模，老教师的课堂上学生话语比率低于常模，说明在教学时段内，新教师的课堂比老教师的课堂学生话语多。
第3项：教师间接与直接影响比率。两种类型教师的课堂上教师间接与直接影响比率均高于100，说明两种类型的教师使用间接影响的话语及时间均大于使用直接影响的话语及时间，其中新教师使用间接影响的话语及时间较多。
第4项：教师提问比率。与常模26相比，两种类型教师的课堂上教师提问的比率均高于常模，其中新教师的课堂上教师提问的比率高于老教师。
第5项：教师话语—学生应答比率。与常模42相比，两种类型教师的课堂上教师话语—学生应答比率均高于常模，其中新教师的课堂略高于老教师的课堂，即学生在受到教师限制的模式下对教师的话语作出反应时，新教师的课堂上较多。
第6项：教师话语—学生主动比率。与常模34相比，两种类型教师的课堂上教师话语—学生主动的比率均明显低于常模，其中老教师课堂上学生主动的比率较低。
第7项：学生讨论比率。在学生讨论比率中，由于两种类型教师的课堂上均无学生讨论，因此学生讨论比率均为0。
第8项：学生参阅文本比率。在学生参阅文本比率中，老教师的课堂上学生参阅文本的比率略高于新教师的课堂上学生参阅文本的比率。
四、高中英语新教师与老教师课堂师生话语中存在的问题分析
通过从课堂师生话语行为互动数据分析、变量分析两个方面，对编码后的两堂分别由新教师与老教师所教授的同主题的常规阅读课进行系统分析之后，与对两堂课所作的师生课堂话语记录相结合，可以总结出目前新教师、老教师高中英语课堂师生话语中存在的问题主要有以下几个。
1.课堂话语互动性偏低，教师话语明显多于学生话语
课堂话语应该具有互动性，要求教师和学生共同参与课堂，在互动中建构，在互动中学习，自然地分配话语。[3] 教师不能经常大段地说话，一个人独白，而应该尽量引导学生说话。在新教师、老教师的课堂上，教师话语总量均明显多于学生话语总量，教师话语占据课堂的主要部分。教师或讲授，或提问，或作出指导，或接受采纳学生的意见，或对学生的话语作出表扬或鼓励。在话语转换的过程中，教师话语的长度明显长于学生，经常是教师说了一个很长的句子，学生只说一个短语甚至是单词。
话语转换频率过低很容易导致学生参与课堂的程度变低 [4]。通过观察可以发现，在这两堂课中，教师话语相对较少的课堂（新教师的课堂）里，课堂气氛比较活跃，学生精力比较集中，教师与学生之间的交流也较多。在教师话语相对较多的课堂（老教师的课堂）里，学生有时注意力不集中，课堂也稍显枯燥。因此教师在保证足够的语言示范的前提下，应鼓励学生多说话，勇于表达自己的想法。
2.课堂话语真实性欠佳，教师封闭性提问过多
课堂话语应该具有真实性，要求课堂话语的情景真实、语言真实、内容真实。其中增加开放性问题的提出也是课堂话语真实性的一个重要方面，如果教师提出的问题多数都是有明确答案的封闭性问题，学生的回答则大多会是信息再现，不同回答者的答案基本上是一致的。这种教师的“明知故问”，会降低课堂话语的真实性，久而久之，学生会缺乏回答的积极性，从而降低课堂效率。从两种分析方法中可以看出，新教师和老教师的课堂上教师提问的数量都明显高于常模，特别是新教师的课堂。但是从课堂语言记录中可以看出，教师提出的问题多为封闭性问题，很少发散性问题。教师象征性地向学生发问，并且引导学生按照预先设计好的答案进行回答，对学生模糊、不完整或错误的回答，教师往往给予否定，并重新引导学生回答出教师所期望的答案。如新教师的课堂上，师生之间的一段问答：
T：OK，and how about his trousers？
S：（Looking for the answers in the book.）
T：Does he wear the shorts like me？
S：No.
T：What kind of trousers？
S：Large.
T：Large，very large trousers，right？OK，how about the shoes？
…
这一系列问题是针对PPT演示文稿上的图片，问题涉及查理·卓别林的帽子、胡须、手杖、鞋等。针对这种问题，学生不需要思考，只要对他们所看到的给予最简单的回答即可。在这种问题情境下，教师虽然是在与学生进行着对话，但是这种交流对发展学生的思维是没有意义的。针对查理·卓别林所饰演的这个经典形象，教师可以让一个学生从整体上进行描述，这样既能培养学生从整体看待事物的能力，又能锻炼学生的语言连贯性。课堂上应该减少封闭性的假问题的提出，增加开放性的、能够引发学生思考的问题。
3.课堂话语多样性不够，教师表扬和鼓励话语单一
课堂话语除了应该具备真实性、互动性、逻辑性和规范性外，还应该具有多样性，用丰富的语言表达同样的意思，这在调动学生的积极性和课堂参与程度的同时，还会增加学生的语言输入。[5] 最直接的表现是教师表扬和鼓励学生的话语，教师表扬和鼓励的话语是课堂上教师对学生话语的最直接的评价反馈，是对学生的想法的肯定以及赞许，适当的表扬和鼓励话语能增加学生参与课堂、主动学习的积极性。从教学实录中发现，两类教师课堂上的表扬和鼓励话语都很单一。使用的话语基本上都是“Yes”“OK”“Good”“Thank you”“Right”等。长时间地使用这种单一的表扬和鼓励话语，不能达到表扬和鼓励本身应该达到的目的。不管学生对教师的问题回答的程度如何，或者是表达自己观点的程度如何，教师都以简单的“Yes”“OK”“Good”“Thank you”“Right”来给以反馈，长此以往，学生会对这些表扬和鼓励性质的话语产生无关痛痒的感觉。不能够从教师那里得到及时且恰如其分的肯定，学生的自信心就得不到满足，他们参与课堂、主动学习的积极性就会大大降低。教师应该多用一些漂亮的词汇给予学生反馈，如“Excellent（优秀的）！”“Fantastic（太奇妙了）！”“Remarkable（非凡的）！”“I？蒺m proud of you（我为你而骄傲）！”“You？蒺re on top of it（你是数一数二的）！”“Now you？蒺re flying（你进步了）！”“You？蒺re catching on（你是有吸引力的）！”“You？蒺re incredible（你简直令人难以置信）！”“You？蒺re improving（你在进步）！”“Hurray for you（为你喊万岁）！”这些有针对性的表扬和鼓励话语，会使课堂更加鲜活。
4.学生与学生之间无直接的沟通
学生与学生之间的直接沟通是指在课堂上，学生与学生之间就某一问题展开讨论，互相交换观点或意见，这一过程教师不主动参与，学生是主角，教师只需要让学生展示讨论的结果即可。新教师、老教师的课堂上都没有出现学生自由讨论，所有的话语沟通都是在教师与学生之间进行的，学生与学生之间没有直接的沟通，他们没有机会交换自己对某些问题的看法。其实每一个学生都具有无限的潜能，都具有自己特有的经验和智慧，学生与学生之间的直接沟通就是互相“借力”的过程，在“借力”的过程中，他们会碰撞出思维的火花，在学到他人的知识和思维的同时，又共同创造出新的成果。适当而合理地给予学生互相沟通的机会，不但不会影响教师的教学进程，还会达到事半功倍的效果。
5.学生与文本的对话不充分
学生与文本的对话指学生对文本及文本内容背后的背景知识的了解。从课堂实录中可以看出，两个课堂的学生对文本及文本内容的背景没有充分的预习，他们在课前没有与文本进行充分的对话，这导致在课堂上，他们不能及时跟上教师的思路，一些学生对于很浅显的问题都无法回答。在学生没有与文本进行充分对话的前提下，教师又受到必须让学生用有限的时间和精力学习更多的文化知识的核心价值观的影响，在课堂上给予学生与文本进行了解性对话的时间也很少。这样导致课堂上学生对教师的话语作出有效反应的比率低，需要教师针对一个问题作出更多的解释。学生应该是带着知识和困惑走入课堂的，如果学生对文本一无所知，那么他们在课堂上也很难得到全部答案。
课堂话语是师生交流沟通的工具，弗兰德斯认为语言行为是课堂中主要的教学行为，占所有教学行为的80%左右。新课程改革对课堂教学提出了更高的要求，要求现代课堂教学树立“以学生发展为本”的理念。课堂教学是教育的“前沿阵地”，而师生课堂话语则是这块“前沿阵地”的“基石”。目前，高中英语课堂师生话语这块“基石”出现了“裂痕”，为促成学生形成综合语言运用能力，各位一线教师应对这些“裂痕”予以警醒，进而贯彻“以学生发展为本”的理念。
（作者单位：上海电影艺术职业学院，上海，201203）
参考文献：
[1]Kenneth，D.Moore.Classroom Teaching Skills[M].New York：Mcaraw-Hill.Inc，1992.
[2]柳夕浪.课堂教学临床指导（修订版）[M].北京：人民教育出版社，2003.
