VR环境下师范生微格教学能力的认知网络分析

摘要：虚拟现实环境下的微格教学过程中，蕴含着师范生对整合技术的学科教学知识的丰富、客观、协同的认知。依据师范生教学能力框架，对虚拟现实环境下的师范生微格教学中的对话和评价反思数据进行结构化编码，并应用认知网络分析方法（ENA）探究虚拟现实环境下师范生的教学能力总体分布情况以及高低分组的认知网络结构特征。最后根据得出的结果，对师范生的教学能力的提升给出针对性的建议。

关键词：虚拟现实；微格教学；教学能力；认知网络分析

中图分类号：TP37        文献标识码：A

文章编号：1009-3044（2021）32-0146-04

作为未来的老师，师范生的教学能力直接关系到教学的成果以及教育行业未来发展和改革[1]。传统的师范院校教学模式对师范生的人才培养比较单一，尤其是在信息迅速发展、对教师的要求越来越高的情况下，师范生往往达不到学科教学实际要求。学校可以借助不同的技术对师范生的微格教学能力进行培养，比如，将虚拟现实技术运用到微格教学中，以此弥补传统微格教学无法模拟很多真实教学环境的缺点，从而提高学生的教学真实感、沉浸感，以此达到优良有效的素质教育[2]。同时，借用认知网络分析这一工具将师范生教学能力可视化，为师范生从事教学工作打下坚实的基础。

1 理论基础

1.1 基于虚拟现实的微格教学

在国外，美国的中佛罗里达大学首创了TeachlivE教师技能训练系统，该系统通过VR技术创设一种虚拟和现实相结合的混合虚拟环境，让师范生沉浸于一种完全“真实”的课堂环境中，训练其教学技能、管理技能和反思技能等教育教学核心素养，以强化现实环境中教师教育实践和反思的薄弱环节，促进教师培养质量的大幅度提高[3]。

在国内，对虚拟现实运用于微格教学的研究主要集中在训练系统和平台的开发与应用方面。温州大学的团队利用虚拟现实技术构建了全新的师范生技能培训系统，利用计算机产生的数字化教学环境，模拟现实的课堂环境，师范生可以借助头盔操纵系统中的虚拟设备以达到身临其境的感受，实现人与物实时互动[4]。

1.2 教学能力

教学能力是教师或者师范生应该具备的基本素养，这也充分且直接地反映出教师在教学过程中任务完成得是否顺利。不同的专家对教学能力的概念界定也有所不同，从行为角度，邵成智[5]将教学能力之知界定为教师将智力特征应用到实践教学中的知识，提出教学能力是基于行动的教学技艺、基于智能的教学觉知和基于感觉的教学直观的综合表现；从认知心理学角度，申继亮[6]提出教学能力是教师完成教学活动所应该具备的教学能力和影响教育活动效果的教学智慧的集合。可见，不同研究领域的专家对教学能力的理解都有自己的侧重点和阐述。

1.3 认知网络分析

认知网络分析（ENA）是一种通过对话语数据进行定量分析，来描述个人或团体认知框架模式的分析方法[7]。认知网络分析最初是为认知网络建模而开发的，用来探究认知网络之间的关联模式中知识、技能、价值观、思维方式和其他复杂思维的特征。

认知网络的数据建模过程总共包含数据的分割与编码、矩阵建立、向量计算、标准化处理、降维分析、定位网络节点等六个步骤，具体情况如图1所示。

2 VR环境下师范生教学能力ENA可行性分析

2.1 基于VR的微格教学

随着智慧教育的不断发展以及国家对师范生培养的逐步重视，研究师范生教学能力以及师范生教学特点是大势所趋，但由于传统的微格教学的教学环境较为单一，无法模拟很多真实教学环境；微格教学中的教学对象基本都是由本班同学来扮演，随着教育信息化的推进，传统的微格教学已经不能满足师范生教学需求。

为解决上述的问题，可将虚拟现实技术与微格教学相结合，从而弥补传统微格教学的短板，为提高师范生教学能力提供了新思路。本研究使用的沉浸式虚拟现实设备可以完全取代周围的物理环境，使用户完全沉浸在虚拟环境中[8]。在该系统中，学生可以与虚拟角色进行有效交互，达到最好的练习效果。此外，本研究的虚拟现实教学设备会尽可能地模拟现实教学环境，比如在训练过程中，不仅仅是师范生单纯的对知识的讲解，还会有学生提问、班级突发情况等事件发生，在整个训练过程中，设备将会把师范生的话语，视频等数据记录下来。师范生观看自己的教学视频，结合教师和同伴互评对自己的教学过程进行反思，从而达到促进教学能力的目的。

2.2 ENA可视化师范生教学能力

由20世纪70年代以来，对师范生的教学能力评价不只局限于课堂实践教学能力，还包括师范生的教学方法以及整个教学过程的反思；师范生的教学能力评价方式主要为定性评价与定量评价，二者相互结合实现了对师范生教学能力的全面评价。目前，对教学能力研究的对象主要是在职教师，很少有对师范生微格教学能力进行全面研究。并且通过文献检索，目前在师范生微格训练中，主要是对师范生学科知识教学能力的培养，但是对师范生教学能力的发展过程研究甚少，因此本研究采用认知网络分析对师范生的教学能力开展定性和定量评价，探究教学能力的不同维度是否有关联以及通过可视化数据为师范生教学能力的全面提升提供参考。

张思[9]对网络研修社区中教师的对话反思数据进行结构化编码，利用认知网络分析法探索教师的认知框架模型，得到教师TPACK特征的最自然的评判。冷静[10]通过分析30名职前教师的协作写作脚本，探究职前教师反思类型及元认知之间的关系，揭示了职前教师的反思能力发展轨迹，为后续开展教师反思能力提供参考。吴筱萌[11]通过认知网络分析法从认知内容和认知技能两个角度对师范生的专业认知结构展开建模并提出了相关建议。由以上文献可发现，认知网络分析从对思维方面的可视化逐渐向师范生的认知结构和能力上过渡。

基于上述研究成果，笔者认为，在同伴互评中，利用ENA揭示评语文本中蕴含的关于评价者的学习状态、认知能力信息，作为教育评价的一部分，反馈给教育参与者，可以帮助他们有的放矢地改进教与学。

在前人研究的基础上，本研究依据教学能力评价框架对师范生对话内容、指导评分、评语以及师范生的反思报告单等多维数据进行综合分析，了解微格教学中师范生知识的类型，然后利用ENA对师范生教学过程中认知网络结构特征探索，表征师范生的教学能力发展。

3 研究设计

3.1 师范生微格教学活动过程设计

首先，本研究设计和实践一个学期的以同伴互评和教师评价的师范生微格教学训练课程，然后，对收集整理的同伴互评的评语和教师的评价、评分进行认知网络分析，探究师范生的教学能力的发展过程，为后续师范生教学技能的提升提供参考意见。本文利用认知网络分析方法设计了如下研究流程。

3.2 研究过程

本研究计划在某师范大学的《微格教学》课堂上开展，研究对象是某师范大学教育技术学大四学生共26人。试讲前，教师根据《微格教学》课程的讲课内容确定讲课主题，学生根据题目设计教学并制作课件，为下周试讲做好准备。试讲时学生分别上台展示，其余同学对试讲人进行点评。试讲后，教师对每位同学的试讲进行点评，给予学生及时反馈。

3.3 数据编码框架

目前，我国对教学能力的研究十分丰富，在综合前文有关教学能力的分类以及借鉴了浙江某大学某教授提出的教学能力量表的基础上，编制了基于虚拟现实环境下师范生教学能力编码表（如表1）。

3.4 数据处理

本研究共收集26份手写评语，将其转化为电子版，逐步录入Excel表格中。依据表1的编码框架，用“0”和“1”二进制的编码方式对评语数据进行编码处理。评语中涉及上述10个要素的编码为“1”，否则为“0”。编码结束后将得到的数据导入ENA，重点分析是师范生整体的认知网络和高低分组的师范生认知网络差异。

4 数据分析

4.1 师范生整体教学能力的认知网络特征

根据编码情况，统计师范生行为特征并可视化，得出图4，由节点连接线的强弱可知师范生的教学能力主要集中在导入技能、提问技能、课堂组织技能（K1、K2、K9），其次是讲解技能和演示技能（K3、K6）。K1-K2、K1-K9、K6-K9的节点连线强度最高，说明往往K1技能出现时K2和K9也会随之发生，同理K1和K6也伴随K9同时出现。由此可见，师范生试讲过程中比较关注教学导入、提问技能、教姿教态以及教学强化技能。

4.2 高低组教学能力的认知网络特征分析

根据教师对学生的评分，将其分为高分组和低分组。由图5可知，高低分组的质心分别居于坐标轴左侧和右侧。说明高分组左侧节点的紧密度强于低分组。由图6可知，高分组和低分组的认知网络图的差异在于K10技能的连接。低分组的K1到K9技能与高分组的节点连接强度十分相似，但高分组优于低分组的是K10与其他点的连接。这说明低分组的学生都忽视了K10，而高分组的学生较低分组同学而言更加注重结束技能。高分组的能力不是集中在某一知识维度，而是多个维度均有分布，这说明高分组的学生往往重视各方面能力的发展。

在高分组-低分组的叠减图（图7）可知，较低分组而言，高分组的K1、K4、K10与其他节点的连接强度均大于低分组。可见除了K10技能，高分组的学生K1、K4能力也明显优于低分组。

因此，根据本研究对VR环境下师范生教学能力的可视化结果可知，低分组学生的教学能力在导入、板书、结束能力方面较弱，因此低分组的学生要及时调整状态，为后续提高教学能力打好基础。

5 总结

在当前教育评价研究中，主要是对学习者的成绩和行为数据进行分析，大多数是形成性评价，而形成性评价往往会忽略学习者在教学过程中的话语等非文本数据，因此，为了更好地利用这些平时容易被忽略的数据，本研究提供了一个采用传统的定量统计与认知网络分析相结合的方法，对虚拟现实环境下的师范生微格教学的过程中音视频以及同伴互评和教师评分评语分析，以期深度挖掘高低水平组和不同性别师范生的教学能力和认知层面的特征并将其可视化的新思路。

参考文献：

[1] 教育部.关于印发《普通高等学校师范类专业认证实施办法（暂行）》的通知[EB/OL].http：//www.moe.gov.cn/srcsite/A10/s7011/201711/t20171106_318535.html，2017-10-26.

[2] 陈求实，张静蛟.沉浸式虚拟现实在基础教育如何应用[N].中国教育报，2016-09-24（3）.

[3] 曹彦杰.虚拟现实技术在美国教师教育中的应用研究——以中佛罗里达大学为例[J].比较教育研究，2017，39（6）：93-102.

[4] 杨健，杨刚，叶新东.虚拟微格教学平台建设的实践与探索[J].实验室研究与探索，2019，38（10）：218-220，241.

[5] 邵成智.论教师的教学能力之知[J].上海教育科研，2019（1）：42-46，20.

[6] 申继亮，王凯荣.论教师的教学能力[J].北京师范大学学报（人文社会科学版），2000（1）：64-71.

[7] Shaffer D，Ruis A.Epistemic network analysis：a worked example of theory-based learning analytics [J]. Handbook of learning analytics， 2017： 9-45.

[8] Burdea G，Coiffet P.Virtual reality technology[J].Presence：Teleoperators and Virtual Environments，2003，12（6）：663-664.

[9] 张思，邓露，邓伟，等.网络研修社区中教师对话反思的认知网络分析——以语文“齐心协力教师工作坊”为例[J].电化教育研究，2020，41（7）：42-47.

[10] 冷静，易玉何，路晓旭.职前教师协作写作中反思能力发展轨迹研究——基于认知网络分析法[J].中国电化教育，2020（3）：93-99.

[11] 吴筱萌，牛芊宇，魏戈，等.小学教育专业师范生专业认知的特征探究——基于认知网络分析的途径[J].中国电化教育，2021（6）：135-143.

【通联编辑：唐一东】