教育信息化背景下教学理念与学情分析的共变

[摘要]学情分析与教学理念是互相促进、共同发展的关系。教学理念的变革彰显了学情分析的重要性，与此同时，学情分析自身的发展也在反哺教学大环境的变革。随着教育信息化的深入推进，涵盖行为、认知、情感等多方面的学情分析理论框架逐渐形成，学情数据采集与分析技术的迅速发展则有效助推了新理论框架的落地。不过，当前的学情分析发展仍是有限的，伴随着伦理和教学实践等多方面的风险。对此，学校、教师等需要有效联动，采取措施，以尽可能地规避风险。

[关键词]学情分析；教学理念；教育信息化；变革

[中图分类号]G420   [文献标识码]A   [文章编号]1005-4634（2023）06-0036-061

1教学理念与学情分析的共同变革

1.1教学理念变革：指引学情分析发展

学情分析正日渐成为教学设计和实践中的重要部分，与课堂教学构成合二为一、一体两面的关系^[1]。教学理念的变革凸显了学情分析的重要性，并指引了学情分析变革的方向。

教学理念变革对学情分析发展的影响主要体现在4个方面：第一，当前的教学设计和实施更加强调学生视角而非教师视角、学习视角而非教学视角。随着建构主义、后现代课程观的兴起，越来越多的教育工作者认可学生在课堂中的主体地位，支持学生在学习过程中自主生成知识。“以学定教”理念日益彰显出超越“以考定教”路径的先进性，学情分析的重要性愈加明晰。第二，现代教学日渐充溢浓厚的“科学兴趣”，强调尊重学生的真实性和完整性。杜威在《对儿童研究的解释》中曾提出儿童研究具有政治的、审美的和科学的三大兴趣来源。其中，对儿童的政治兴趣旨在关注儿童社会化的过程，儿童被简单地视为一个无生命的社会成分，其对应的教学模式难免是苛刻和机械的；对儿童的审美兴趣则将儿童视为理想人，其对应的教学模式具有象征性；对儿童的科学兴趣则强调儿童是真实、完整的人，教育者希望对儿童本人进行全方位细致的解读^[2]。其中，科学兴趣指明了当前学情分析的发展方向。第三，当前的教学愈加推崇学者与教师身份的结合，以及儿童研究和课程教学的结合。美国教育学者Duckworth E认为，教学过程本质上是理解和探究儿童的过程^[1]。英国课程专家Stenhouse L进一步主张教师成为研究者（teacher as researcher）^[3]，即教师需要从传道授业解惑的执行者转变为研究学生情况和制定相应教学策略的教学专家。这一趋势强调了教师参与学情分析的重要性。第四，现代教学对精准教学（precision teaching）的向往日益强烈。随着精准教学的迭代升级，学情分析框架日臻完善，学情分析技术日益进步。

在上述四方面的推动下，学情分析宛如海洋中的巨冰，被教学理念的变革托出洋面。同时，学情分析发展的方向也得以初步明晰，即追求以学生为中心的、个性化的精准教学。

1.2学情分析理论框架的形成：呼应教学变革

早期的学情分析框架受到精准教学1.0版本的影响。精准教学的概念于20世纪60年代由美国学者Lindsley O提出。Lindsley在实验过程中发现，研究者依据被试的行为频次、响应速度、正确率等数据来调整被试行为，能够显著提升被试的学习效果。受此启发，在精准教学1.0版本中，教师借鉴斯金纳行为主义理论，依据相关数据形成的标准变速图表（Standard Celeration Charts，简称SCC）作出教学决策。可见，对学生的行为分析是早期学情分析框架中的重要部分^[4]。在此基础上，一些学者强调从认知角度对学情进行分析。如，徐梦杰和曹培英基于920份各科教师提供的教学前端分析优秀案例，提出“四知分析模式”，认为从学生的已知、未知、能知和想知4个方面进行学情分析是有效教学的基础^[5]。冯晓英等引介了Henri的认知能力分析框架，将认知水平分为澄清、深入澄清、推理、判断、策略等5个等级^[6]。进一步地，随着我国“三维教学目标”的提出，有学者基于上海市静安区的一线教学情况，在学情分析框架中加入了动机态度、方法习惯等^[7]。李慧强调了分析学习者情感的重要性^[8]。Wang则认为可以从行为、情感等方面进行学情分析^[9]。这些研究促使学情分析的理论框架日益完善，说明了教师应从行为、认知、情感等方面展开具体的学情分析。

可见，学情分析的理论框架首先萌芽于教育工作者对精准教学的憧憬。继而，研究者出于对学生主体性和个体完整性的尊重，使学情分析的理论框架得以继续扩展。在此过程中，一线教师的洞察和反思也发挥了重要作用。学情分析理论框架的形成过程呼应了教学理念的各方面变革，最终使学情分析的理论分析框架基本确立。

2技术支持的学情分析转向

教育信息化推进了学情分析技术的发展，为学情分析理论的落地提供了有效支持。几十年来，学情分析技术经历了由延迟到实时、由单一到多维、由静止到动态的变化。

早期，教师使用纸笔手动记录学生的行为频次、响应时间。这种方式不仅效率低下、准确性不足、维度有限，还为教师带来了沉重的工作负担。如，曹培英发现小学语文教师课前常用的3种学情分析方式包括听读一遍课文、设计两类问题和访谈三名学生^[7]。同时，受到分析技术的局限，大多数教师只做课前或课后分析，忽视对学生课中变化的观察和分析，学情分析缺乏完整性。陈隆升认为，学情分析应是对完整学习经验的分析，包括学习起点、状态和结果3个部分^[1]。徐梦杰和曹培英也提出，学情分析应是长期的连续体，课前、课上、课后都是教师进行学情分析的重要机会^[5]。课前分析前承上次课的课后学情，课后分析又下启下次课的学情分析，学情分析是循环往复、不断修正和完善的长期工作。但技术的落后使学情分析的理想与现实之间形成了一道鸿沟，教师无法达到“观察—教学设计—观察—反思和调整—观察”的要求。此外，一些教师为避免繁重的学情分析工作，武断地凭经验进行学情分析。这使得整个教学过程依赖教师的想象，其实质仍然是教师中心的和低效的。这些缺陷导致早期的学情分析具有浓厚的理想化色彩，缺少实际作用。数据采集和分析技术的落后蚕食着学情分析的本质，学情分析与课堂教学本质上是分离和割裂的，学情分析陷于名存实亡的境地。

进入21世纪以来，随着互联网技术、传感器技术、人工智能技术等飞速发展，教育与科技的联系愈加紧密。2016年，祝智庭教授基于教育信息化对教育变革的带动作用，提出精准教学需向新的版本转变^[4]。这一版本以“个性化和数据驱动”为核心，追求教学的高效性。教育部2018年发布的《教育信息化2.0行动计划》提出，教育信息化进入2.0版本是新时代的应有之义，要继续推进“三通两平台（宽带网络校校通、优质资源班班通、网络学习空间人人通，教育资源公共服务平台、教育管理公共服务平台）的落实。在浙江，《浙江省教育信息化三年行动计划（2018—2020年）》明确要在３年内推动基础教育精准教学的发展，并开设了300个基于技术的精准教学试点和1 000个基于技术的教与学方式变革试点。杨现民、田雪松等编著的《中国基础教育大数据2016—2017：走向数据驱动的精准教学》一书则指出，未来的学情分析技术需向精准化、全过程、多维度数据采集与分析的方向发展^[10]。

在学界和政策的大力推动下，学情分析技术开始迅速发展。首先，在数据收集层面，教师可以使用各类新型设备实现对多模态数据的采集。这些学情数据不仅包含学生在线上、线下多种学习通道的表现，还包括学生在情感、个性、注意力等方面的内隐数据^[11]。在此基础上，教师利用人工智能等技术实现数据的及时整合、反馈与预测，使课堂教学更能满足学生的个性化和高效学习的需求。在这两方面技术的支持下，学情分析片段化、主观化的问题得以缓解，教师能够基于更真实、更完备的数据来分析学生的完整学习经验。

3学情数据采集方式的变革：多模态数据采集

学情数据采集是展开后续学情分析和预测的前提。数据的完整性、准确性能够极大地影响学情分析的质量。新近形成的学情分析理论框架认为，教师需要从行为、认知、情感等多个方面分析学情，因而学情数据采集也应该是多方位的。随着教育学、神经科学、信息技术等学科的交叉研究逐渐深入，多模态数据采集技术应运而生。多模态数据采集是指使用者用多种方式获取行为数据、心理数据、生理数据等信息^[12]。其中，心理与生理方面的学情数据大多是合二为一的。因为心理数据通常内隐而不可测，而生理数据能够将内隐的心理数据显表化。

3.1行为数据采集

行为层面的数据采集起初表现为：教师进入课堂，依据事先制定的量表对学生行为进行观察和编码记录。这种采集方式难度大，准确度低，且主观性强，研究者很难在有限时间内有效观察和记录所有学生的学习行为。对此，早先主要有两种解决方式：其一，每位研究者选择一位学生重点关注，进行焦点学生学习历程观察^[13]；其二，研究者利用多媒体技术进行教学实录，对视频进行反复观看，确证编码的合理性。不过，这两种方式都存在效率低下的问题，不利于研究者高效研究课堂教学的调整优化方式。随着互联网技术的发展，在线教学、混合式教学成为重要的教学形态，研究者可以利用在线课程平台对学生的学习行为日志、交互信息进行批量采集和统计分析^[14]。基于此，教育工作者可以对所有学生的集体性和个体性学习行为、学习成果等进行实时监控，并迅速做出反应。如，Crossley等对MOOC课程进行点击流数据分析和自然语言处理（Natural Language Analysis，简称NLA），发现学生的学习行为（如观看视频、下载学习资料、论坛发言）可以较准确地预测学生的MOOC课程完成率^[15]。赵磊等发现中国大学MOOC平台上的界面交互、内容交互、人机交互和参与考核等学习行为与学习成绩显著相关^[16]。这些研究都在学习行为数据采集的基础上展开学情分析，并提出了相应的教学优化策略。

3.2心理与生理数据采集

心理与生理数据彼此相融。依托于生理心理学迅速发展起来的传感等技术，教育工作者可以通过学生的生理信息，间接获取其内隐的心理数据，这些数据可能涉及情绪、注意力、学习投入度等多个方面。相比于行为层数据的获取，心理层和生理层数据的获取更加复杂和深入，并且不容易受到教师或学生主观意愿的干扰，具有更强的客观性。相关的生物识别数据主要来自皮肤电反应（GSR）、脑电（EGG）、眼动（EM）、心率（HR）等。采集这些数据的设备大多具有轻便性、可穿戴性和非侵入性，教师可以据此方便快捷地获取信息。

皮肤电数据能够反映学生的情绪状态。当人的情绪处于情绪唤醒状态（紧张或兴奋）时，汗腺会排出更多汗液，因此流经皮肤的微弱电流受到的电阻变小，皮肤电增强。皮肤电信号主要包括皮肤电导水平（SCL）和皮肤电导反应（SCR），其中皮肤电导水平变化较为微弱，且易受到个体个性特征的影响，而皮肤电导反应则变化幅度更大、变化速度更快。由于人体的手指、手掌和脚等部位的汗液分泌受到情绪的影响更大，数据采集者通常将传感器置于这些部位^[17]。日本的一些学校率先在教育场景中收集皮肤电^[18]。其中，日本宫城教育大学团队已经在实际课堂中使用皮肤电来展开教学研究^[19]。国内也已有学者投入皮肤电与学情分析的相关研究。如，白学军和姚海娟使用无线生理记录仪系统信号探测器等记录被试的皮肤电，用于表征其时间压力，据此发现创造性强的人受到时间压力的影响更小^[20]。不过，皮肤电数据只能反映个体情绪唤醒的程度，不能揭示情绪的正负性。因此，单独使用皮肤电数据进行学情分析是有限的，教师需要结合其他的数据采集方式，以完整地了解学生状况。

脑电波则是大脑自发的神经电运动，常被用于了解个体的情绪和注意力。根据其频率，脑电波可以被分为δ波、θ波、α波和β波4类。禹东川提出，β/θ的比值可以用于评定学生的注意力^[21]。与功能性磁共振成像、脑磁图等脑信号获取方式相比，脑电波价格相对低廉、时间灵敏度较高。同时，随着可穿戴脑电仪器的研发，脑电波在教学环境中被逐步推广^[22]。获取脑电波的数据包括移动脑波仪、头戴式无线脑电传感器等。张琪提出，具备无线干电极的EEG/ERP系统尤其适合在各类学习场景中使用^[23]。已有学者将脑电波数据采集用于学情分析的相关研究。如，赵鑫硕等用Mindwave Mobile脑波仪采集被试的脑电信号，通过对这些信号做复杂数学运算，标记被试的专注度与放松度，发现移动设备上的课件字幕的呈现形式会影响学生的注意力和学习成绩^[22]。