课堂分析语音教学论文

[摘要]分析课堂教学行为是揭示课堂教学规律的一个重要途径。如何利用信息技术手段处理与分析累积的海量教学视频公开课中的教学行为，成为当前改革教学过程评价服务的热点之一。由于教学中教学行为具有教学性、有序性、关联性等固有教育特性，使得基于深度学习的视频分割与识别技术仍然无法有效理解教学场景和教学行为。下面是小编为大家整理的《课堂分析语音教学论文(精选3篇)》，供大家参考借鉴，希望可以帮助到有需要的朋友。

课堂分析语音教学论文 篇1：

基于雨课堂的《普通话语音训练》课程混合式教学实践与效果分析

摘 要： 本文分析了雨课堂智慧教学解决方案在混合式教学中的优势，在借鉴相關研究与应用成果的基础上，设计了基于雨课堂的混合式教学模式，旨在通过合理利用雨课堂特有的“弹幕”发言、“不懂”标记、便捷的教学配音以及数据分析等功能改进教学效果。最后，以高职院校学前教育专业《普通话语音训练》课程教学为例，进行了教学实践与效果分析，验证了其可操作性及其教学效果，以期为其他研究者开展基于雨课堂的混合式教学实践和研究提供借鉴。

关键词：雨课堂；混合式教学；建构主义；双主教学模式；翻转课堂；教学效果分析；知识内化

一、引言

清华大学于2013年5月宣布加盟edX，从此，MOOC在我国得到迅猛发展，并一度成为我国高校在线教学研究与实践的热点[1]，相关研究取得了一定的成效，也为我国个性化在线教育等方面做出了巨大贡献。[2]但随着对MOOC研究与应用实践的不断深入，MOOC存在的固有弊端也日益显现，香港大学苏德毅通过比较研究，认为MOOC主要存在如下不足[3]：师生互动差、线上评价模糊、学术诚信难于评估、高注册率、低成功率、没有先修条件等。斯坦福大学教授Delin[4]更是直言：“MOOC终将消失，留下的将只是在线学习资源”。基于上述问题，人们又开始了基于MOOC的翻转课堂、混合式教学模式的研究。[5]

大量的研究与实践证实，将MOOC与传统课堂面授进行有机整合，充分发挥各方优势，实现优势互补，能取得更好的教学效果。[6][7]所以创新混合式教学模式，继而把混合式教学的理念和方法推向更加广阔的范围成为又一研究热点。[8]

基于上述背景，清华大学于2016年4月推出了智慧教学轻量级解决方案——雨课堂，雨课堂将先进的信息技术融入教学场景，致力于为教学过程提供数据化、智能化、过程化的信息决策与支持。[9]可是，雨课堂面世时间不长，关于雨课堂在教学方面的应用研究也很少，截至2018年1月18日，在知网中按“篇名”搜索，共搜索到有关“雨课堂”的学术论文69篇，所以，深入开展基于雨课堂的教学改革研究空间很大，也很有必要。本研究设计了基于雨课堂的混合式教学模式，并以《普通话语音训练》课程教学为例进行教学实践和效果分析，以供教育工作者借鉴。

二、雨课堂智慧教学优势分析

1.轻量级解决方案易于教学实施

雨课堂是一个轻量级智慧教学解决方案，不需要学校额外投资任何硬件设备，它融合了PPT、手机微信等常用软件以及MOOC开放教学资源，主要由手机微信、计算机、远程服务器三部分组成。其中，手机微信、计算机是主要的教学终端和PPT课件制作终端，远程服务器提供资源服务、支持系统运行、进行教学数据采集、分析和决策，雨课堂用户界面全部基于PPT和手机微信，特别容易被广大师生所接受，雨课堂贯穿课前、课中和课后全部教学环节，有利于开展混合式教学。[11]

2.“不懂”标记功能破解问题“积压”现象

在开启雨课堂授课时，教师可以把授课PPT同步到学生微信端，学生可以对有疑惑的PPT做“不懂”标记，该信息会自动反馈到教师端。这一功能可以有效解决两个问题：一是由于学生不愿意打断当前教师授课过程或其它种种原因，致使学生普遍不会或没机会将课堂教学中听不懂或存在疑问的内容及时向教师反馈；二是教师普遍存在“高估”学生的现象，认为问题简单，而没有予以详细讲解，没想到恰好在这个知识点上，有好多同学没听懂，可是教师却全然不知。在雨课堂中，学生可以随堂对不懂的或存在疑问的内容进行“不懂”标记，教师可以随时查看了解学生知识接受情况，方便教师及时反思，分析不懂的原因，进一步了解学情、改进授课方式，并对存在疑问的地方予以及时解答，在最短时间内解决学生疑惑，有效避免了问题“积压”现象，有利于学生维持良好的学习动机。这在传统教学过程中是很难及时得到补救的。

3.“弹幕”功能提供人人出彩机会

在传统课堂教学中，多数教师不能做到对所有学生的全面了解，特别是对于有想法而羞于表达的同学，由于不善言辞往往引不起老师关注，久而久之，这部分学生可能就会因得不到老师的赏识，而丧失信心，逐渐堕落，还有一部分学生因对自己的观点没把握而担心被嘲笑，所以放弃发言。雨课堂具备的后台实名制“弹幕”功能，可以给每个同学制造均等的出彩机会，每个同学都可以积极参与发言或问题讨论，发表自己的意见，可谓是上述这些学生的壮胆良药，通过弹幕“发言”，可以巧设问题抢答，活跃课堂气氛，促进师生互动，促进教师全面了解学生情况。

4.手机PPT教学配音功能丰富了幻灯片内容表现形式，便于实施个性化辅导

在雨课堂发布手机课件之前，教师可以根据学生个性特征、幻灯片所呈现的教学内容，进行适当的教学配音，配音可以是教学讲解，也可以是深层次的知识揭示，还可以是相关知识的其它拓展，使幻灯片所承载的知识更加饱满；教师也可以根据学生知识接受能力及掌握情况，通过教学配音定制因人而异的个性化教学辅导课件。

5.“数据精准驱动”过程性评价

传统教学中，教师通过各种小测验或察言观色来了解学生知识接受情况，班级人数之多，工作量之大，不可避免出现对学生了解不全面，甚至出现严重偏差的现象，导致学习建议出现偏差、教学改进偏离正确方向。雨课堂可以实时采集学生课前、课中、课后的全部过程性学习数据，通过对过程性数据进行分析，可以精准把握影响教学效果的教与学两方面的具体因素，使得教学改进更具针对性。

三、基于雨课堂的混合式教学模式的设计

1.教学准备是一个贯穿教学全过程不断优化的过程

在教学准备阶段，本文主要提出翻转课堂教学准备贯穿教学全过程的思想，完整的教学开始之前进行初步方案设计，在教学实施过程中不断完善教学方案，即：前一阶段的教学实施为后续阶段的方案优化提供参考，本次教学实施为后续教学改进提供依据，同时提出，教学准备不只是教师单方面的事，学生也要进行学习准备，不断改进学习方法和策略。教师以一次授课内容为单位，进行教学准备，包括教学方案设计、课件制作与改进、资源推送、测验设计与调整、训练项目设计与调整、任务说明书编制等，每次完整的教学过程至少包含三个相对独立而又相互衔接的环节，即课前、课中和课后。由于翻转课堂时间跨度较长，教学环节又具有相对独立性，所以好的翻转课堂教学准备很难一次成型，需要在教学实施过程中不断修订完善[12]。因此教学准备是一个贯穿教学全过程的、闭环的、不断优化的过程。翻转课堂教学准备过程如图1所示。

2.课前知识构建

课前预习是所有翻转课堂、混合式教学模式的重要一環，在该教学环节中，主要由学生按照教师推送的学习任务借助课前预习资料进行完成学习任务、向老师报告疑惑、获得教师帮助等。雨课堂轻量级智慧课堂解决方案，为课前协作学习、讨论式学习、师生即时消息传递（及时交流互动）提供了更大便利。该阶段主要由学生通过自主学习、协作学习、讨论式学习来完成任务，教师处于弱参与地位，由于时间关系，只进行必要指导和学情了解。为了学习方便，学生可以自主组建学习团队并建立相应微信群组，协作学习、问题讨论可以在小组微信群中进行，也可以在班级微信群中进行，可以有效回避教师，量身定做自由学习空间，这是其它在线教学平台所不具备的。

通过课前预习，教师要对课前预习情况的相关数据进行分析，并向相关学生发布有效预警和学习建议，同时，重新确定难点，调整课堂面授策略，优化设计课堂，强化训练项目；学生要总结课前预习收获，反思教师学习建议，端正态度、改变认识、调整学习方法和策略，如图2所示。

3.课中面授与强化训练

雨课堂的“不懂”标记功能有效地解决了问题或疑惑堆积现象，同时，很大程度上缓解了教师盲目赶进度而不甚了解学生知识接受情况的尴尬局面；而“弹幕”功能在促进学生踊跃参与讨论、发表见解、抢答问题等方面更具优势。教师启动雨课堂授课的同时，就会将当前幻灯片自动同步到学生微信端，学生在听课过程中，对有疑惑的幻灯片内容做“不懂”标记，教师可以随时或集中查看学生存在的疑惑，然后进行个别解答或集体辅导，真正达到难点破解的目的。“弹幕”功能为人人发言特别是羞于言辞的同学提供了平等的出彩机会，使得问题抢答、作品互评更加活跃，强化训练更加有效。基于雨课堂的课堂面授过程如图3所示。

4.课后训练与技能迁移

教师根据课堂授课过程中学生知识接受情况和课堂强化训练项目完成情况，依据最邻近发展区理论，设计难度递增、贴近生活、促进应用迁移的课后训练任务、课后辅导、任务说明书等，并通过雨课堂教学平台进行发布。学生接收到学习任务后，可以自主完成、也可以通过微信群组进行小组讨论、协作完成，同时可以向教师请求帮助，教师通过雨课堂快捷的教学配音功能可以个别辅导也可以集中辅导，任务完成后，学生可以将作品通过语音、图形图像、视频等形式发布至微信群组供学生互评、最终由教师点评，以肯定成绩、揭示错误，学生对同学的评价和教师的点评要进行及时反思和纠错，进一步促进知识内化与应用迁移，如图4所示。

5.师生互评与反思提高

无论是学生还是教师，教学反思是一个重要的教学环节，只有认真反思，才能改进提高。雨课堂后台服务器记录了学生全部学习过程的相关数据，包括预习课件、学习时间、作业完成情况、测试完成情况、课堂知识接受情况、互动积极性等。通过对这些数据分析，教师可以对每位同学做出相对客观的评价。为了进一步了解学生对教师的教学建议，教师可以利用雨课堂提供的投票功能，针对某次教学过程或某个教学环节，进行问卷调查，雨课堂自带的分析功能，可以自动生成调查结果，进而以详实的数据作为依据，精确驱动教师进行教的反思，学生进行学的反思，不断驱动“双主”持续改进和提高。

四、基于雨课堂的教学实践

本研究以某高职院校学前教育专业《普通话语音训练》课程为例，以该校2017级学前教育专业3-1701班48名学生为研究对象，开展基于雨课堂的混合式教学实践并进行教学效果评价。

1.教学分析

（1）学情分析

该班有16名学生来自青海、甘肃、陕南、关中等地，这些学生普通话基础相对较好，但或多或少存在发音不准现象，其余32名学生均来自当地，由于使用普通话交流的意识不强，长期使用方言交流，地方方言非常浓厚，很多学生存在声母混淆、前后鼻韵母混淆等问题，更严重的是有些学生“五音不全”，还有一种现象是同学门普遍因生硬别扭的发音被人耻笑而羞于讲普通话，所以，创设合适的学习环境，鼓励同学们放下心理负担，大胆开口训练是学好普通话的突破口。

另外，学习主动性不强、生性好动、思维敏捷是高职学生普遍存在的现象，所以，培养兴趣、趋利避弊、发挥特长、维持适当的学习动机也是教学设计和实施过程中需要重点考虑的问题。还有高职学生综合素质普遍较差，在高中阶段普遍被容易教师忽略，所以创造公平出彩机会，关注、赏识每位学生，充分调动学生的积极性也是至关重要的。

（2）课程目标及内容分析

《普通话语音训练》课程是学前教育专业一门专业必修课。该课程是考取幼儿教师资格证的先修课程。该课程要求学生熟练掌握普通话基础知识和普通话发音基本技能，能够用标准的普通话进行教学和交流，是一门实践性很强的语言类课程，这要求学生必须进行大量的听读训练。雨课堂强大的录音功能、语音通信功能为该课程实施翻转教学，为学生进行听读训练和自我诊改提供了得天独厚的优势。

结合教学标准，经认真梳理，该课程共包含8个教学模块，61个知识点。课程知识点结构如表1所示。

2.教学实施

本研究选取表1中第3个教学模块的第4个知识点“鼻韵母发音”为例，说明基于雨课堂的混合式教学实施过程。

（1）教学准备

教师在吸收上次授课成功经验，反思上次授课不足与学生对教学建议的基础上，形成本次授课改进思路，进而制定本次授课初案。根据初案，录制“鼻韵母发音”示范视频、制作“鼻韵母发音”手机课件、学习任务单、任务说明书等，同时进行任务发布。学生认真反思教师对自己的学习建议，调整学习态度和思路，准备以积极姿态投入学习。

（2）课前预习

学生在雨课堂手机微信端接受课前预习任务，自主学习“鼻韵母定义”、“鼻韵母发音特点”、“鼻韵母分类”、“前、后鼻韵母发音技巧及注意事项”等知识、技能，这些基础知识的学习以自主学习为主，同学门也可以自主建立微信协作学习群、或讨论式学习小组群，将学习中遇到的疑惑或困难在小组中寻求帮助或共同解决，或通过微信向教师请求在线帮助。在掌握基本发音技巧的基础上，同学门通过手机课件观看教师发音示范视频——“前后鼻音发音技巧及注意事项”，并进行模仿训练，同时可以进行录音，并发布到微信群，供同学们进行互评或由老师进行点评。同学们在不断反思、纠偏、反复训练的基础上完成课前预习任务，并把课前遇到的困惑报告老师。

教师根据学生预习效果和作业完成情况，对学生进行必要点评，同时调整课堂教学策略，并重新确定教学难点。

（3）课中面授

教师开启雨课堂授课，学生扫码进入课堂。教师呈现教学重点——“前后鼻音发音技巧及区别”，并指明很多学生在课前预习中存在发音不准等问题。教师重点讲解、示范前后鼻音发音技巧及异同，同时布置课堂专项训练。学生观看教师示范并进行模仿训练及专项训练，学生训练过程中，可以通过“弹幕”与教师进行互动，也可以对有疑惑的幻灯片标注“不懂”。教师通过 “弹幕”信息、标注“不懂”的幻灯片，进行个别指导或集中辅导，以及时突破难点，有效避免困惑堆积现象。专项训练结束后，进行作品展示、学生互评、教师点评、学生反思、纠偏提高。

（4）课后专项强化训练与技能提升

教师根据课堂学习任务完成情况，结合当地方言与普通话发音差别，设计课后专项强化训练任务，进一步强化知识、技能内化过程。任务一：“an-ang、en-eng、in-ing、un-ong”发音专项强化训练，如“南方、本能、聘请、运动”等；任务二：“ian-iang、uan-uang、uen-ueng”发音专项强化训练，如“坚强、宽旷、请君入瓮”等；任务三：“eng-ong-ing-iong”发音强化训练，如“蹦—龙—庭—胸”等；任务四：综合强化训练，绕口令练习，如《盆碰棚，棚碰盆》、《灯和星》、《天上看，满天星》、《京剧和警句》、《小清和小琴》、《扁担和板凳》、《丰丰和芳芳，上街买混纺》等。上述4个任务的训练基本囊括了16个鼻韵母的的全部发音训练，要求同学们进行多次练习，并进行视频录制与发布，供同学们互评和教师点评，以肯定成绩、揭示错误，在此基础上反思纠错、强化和提升。

（5）师生互评

每次授课结束后，要进行诊断性评价，以改进教学方法。综合评价在课程结束时进行。

通过对雨课堂后台服务器记录的数据进行分析得知，本班共48位学生，本次授课有47位学生进行课前预习，课前平均学习时间37.2分钟，其中3位同学学习时长不到15分钟，有31位学生向教师发送了训练视频，供教师点评，26位同学向教师发送了預习过程中发现的困惑。课堂面授过程及课堂训练过程中，有37位同学通过“弹幕”与教师进行互动交流，有23位同学进行了“不懂”标记，主要集中在幻灯片“前后鼻音发音区别”上。课后学习中，42人完成了全部课后训练题目（共4题），6人全部完成了前3道训练题目以及任务四中的部分训练项目。

教师抽查了47位同学的72个作业，并结合上述数据和学习过程中的表现，对17名学生进行了在线点评并提出了学习建议；47位学生完成了教师关于本次教学的教学改进调查问卷，反映焦点主要集中在“舌位”、“口型”控制方面，要求教师多做发音示范等。不难看出，雨课堂下，学生参与度与任务完成率都较高，其便捷的师生互评机制也有效促进了师生关系的融洽和教学效果的不断优化。

3.教学效果分析

（1）对学生学习效果的综合测评

在课程全部结束时，教师从学习态度、自主学习能力、进度把握和时间管理能力等7个维度对学生进行了综合评价[13]。总结性评价参考表2进行。

通过分析学生总评成绩，与传统授课相比，学生整体有明显进步，特别是“弹幕”发言与“不懂”标记的应用，使那些不善言辞的学生也变得活泼起来，参与度很高，这是非常值得肯定的。另外，学生自主学习能力、与师生协作能力也有明显进步。

（2）对学习过程数据分析

该课程共64课时，分32次授课，每次授课按教学准备、课前预习、课中难点突破、课后强化提高、师生互评和反思提高（改进）等五个环节进行。每次教学中，能按时完成预习任务的学生人数约为46人左右，平均每次预习时间为32.6分钟，课前作业完成率为96.0%。课中面授教学中，累计“弹幕”481人次，平均每课时“弹幕”约7.52人次，累计“不懂”标记351人次，平均每次授课有10.97人做“不懂”标记，课后强化训练任务平均完成率为97.3%。而且随着课程的推进，课前总体预习时长呈小幅增加，课堂“弹幕”次数、课前及课后学习任务的完成率、线上线下师生交流次数均总体上呈增加趋势，师生配合更加默契，学生存在感体验明显，总体教学效果良好。

（3）问卷调查

为了进一步了解基于雨课堂的混合式学习效果，本研究编制了相关调查问卷，对本班48名学生进行了问卷调查。调查结果如表3所示。

从表3不难看出， 87.5%以上的学生对基于雨课堂的混合式教学模式教学效果非常看好，不到6%的学生认为效果一般，只有极个别的学生持消极态度。该调查结果从学生切身感受方面进一步验证了基于雨课堂的混合式教学模式教学效果的有效性。

五、结束语

首次进行基于雨课堂的混合式教学实践，遇到了不少困难，比如对学生学习情况的追踪和帮助不及时、对整个翻转课堂教学过程的管理存在缺陷等，但是经过较短时间的磨合后，基本形成了相对稳定而又灵活的教学模式，该模式包含教学准备、课前预习、课中难点突破、课后强化与提高、师生互评与反思改进等五个环节，这五个环节，环环相扣，相互依存，循环促进，主体主导职责明确，学生存在感、成就感体验明显，教学改进及时、教学效果显著。

值得一提的是，雨课堂特有的轻量级教学解决方案、教学配音、“弹幕”互动交流、“不懂”标记、过程性数据支持的教学诊断等功能，为混合式教学模式下实施个性化辅导，全面了解每位学生学习状态和思想动机，及时解决学生疑惑堆积以及精准驱动教与学双方进行教学改进提供了方便。有关雨课堂支持的教学模式还有待于进一步深入研究、开发和应用。

参考文献：

[1]程翥，李贵林等.中国高等教育MOOC平台现状分析[J].高等教育研究学报，2014（2）：15-19.

[2]徐魁鸿.MOOC内涵、特征及其对我国终身教育的启示[J].职业技术教育，2014（28）：60-63.

[3]Peter E.Sidorko，“MOOCs and SPOCs： Where is Library？”Access Dunia Online Confere- nce 2013：Libaries and Publishing-evolving in the New Directions，2013-10-30：7-8.

[4]Devlin K.The MOOC will soon die.long live the MOOR[OL].http：//mooctalk.org/2013/06/03/the-mooc-will-soon-die-long-live-the-moor/.

[5]Batruay M H. An overview of the word of MOOCs[J].proccedia-social and Behavioral scienc es，2015（1）：427-433.

[6]赵秀红.基于慕课和“雨课堂”，清华大学带动62所高校进行混合式教学改革——慕课改变你，你改变课堂[N].中国教育报，2016-6-17（1）.

[7]付艳芳，杨浩.基于SPOC的混合式教学模式设计与实践[J].职业技术教育，2017（26）：36-41.

[8]郭昕.“互联网+”时代的混合式教学模式研究[J].中国职业技术教育，2017（26）：18-22.

[9]王帅国.雨课堂：移动互联网与大数据背景下的智慧教学工具[J].现代教育技术，2017（5）：26-32.

[10]洪杰，尹桂波.基于翻轉课堂的线上线下混合式课程教学模式构建与实践[J].职业技术教育，2017（11）：44-46.

[11]张国培.论“互联网+”背景下的雨课堂与高校教学改革[J].中国成人教育，2017（19）：94-96.

[12]王怀波，李冀红，杨现民.高校混合式教学中深浅层学习者行为差异研究[J].电化教育研究，2017（12）：44-50.

[13]杨浩，付艳芳.基于微课的混合式教学实践与效果分析[J].中国职业技术教育，2017（17）：45-49.

（编辑：王晓明）

作者：付艳芳 杨浩

课堂分析语音教学论文 篇2：

多维度特征融合的教学行为智能分析模式构建

[摘   要] 分析课堂教学行为是揭示课堂教学规律的一个重要途径。如何利用信息技术手段处理与分析累积的海量教学视频公开课中的教学行为，成为当前改革教学过程评价服务的热点之一。由于教学中教学行为具有教学性、有序性、关联性等固有教育特性，使得基于深度学习的视频分割与识别技术仍然无法有效理解教学场景和教学行为。因此，文章设计了包含“基于视听觉特征的教学行为分析编码系统、教学行为听觉特征识别、教学行为视觉特征识别、教学分析过程数据可视化呈现”四个核心要素的一种多维度特征融合的教学行为智能分析模式，提出了“视觉特征为主、听觉特征为主、融合特征为主”三条实践路径，以厘清教学行为智能分析要素的关系，并以视觉特征为主的实践路径初步分析了43节课堂教学视频，提取了时间维度上的教学行为视觉特征，以期为“一师一优课、一课一名师”“教师研修”等教学行为智能分析活动提供借鉴。

[关键词] 教学行为; 多维度特征; 智能分析; 人工智能技术

[

[作者简介] 赵刚（1981—），男，江西奉新人。教授，博士，主要从事多媒体技术与处理、智能学习分析研究。E-mail：zhaogang@mail.ccnu.edu.cn。朱文娟为通訊作者，E-mail：zwj@mails.ccnu.edu.cn。

一、引   言

课堂教学行为研究通过分析教学场景中教师和学生行为的显著性特征，归纳师生教学行为的种类、活动率、转换率等深层次特征，帮助教师全面了解教学情况，促进教师专业技能发展[1]。基于视频的课堂教学行为分析为优化课堂教学过程、提高教学质量提供了可能[2]。然而，目前基于视频的教学行为分析仍普遍采用人工参与机制[3]，即按照固定时间分割后，安排分析人员观察和分析教学内容，分析人员根据主观的经验识别其中的教学行为[4]。在人工智能方面，视听觉的视频分割与识别方法在新闻[5]、体育[6]、监控[7]等领域已从技术研究走向技术应用。在教学领域中，也有研究利用该方法对学生异常行为进行识别[8-9]，但是，教学中的教学行为具有教学性、有序性、关联性等固有教育特性，没有充分考虑教学行为的教学含义，仍然难以取得理想的分割与识别效果，难以为后续分析提供理想的支持依据。因此，文章深入分析教学行为（非言语行为、言语行为）在教学场景中的表现形式和特点，提取各行为主体（教师、学生）的视觉、听觉、语义等多维度特征信息，结合时序行为检测、语义分析等技术，提出一种智能化的教学行为分析模式，实现教学场景中教学行为的高效、精准分割与识别，满足海量教学视频分析的需求。

二、教学行为分析方法概述

（一）教学行为分析方法的起源与发展

课堂教学行为研究起源较早，并且一直是教育领域的研究热点，对教学行为的深入研究是开展教学分析的重要基础。目前，教学行为分析方法主要分为教学行为分类与编码和教学行为量化分析两种方法。

教学行为分类与编码是一种对教学行为进行分类，再进行编码的方法，主要归纳为弗兰德斯分析方法及其衍生分析方法和TIMSS方法。弗兰德斯分析方法及其衍生分析方法起源于1963年弗兰德斯提出的弗兰德斯互动分析系统（FIAS）[10]，该系统明确了课堂中师生言语行为类型，弗兰德斯的局限性在于过于重视教师在课堂教学中的行为（7个类别），忽视了学生行为（2个类别）。我国学者提出了不同的分析系统以适应不同环境下、不同学科的课堂教学行为分析。面向不同教学环境，2004到2016年，我国学者顾小清[11]、方海光[12]、穆肃[13]、张屹[14]和蒋立兵[3]对FIAS进一步细分了行为类型，分别提出了基于信息技术的互动分析编码系统（ITIAS）、针对数字化课堂教学环境的改进型弗兰德斯互动分析系统（iFIAS）、针对信息化教学环境的课堂教学行为分析系统（TBAS）、智慧教室环境下的课堂教学互动分析编码系统和智慧教室环境下的高校课堂教学行为分析系统（CTBAS）。面向不同学科，郑长龙提出了CPUP化学课堂结构模型[15];刘向永结合小学英语教学的特征，修改和完善了iFIAS系统[16]。TIMSS方法提出的编码系统比弗兰德斯互动分析系统更为细致[13]，将教师言语行为和学生言语行为分类至三级编码[17]。

获取课堂教学行为编码后，利用教学行为量化分析方法对教学行为以及教学过程进行量化分析。教学行为量化分析法主要包括S-T教学分析、时序列分析、分类分析等方法。S-T教学分析方法是一种利用数据采集的方式把课堂师生教学行为量化为教师行为和学生行为数据，并通过数据图形化的技术手段，简洁明了地反映课堂教学的定量化教学分析方法[18]。时序列分析法是在时间的维度上，对教学过程进行统计分析，从而总结教学过程规律的一种动态教学行为量化分析方法[19-20]。

根据以上研究分析可知，教学行为分析的研究已较为成熟，然而，目前的教学行为分类体系忽视了对行为的视觉特征与听觉特征的细化，与人工智能技术结合分析应用具有一定的困难。因此，本研究在以上教学行为分析方法的基础上，对教学过程中教师和学生行为的视觉特征和听觉特征进行细化，初步构建与优化适合人工智能技术分析应用的教学行为分析方法。

（二）教学行为分析的应用局限

为了分析教学行为分析领域关注的研究主题与研究热点，本文以Web of Science数据库核心数据合集和中国知网（CNKI）为数据来源，选取“教学行为”“教学互动行为”“互动分析”“S-T”“TIMSS”等相关主题的硕博毕业论文和教育技术领域学术期刊论文共2682篇。

如图1所示，1992年—2019年，期刊论文和硕博论文数量均呈现缓慢增长趋势，随着MOOC等网络在线平台的发展，在2017年，对教学行为分析的相关研究达到了最高峰。本文首先利用CiteSpace文献分析软件，选择节点类型为“Term”对相关论文进行共词分析。Term来源包括文章标题、摘要及关键词，得到了代表中心性和被引频次都比较高的关键词;然后，利用词云图对论文关键词进行可视化分析，直观地展示高频关键词在文献中的共现情况（如图2所示）。从词云元素大小来看，频率较高的关键词有“课堂交互”“教师教学行为”“有效教学”“个案研究”“新手教师”“Nvivo”等。

具体文献分析显示：教学行为分析的热点领域是利用教学行为分析系统，结合个案研究法，评测师生教学行为与教学现象、教学环境、学科教学等之间的关联关系，典型研究如司治国等对比分析英语新手教师的课堂教学行为的特点和存在的问题[21]。大部分研究利用Nvivo质性分析工具或采用计算机辅助结合定时分割的方式对教学行为数据进行采集与处理，例如：一节50分钟的课，3秒采集一次，采集1000个采样点，实现课堂教学视频中的师生教学行为分析[22]，此类研究的数据样本规模较小，并且需要研究者人工识别教学行为。为了节省教学行为分析的人力投入，以及可能面临的数据样本增加等问题，部分研究者利用传统机器学习算法和单帧的图像对课堂教学行为进行识别与分析[23]，然而，算法和数据的局限性使其只能区分教师行为和学生行为，忽视了教学行为的细节定位。

综上所述，教学行为分析应用局限主要包括三个方面：（1）应用领域较广，数据样本大小受人工分析限制;（2）利用定时分割的计算机辅助技术，忽略了课堂中的教学行为的整体性特征，课堂教学是由多个有意义的教学环节单元以及有意义的教学事件单元组成，这些教学环节单元中又包括非言语行为中的师生教学姿态、言语行为中的教学语义内涵，定时分割的计算机辅助技术无法满足教学视频场景中的多类别教学行为分类与分割的需求;（3）利用传统机器学习算法，忽视了教学行为分类的细节定位。

（三）基于深度学习的视频分割与识别技术主导的分析模式在教学行为分析中的应用

随着深度学习的发展，语音识别、语义分析、时序动作检测和动作识别等人工智能技术实现了技术上质的飞跃。如今，计算机领域中基于深度学习的视频分割与识别技术主导的分析模式的实践路径流程如下：第一步，提取视频的图像特征和声音特征;第二步，对场景中的人物动作（动作包括行走、打球、梳头等日常行为）进行识别与分析。在教育领域已初步有以下研究：Haibing Ren在智慧教室环境以及多个摄像头环境下，结合教师脸部、双肩关节、双手等三维图像特征，识别教师从讲台上拿物体、放回物体、指向学生、指向黑板、与学生交流、解释物体、喝水七种动作[24];Asim Raza提出了基于隐马尔可夫模型的教师活动识别的图像帧序列方法，识别教师走路、写作、指向黑板、站立和指向演示文稿五种动作类型[25];Nida通过提取教室场景视频中教师的运动轮廓，利用极限学习机算法识别走路、指向黑板、指向屏幕、使用手机、使用笔记本电脑、阅读笔记、坐下和板书八种不同教师行为类型[26];刘清堂构建了一种课堂教学行为智能分析模型，并以此分析了课堂中教师行为和学生行为两类行为[27];魏艳涛利用深度学习网络识别听课、左顾右盼、举手、睡觉、站立、看书和书写七种学生课堂行为[28];也有研究通过图像识别方法对学生异常行为（奔跑、打闹等）进行分析[8-9]。

然而，在教学场景中，无论是学生行为，还是教师行为，以上教育领域中的基于深度学习的视频分割与识别技术主导的分析模式研究止于浅层的教师或者学生动作，没有深层次地分析其教学含义，同时教学场景中除了图像特征和声音特征，视频的时序特征、语义特征等都有一定的教学含义。因此，本研究结合教学过程特性、教学过程中的教学行为特征和教学场景中的视觉特征、听觉特征等，利用语音识别、时序动作检测、语义分析、数据挖掘等人工智能技术，研究融合教学行为多维度特征的教学行为智能分析模式，为大规模课堂视频教学行为分析与挖掘的开展和应用提供了新的技术手段和方法。

三、多维度特征融合的教學行为

智能分析模式构建

本文以教学行为分析理论和计算机领域中基于深度学习的视频分割与识别技术主导的分析模式为基础，通过大规模课堂观察，在教育领域和计算机领域专家的双重指导下提出一种教学行为智能分析解决方案，利用演绎法构建多维度特征融合的教学行为智能分析模式，结合教育特点，从基于视听觉特征的教学行为分析编码系统（Analysis Coding System of Teaching Behavior Based on Visual and Auditory Features，简称VATBAS）、教学行为听觉特征识别（Auditory Feature Recognition of Teaching Behavior，简称TA）、教学行为视觉特征识别（Visual Feature Recognition of Teaching Behavior，简称TV）、教学分析过程数据可视化呈现（Visual Display of the Process Data of Teaching Analysis，简称TDV）四个核心要素，听觉特征为主（VATBAS+TA+TDV）、视觉特征为主（VATBAS+TV+TDV）、融合特征为主（VATBAS +（TA+TV）+VATBAS+TDV）三条实践路径进行构建，该模式强调利用教育特性融合基于深度学习的视频分割与识别技术，帮助解决目前教学行为智能分析中存在的问题，从而对智能分析教学行为进行理论指导。多维度特征融合的教学行为智能分析模式如图3所示。

（一）核心要素

1. 基于视听觉特征的教学行为分析编码系统（VATBAS）

有效的智能化教学分析模式必然依赖于对教学场景中教师、学生行为的特点和方式的深入研究和理解，本研究在S-T、TIMSS、FIAS、ITIAS、iFIAS、智慧教室环境下的课堂教学互动分析编码系统和CTBAS的基础上，分析各类教学行为（非言语行为、言语行为）在教学场景中的外显形式和特点，提取教学场景中各行为主体（教师、学生）的视觉、听觉、语义特征，构建基于视听觉特征的教学行为分析编码系统（VATBAS）（见表1），为后续智能化教学行为分析提供重要的理论基础和依据。该系统依据不同的行为主体（教师和学生）和行为活动方式（言语行为和非言语行为），将教学行为分为教师言语行为、教师非言语行为、学生言语行为、学生非言语行为和无意义的沉寂或混乱五个类别。对比以上七种编码系统，该系统进行部分调整和优化设计，具体体现在以下三个方面：

第一，提取了行为主体在不同行为特征下与之相对应的视觉与听觉特征。在复杂教学场景中，师生教学行为识别往往受到背景混杂、遮挡、噪音等因素影响，视觉、听觉特征（语义特征与听觉特征在此编码系统中合并成听觉特征）的相互融合能够从数据中多角度提取出教学场景中的目标信息和环境信息。通过提取多模态特征以弥补单模态特征的不足，实现系统化、数字化的教学行为分类。

第二，将师生与技术的交互行为归类到教师、学生非言语行为的二级或三级编码。由于目前大多数的教学场景都是多媒体教室，师生互动形式更加复杂多样。除了教师和学生、学生和学生互动之外，还存在教师、学生和计算机多媒体设备的互动。若将其增加在一级编码上，势必会增加编码个数，给观察者在某种程度上造成记录负担。单纯的技术行为并不能真正体现技术与师生互动的真正融合[29]。在师生的非言语行为中都伴随着技术设备的辅助行为，如教师使用多媒体设备进行讲解、学生用计算机技术展示成果等。将人与技术的交互行为融入教师、学生的非言语行为中，可以使本研究建立的教学行为分析编码系统更加合理和客观。

第三，细化师生言语行为。教师言语行为：考虑到内容来源的多样性，将“讲授”细分为“基于多媒体内容讲授”和“基于教材内容讲授”;考虑到内容的深度与广度，将“反馈评价”细分为“判断对错”“总结或延伸”“鼓励表扬”“批评维权”。学生言语行为：考虑到提问内容与课程的相关性，将“主动提问”细分为“问课程相关问题”和“问课程非相关问题”两个方面;考虑到主被动关系以及与课程内容的相关性，将“应答”细分为“主动应答与课程相关问题”“被动应答与课程相关问题”“主动应答与课程非相关问题”“被动应答与课程非相关问题”;考虑到目前教学进一步重视培养学生的语言表达能力，添加一项“汇报展示”的表现形式。

2. 教学行为的听觉特征识别：语音识别、声纹识别与语义分析技术

教学场景中具有“一对多”的对象关系（一个教师对应多个学生）、教师说话时间较长等特性，多维度特征融合的教学行为智能分析模式利用语音识别、声纹识别技术，采集语音信号数据以及语音声学特征（语音情感特征），获取课堂教学视频的时间、与时间相对应的文本信息以及与时间相对应的说话人的身份，利用语义分析技术，结合VATBAS对文本信息进行语义相似度计算，从而获取基于听觉特征的教学行为序列。

3. 教学行为的视觉特征识别：时序动作检测与动作识别技术

教学场景具有场景布局稳定、教师与学生活动范围有限且运动路径较为稳定等特性，多维度特征融合的教学行为智能分析模式利用时序行为檢测与动作识别技术，提取课堂教学录像视频帧的图像特征、光流特征、时序特征等，对教学行为数据进行训练，生成教学行为决策模型，利用教学行为决策模型对视频场景中教师和学生的行为边界进行定位、分割，获取基于视觉特征的教学行为序列。

4. 教学分析过程数据可视化呈现：数据可视化、数据挖掘与决策支持技术

数据可视化分为探索型可视化和理解型可视化，探索型可视化是指从数据集中不确定能够获取到何种信息，试图探索数据所潜藏的信息;理解型可视化可以生成便于用户理解的形式，是一种最直观、最清晰的方式，可以提高处理效率，如教学行为时序列图。多维度特征融合的教学行为智能分析模式利用数据可视化技术研制可视化界面工具，将数据置于视觉空间中，产生教师教学行为分析报告、学生教学行为分析报告等直观的可视化分析报告;同时，利用数据挖掘技术挖掘深层信息，深度挖掘教师的学科知识、教师教学能力和学生异常行为等数据信息，产生相对应的可视化数据挖掘分析报告，辅助教学决策。

（二）实施路径

“VATBAS+TV+TDV”“VATBAS+TA+TDV”在VATBAS的基础上，对课堂教学行为进行定义和关联。首先，利用语音识别、声纹识别与语义分析技术获取课堂教学视频的听觉特征和语义特征，或者利用时序动作检测、动作识别、图像识别技术深度提取课堂教学视频的视觉特征;然后，利用VATBAS进一步筛选课堂教学视频中与教学行为相关的有效特征;最后，可视化提取教学行为数据。

“VATBAS+（TA+TV）+VATBAS+TDV”将“VATBAS+TV+TDV”和“VATBAS+TA+TDV”相结合，首先，提取课堂教学视频的听觉特征、语义特征和视觉特征，筛选课堂教学视频中与教学行为相关的有效特征后，利用融合全局最优识别策略（如特征比重）初步确定教学行为类型;其次，利用VATBAS进行二次筛选;最后，利用数据挖掘、数据可视化与决策支持技术，对深层次的信息进行挖掘并产生可视化的分析报告，以求获得智能化的教学行为分析服务形态。

四、融合视觉特征的时序教学行为检测与识别

融合视觉特征的时序教学行为检测与识别是多维度特征融合的教学行为智能分析模式的实践路径“视觉特征为主”的应用案例。以时序列分析法为例，利用深度学习中时序动作检测R-C3D网络[30]作为时序教学行为视觉特征检测与识别模型，阐述多维度特征融合教学行为智能分析模式中教学行为的视觉特征识别过程。

融合视觉特征的教学行为识别主要包括以下步骤：（1）时序教师行为数据采集与预处理。采集课堂教学视频并对课堂教学视频进行预处理和标注，从而构建时序教师行为数据集。（2）迁移学习。以时序动作检测公共数据集预训练的R-C3D网络模型对课堂教学视频数据进行训练。（3）实验结果及分析。评估训练的时序教学行为识别模型。

（一）时序教师行为数据采集与预处理

基于VATBAS中分类的视觉特征，本次实验将课堂中的时序教学行为分为学生举手（对应VATBAS中SS01、SS020101或者SS020201的视觉特征）、学生坐下（辅助视觉特征）、学生站起来（对应VATBAS中SS02的视觉特征）、教师指向交互式白板（对应VATBAS中TS0101的视觉特征）、教师指向黑板（对应VATBAS中TS0102的视觉特征）、教师邀请学生回答问题（对应VATBAS中TS02的视觉特征）、教师在黑板上写字（对应VATBAS中TA0101的视觉特征）和教师在教室巡视（对应VATBAS中TA04的视觉特征），以上浅层的视觉特征能为后续深层次的具有教学含义的行为分析提供一定的数据支撑。

本研究选取上海市D学校和武汉市G学校，采集了43节课堂教学视频，包括信息技术、数学、语文等科目，总时长1770.29分钟，视频分辨率为720×576，帧率为25fps。利用自主研发的时序教学行为标注工具对课堂教学视频进行人工标注，标定教学行为的起止时间及行为类别，总标注3360个行为片段。目前，行为时间跨度在0.5s～70.0s之间，标注完成后，工具自动生成相应的时序教学行为标注文件。本研究使用23节课堂教学视频（1936个行为片段）训练相关网络，使用20节课堂教学视频（1424个行为片段）进行测试。

（二）迁移学习

为了解决由于小样本数据集难以提供足够学习特征而导致模型能力欠缺的问题以及加快R-C3D网络训练过程，本文利用ActivityNet数据集[31]预训练的R-C3D网络模型对课堂教学视频数据进行迁移学习，使模型在迁移学习过程中加速修正模型权值，以提高时序教学行为检测与识别能力。

（三）实验效果及分析

利用VATBAS进行筛选后的时序教师行为检测与识别，如图4所示，预测算法检测的时序教学行为起始时间与标记数据真实值相差较小，同时，预测算法识别的时序教学行为种类概率在69%以上。后续工作将进一步优化相关算法，研究适用视频时长较长、标注行为个数较多的时序教学行为检测与识别算法，提高时序教学行为检测精度。

图5是时序教学行为检测与识别算法测试后生成的时序教学行为起始时间和行为种类的可视化数据，横轴表示45分钟课堂时间的度量，纵轴表示以上提到的时序教学行为类别。从图5（a）可以看出，上海市D学校高中数学“直线的参数方程”课堂前200秒的时序教学行为包括教师在黑板上写字、教师指向黑板、教师邀请学生回答问题、学生站起来，但是由于视觉特征的局限性（镜头切换），部分时序教学行为顺序稍显不合理。例如：学生站起来后没有学生坐下;图5中1000秒～2000秒之间多为教师时序行为，课堂中间时间段一般为新课教学环节。综上所述，融合视觉特征的时序教学行为检测与识别具有一定的合理性。专业教师在该实验成果应用过程中表示，该方法不仅可以对一节课堂中的时序教学行为进行分析，也可以对大批量相同课程的教学过程进行分析，以减少教师统计分析的工作量。与此同时，也能够为教师借鉴优质课程和反思自身教学提供技术支撑工具。

五、结   语

本文针对已有的教学行为智能分析应用局限，提出了一种多維度特征融合的教学行为分析模式，并初步尝试了模型中部分实践路径的应用，为大规模课堂视频教学行为分析的开展提供了新的解决思路，多维度特征融合的教学行为分析模式的创新点在于：（1）构建基于视听觉特征的教学行为分析编码系统（VATBAS），深入分析教学过程中的师生行为主体在不同行为特征下与之相对应的视觉、听觉特征，细化了教学行为类型，实现教学行为类型、教学行为听觉特征、教学行为视觉特征的精确描述和理解，为后续智能化的教学行为分析的实现提供重要的理论依据;（2）提出智能教学行为分析的解决方案，针对现有的计算机领域中基于深度学习的视频分割与识别技术主导的分析模式难以满足有教学含义的教学行为分析而导致的问题，利用VATBAS作为视听觉特征提取的先验知识和约束规则，采用语音识别、时序动作检测、语义分析、数据挖掘等人工智能技术提取教学场景中的有效特征，提供可视化的结果呈现方式，形成智能化的教学行为分析服务形态。后续研究将对其他两条实践路径进行应用研究，不断跌代修正该模式，同时，继续优化相关算法，形成有效的教学过程评价服务科研产品，以期应用到“一师一优课，一课一名师”“教师研修”、在线课堂等活动领域，为教学行为分析提供更优质的服务。

[参考文献]

[1] MINTZES J J. Relationships between student perceptions of teaching behavior and learning outcomes in college biology[J]. Journal of research in science teaching，2010，19（9）：789-794.

[2] 王萍.人工智能在教育视频中的应用分析与设计[J].电化教育研究，2020，41（3）：93-100，121.

[3] 蒋立兵，毛齐明，万真，沈欢.智慧教室促进高校课堂教学变革的绩效研究——基于课堂教学行为的分析[J].中国电化教育，2018（6）：52-58.

[4] 姚佳佳，李艳，金松涛，潘金晶.信息技术融入课堂的教师教学转型发展研究[J].中国电化教育，2019（3）：37-47，80.

[5] POULISSE G， MOENS M， DEKENS T， et al. News story segmentation in multiple modalities[J]. Multimedia tools & applications，2010，48（1）：3-22.

[6] KHAN M， TANVEER H， SUNG W B. Efficient CNN based summarization of surveillance videos for resource-constrained devices[J]. Pattern recognition letters，2018（9）：1-6.

[7] TANG Y S， DING D， RAO Y M， et al. COIN： a large-scale dataset for comprehensive instructional video analysis[C]//The IEEE Conference on Computer Vision and Pattern Recognition. Long Beach： IEEE Press，2019：1207-1216.

[8] 王娟.基于视频的异常行为检测系统的设计与实现[D].成都：西南交通大学，2015.

[9] 廖鹏，刘宸铭，苏航，李启芳，韩延巾.基于深度学习的学生课堂异常行为检测与分析系统[J].电子世界，2018（8）：97-98.

[10] FLANDERS N A. Intent， action and feedback： a preparation for teaching[J]. Journal of teacher education，1963，14（3）：251-260.

[11] 顾小清，王炜.支持教师专业发展的课堂分析技术新探索[J].中国电化教育，2004（7）：18-21.

[12] 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.

[13] 穆肃，左萍萍.信息化教学环境下课堂教学行为分析方法的研究[J].电化教育研究，2015（9）：62-69.

[14] 张屹，祝园，白清玉，李晓艳，朱映辉.智慧教室环境下小学数学课堂教学互动行为特征研究[J].中国电化教育，2016（6）：43-48，64.

[15] 何鹏，郑长龙，尹学慧.化学课堂教学行为特征解析——基于课堂教学系统CPUP模型理论的案例分析[J].化学教育，2014，35（5）：1-4.

[16] 刘向永，李傲雪，付奕宁，姜沛雯，王萍.基于电子书包的小学英语课堂师生互动分析——以“How are you？”单元为例[J].电化教育研究，2018（8）：97-102，121.

[17] 张俐蓉.技术与教育整合的案例研究：课堂教学录像[J].电化教育研究，2004（5）：66-69.

[18] 傅德荣，章慧敏，刘清堂.教育信息处理[M].2版.北京：北京师范大学出版社，2012.

[19] 赵呈领，梁云真，阮玉娇.富媒体环境下职业院校课堂教学行为及特征研究[J].中国电化教育，2016（2）：113-120.

[20] KUCUK S， SISMAN B. Behavioral patterns of elementary students and teachers in one-to-one robotics instruction[J]. Computers & education，2017，111（8）：31-43.

[21] 司治国，杨卉，王陆.英语新手教师教学行为监控与分析的实证研究[J].中国电化教育，2012（10）：66-69.

[22] 李静，张祺，苗志刚，李晓，周艳.中学信息化课堂教学交互行为研究——基于质性分析的视角[J].中国电化教育，2014（2）：101-107.

[23] 周鹏霄，邓伟，郭培育，刘清堂.课堂教学视频中的S-T行为智能识别研究[J].现代教育技术，2018，28（6）：54-59.

[24] REN H B， XU G Y. Human action recognition in smart classroom[C]//Proceedings of Fifth IEEE International Conference on Automatic Face Gesture Recognition. Washington： ACM Press，2002： 417-422.

[25] ASIM R， MUHAMMAD H Y， HASSAN A S， et al. HMM-based scheme for smart instructor activity recognition in a lecture room environment[J]. Smart computing review，2015，5（6）：578-590.

[26] NIDA N， MUHAMMAD H Y， AUN I， et al. Instructor activity recognition through deep spatiotemporal features and feedforward extreme learning machines[J]. Mathematical problems in engineering，2019：1-13.

[27] 刘清堂，何皓怡，吴林静，邓伟，陈越，王洋，张妮.基于人工智能的课堂教学行为分析方法及其应用[J].中国电化教育，2019（9）： 13-21.

[28] 魏艷涛，秦道影，胡佳敏，姚璜，师亚飞. 基于深度学习的学生课堂行为识别[J]. 现代教育技术， 2019， 29（7）： 87-91.

[29] 周艳.信息技术教学环境下课堂教学交互行为研究[D].武汉：华中师范大学，2013.

[30] XU H J， DAS A， SAENKO K.R-C3D： region convolutional 3d network for temporal activity detection[C]//2017 IEEE International Conference on Computer Vision. Italy： IEEE Press，2017：5794-5803.

[31] HEILBRON F C， ESCORCIA V， GHANEM B， et al. ActivityNet： a large-scale video benchmark for human activity understanding[C]//IEEE Conference on Computer Vision and Pattern Recognition. Boston： IEEE Press，2015：961-970.

Construction of Intelligent Analysis Model of Teaching Behavior

Based on Multi-dimensional Feature Fusion

ZHAO Gang，  ZHU Wenjuan，  HU Biling，  XIA Qing，  LIU Shan，  CHU Jie

（School of Educational Information Technology， Faculty of Artficial Intelligence in Education， Central China Normal University， Wuhan Hubei 430079）

[

[

作者：赵刚 朱文娟 胡碧灵 夏青 刘闪 初洁

课堂分析语音教学论文 篇3：

基于“雨课堂”的混合式教学在高校思政课中的运用

[摘 要] 基于雨课堂的混合式教学模式，已成为当前高校思政课教学改革的热点。这种新型教学模式可以从多个不同环节提升“概论”课的教学效果，激发学生的学习兴趣。展望未来，雨课堂适应了信息技术与课堂深度融合的发展趋势，在高校思政课教学改革中具有广阔的应用前景。

[关键词] 雨课堂;高校思政课;混合式教学

[作者简介] 洪 伟（1984—），男，安徽庐江人，法学博士，广东工业大学马克思主义学院讲师，主要从事思想政治教育研究。

党的十八大以来，以习近平同志为核心的党中央高度重视高校思想政治理论课建设工作，特别提出“思想政治理论课是落实立德树人根本任务的关键课程”这一重要论断。2016年12月，习近平总书记在全国高校思想政治工作会议上强调，“要运用新媒体新技术使工作活起来，推动思想政治工作传统优势同信息技术高度融合，增强时代感和吸引力”[1]。2019年3月，习近平总书记主持召开学校思想政治理论课教师座谈会，强调“推动思想政治理论课改革创新，要不断增强思政课的思想性、理论性和亲和力、针对性”，“思政课教师思维要新，学会创新课堂教学，给学生深刻的学习体验”[2]。在此背景下，高校思政课新一轮教学改革迎来了春天。

“毛泽东思想和中国特色社会主义理论体系概论”（简称“概论”课）是当前高校思想政治理论课的四门主干课程之一。“概论”课是读懂马克思主义中国化的一扇重要窗口，也是破解中国共产党执政“密码”的一把重要钥匙。和其他三门课相比，“概论”课所占学时最长、学分也最多，是四门思想政治理论课的重中之重。但是，由于受教学理念、方法、内容以及教师自身专业背景等多重因素的影响，在实际开设过程中，“概论”课教与学两方面的积极性都没有被充分调动起来，不少课堂存在抬头率不高、亲和力差的问题，教学的实效性难以得到充分体现。

2018年以来，笔者在学校和学院两级的支持下，系统接受了雨课堂教学培训，并在“概论”课中开展基于雨课堂的混合式教学实践，取得了较好的效果，积累了一定的经验。

一、基于雨课堂的混合式教学模式在“概论”课教学中的运用

雨课堂是学堂在线与清华大学在线教育办公室共同研发的智慧教学工具。这种新型的智慧教学工具旨在将前沿的信息技术（如云计算、移动互联网、数据挖掘等）融入教学场景中，致力于为所有教学过程提供数据化、智能化的信息支持[3]。自2016年4月上线至今，因其适应了信息技术和思政课堂深度融合的发展趋势，基于雨课堂的混合式教学模式备受高校教学一线教师的欢迎，并在国内多所高校投入使用。雨课堂的软件界面全部基于PPT和微信，较好地契合了当前教师和学生两方面的使用需求。学校或教师只需要在多媒体教室的电脑里提前安装好雨课堂软件系统，就可以通过其技术平台使用所需要的相关功能。

在课前环节，“概论”课教师可以根据不同的教学内容布置相应的预习任务。例如第二章新民主主义革命理论，由于理论性较强，加之时代较为久远，学生对新民主主义革命的性质、对象和动力等问题的理解会存在一定的难度。针对这一情况，教师在上课前可以将预先做好的课件发布和推送给学生，课件中可适当插入慕课视频、习题或语音，要求学生结合教材完成课前预习和相关的练习，待学生完成任务后再对相关数据进行分析，就能了解学生目前的学习状态以及知识点的薄弱环节，从而有针对性地开展教学。另外，第十章“五位一体”总体布局和第十一章“四个全面”战略布局，教学内容的时代性和政治性比较强，教师在利用雨课堂布置预习任务时，可以穿插相关的时政视频和案例，激发学生关心时政的热情，提高对时政热点的辨析能力。

在课中环节，教师在讲解PPT内容的同时，可以启动实时答题、弹幕互动、随机点名、在线红包等功能與学生互动，吸引学生的注意力，学生也可以通过课堂投稿或就某处PPT内容点击“不懂”按钮向老师进行反馈。在“概论”课教学过程中，雨课堂的习题应答系统有效加强了师生互动的频率，活跃了课堂氛围，促使学生将精力集中在课堂，避免传统教学模式下容易出现的学生分心和走神的情况。在讲解“一国两制”与香港问题、台湾问题与祖国统一、中国特色大国外交等时政热点话题时，教师可采取专题式教学方式，并利用雨课堂与学生开展深度交流，鼓励学生通过课堂投稿或者弹幕的形式表达自己的想法，并加以正确引导。实践中，这种教学方式深受学生欢迎，大大增加了课堂的趣味性，使“概论”课更具魅力和活力。

在课后环节，教师可以根据前两个环节收集的相关数据对学生的学习效果进行客观的量化分析，全面评估自己的教学效果，进而调整今后的教学策略。学生也可以通过雨课堂回看课件进行复习巩固，完成教师推送的课后习题和作业，还可以就相关难点问题继续与教师开展互动交流。这样就使得“概论”课的教学大大突破了时间和空间的限制，避免了传统课堂下放学铃一响教师匆匆忙忙夹着书本离开、师生之间无法展开充分交流的情况。

二、基于雨课堂的混合式教学模式实施效果

从2018年秋季学期开始，笔者开始系统使用雨课堂开展“概论”课混合式教学改革。两年来，作为一名一线思政课教师，最深刻的体会就是课堂的教学体验得到全面提升，教学质量得到明显提高，实现了传统“概论”课堂的“三个改变”：改变学生课前不预习、到了课堂才知道今天学什么的状况;改变老师课上单向灌输，学生心思却不在课堂的状况;改变学生课后找不到老师，师生间缺乏沟通互动的状况。与传统课堂相比，基于雨课堂的混合式教学模式有效涵盖了“课前—课中—课后”的每一个环节，忠实记录教学全周期，实现了从过去的每学期一评到过程性评价的转变，这就有利于教师随时检验课堂学习效果，全面掌握学生的学习进度;同时，这种新的教学模式提倡在教学过程中采用启发式、互动式教学方式，教师的主导作用和学生的主体作用更加彰显。

为了更清晰地说明雨课堂的实施效果，笔者对近三个学年授过课的材料与能源学院材料成型及控制工程专业2015级146名學生、2016级178名学生、2017级134名学生的学习情况进行了跟踪调查。这三批学生来自同一专业，且均为一本招生。结合教务系统反馈数据，经过对比后发现：在运用雨课堂之前、运用雨课堂之初和熟练运用雨课堂之后，学生的平均成绩和教师的评教得分均有明显的提高（详见下表）。此外，笔者对2017级材料成型及控制工程专业学生开展的一份调查也显示，在回答“你是否喜欢基于雨课堂的混合式教学模式”时，35.07%的学生选择“非常喜欢”，52.24%的学生选择了“喜欢”，两项加在一起占比为87.31%，而选择“不喜欢”和“不知道”选项的分别只占6.72%和5.97%。在回答“你最喜欢雨课堂的哪一项功能”时，32.84%的学生选择了“实时答题”，37.31%的学生选择了“弹幕互动”，10.45%的学生选择了“随机点名”，19.4%的学生则选择了“在线红包”。由此可以看出，这种集线上慕课资源共享和线下传统课堂面对面言传身教优势于一身的新型混合式教学模式，深受00后这批移动互联网原住民们的欢迎。

当前，不少高校的思政课采取大课堂形式，人数维持在100—200人左右，给教师的课堂管理和个性化辅导带来比较大的困难，也影响到实际的教学效果。应用雨课堂开展混合型教学，可以有效地将手机用于课堂教学和管理之中，变堵为疏，让手机成为课堂上的抬头利器，使传统的思政课堂活起来。2017年4月，教育部部长陈宝生在现场观摩了清华大学的思政课后，对基于雨课堂的混合式教学模式给予高度评价，他表示，“学生在听‘死理论’时，没有温度、没有触感、没有质量，这样的课学生不愿意听。今天的课我看到，到课率、抬头率都很高，让手机从‘低头的工具’变成了‘抬头的利器’，这就是我们‘教材攻坚’的主要内容。”[4]

三、几点思考

将信息化教学手段融入课堂教学，对于高校“概论”课的改革创新具有重大意义，取得的成效也非常显著。但是基于雨课堂的混合式教学模式在实施过程中，也常面临着一些问题和挑战。

（一）雨课堂需建立在优化教学内容的基础上

提高思政课教学实效，基础在教学内容，关键在以理服人[5]。近年来，高校思政课改革持续推进，但一些教师对教学形式的改革创新关注较多，对教学内容的创新拓展反而关注得不够。“概论”课的教学改革要处理好教学形式和教学内容的关系，将丰富教学形式和优化教学内容有机结合起来，不然就会本末倒置。从教学设计看，“概论”课涉猎的内容十分丰富，从历史到现实，从理论到实践，涉及经济、政治、历史、地理、法律、军事等多学科的知识。从教学对象来看，“00后”大学生具有很强的获取知识能力，他们获取知识的途径也日趋多样化。作为理论性和时代性较强的一门思政课，“概论”课既要讲深讲透马克思主义中国化的科学内涵和历史进程，也要及时回应社会现实，引导学生正确看待和分析我国改革开放和社会主义现代化进程中出现的新情况、新问题，解决学生心中的疑惑。实践证明，形式新颖而又内容丰富的“概论”课会有效提高课堂的抬头率和点头率，让思政课变得有趣、有用。

（二）解决多媒体教室少和手机信号覆盖问题

2017年，教育部关于思政课建设情况的一项调研显示，缺人、招人难是当前全国高校“马院”面临的共同难题[6]。思想政治理论课一线教师数量普遍不足，数百人的“大堂课”在一定程度上影响了教学效果。目前，为了弥补一线教师数量不足的问题，高校普遍采用多媒体大教室开展“概论”课教学，而雨课堂教学模式的正常开展，良好的网络保障是前提。在实际教学过程中，如果高校多媒体教室有限，或者多媒体设备老化、维护不及时以及电脑系统同时下载安装多个不同智慧型教学工具等情况的出现，都会影响到雨课堂的使用效果。同时，雨课堂对手机的依赖性比较大，上课时学生的手机必须始终保持联网状态，但是高峰时段学校师生蜂拥上网，导致网速下降，信号不稳定，雨课堂在运行过程中就会出现卡顿、图像缺失等问题，进而影响课堂体验和教学效果。

（三）完善对主观题部分的考核

基于雨课堂的混合式教学模式有效弥补了传统教学模式下量化机制不足的问题，有利于形成即时性评价。但是，就目前而言，雨课堂的习题形式主要包括单选、多选和投票题，其课堂习题应答系统的功能尚未被完全开发，尤其是无法提供主观题部分的考核。对于“概论”课这样的人文社会科学课程而言，单单采用客观题的形式不足以全面地考察学生的综合素质，也不利于师生之间开展思想碰撞和情感交流。当前，国内不少高校陆续启动“概论”课实践教学的改革尝试，实践环节在概论课教学中的重要性日益提升，主观题考核的比重也在逐渐加大。在今后的教学改革和创新中，在采用雨课堂教学模式的同时如何完善主观题部分的考核，并逐步适应实践教学改革的要求，这些都需要平台的开发者和一线“概论”课教师共同发挥智慧。

四、结语

基于雨课堂的混合式教学模式自诞生以来，给传统的高校思政课教学带来了实实在在的转变，学生的课堂体验得到有效提升。据统计，截至2017年，清华大学已有978门次课程试用雨课堂混合式教学模式，其中就包括“毛泽东思想和中国特色社会主义理论体系概论”和“马克思主义基本原理”等思政课程。国内厦门大学、重庆大学、湖南大学、河北工业大学、青海大学等近百所高校教学楼计算机全部实现预装雨课堂软件，课堂教学改革取得显著效果，不少高校的思政课教学因此实现了“弯道超车”。展望未来，雨课堂适应了信息技术与课堂深度融合的发展趋势，已成为国内最为活跃的智慧教学工具，在高校思政课教学改革中具有广阔的发展前景。新形势下，高校“概论”课教师需要克服畏难情绪，主动适应和掌握新媒体新技术，努力将基于雨课堂的混合式教学模式融合课程教学，从而持续推进“概论”课教学改革与创新。

參考文献

[1]习近平.把思想政治工作贯穿教育教学全过程 开创我国高等教育事业发展新局面[N].人民日报，2016-12-9.

[2]习近平.用新时代中国特色社会主义思想铸魂育人 贯彻党的教育方针落实立德树人根本任务[N].人民日报，2019-3-19.

[3]王帅国.雨课堂：移动互联网与大数据背景下的智慧教学工具[J].现代教育技术，2017（5）：26-32.

[4]叶玉婷.思政课“混合教学”让手机变成“抬头利器”[N].中国青年报，2018-1-16.

[5]陈金龙.提高教学实效须坚持内容为王[N].人民日报，2019-1-25.

[6]焦以璇.思政课堂 点亮青年信仰——高校思政课教学质量年专项工作述评[N].中国教育报，2018-2-27.

Key words： Rain Classroom; ideological and political courses in colleges and universities; blended teaching

作者：洪伟