深度 | 魏宁、王陆:如何从普通教师进阶为优秀教师,大数据告诉你

2018 年 9 月 14 日 MOOC

 | 全文共5899字,建议阅读时12分钟 |


转载自公众号:中小学数字教育

微信号:zxxszhjx


强国必先强教,强教必先强师。


早在20 世纪30 年代,美国学者巴格莱就曾提到,“教师问题的重要性,可以说,超过其他所有问题加在一起的总和”。我国教育改革的实践也证明,教师是教育改革和发展的中坚力量,是教育质量的关键因素,教学活动的有效性和学生发展的关键在教师。因此,教师专业发展的目的是让更多的教师成长为优秀教师。培养和造就一支高素质、专业化的教师队伍,既是教育改革与发展自身的需要,也是提升国家人才培养质量的需要。


那么,优秀教师到底具备哪些基本品质和共同特征,他们的成长发展有哪些规律?在互联网时代,怎样借助技术的支持,帮助更多的教师走上专业发展之路,成长为优秀教师?带着这些问题,记者采访了首都师范大学现代教育技术重点实验室主任、博士生导师王陆教授。 


首都师范大学现代教育技术重点实验室主任王陆教授


大数据有助于更好地发现优秀教师的特质


记  者:王教授,您好!研究优秀教师的特征及成长规律,对于引领普通教师的发展,促进教师的专业化成长有着重要的积极意义。您19年来致力于用技术支持教师专业发展,对此,您有哪些见解? 


王  陆:在过去的一个世纪中,人们一直在探寻优秀教师的特质,并进行了大量的研究。


例如,美国伊兰·K.麦克伊万根据长期从事教育教学和教育管理工作所积累的经验以及对众多杰出的教育工作者的调查,概括出了优秀教师在个性、教学和智力三个方面的主要特征。其中,个性特征包括满怀使命感和热情、积极而真诚、具有领导才能;教学特征包括全面关注学生、独特的风格、激励技巧和有效教学;智力特征包括书本知识、社区经验和精神生活。


后来,以美国弗兰德斯等人为代表,出现了越来越多的聚焦优秀教师课堂教学行为的研究成果。诸如,优秀教师喜欢根据具体教学情境做出灵活的、直接的或间接的反应;不盲目追求唯一的教学行为表现方式;能够从学生的角度观察周围的一切,能够保护学生表现出的个性特征并提供支持与环境;喜欢做教学实验,尝试新办法;善于提问,而不把自己仅看作一个回答者;往往会表现出赞扬的态度,经常微笑、点头、评价等。


国内的相关研究中,浙江师范大学的郑和总结出优秀教师具有六个主要特征:教学创造性(能运用已有的教育教学经验创造性地解决问题)、学术潜能(时时处于问题之中,时时思考问题,并积极寻找问题的解决之道)、专业信念(以知识、系统理论为基础的专业信念)、专业追求(对自我发展始终保持在自觉状态)、专业个性(自我的专业个性定位清晰)、专业地位(对教育教学问题的娴熟处理,对专业问题阐释的滔滔不绝等,使他们成为新教师学习的楷模)。


山东师范大学的徐桂清等运用质性研究方法对优秀教师进行深度访谈,发现其心理特征由敬业精神、教学能力、关爱学生、科研能力、人格魅力、学识素养六个维度组成,代表了教师教学的动力系统、能力系统和性格特征三个方面。


简而言之,经过长期的实践探索,目前国内外对优秀教师的特质分析逐渐克服单一的经验性研究而具有了科学性,但是仍然存在着较为明显的局限性。首先,对优秀教师特质的分析,依然停留在主观的、感情的、经验的判断上,对于优秀教师的特质还没有质的规定,评价标准有待更加科学;其次,偏重于对显性的优秀教师的选拔,而对潜在的优秀教师的开发还未给予足够重视。


信息时代,技术为我们提供了崭新的研究视角。尤其大数据的出现,让我们能通过纷繁复杂的课堂教学数据破解优秀教师特质的密码。通过一系列大数据视角下的知识发现研究,我们发现了以往经验式研究无法深入观察得到的更加本质的问题,从而可以运用研究结论为教师专业发展提供更为精准的支持服务。


优秀教师的特质隐藏在实践性知识中


记  者:那么,基于教育大数据开展的教师知识发现研究,主要从哪些方面来观察优秀教师的特征呢?与以往相关研究相比,又有哪些新的发现?


王  陆:我们认为,教师是否优秀可能来自一类更加隐蔽、我们很少注意到的知识——实践性知识


教师的知识一般可以分为理论性知识和实践性知识两类。理论性知识属于显性知识,通常可以通过阅读或听讲等形式获得,它包括学科内容、学科教学法、教育学、心理学等原理类知识;实践性知识则是教师在教育教学实践中实际使用和表现出来的知识,既包括显性知识,也包括隐性知识。北京大学陈向明教授曾把实践性知识分为六个维度,即教育信念、自我知识、人际知识、策略知识、情境知识和反思知识。


教师的理论性知识通常停留在教师的头脑里和口头上,是教师根据某些外在标准认为“应该如此的理论”,它通常呈外显状态,可以为教师和专业理论工作者所共享,是教师知识冰山露出水面的部分,因其外显性、系统性、可表述性和较易被把握,已经得到了比较广泛而成熟的研究。


教师的实践性知识是教师内心真正信奉的、在日常工作中“实际使用的理论”,支配着教师的思想和行为,体现在教师的教育教学行动中。它通常为内隐状态,是基于教师的个人经验和个性特征的,是镶嵌在教师日常的教育教学情境和行动中的。它如同深藏在知识冰山的下部,因其隐蔽性、非系统性、缄默性,很难把握,目前的研究还相对较少。


但我们应该看到,教师的实践性知识是教师专业发展的主要知识基础,对教师的教学行为具有决定性作用。反过来,课堂教学行为也会强化、巩固,甚至重构教师的实践性知识。而基于大数据的知识发现就是研究教师实践性知识的关键工具。陈向明教授给出的教师实践性知识的六个维度,则为基于大数据的知识发现提供了参照的依据。


记  者:通过基于大数据的知识发现研究,您的团队发现了优秀教师的实践性知识具有哪些特征呢? 


王  陆:我们团队基于“教师在线实践社区”10个项目地区的1166名研修教师历时一年的实践性知识大数据,利用聚类分析法对教师群体开展研究。


首先,我们运用K均值聚类法,对三类教师群体(优秀教师群体、低水平教师群体和全体教师群体)六种实践性知识(教育信念、自我知识、人际知识、策略知识、情境知识和反思知识)进行两两对比的独立样本t检验。研究发现,优秀教师群体的六种实践性知识均值约为低水平教师群体的三倍、全体教师群体的两倍。同时,优秀教师群体的六种实践性知识差别不大,没有明显的知识短板,而低水平教师群体的六种实践性知识普遍较低。


为进一步发现优秀教师实践性知识的特质,我们还研究了优秀教师群体与全体教师群体和低水平教师群体在实践性知识成分上的显著差异特征。研究结果显示,在六种实践性知识中,优秀教师群体的策略知识、教育信念、自我知识占主要成分,其次是情境知识和反思知识。低水平教师群体占主要成分的则是人际知识、情境知识、自我知识,其次是反思知识。


此外,我们还研究了三类教师群体在实践性知识焦点上的显著差异特征。所谓实践性知识焦点是指对蕴含了教师实践性知识的自我反思日志、教学设计与教学反思等文本进行文本可视化分析,得出的占有最高词频的重要词汇。一般使用文本可视化分析工具时,文本中最重要的词汇都会出现在“词云”图的核心位置,且字号最大。研究表明,优秀教师群体的实践性知识焦点是“学生”,而低水平教师群体实践性知识焦点是“教师”,全体教师群体的实践性知识焦点是“教学”。显然,优秀教师群体的实践性知识体现了以学生为中心的教学理念。


基于大数据揭示优秀教师的课堂教学行为特征


记  者:对于教师实践性知识大数据的分析,呈现出了非常丰富的研究结论,让我们从总体上了解了不同教师群体之间实践性知识的差异。那么,由不同的实践性知识所表现出来的外在课堂教学行为上,优秀教师又有哪些特征呢?


王  陆:教师的课堂教学行为是教师素质的外在体现,教师的实践性知识都会通过其教学行为表现出来。因此,对优秀教师课堂教学行为特征的研究,将帮助我们发现教师教学行为与其实践性知识之间的关系,为我们通过改善教师实践性知识促进教师专业发展寻找依据。


我们运用主成分分析法,将优秀教师群体、低水平教师群体和全体教师群体的课堂教学行为大数据进行了分析(见表1)。



由表1可知,优秀教师群体的课堂教学行为是“以学生为中心,以原理性知识为基础”开展的课堂师生交互,尤其在课堂的生成行为方面十分丰富。


我们还从其他多个角度对不同教师群体的课堂教学行为进行了研究:对教师提问的问题类型分析显示,优秀教师群体常规管理性问题、记忆性问题较少,推理性问题、创造性问题较多,表明优秀教师的课堂上具有更多的高阶思维训练与开放性特征。


对教师提问与理答方式的分析显示,优秀教师群体的课堂,让学生齐答和未举手者回答等行为较少,而让举手者回答、鼓励学生提出问题和讨论后汇报的行为较多。这表明,优秀教师在课堂上的理答方式具有较强的针对性,并且注重了以学生的观点引领和发展课程。


对教师回应行为的分析结果显示,优秀教师群体课堂教学行为中的言语回应较低,而非言语回应较高。这说明优秀教师群体与学生的亲密程度更高,优秀教师不随意给予肯定回应,且在课堂上对学生的纠正和干预行为较为突出。


对教师对话深度行为的分析结果显示,优秀教师群体高阶对话深度的行为比例较高,说明优秀教师的课堂上问题难度比较高,且教师对学生回答的教学干预行为也比较多。


对教师问题结构分析的结果显示,优秀教师群体的课堂教学行为中“是何”问题比例较低,而“为何”“如何”“若何”问题比例较高,说明优秀教师课堂与其他两类教师群体的课堂相比,更侧重于原理性知识、策略性知识和迁移创造性知识的获得,以及高阶思维能力的培养。


改善教师实践性知识  促进教师专业发展


记  者:通过上述研究,我们了解了优秀教师的实践性知识特征以及由此表现出来的课堂教学行为特征。那么,这对教师专业发展来说有哪些启示?我们可否以此为依据,培养和发掘优秀教师呢? 


王  陆:研究课堂教学行为与实践性知识的相关性是破解教师专业发展难点的关键。由于教师的实践性知识是内隐的,无法直接进行观测,而课堂教学行为是外显的,且是可以直接观测的,所以在教师专业发展中干预教师的课堂教学行为是比较容易实现的。


然而,课堂是复杂的,教与学各要素之间是相互影响和相互作用的,某一个维度的课堂教学行为即使在外力的干预下强行发生某种改变,也会产生“牵一发而动全身”的效果,并引起整个课堂教学的改变。外力干预的课堂教学行为的改变往往是着眼于课堂局部的改变,这种行为改变并不是发自教师内在的实践性知识改变而改变的,所以往往也是短暂的改变和形式上的改变,无法提升整体教学水平和课堂教学质量。


课堂教学行为是由教师真正信奉的实践性知识决定的,只有在教师的实践性知识发生改变的情形下,教师才会无须外力干预,发自内心地、真正地、自发地改进课堂教学行为,从而获得长久而持续的改进效果,实现教师专业发展的目标。


为了研究优秀教师群体的课堂教学行为与实践性知识之间的关系,我们将优秀教师群体的课堂教学行为进行皮尔逊相关系数分析,发现优秀教师群体的课堂教学行为大数据和实践性知识大数据各维度呈现了一定的相关性。借此,可以为优秀教师的培养和发展提供指导。


第一,课堂上需要增加四种对话类行为。研究结果表明:实践性知识水平越高的教师,会在课堂上提出较多的批判性问题,注重学生批判性思维的培养;自我知识、策略知识和反思知识越高的教师,会在课堂上出现更多的创造性问题教学行为;情境知识水平高的教师,会在课堂上提出更多的“为何”问题,重视学生对原理性知识的获得;教师的策略知识和反思知识水平越高,其课堂上学生的创造评价性回答越多,课堂越具有更高的开放性。


因此,在课堂上增加批判性问题、创造性问题、“为何”问题和创造评价性回答四类对话行为,不仅有助于改善课堂的教学质量,培养学生的高阶认知能力,而且可以促进教师实践性知识的增长。


第二,课堂上需要增加两种课堂生成性行为。研究结果表明:教师实践性知识中人际知识、策略知识和情境知识水平越高的教师,在自己的课堂教学中会出现较多的让学生讨论后汇报的课堂教学行为;教师的反思知识水平越高,在课堂教学中越会较多地鼓励学生提出问题。


因此,在课堂上增加“讨论后汇报”和“鼓励学生提出问题”两类生成性行为,不仅有助于教师以学生的观点发展和引领课程,形成以学生为中心的课堂教学模式,而且可以促进教师实践性知识的增长。


第三,课堂上需要增加课堂高阶对话深度。研究结果表明:策略性知识水平高的教师在课堂上容易出现更多的高阶对话的四级对话;反思知识水平高的教师在课堂上容易出现更多的高阶对话的五级对话。


因此,在课堂上增加课堂高阶对话深度,特别是增加四级对话和五级对话,不仅有利于增加课堂问题的难度,对学生的学习实施深度教学干预,而且可以促进教师相关维度的实践性知识的增长。


第四,课堂上需要减少三种课堂教学行为。研究结果表明:实践性知识中反思知识水平越低的教师,在课堂上越会出现较多的常规管理性问题;实践性知识中的自我知识和反思知识水平越低的教师,会在课堂上向学生提出较多的记忆性问题;实践性知识中的自我知识、情境知识和反思知识水平越低的教师,其课堂上越会出现越多的学生认知记忆性回答行为。


因此,在课堂上减少常规管理性问题、记忆性问题和认知记忆性回答教学行为,不仅能够有效改善课堂的教学质量,而且可以帮助教师在相关维度上的实践性知识获得增长。


通过以上研究,我们提出了基于教育大数据的课堂教学领导力提升模型,即普通教师向优秀教师发展的路线图。


首先,教师的专业发展可以从利用课堂教学行为大数据和实践性知识大数据的采集方法与技术入手,提升教师对课堂教学的洞察力。


其次,教师可以从对课堂教学行为大数据和实践性知识大数据的分析切入,提升教师对课堂的决策力。


最后,教师可以实现用技术支持教与学的目标,扩大自己的教学改进影响力,实现教师的专业发展,迈向优秀教师。


“教师”这一职业的专业性,并不是指教师是能够在教学过程中熟练运用教育学和心理学已经阐明的原理与技术的“技术熟练者”,而是指教师在直面课堂教学这一复杂的问题情境时,能够运用来自经验的知识反思教学实践,从而创生教学的“反思性实践家”。优秀教师的发展仍然受制于多种因素影响,优秀教师的培养仍然需要进行系统的专业化学习,同时树立终身学习、终身发展的教师发展观念。


记  者:感谢您和您的团队为我们带来了基于大数据的知识发现研究的丰硕成果,为教师专业发展提供了全新的路线图。期望这一研究成果让更多的教师受益。


(本刊特约记者 魏宁,系北京市东城区教育研修学院研修员,高级教师)

文章来源:《中小学数字化教学》2018年第6期,原标题为《借助大数据揭秘优秀教师的特质——访首都师范大学现代教育技术重点实验室主任王陆教授》


喜欢我们就多一次点赞多一次分享吧~


有缘的人终会相聚,慕客君想了想,要是不分享出来,怕我们会擦肩而过~

《预约、体验——新维空间站》

《【会员招募】“新维空间站”1年100场活动等你来加入》

有缘的人总会相聚——MOOC公号招募长期合作者


产权及免责声明 本文系“MOOC”公号转载、编辑的文章,编辑后增加的插图均来自于互联网,对文中观点保持中立,对所包含内容的准确性、可靠性或者完整性不提供任何明示或暗示的保证,不对文章观点负责,仅作分享之用,文章版权及插图属于原作者。如果分享内容侵犯您的版权或者非授权发布,请及时与我们联系,我们会及时内审核处理。


了解在线教育,
把握MOOC国际发展前沿,请关注:
微信公号:openonline
公号昵称:MOOC

   

登录查看更多
0

相关内容

从各种各样类型的数据中,快速获得有价值信息的能力,就是大数据技术。明白这一点至关重要,也正是这一点促使该技术具备走向众多企业的潜力。大数据的4个“V”,或者说特点有四个层面:第一,数据体量巨大。从TB级别,跃升到PB级别;第二,数据类型繁多。前文提到的网络日志、视频、图片、地理位置信息等等。第三,价值密度低。以视频为例,连续不间断监控过程中,可能有用的数据仅仅有一两秒。第四,处理速度快。
德勤:2020技术趋势报告,120页pdf
专知会员服务
190+阅读 · 2020年3月31日
专知会员服务
123+阅读 · 2020年3月26日
中科大-人工智能方向专业课程2020《脑与认知科学导论》
在线学习体验影响因素结构关系探析
MOOC
7+阅读 · 2019年3月20日
人工智能在教育领域的应用探析
MOOC
12+阅读 · 2019年3月16日
上新 | 《中国地理必修课》,让孩子更懂中国
罗辑思维
3+阅读 · 2019年2月25日
思维发展型课堂的概念、要素与设计
MOOC
4+阅读 · 2018年12月18日
国内高校人工智能教育现状如何?
大数据技术
9+阅读 · 2018年4月24日
秒杀99%大学生!中国最牛高校学霸PK,简历吓坏网友...
人工智能机器人联盟
7+阅读 · 2017年11月12日
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Arxiv
6+阅读 · 2019年7月11日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
Learning to Focus when Ranking Answers
Arxiv
5+阅读 · 2018年8月8日
Arxiv
3+阅读 · 2018年6月14日
Arxiv
9+阅读 · 2018年5月7日
Arxiv
6+阅读 · 2018年4月23日
VIP会员
相关论文
A Survey on Bayesian Deep Learning
Arxiv
63+阅读 · 2020年7月2日
Arxiv
6+阅读 · 2019年7月11日
Hierarchical Deep Multiagent Reinforcement Learning
Arxiv
8+阅读 · 2018年9月25日
Learning to Focus when Ranking Answers
Arxiv
5+阅读 · 2018年8月8日
Arxiv
3+阅读 · 2018年6月14日
Arxiv
9+阅读 · 2018年5月7日
Arxiv
6+阅读 · 2018年4月23日
Top
微信扫码咨询专知VIP会员