提升教師教學專業是每位老師在教育職場上會面臨的終身課題。各國的教育決策單位、專家學者也都積極地透過各種方法,如:如專家講座、工作坊、校內外研習……等,希望幫助老師們提升教師專業,進而提供給學生們優質的教學內容。然而,這些外部資源與方法儘管立意良善,但大多不是直接與教學實務相關,因此也無法對提升老師的教學品質帶來直接的幫助(簡紅珠,2006)。教師在教學專業方面的發展有賴於長期、持續地累積。相較於面對外部的資源,老師常處於被動接受的角色;過去的研究指出,由教師內部所組成的研究小組透過行動研究的方式對學科進行持續性的教學改善活動能直接對教學品質帶來提升,進而促進教師專業成長(Kember, 2000),例如:中國大陸施行的「校本教研」(肖川、胡樂樂,2007)以及在日本有長久歷史並吸引許多國家教育人員前往取經的「授業研究」(lesson study)(Fernandes & Yoshida, 2009)都展現了對教師專業成長的助益。這些由老師共同進行的教研活動,透過行動研究的方式,促進老師對教學的反思(Crookes, 1993);教學反思是教師專業發展過程中的一個重要的環節(Crookes, 1993; Darling-Hammond & McLaughlin, 1995),無論是教師自我反思或是與同儕共同進行教學內容反思,又或是透過專家對上課內容進行評論以協助老師作教學反思,都對教師專業發展有重要的幫助。而無論是校本教研或是授業研究,都提供了重要的場域,讓老師們得以在其中對自己的教學進行深度反思。
在過去到現在數十年間,學者們發展了許多教研工具來進行課堂實錄與分析,作為提升老師教學專業的依據。這些工具包含錄影、錄音、專用表單、電腦程式,一直到現在的手機、平板電腦,智慧手錶以及各項生理監控裝置等。然而,儘管這些課堂教學堂實錄與分析工具提供了大量的教學記錄,但仍存在許多難以普及的技術性問題。而隨著智慧教室的逐漸普及,我們設計了一套基於醍摩豆智慧教室的自動化教學分析系統:蘇格拉底教學行為分析系統,並建構一個分享平台,期望透過此平台協助老師更容易進行教研工作進而提升教學專業。
貳、相關研究
提升教學專業讓學生學得更好,是身為一位專業教師的終身職志。要如何提升老師的教學專業?教研活動被認為是一個能提升教師專業發展的有效方式(Lewis & Tsuchida, 1998)。為了有效地進行教研活動,充分的資料與數據是必需的素材。因此持續有專家學者投入研究與發展老師課堂教學的觀察記錄與分析工具(如:Flanders, 1961; Gorham, 1988; Hughes, 1962; Liang, Huang, & Tsai, 2012; Pennings, Brekelmans, Wubbels, van der Want, Claessens, & van Tartwijk, 2014 ; Schempp, McCullick, Pierre, Woorons, You, & Clark, 2004)。我們也可以看到分析工具的演變,從傳統的紙筆紀錄,如:座位表觀察記錄SCORE(Gall & Acheson, 1980)、FIACS互動分析系統(Flanders, 1966)、S-T分析(藤田、吉本,1980)等,到近代借助電腦進行紀錄的LessonNote (Version 3.8.1; Lesson Study Alliance, 2018)、援用大數據分析的靠譜COP(王陸、蔡榮嘯,2016)、使用穿戴式感應器記錄教學行為的教學分析(Prieto, Sharma, Dillenbourg, & Jesús, 2016)……等。這些方法各有其特色,以下擷取上述幾項工具進行討論與分析。
2.1. 座位表觀察記錄(Seating Chart Observation Records, SCORE)
座位表是一項最直覺的課堂觀察與紀錄工具,座位表觀察記錄(Gall & Acheson, 1980)顧名思義即是利用班級座位表來記錄師生的互動。記錄者在一張依據教室配置所繪製的圖上,依照預先制定好的符號與編碼畫記師生的互動以及老師或學生在教室的移動狀態。例如:學生問問題,就在該生的格子畫記一個問號。這種觀察記錄方式,隨著研究者想要觀察研究的內容不同,所記錄的行為以及代表符號也會跟著變化,因此可看到許多不同類型的記錄表。
2.2. FIACS互動分析系統(Flanders Interaction Analysis Category System)
由Flanders (1966) 提出的課堂互動分析法是透過將老師與學生的對話內容進行編碼分類,將課堂對話內容分為10類,觀察者每3秒進行一次採樣,依照對話的遷移序列在一個1010的矩陣中做紀錄。例如:〔老師對學生提出問題(4),學生回答(8),老師表揚學生(2)〕,這個4-8-2序列會產生兩筆紀錄:4-8與8-2,分別在矩陣中的第4列第8行以及8列2行的值加1。最後產生一個如圖1的矩陣。Flanders將這個矩陣劃分出A~F, G1, G2, H, I, Content Cross 共11個區域,各自賦予一種教學意義。透過矩陣中的數字與區塊來分析這堂課教學互動狀況。由於FIACS的發展背景是在傳統教室的環境中,為了擴充FIACS在具有資訊科技支援的教室環境中的適用性,有學者基於Flanders的研究發展出FIACS的擴充版本,以便記錄師生在教室中運用科技的互動,如:基於信息技術的互動分析編碼系統ITIAS(顧小清、王煒,2004)、改進型弗蘭德斯互動分析系統iFIAS(方海光、高辰柱、陳佳,2012)。
2.3. S-T分析
S-T授業分析(藤田、吉本,1980)建立在師生的互動上,原始的S-T分析只記錄老師或學生行為而不對內容進行分類。記錄員在常規課堂上每30秒採樣一次,最後形成一個由S(學生行為)和T(教師行為)字母組成的字串,如TSSSTS…STS,這個記錄可繪製成S-T圖並換算出一個Rt值(教師行為佔有率)和一個Ch值(行為轉換率,指S轉換到T或T轉換到S)。這兩個數值可用來判斷該堂課是屬於「練習、對話、講授、混合」中,哪一種類型的課。
2.4. LessonNote
LessonNote (Version 3.8.1; Lesson Study Alliance, 2018)系統是一套透過iPad平板電腦進行課堂紀錄的應用程式。LessonNote保留座位表的特性,觀察者將在課堂上觀察到的行為透過畫記、筆記、錄音、照相等方式將師生互動記錄下來(圖2)。這些紀錄都附有事件戳記方便課後排序追蹤。整體而言,LessonNote可視為座位表紀錄的進化版本;LessonNote能記錄的模式較多元,也有時間戳記方便事後分析。傳統的座位表記錄也許可做到類似的效果,但需要動用的人力相當可觀,而觀察員之間的同步協調也不容易達到。
圖一: LessonNote操作介面
2.5. 靠譜COP
靠譜COP在課堂教學行為、課堂提問等項目進行了長期的研究(王陸、蔡榮嘯,2016),透過符號系統,由專家在課堂上記錄老師與學生的重點觀察行為,如教師的有效性提問、教師在四何問題的提問頻次、學生回應類型……等。透過大數據分析,並與過去長期累積的數據進行分析比較,專家在課後馬上進行教學診斷,提供老師改善教學品質的意見。
2.6. 使用穿戴式感應器的紀錄教學行為的教學分析
由Prieto等人所發展的研究(Prieto, Sharma, Dillenbourg, & Jesús, 2016),透過頭戴式小型行動式眼動儀、腦波儀、智慧型手機來收集老師的眼動、腦波、三軸加速數據(3-axis accelerometer readings)、教師視野攝影、教師語音五種數據。從這五種數據解析出需要的特徵,再使用機器學習的技術來推估老師的五種教學活動,包含發布任務、解釋、提問、監督、概念修正。研究結果顯示在區別全班活動與小組活動上已經可以有90%的準確度,但在區辨教師的教學活動內容上,仍有很大的改善空間。
圖四: 教學記錄分析工具比較
這些包含從傳統紙筆記錄到運用電腦技術進行的教學行為數據收集方式各有其優點,也各有其限制(表1),例如FIACS、S-T所收集的數據面向單一,相對會漏失許多重要的資訊,靠譜COP團隊所採用的數據採集方式,儘管記錄方式已經從紙筆轉向電腦輔助輸入,但人力成本偏高,若要收集多面向的數據,就需要部屬多名人力在教學現場進行記錄。而且分析結果須倚賴專家解釋才能展現其價值。因此我們開始思考是否能在不需要額外人力、設備的情況下,自動採集老師教學行為數據,並且在上課結束馬上就能提供老師一份簡單、易懂得分析報告,讓老師用一分鐘就能明瞭自己四十分鐘的上課內容。
參、蘇格拉底教學分析系統與分享平台
為了實踐上述目標,我們依循以下三個原則開發了「蘇格拉底教學行為分析系統」:(1) 相較傳統透過觀察員進行記錄的方式,可能牽涉觀察員的主觀判斷,也可能有漏記或記錯的狀況,我們希望能更直接、完整的方式採集到老師的教學行為數據。(2)將採集與分析自動化以降低人力成本。過去無論是現場記錄或是錄影後分析,都需要大量訓練有素人力資源。因此我們希望在不使用額外設備的狀況下,進行即時數據採集、自動分析。(3) 以容易理解的圖表將分析結果視覺化。前面所介紹的每一種教學數據的分析結果有些不容易讀懂,有些需要經過專家解讀才能理解。因此,我們在設計報表時,使用老師熟悉的元素,降低報表閱讀的門檻,並且讓每個使用本系統的老師上完課馬上得到分析報表,如同有個專家隨時跟在身邊給予即時指導一樣。
3.1 蘇格拉底教學行為分析報告
基於上述原則,我們設計開發了蘇格拉底教學行為分析系統(Ku, Liang, Chang, & Wu, 2018),讓老師在常規智慧教室的環境中,不需配戴額外裝備即可進行自動化教師教學行為數據的採集,老師只要照原本習慣的方式上課即可。收集到的數據透過人工智慧引擎的分析,在課堂結束後將老師的教學行為數據以圖表的方式呈現出來(圖3)分析報告中的各個區塊分別代表(1)科技運用頻次、(2)科技運用累計時間、(3)科技互動指數、(4)教法應用指數、(5)科技運用分布圖。這份報告所呈現的具體數據讓討論的內容有所本,老師們在進行教研及議課的過程中,更能把焦點集中在教學方法的精進上。
圖五: 蘇格拉底教學行為分析報告
3.2 蘇格拉底影片
過去的研究指出,若是多了上課錄影的輔助,老師的反思內容將明顯與單純依靠記憶進行反思不同,原本只靠回想進行反思的重點都集中在教室管理以及自己的表現,有了影片輔助後,老師的反思重點將轉移到授課內容與學生的表現(Rosaen, Lundeberg, Cooper, Fritzen, & Terpstra, 2008)。為了進一步提升教研的效率,基於靜態蘇格拉底教學行為分析報告的基礎,我們開發了結合上課實錄、智慧標籤、與智能分析圖表的「蘇格拉底影片」,一方面讓教研的過程能更清楚看到教學現場實際發生的狀況,另一方面也讓擔任該堂課教學的老師對自己的教學實踐有更深入的體會與反思。
圖六: 蘇格拉底教學行為播放器
3.2.1. 隨點隨看與播放清單
傳統透過觀看錄影的方式進行教學觀摩或是教研需要花費大量的時間去觀看錄影以及快轉、倒轉。蘇格拉底播放器結合影片與老師的教學行為分布圖,分布圖上的標記在蘇格拉底的影片中已經變成可互動的智慧標籤,在行為分布圖的智慧標籤點到哪裡,影片就跳轉到對應的地方,隨點隨看。舉例來說,在教研的過程中,教師們觀察到教學行為分布中有一段看起來很特別的模式(圖4紅框),想要了解這位老師是怎麼進行這個模式的教學的,可以直接點到紅框中的綠色標記,影片馬上跳轉,老師們馬上可以看到這套教學模式重現在眼前。
3.2.2. 點評
此外,蘇格拉底播放器不只是單純的影片與報告的結合,我們同時加入了點評功能(圖4黃框),專家、參與教研或議課的老師、以及授課老師本身都可以在這部影片加入點評註解。首先授課教師可在課後重看自己的上課錄影進行自我反思時寫下自評記錄或是說課註記,而受邀請的專家可對教學內容給予專業的意見,幫助老師們精進教學;共同參與教研或議課的老師們也都可以寫下自己的點評意見,供自己以及授課教師參考。在點評介面中可以選擇不同角色(圖5選擇點評者):(1)觀看專家及其他共同參與教研或議課教師的點評內容,或是(2)選擇本人以進行點評。當選擇觀看他人點評內容時,可以在時間軸上有點評標籤的地方點一下,就會浮現點評內容(圖5紅色箭頭),當角色切換到自己時,就可以透過圖5點評選項處進行標註,並寫下點評的意見。另外,儘管蘇格拉底系統透過自動化的方式來採集與分析數據,但是機器的能力有限。目前並非所有的課堂行為都有辦法透過機器精確地分析。舉例來說,機器很難判斷這整堂課教學過程的演繹是否流暢、授課教材是否恰當;兩份同課同構的數據可能是一模一樣的,但是不同老師在演繹相同的教學模式上可能有很大的不同。這時還是需要有專家以人工的方式來給予評價,所以我們加入了「教材實踐」這個指數(圖最右邊小圖),當有專家觀看這堂課時,就可進行評分。
圖七: 蘇格拉底教學行為播放器:點評
3.3 蘇格拉底分享平台
自從MIT在2001年逐步將校內教學資源上網公開分享開始,全球高等院校相繼跟進,將過去本校生才有機會取得的上課內容公開給全世界每位有心學習的人,反映了孔子教育不分階級貴賤的精神。當我們看到許多老師進行了精采的教學,演繹了許多讓學生學得更投入、更有效的教學模式後,我們開始思考,若是這些的教學方法能夠讓更多老師看到,那將不只有一兩個班的學生受惠,而是會有成千上萬個班級的學生受惠於某位老師所演繹的教學法。因此我們建立了「全球醍摩豆教育研究院蘇格拉底平台」簡稱蘇格拉底分享平台。這個平台是一個公益平台,它的目標是成為一個全球、跨域、跨文化、跨學科智慧教師專業發展課例藏經閣,讓全球各地的老師們都能有機會透過觀看其他老師的好課,學習到更多教學技巧以提升自己的教學專業。
蘇格拉底分享平台收集了使用醍摩豆智慧教室的老師們所分享的蘇格拉底的影片,透過平台的分享,老師們在教研時有更豐富的材料可以研究,也可以進一步針對多部教學影片中要研討的多個片段直接編輯清單,在教研時直接透過清單來播放這些片段進行研討。例如老師們可以建立一份同課異構清單,對同一學習內容,不同教學模式的片段進行比較研究。
蘇格拉底分享平台
肆、總結
教研工作可以幫助老師們分析與反思教學以提升教學專業,過去的研究發展了許多不同教研工具來進行課堂教學分析以幫助老師改善教學設計、教學方法及其他教學環節。然而這些教研工具各有其使用上的限制。近十年來,智慧教室的建置日益普及,在智慧教室中,各項操作行為皆可轉換為數據。借助這個特性,我們得以將老師在智慧教室中的教學行為詳實的記錄下來。這些課堂上的師生互動數據經過處理,透過蘇格拉底人工智慧引擎運算,產生一份課堂教學分析報告,將數據透過易讀的圖表呈現出來。這份報告讓老師們在進行教研時有具體的數據來進行佐證與討論。
為了進一步提升教研的效率與品質,提供老師們更豐富的教研素材,我們設計了「蘇格拉底影片」整合了教學影片、行為特徵、人工智能,成為一個促進教師專業發展的新型態三合一影片,同時加入了點評功能,讓老師們在教研過程中所產生的想法直接記錄到影片中,為該部蘇格拉底影片進一步加值。另外我們也規劃、建立了蘇格拉底分享平台,透過平台的分享,一方面讓老師們有更豐富的素材進行教研;另一方面也讓希望更多老師從平台上所分享的好課中互相觀摩,共同成長,讓更多的學生受益。
儘管蘇格拉底平台透過自動化的方式採集老師的授課行為數據,並自動產生分析報告。但這個系統本身仍有不足之處,例如:課堂上的教學互動行為有些是目前透過機器無法採集辨識的,像是老師在課堂的移動以及其對應的教學意義;又或是師生對話的內容,目前也還沒採集分析,以上這些需要在未來做進一步的研究與發展。
參考文獻
方海光、高辰柱、陳佳 (2012)。改進型弗蘭德斯互動分析系統及其應用。中國電化教育,309,109-113。
王陸、蔡榮嘯(2016)。課堂大數據視角下的提問傾向研究。電化教育研究,279,82-92。
肖川、胡樂樂(2007)。論校本教研與教師專業成長。教師教育研究,19(1),17-21。
簡紅珠(2006)。優質教學釋義與啟示。教育研究與發展期刊,2(2),1-17。
顧小清、王煒(2004)。支持教師專業發展的課堂分析技術新探索。中國電化教育,210,18-21。
藤田廣一、吉本英夫(1980)。Binary表示による教師教育のための授業分析-S-T授業分析-。日本教育工学雑誌,5,119-128。
Crookes, G. (1993). Action research for second language teachers: Going beyond teacher research. Applied Linguistics, 14(2), 130-144.
Darling-Hammond, L., & McLaughlin, M. W. (1995). Policies that support professional development in an era of reform. Phi Delta Kappan, 76(8), 597-604.
Fernandes, C., & Yoshida, M. (2009). Lesson study: A Japanese approach to improving mathematics teaching and learning. New York: Routledge.
Flanders, N. A. (1966). Interaction analysis in the classroom: A manual for observers. Ann Arbor, MI: University of Michigan
Gall, M. D., & Acheson, K. A. (1980). Clinical supervision and teacher development: Preservice and inservice applications. New York, NY: Longman.
Gorham, J. (1988). The relationship between verbal teacher immediacy behaviors and student learning. Communication Education, 37(1), 40-53.
Hughes, M. M. (1962). What is teaching? One viewpoint. Educational Leadership, 19(4), 251-259.
Kember, D. (2000). Action learning and action research: Improving the quality of teaching and learning. London: Kogan Page.
Ku, O., Liang, J. K., Chang, S. B., & Wu, M. (2018). Sokrates Teaching Analytics System (STAS): An Automatic Teaching Behavior Analysis System for Facilitating Teacher Professional Development. In J. C. Yang, M. Chang, L.-H. Wong, & M. M. T. Rodrigo (Eds.), Proceedings of International Conference on Computers in Education 2018 (pp. 696–705). Manila, Philippines: Asia-Pacific Society for Computers in Education.
Lesson Study Alliance (2018). LessonNote (Version 3.8.1) [Computer software]. Retrieved April 26, 2018, from https://itunes.apple.com/us/app/lessonnote/id507466065?mt=8
Lewis, C., & Tsuchida, I. (1998). A lesson is like a swiftly flowing river. American Educator, 22(4), 12-17.
Liang, T. H., Huang, Y. M., & Tsai, C. C. (2012). An Investigation of teaching and learning interaction factors for the use of the interactive whiteboard technology. Educational Technology & Society, 15(4), 356-367.
Pennings, H. J., Brekelmans, M., Wubbels, T., van der Want, A. C., Claessens, L. C., & van Tartwijk, J. (2014). A nonlinear dynamical systems approach to real-time teacher behavior: Differences between teachers. Nonlinear Dynamics, Psychology, and Life Sciences, 18(1), 23-45.
Prieto, L. P., Sharma, K., Dillenbourg, P., & Jesús, M. (2016). Teaching analytics: towards automatic extraction of orchestration graphs using wearable sensors. In D. Gašević, & G. Lynch (Eds.), Proceedings of the Sixth International Conference on Learning Analytics & Knowledge (pp. 148-157). ACM.
Rosaen, C. L., Lundeberg, M., Cooper, M., Fritzen, A., & Terpstra, M. (2008). Noticing noticing: How does investigation of video records change how teachers reflect on their experiences? Journal of Teacher Education, 59(4), 347-360.
Schempp, P., McCullick, B., Pierre, P. S., Woorons, S., You, J., & Clark, B. (2004). Expert golf instructors' student-teacher interaction patterns. Research Quarterly for Exercise and Sport, 75(1), 60-70.