通过虚拟现实课堂中的适应性反馈提升职前教师的注意能力
原文标题： Enhancing preservice teachers' noticing via adaptive feedback in a virtual reality classroom
作者： Yizhen Huanga,b,*, Mira Hansenb, Eric Richtera, Thilo Kleickmannb, Katharina Scheitera, Dirk Richtera
a 德国波茨坦大学教育学系，Karl-Liebknecht-Str. 24-25, 14476, Potsdam, Germany
b 基尔大学教学与教师教育研究系，Olshausenstraße 75, 24098, Kiel, Germany
通讯作者： Yizhen Huang, yihuang@uni-potsdam.de
发表期刊： Learning and Instruction , 95 (2025) 102053
DOI: https://doi.org/10.1016/j.learninstruc.2024.102053
收稿日期： 2024年1月30日；修回日期：2024年10月31日；接受日期：2024年11月12日
关键词
增强与虚拟现实；教育中的数据驱动应用；改善课堂教学；模拟；教师教育
摘要
背景： 尽管适应性绩效反馈在教师教育中具有重要性，但其是否能改善职前教师的注意能力尚不清楚。
目的： 本研究旨在调查反馈对教师注意能力的影响，特别是在虚拟现实（VR）课堂中视觉关注干扰行为的情境下。我们考察了反馈条件（适应性/静态/无反馈）对教师视觉注意表现（VAP）三个维度的影响：选择性视觉注意、视觉扫描范围和对重要事件的视觉敏感度。
样本： 样本由98名职前教师组成，他们被随机分配到三种条件之一。
方法： 我们使用线性混合效应模型来检验VR课堂中的反馈效果，该课堂配备了眼动追踪功能。VAP通过主观（自我报告）和客观（对学生与物体的注视次数；注视位置离散度；观察到的干扰事件数量及首次注视事件的平均时间）两个角度进行测量。适应性反馈基于眼动追踪的实时过程数据，为参与者提供个性化的行为评估；而静态反馈仅提供通用建议。
结果： 我们发现，与对照组相比，两种反馈条件下的参与者都认为自己的（主观）VAP有所改善。但实际的客观VAP仅在接收适应性反馈的教师中有所提升。
结论： 本研究为使用基于实时过程数据的适应性反馈系统以提升职前教师在注意重要课堂事件方面的专业能力提供了实证支持。
1. 引言
职前教师在面对真实课堂教学的动态需求时，往往难以注意到重要的课堂事件和"教学契机"（teachable moments）（如 Bastian et al., 2022）。教师识别课堂情境相关特征并在给定情境中理解其含义的能力，被概括为"注意"（noticing）或"专业视觉"（professional vision）这一构念¹。鉴于其对教师专业学习和教学质量的重要性（Blömeke et al., 2022），各种概念框架被提出以分解这一专业技能（综述见 Stahnke, 2024），如"学习注意"框架（van Es & Sherin, 2021）、"儿童数学思维的专业注意"框架（Jacobs et al., 2010）、"描述-解释-预测"框架（Seidel & Stürmer, 2014）等。尽管不同研究传统中的强调重点各异，但这些框架都汇聚于 Louie 等人（2021）所总结的注意三要素：注意-解释-回应（Attending-Interpreting-Responding, AIR）。
作为专业视觉的第一个要素，"注意"代表在众多并发的课堂事件中"识别重要内容"（van Es & Sherin, 2008, p. 245）；或更狭义地指将视觉注意有效、及时地分配到相关课堂事件上（Star & Strickland, 2008）。注意的这一初始阶段，即视觉注意表现（Visual Attention Performance, VAP），因此被倡导为职前教师的关键发展领域（如 Jarodzka et al., 2021; Stürmer et al., 2017）。
¹ "（专业）注意"和"专业视觉"这两个术语缺乏普遍接受的定义，可能指代类似的概念或以不同方式定义。在本研究中，两个术语作为同义词使用。
1.1 教师的视觉注意表现
Goodwin（1994, p. 606）将专业共同体共享的特定"观察和理解事件的方式"称为"专业视觉"。Sherin 及其同事在教师专业共同体中重塑了这一概念，并将其具体定义为注意和解释课堂关键特征的能力。后来这一概念被重新阐述并与教师注意联系起来（Mason, 1998）："教师选择性注意课堂特征，然后基于专业知识解释所注意到内容的能力"（Sherin et al., 2011, p. 80），因此两个术语经常互换使用。
作为教师专业知识的关键要素，注意通过多样化的概念化和范式进行研究（如 Blömeke et al., 2022）。然而，一个共同的主线贯穿了各种传统：注意始于"关注"------即对课堂事件或特征的初始检测和识别（van Es & Sherin, 2021）。将视觉注意分配到课堂事件上的能力是任何后续解释或教学决策的必要条件，对培养职前教师的专业视觉具有奠基性意义（Star & Strickland, 2008）。因此，本研究聚焦于注意这一初始注意阶段的表现。
尽管选择性分配视觉注意到相关课堂事件的能力------即视觉注意表现（VAP）------具有重要意义，但在复杂的课堂环境中分配注意对大多数教师来说都是具有挑战性的，尤其是对仍在培训中的教师而言。基于眼动追踪研究（综述见 Keskin et al., 2024），与更有经验的同行相比，职前教师表现出较不理想的VAP。例如，职前教师在观看真实课堂录像（Keller et al., 2022）或模拟课堂教学（Stürmer et al., 2017）时，难以检测到相关的课堂事件。在真实教学过程中，一项对六个数据集的元分析表明，职前教师显著更多地关注黑板和其他物体而非学生，这被认为是次优的，因为他们错过了教学最相关的视觉信息------学生的反应（Keskin et al., 2024）。他们的视觉扫描也局限于显著更小的区域，即聚合的注视位置（Huang et al., 2023）。因此，VAP已被确定为职前教师的关键发展领域（Jarodzka et al., 2021）。
为了促进职前教师VAP的发展，专家型教师的眼动特征被作为追求的绩效基准。在一项调查了296项研究的元分析中，Gegenfurtner 等人（2011）总结了专家眼动特征中对专业任务（包括教学）有益的特性。与领域新手相比，专家的VAP可在三个维度上表征：更具选择性的视觉注意 ，如更多与任务相关的注视伴以更少与任务无关的注视；更大的视觉扫描范围 ，如更广泛分散的注视位置；以及对重要事件更高的视觉敏感度，如看到更多事件且速度更快。
根据视觉专长的认知理论（Gegenfurtner et al., 2023; Reingold & Sheridan, 2011），专家型教师优越的VAP由其广泛且结构化的领域知识所驱动，这些知识扩展了工作记忆容量。具体而言，专家能够高效编码和检索与专业情境相关的视觉信息，这是由于他们获得了高水平检索结构（即图式），使其能够整体性地处理信息。因此，上述有利的VAP特征本质上反映了视觉信息处理的效率和完整性程度。
具体而言，专家表现出对任务相关视觉信息更多的注视和对无关信息更少的注视（选择性视觉注意），这是因为图式驱动的选择过程选择了相关的视觉信息同时抑制了对不相关信息的注意。这种图式驱动的选择过程也使专家型教师能够以更快速度注意到更多事件（视觉敏感度）。视觉信息的快速和整体性处理也解释了更分散的注视位置（视觉扫描范围），因为专家从广泛区域而非聚合区域（如一小群学生）获取视觉信息，以形成整合的信息块。总之，眼动指标被广泛认可并用于代表教师VAP的发展目标。
鉴于提升职前教师专业视觉的重要性，已经进行了各种设计针对这一能力的训练机会的尝试（综述见 König et al., 2022）。这些干预措施大多使用视频片段，并聚焦于专业视觉的推理和解释成分（如 Prilop et al., 2021; Seidel et al., 2011）。关于如何改善注意第一阶段------即VAP------表现的研究，尽管关于VAP眼动基准的文献不断增长（综述见 Jarodzka et al., 2021），但在该领域基本上被忽视了。
1.2 反馈对教师表现的影响
改善职前教师VAP的一个有前景的途径是接受绩效反馈------这是一种促使教师专业实践发生变化的关键干预策略（Scheeler et al., 2004）。反馈可定义为向一个人提供关于其在任务中反映的"技能或理解"的信息（Mandouit & Hattie, 2023, p. 1），旨在"修改他们的思维或行为"以改善任务表现（Shute, 2008, p. 154）。这种反馈可以由专家通过辅导提供（Kraft et al., 2018），由同伴通过同伴反馈提供（Murphy et al., 2021），或通过自我反思由自己提供（Lee, 2005）。先前研究确定了与教师有效反馈相关的有前景的特征，如即时性（Scheeler et al., 2004）、任务特定性（Thurlings et al., 2013）以及适应个体教师（Kraft & Christian, 2022）。
更广泛地说，适应性反馈（也称动态反馈）可定义为"根据学习者行为生成"并"基于关键变量个性化"以支持其表现的反馈（Plass & Pawar, 2020, p. 288），与之相对的是为每个人提供相同通用信息的静态反馈（Sailer et al., 2023）。先前关于学生学习的研究表明，适应性反馈比静态反馈产生更好的表现（如 Johnson et al., 2015; Mao et al., 2024）。在教师注意的背景下，适应性反馈应基于的"行为"是视觉注意的分配。与表现相关的关键变量可被指定为选择性视觉注意、视觉扫描范围和对重要事件的视觉敏感度。
尽管关于其对教师的影响仍缺乏实证证据，但先前关于教师反馈的研究确实表明适应性反馈受到指导者（van Ginkel et al., 2016）和被指导者（Jin et al., 2024）的重视。类似地，标准化的辅导项目------即辅导者利用教师的个人信息来指导反馈------被发现能有效提高教师使用期望教学实践（Cohen et al., 2024）和学生学业成就（Glover et al., 2023）。
1.3 在标准化情境中利用过程数据研究适应性反馈
虽然适应性绩效反馈的重要性得到了指导者/辅导者和职前教师的认可，但尚不清楚这种反馈单独是否能改善职前教师的VAP。这一研究空白可能归因于在良好控制的课堂情境中用低推理指标测量VAP的困难。
首先，反馈对教师表现的影响主要通过自我报告（高推理主观评价）来检验，这些报告容易受到各种偏差的影响，如自我提升偏差、邓宁-克鲁格效应和归因偏差（Heck & Krueger, 2016）。在绩效分析领域，人们认识到，仅关注反馈接受者的主观体验而非实际表现改善是有问题的（Martin et al., 2021）。利用课堂教学的实时过程数据将有助于解决这一问题。
这里的实时过程数据是指反映课堂情境教学过程（Milligan, 2020; Provasnik, 2021）的实证数据，可用于即时反馈。它可来源于日志文件、脑成像、心血管监测和眼动追踪等（Järvelä & Bannert, 2021）。在教师VAP的背景下，相关过程数据是连续测量的眼动追踪数据。过程数据对于客观测量教师表现和实现更高水平的反馈适应性都是必要的（Merk et al., 2023）。然而，迄今为止它在教师辅导和反馈领域很少受到关注。
此外，将教师随机分配到各种反馈条件同时考虑情境和程序因素的困难，导致了对反馈特征与VAP之间因果联系的有限探索。例如，视觉注意的分配可能受到学生特征（Seidel et al., 2011）、学科情境（Stahnke & Friesen, 2023）、教学活动（Stahnke & Blömeke, 2021）的影响，更不用说每个独特课堂情境中实际发生的事件了。
总之，为了调查由实时过程数据驱动的适应性反馈对改善职前教师VAP的潜在益处，需要一个呈现真实但标准化情境的课堂环境，不引人注目地测量教学过程，并基于该过程数据提供即时反馈。
具有高真实性和可控性的虚拟现实（VR）课堂已被证明能够满足这些要求。VR课堂允许教师以与真实生活相当的真实方式行为。例如，VR课堂已被广泛用于发展职前教师的课堂管理策略（Seufert et al., 2022）、自我反思效能（Richter et al., 2022）、对学生共情（Stavroulia & Lanitis, 2023）以及其他专业能力（Huang et al., 2023）。除了重建真实可配置课堂环境的优势外，VR还能实现连续的、非侵入性的、多模态的数据收集，捕捉课堂教学的丰富本质。特别与本研究相关的是，VR中的眼动追踪已 readily 应用于人类受试者视觉注意研究，如空间导航（Armougum et al., 2019）。最近，眼动追踪也被用于VR课堂中以研究学生（Hasenbein et al., 2023）和教师（Huang et al., 2023）在课堂情境中的视觉注意。因此，VR课堂是一个合适的环境，可提供"在受保护条件下练习和反馈"的机会（Joyce & Showers, 1982, p. 2），同时研究反馈对职前教师VAP的影响。
1.4 本研究
本研究利用配备眼动追踪的VR课堂，调查接收无反馈、静态反馈或适应性反馈的参与者在感知到的（主观、自我报告）和实际的（客观、行为）VAP方面的变化。客观和主观VAP的操作化定义（见表3）依赖于先前文献中确定的教师VAP三个维度（如 Gegenfurtner et al., 2011; Keskin et al., 2024）：选择性视觉注意、视觉扫描范围和对重要事件的视觉敏感度。
我们假设静态反馈和适应性反馈都会引起自我报告VAP的积极变化，但接收适应性反馈的教师在通过眼动客观测量的实际表现上会有更大的改善。
因此，我们的假设可表述为：
- 接收反馈（静态和适应性）的教师将比对照组具有更好的VAP。
- 接收适应性反馈的教师将比接收静态反馈的教师具有更好的VAP。
- 反馈效应对主观和客观测量的VAP将是不同的。
2. 方法
2.1. 参与者
本调查以目前正在大学教师教育项目中就读且具有有限先前教学经验的职前教师为中心。从两所德国公立大学的初始教师教育（本科）项目的三个研讨班中招募了98名职前教师（M_年龄_ = 24.4岁；65.7%为顺性别女性；86.3%参与率；M_学期_ = 5.5，详细人口统计见表1）。他们正在攻读中学阶段不同学科领域的学位（见附录B表B.1），几乎没有课堂教学经验。该样本的人口统计特征在目标群体中具有代表性（如 Seufert et al., 2022）。选择该特定样本是基于其便利的可及性和对目标人群的代表性。这些研讨班属于教育科学模块，不含实习环节。虽然VR教学模拟被作为研讨班不可分割的一部分呈现，但参与者自由选择是否参加VR环节和研究。他们在VR模拟中的行为和随后的问卷回答均被匿名化，且独立于研讨班评价。
在每个研究地点，参与者被随机分配到三种反馈条件（n_对照组_ = 30, n_静态_ = 33, n_适应性_ = 35）。预期样本量基于两级固定效应随机分配设计的最小可检测效应量（MDES）为0.25的前提确定，这产生了每条件34人、共102人的样本量（Dong & Maynard, 2013）。实际达到的98人样本量与预期基本相同。
表1. 基线时参与者的人口统计特征
| 基线特征 | 对照组a (n=30) | 静态反馈组b (n=33) | 适应性反馈组c (n=35) | |||
|---|---|---|---|---|---|---|
| n | M (SD) | n | M (SD) | n | M (SD) | |
| 性别 d | ||||||
| 女性 | 21 | 21 | 22 | |||
| 男性 | 8 | 12 | 13 | |||
| 年龄 | 29 | 25.2 (5.5) | 33 | 23.6 (2.8) | 35 | 24.5 (4.1) |
| 学习学期 | 29 | 4.7 (3.0) | 33 | 5.6 (2.6) | 35 | 6.1 (2.8) |
注： 不适用时单元格留空。N = 98。
a N_对照组_ = 30。b N_静态_ = 33。c N_适应性_ = 35。d 参与者未报告其他性别认同。
2.2. 材料与设备：VR课堂
VR课堂²以德国公立中学的真实课堂为原型建模。30名虚拟学生（代理）具有多样化的外貌（见图1），可按照先前研究验证的标准化事件脚本行动和说话（Wolff et al., 2016; Huang et al., 2022; 见表2）。我们区分了代理和虚拟形象，这是VR中两类虚拟人。代理的行为是预编程的，而虚拟形象是由真人控制的计算机生成角色。课堂中的许多物体是可交互的，如带有投影演示的黑板（见图3）。根据具有可比人口统计特征的先前使用类似沉浸式VR课堂系统的参与者的反馈（如 Seufert et al., 2022），课堂环境被认为是真实和可信的。
在模拟过程中，参与者通过HTC Vive Pro Eye系统完全沉浸在VR课堂中（技术规格见附录C），配备Tobii XR眼动追踪（Tobii, 2021）。课堂环境中所有可交互的3D物体都可被嵌入式Tobii眼动追踪器追踪，包括教师讲桌、黑板和学生代理。每个可追踪物体有一个X-Y-Z坐标表示其位置。每个物体的兴趣区域定义为该物体的整个3D体。眼动追踪器能够以120Hz采样率记录眼动，精度为0.5°--1.1°，已被广泛用于VR眼动追踪研究（如 Hasenbein et al., 2023）。根据预试验和先前研究（如 Anderson et al., 2021），使用最小持续时间100ms和最大离散度3°来确定注视（详见附录C）。
² 该软件及其源代码采用GNU Affero General Public License授权，可在 https://gitup.uni-potsdam.de/mm_vr/vr-klassenzimmer 免费获取。
2.3. 测量
本研究聚焦于教师VAP的三个维度（Gegenfurtner et al., 2011; Keskin et al., 2024）：选择性视觉注意、视觉扫描范围和对重要事件的视觉敏感度。这些表现指标从两个角度进行操作化：客观和主观（详见表3）。
客观VAP 基于教学模拟期间记录为注视序列的行为数据------眼动（见附录C）。客观VAP操作化为：对学生与物体（包括教师讲桌和黑板）的注视次数差异，值越高表示表现越好（选择性视觉注意）；以基于最近邻距离的Clark-Evans指数表示的注视位置空间聚合度（视觉扫描范围；该指标的详细信息见附录C）；观察到的事件数量和首次注视事件的平均时间（对事件的视觉敏感度）³。主观VAP则捕捉参与者对相同维度的自我报告：更关注学生而非演示、广泛扫描教室、以及认识到的事件数量，采用4点Likert量表（1 = 完全不适用 到 4 = 完全适用）。
³ 通过使用"看到"与"认识到"事件的区分，我们区分了事件在视觉系统中的感觉登记（可能在无意识下处理）和事件的认识（有意识地处理并进入长期记忆）。
我们还纳入了可能与职前教师VAP相关的协变量，特别是在VR模拟情境下（详见附录C）：课堂管理经验（你之前是否上过涵盖课堂管理或处理干扰的课程？1 = 是；2 = 否）和VR技术经验（你对虚拟现实有什么水平的经验？1 = 无；2 = 一点；3 = 很多）。外在认知负荷使用虚拟环境多维认知负荷量表的外在子量表（7项）进行测量（Andersen & Makransky, 2021）。一个示例项目是"用于完成任务的技术很难使用。"（1 = 我不同意 到 4 = 我完全同意）。该量表的信度良好，α = .84。各条件下所有包含变量的相关表见附录B表B3。
表3. 变量的操作化定义
| 维度 | 客观测量（变量名） | 主观测量（变量名） |
|---|---|---|
| 选择性视觉注意 | 对学生与物体（黑板和教师讲桌）的注视次数差异，值越高表示表现越好（学生-物体注视次数差异） | "在第一/第二次VR教学环节中，我更关注学生而非演示"（选择性视觉注意感知） |
| 视觉扫描范围 | 注视点模式的Clark-Evans指数，捕捉注视位置空间离散/聚合程度，值越低越好（注视点模式CE）b | "......我广泛地扫描教室......"（视觉扫描范围感知） |
| 对重要事件的视觉敏感度 | 看到的事件数量，越多越好（看到的事件）；首次注视事件的平均时间，越短越好（事件注视速度） | "你注意到了多少事件？"（认识到事件的感知） |
a 关于使用计数数据而非比例的理由，请参见附录C。
b CE是基于最近邻距离的点聚合的尺度不变度量，CE在0到1范围内越小表示聚合程度越高，即视觉扫描范围越窄，详见附录C。
2.4. 程序：VR教学模拟与反馈干预
在VR环节前两周，向参与者发送了包含模拟所有细节的介绍包（见附录A）。参与者准备了一节关于"如何做好笔记"主题的简短课程，提供了演示幻灯片、演讲备注和教案。他们还被提示将作为八年级课堂的代课教师，因此不了解学生的姓名。
在实验当天（时间线见图2，实验方案见附录A），参与者首先在问卷中报告基线人口统计特征（见表1），然后进行模拟。参与者随后在VR中进行了5分钟的互动介绍，以熟悉环境。
在教学模拟期间（对所有参与者相同），参与者在VR课堂中讲授笔记策略课程。提供了与介绍包中相同的演示幻灯片和教案。然而，这些材料不应占用太多视觉注意，因为它们仅包含简短关键词和简单图标以供快速参考，且参与者已经熟悉这些内容。因此，黑板和教师讲桌被视为比学生更不相关的教学任务兴趣区域。课程分为两个10分钟的环节，分别用作前测和后测。选择该主题是因为它广泛适用于大多数学科，因为我们的参与者有各种各样的学科背景。
学生代理会进行预编程行为（见表2），这些行为是中学生典型且值得关注的（如 Wolff et al., 2016）。参与者与这类学生行为（事件）相关的眼动被连续测量。然后利用眼动信息实时生成热力图，以说明视觉注意的分配以及参与者的移动，这随后被用于适应性反馈（见图4）。
在两个模拟环节之间，参与者被随机分配从实验者处接收无反馈、静态反馈或适应性反馈。三种条件均在下一环节前花费5分钟。实验者接受训练以按照标准化方式提供反馈（反馈方案见附录B表B.4）。
静态反馈脚本包括基于先前研究（如 Keskin et al., 2024）的三条关于改善VAP的通用建议：关注学生而非演示；广泛扫描教室；在教室中走动。该脚本是静态的，因为该条件下的每个参与者无论其在前测中的实际行为如何，收到的脚本都是相同的。
相比之下，适应性反馈脚本使用基于过程数据的可视化，并根据参与者的行为（注意到的事件和视觉注意分布）进行在前测中的定制。脚本包含三个部分，基于先前关于使用反馈和反思改善专业视觉的研究（Kleinknecht & Gröschner, 2016）：描述、评估和建议。首先，向参与者展示并介绍一个反馈屏幕，其中包含注意到的课堂事件统计信息及其视觉注意分布和移动的热力图（见图4）。其次，将热力图与先前队列的典型模式热力图进行评估比较（例如，"你的视觉注意更多地局限于前排和中间的学生，这使得注意到教室其他部分发生的事情非常困难，"完整反馈脚本见附录B表B.4）。最后，给出与静态反馈条件相同的建议，但增加了一句将建议与参与者在前测中的自身行为联系起来的句子。该脚本是适应性的，因为它响应了参与者的行为，并基于视觉注意分布进行了个性化（Plass & Pawar, 2020）。
在反馈干预或等待时间（对照组）之后，所有参与者继续进行第二个10分钟的教学模拟。然后参与者在调查中报告了他们对VAP的主观感知和其他协变量。
表2. 学生代理事件脚本节选
| 事件ID | 事件开始时间（秒） | 代理位置 | 行为 |
|---|---|---|---|
| 1 | 341 | 14R | 看窗外 |
| 2 | 366 | 15L | 扔纸团 |
| ... | ... | ... | ... |
| 20 | 866 | 02R | 玩笔 |
注： 两个VR环节的完整事件列表见附录B表B.2。
2.5. 统计分析
本研究使用线性混合（效应）模型来检验假设，该模型考虑了多个层面的效应（数据管理程序和初步分析见附录C）。我们将反馈条件、前测VAP、课堂管理经验、VR经验和外在认知负荷在后测中的效应作为固定效应，将研究地点（收集数据的大学）作为随机效应，以调查反馈条件可能如何影响后测中的VAP⁴。在该设计中，研究地点是"随机"的，即假设研究地点是所有可能地点的一个随机样本（Judd et al., 2016）。
混合模型使用R 4.1.2（R Core Team, 2021）中lme4包的lmer函数以限制最大似然法（REML）拟合（Bates et al., 2015）。所有变量在进入混合模型前进行z分数标准化，以获得标准化系数便于比较相对效应。边际效应图使用jamovi 2.3中的GAMLj 3.0包生成（Gallucci, 2023; The jamovi project, 2023）。
类似于Cohen's d的效应量按照混合模型的标准化程序计算（Brysbaert & Stevens, 2018）。我们纳入了赤池信息准则（AIC；随拟合优度提高而降低）和贝叶斯信息准则（BIC；随拟合优度提高而降低）作为拟合优度指数（见附录C）。
⁴ 预注册、样本数据、主要分析和实验材料可在开放科学框架获取：https://osf.io/2nk3x/
3. 结果
我们首先检验了反馈条件对参与者在后测中选择性视觉注意、视觉扫描范围和对事件视觉敏感度的主观感知的影响，同时通过三个混合模型控制了前测和其他协变量（见表4）。
与对照组（无反馈）相比，静态反馈和适应性反馈在后测中均在选择性视觉注意（β_静态_ = 0.68, t(82) = 2.78, p = .007, d = 0.63；β_适应性_ = 0.68, t(82) = 3.16, p = .002, d = 0.63）和视觉扫描范围（β_静态_ = 0.66, t(82) = 2.87, p = .005, d = 0.62；β_适应性_ = 0.78, t(82) = 3.31, p = .001, d = 0.69）的自评得分上显著更高。对于认识到的事件的感知，仅适应性反馈有显著的正向效应（β_静态_ = 0.21, t(80) = 1.12, p = .27；β_适应性_ = 0.43, t(80) = 2.39, p = .019, d = 0.58）。基于Bonferroni校正的事后检验，我们发现静态反馈和适应性反馈条件在选择性视觉注意感知（t(82) = -0.32, p = 1.00）、视觉扫描范围感知（t(82) = -0.52, p = 1.00）和认识到的事件感知（t(80) = -1.28, p = .61）方面没有显著差异。所纳入的协变量未发现与主观VAP显著相关。
表4. 主观视觉注意表现结果摘要
| 模型项 | 选择性视觉注意 | 视觉扫描范围 | 视觉敏感度（认识到的事件） | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| β | ES | t | p | β | ES | t | p | β | ES | t | p | |
| 静态-对照 | 0.68 | 0.61 | 2.78 | .007** | 0.66 | 0.60 | 2.87 | .005** | 0.21 | 0.12 | 1.12 | .27 |
| 适应性-对照 | 0.68 | 0.86 | 3.16 | .002** | 0.78 | 0.87 | 3.31 | .001** | 0.43 | 0.67 | 2.39 | .019* |
| 课堂管理经验 | -0.06 | 0.07 | -0.52 | .61 | 0.03 | 0.04 | 0.27 | .79 | -0.10 | 0.18 | -0.72 | .47 |
| VR经验 | -0.04 | 0.09 | -0.25 | .80 | -0.02 | 0.09 | -0.14 | .89 | 0.02 | 0.11 | 0.18 | .86 |
| 外在认知负荷 | -0.09 | 0.10 | -0.72 | .47 | 0.10 | 0.14 | 0.95 | .35 | 0.07 | 0.10 | 0.72 | .47 |
| 前测表现 | 0.55 | 0.23 | 3.93 | <.001*** | 0.52 | 0.24 | 3.61 | <.001*** | 0.44 | 0.19 | 2.99 | .004** |
注： β = 标准化系数；ES = 效应量；LL/UL = 95% CI的下限/上限。
a AIC = 265.52, BIC = 287.29。b AIC = 251.05, BIC = 287.29。c AIC = 265.52, BIC = 287.29。
*p < .05, **p < .01, **p < .001.
我们随后检验了客观VAP指标的混合模型（见表5）。我们发现，与对照组相比，仅适应性反馈条件在以下方面均正向且显著地预测了所有结果：选择性视觉注意（学生-物体注视次数差异；β_适应性_ = 1.40, t(82) = 8.68, p < .001, d = 0.86）、视觉扫描范围（注视点模式CE；β_适应性_ = 1.11, t(81) = 5.13, p < .001, d = 0.79；离散程度在图5中可视化呈现）、看到的事件（β_适应性_ = 1.31, t(83) = 6.44, p < .001, d = 0.83）和事件注视速度（β_适应性_ = -1.55, t(76) = -7.56, p < .001, d = 0.87）。Bonferroni校正的事后检验表明，适应性反馈条件下的客观VAP在选择性视觉注意（t(82) = 7.52, p < .001, d = 0.71）、视觉扫描范围（t(81) = 5.27, p < .001, d = 0.69）、看到的事件（t(83) = 6.81, p < .001, d = 0.70）和注视速度（t(76) = 7.06, p < .001, d = 0.80）方面均显著高于静态反馈条件。所纳入的协变量未发现与主观VAP显著相关。
表5. 客观视觉注意表现结果摘要
| 模型项 | 选择性视觉注意 | 视觉扫描范围 | 视觉敏感度（看到的事件） | 视觉敏感度（注视速度） | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| β | ES | t | p | β | ES | t | p | β | ES | t | p | β | ES | t | p | |
| 静态-对照 | 0.05 | 0.45 | 0.62 | .54 | -0.01 | 0.19 | -0.19 | .85 | -0.09 | 0.30 | -1.02 | .31 | -0.10 | 0.22 | -0.44 | .66 |
| 适应性-对照 | 1.40 | 1.04 | 8.68 | <.001*** | 1.11 | 0.78 | 5.13 | <.001*** | 1.31 | 0.82 | 6.44 | <.001*** | -1.55 | 0.97 | -7.56 | <.001*** |
| 课堂管理经验 | 0.09 | 0.17 | 0.61 | .54 | -0.11 | 0.20 | -0.79 | .43 | -0.02 | 0.08 | -0.19 | .85 | 0.05 | 0.13 | 0.40 | .69 |
| VR经验 | -0.01 | 0.09 | -0.05 | .96 | -0.02 | 0.09 | -0.15 | .88 | 0.07 | 0.14 | 0.93 | .36 | -0.04 | 0.10 | -0.35 | .73 |
| 外在认知负荷 | 0.06 | 0.10 | 0.34 | .73 | -0.09 | 0.03 | -0.50 | .62 | -0.05 | 0.07 | -0.39 | .70 | 0.06 | 0.13 | 0.50 | .62 |
| 前测表现 | 0.82 | 0.55 | 18.63 | <.001*** | 0.84 | 0.52 | 14.26 | <.001*** | 0.76 | 0.49 | 12.03 | <.001*** | 0.71 | 0.40 | 7.14 | <.001*** |
注： β = 标准化系数；ES = 效应量；LL/UL = 95% CI的下限/上限。
a AIC = 197.86, BIC = 222.08。b AIC = 232.01, BIC = 256.93。c AIC = 142.33, BIC = 163.38。d AIC = 220.96, BIC = 242.75。
*p < .05, **p < .01, **p < .001.
这些结果部分支持了我们的第一个假设。静态反馈和适应性反馈条件下的职前教师在三个主观VAP指标中的两个（选择性视觉注意和视觉扫描范围）的自评方面均高于无反馈组；仅接收适应性反馈的参与者报告了显著更高数量的事件认识。然而，我们发现，在客观测量方面，接收静态反馈并未导致比无反馈显著更好的表现。因此，我们关于静态和适应性反馈均优于对照组的第一个假设仅适用于主观测量的选择性视觉注意和视觉扫描范围。
结果也部分支持了我们的第二个假设。我们发现，接收适应性和静态反馈的教师同样报告了主观测量VAP的积极变化，且无显著差异。但适应性反馈在以眼动指标客观测量时导致了显著更好的表现。因此，我们的第二个假设仅适用于客观测量的表现。
最后，支持了我们的第三个假设------我们发现反馈效应在检验主观和客观测量的VAP时确实是不同的。对于客观VAP，仅适应性反馈导致了相比对照组显著更高的表现，而静态反馈的效应仅对主观测量的选择性视觉注意和视觉扫描范围相对于对照组显著。
4. 讨论
本研究揭示了，由VR教学模拟中实时过程数据驱动的适应性反馈，与静态或无反馈相比，导致了以眼动指标衡量的显著更好的实际VAP。研究表明，适应性反馈稳健地增加了对学生而非物体的视觉注意、更广泛的视觉注意分布、以及对关键课堂事件的敏感度（包括检测到更多事件和更快的检测速度）。另一方面，静态反馈并未导致比对照组显著更好的实际表现，尽管接收适应性或静态反馈的教师对其选择性视觉注意和视觉扫描范围的评分均高于对照组。
适应性反馈稳健地改善了职前教师主观和客观VAP的主要发现，支持了先前关于适应性反馈的研究：与一刀切的方法相比，根据教师经验量身定制的反馈更为优越（如 Koellner & Jacobs, 2015）。由实时过程数据驱动的适应性反馈的益处可通过两个机制来解释。
第一，当前的适应性反馈方案包含了个性化的描述和评估，以及与参与者直接相关的建议。这种结构呼应了"详尽反馈"（Elaborated Feedback, EF）------一种详述为何给出建议以及如何改进的反馈形式（Shute, 2008）。与更简单的反馈形式如"正确回应知识"（Knowledge of Correct Response, KCR⁵）相比，EF被发现能促进低阶（如理解和回忆）和高阶学习（如分析和应用）（Mertens et al., 2022），且对新手特别有益（Wisniewski et al., 2020），而新手正是本研究的目标人群。在这个意义上，为每位教师量身定制的描述和评估为所给建议提供了详尽的背景，支持教师在VAP方面实现自我改善。相反，没有具体背景的通用"建议"的静态反馈可能被视为一种KCR，暗示表现不佳但没有详尽的解释。
⁵ 确认解答是否正确的反馈。
第二，另一个潜在解释源于适应性反馈中使用的实时过程数据的客观性质，包括注意到的事件统计以及视觉注意和移动的热力图。人们广泛认为，中性反馈------即无偏见的、客观的、基于实际数据的反馈------优于主观和评价性（表扬或批评）反馈（Thurlings et al., 2013）。Kluger 和 DeNisi（1996）的开创性工作也强调，有效的反馈应将注意焦点引导到任务而非自身。实时过程数据的固有客观性鼓励教师关注提升VAP的提示，而缺乏数据支持且与教师实际经验脱节的静态反馈可能被视为不相关甚至虚假的。
我们的另一个重要发现是反馈对主观与客观测量表现的不同效应：接收静态反馈的教师对其VAP的评分显著高于对照组，但他们在眼动指标方面的实际表现（如他们扫描教室的广度）并不比对照组更好。这一发现可能由不同的机制解释，需要未来研究。例如，自我提升偏差（Heck & Krueger, 2016）理论认为，个体往往表现出高估自己能力和表现的倾向，如声称自己比同行更善良、公正和有能力的教师（Bollich et al., 2015）。我们的发现可能表明，职前教师也可能存在自我提升偏差，而未提供其表现客观视角的静态反馈放大了这种偏差。然而，同样有可能的是，参与者受到了社会期望偏差（Holtgraves, 2004）的影响，报告的比他们实际感知的VAP更积极。目前尚无法推断哪种解释更有前景。不过，这一结果表明了未来探究的潜在领域，并呼吁采用结合不同数据模态的测量方法来实现教师表现的三角验证。
4.1. 启示与未来方向
本研究为设计基于教学模拟的职前教师辅导和反馈实践提供了一种极具前景的方法。教学模拟近似于教师的专业实践（Duchatelet et al., 2022）。作为一种情境化学习机会，教学模拟为教师提供了一个情境丰富但低风险的环境，使其能够遇到和应对挑战、体验行为后果，最重要的是，根据反馈修改自己的行为（Kaufman & Ireland, 2016）。因此，它是接触真实课堂有限的职前教师的理想训练形式。
在教师模拟辅导领域，Cohen 及其同事（2023）已经发现了一种特定类型反馈方案的显著效果，该方案与我们的方法高度可比：它简短（也是5分钟）、即时、标准化、针对特定技能、由受过训练的人员（辅导者）提供，并根据个体教师的知识或技能进行调整。我们扩展了这一研究路线，揭示了适应性反馈不仅对依赖显性知识的教学实践有利，而且对严重依赖情境和感知的专业技能（如在课堂中分配视觉注意）也有利。
我们还发现，简短和指令性的建议本身不足以引发表现改善。本研究中的静态和适应性反馈都包含相同的建议，表明建议本身并不驱动改变，即使接受者可能认为它们有用。与个性化描述和评估相结合的建议是解释适应性反馈优于静态反馈效果的关键。Scheeler 及其同事（2004）提出了类似的建议：识别改进领域和改进方式的纠正性反馈，需要与非纠正性信息结合，如"教师执行特定教学行为的次数"（Scheeler et al., 2004, p. 399）。
在专业视觉训练方面，当前适应性反馈方案的要素可能不仅是支持初始VAP的有效工具，也可支持专业视觉后期基于知识的推理阶段。基于知识的推理被描述为"描述、解释和预测课堂情境"的过程（Seidel & Stürmer, 2014, p. 739）。可以设想，基于眼动数据的个性化描述和评估也可用于在自我反思或同伴反馈活动中建模或促进基于知识的推理。例如，Kleinknecht 和 Gröschner 在视频俱乐部环境中为职前教师设计了一项自我反思活动，使用了类似的描述、评估和创建"替代教学策略"以改进教学的方案（2016, p. 48）。
本研究还展示了实时过程数据在生成客观、适应性反馈和评估教师表现提升方面的巨大潜力。利用实时过程数据使辅导者能够及时提供关键信息，并可根据每位教师的个人经验进行量身定制。最重要的是，过程数据揭示了无法直接感知的洞察，帮助教师以最小偏差得出更准确的自我评估。需要强调的是，VR系统并非收集和呈现实时过程数据的唯一方法。可穿戴传感器（综述见 Ba & Hu, 2023），如用于眼动、皮肤电活动（EDA）和心电图（ECG）的传感器，在虚拟模拟以外的各种环境中收集教学过程数据方面具有巨大潜力。这些数据流可以类似地用于提供如本研究所述的适应性反馈。
尽管适应性反馈产生了令人鼓舞的结果，但我们需要承认几个方法学限制。第一 ，我们的样本仅由对真实课堂教学接触有限的职前教师组成，他们可能在没有与实际比较的情况下将VR情境视为真实。专长水平与适应性反馈对VAP影响之间的关系仍不确定。考虑到专家型教师与新手教师相比在视觉注意方面的优越表现，研究更有经验的教师是否对适应性反馈表现出不同反应将是很重要的。第二 ，我们反馈方案的格式在各条件间是标准化的：它们简短（5分钟）、结构化，由受过训练的辅导者提供。这种特定格式已在过去的反馈研究中使用（如 Cohen et al., 2023; Kleinknecht & Gröschner, 2016），但对其他反馈格式的推广性需要进一步研究。反馈效果也受到广泛因素的影响，包括反馈的持续时间、时机和频率（Kraft & Christian, 2022）、传递者（专家、同伴或自我）（Jin et al., 2024）以及接受者接受反馈的倾向或开放性（Panadero & Lipnevich, 2022）。例如，尽管当前的反馈方案因其严格的标准化可以很容易地采用为全自动计算机生成反馈，但受过训练的辅导者对反馈效果的作用仍然是不确定的。第三，鉴于当前研究的实验设计聚焦于反馈条件，它没有提供关于教师视觉注意如何受个体学生特征影响的洞察。这一方面在近期教师注意的概念发展中至关重要。例如，Louie 及其同事（2021）引入了FAIR注意框架（Framing -- Attending -- Interpreting -- Responding，即框架化-注意-解释-回应），强调塑造教师注意的社会政治背景。旨在发展教师注意技能的未来研究将受益于纳入注意发生的社会政治背景。
虽然我们的方法旨在突出适应性反馈的益处，但我们认识到在反馈中隔离适应性效果与内容变化的固有困难。展望未来，未来研究可受益于采用配对设计，以在各条件间保持反馈内容一致的同时仅改变适应性水平。这将增强内部效度，并对适应性反馈机制的独特贡献提供更清晰的洞察，例如通过自适应算法或动态反馈调整。
来自真实课堂教学的验证------考虑中长期迁移------对于支持当前关于适应性反馈在教学模拟中对VAP有效性的发现是不可或缺的。将近来可用的可穿戴眼动追踪器与高效的数据处理基础设施相结合，在不久的将来将是可行的，可以从真实课堂中实时收集和分析眼动数据。
最后，本研究调查的反馈效果是高度领域特定的，仅涉及职前教师的VAP。如果满足以下条件，该发现可能可推广到其他专业技能：a) 表现可以用低推理客观测量；b) 最佳表现有相对明确的定义；c) 表现指标的解释需要结合详尽和个性化的解释进行情境化。
5. 结论
这些发现为教师教育项目和学习环境的设计提供了有价值的启示。适应性反馈带来的注意能力的明显改善，凸显了从VR模拟中收集的实时过程数据在根据个体需求量身定制教学方面的潜力，从而促进更有效的学习。它还为在职前教师培训中纳入简短、有针对性、适应性反馈方案提供了实证基础------增强的注意技能可能带来更好的教学和学生参与。
CRediT 作者贡献声明
- Yizhen Huang： 写作------初稿，可视化，方法论，研究实施，形式分析，数据管理，概念化
- Mira Hansen： 写作------审阅与编辑，研究实施，数据管理，概念化
- Eric Richter： 写作------审阅与编辑，资源，研究实施，数据管理，概念化
- Thilo Kleickmann： 写作------审阅与编辑，资源，项目管理，概念化
- Katharina Scheiter： 写作------审阅与编辑，资源，项目管理，概念化
- Dirk Richter： 写作------审阅与编辑，资源，项目管理，概念化
利益冲突声明
数据收集和分析由德国联邦教育研究部（BMBF）资助，资助号 01JA23M05A：DigiProMIN STEM教师数字化相关和数字化支持的专业发展能力中心。我们不存在需要披露的利益冲突。
参考文献
Andersen, M. S., & Makransky, G. (2021). The validation and further development of a multidimensional cognitive load scale for virtual environments. Journal of Computer Assisted Learning, 37(1), 183--196. https://doi.org/10.1111/jcal.12478
Anderson, N., Jacobs, O., Bischof, W., & Kingstone, A. (2021). A natural look at scanpath theory: The way we move our head and eyes predicts scene recognition. Journal of Vision, 21(9), 2222. https://doi.org/10.1167/jov.21.9.2222
Armougum, A., Orriols, E., Gaston-Bellegarde, A., Marle, C. J.-L., & Piolino, P. (2019). Virtual reality: A new method to investigate cognitive load during navigation. Journal of Environmental Psychology, 65, Article 101338. https://doi.org/10.1016/j.jenvp.2019.101338
Ba, S., & Hu, X. (2023). Measuring emotions in education using wearable devices: A systematic review. Computers & Education, 200, Article 104797. https://doi.org/10.1016/j.compedu.2023.104797
Bastian, A., Kaiser, G., Meyer, D., Schwarz, B., & König, J. (2022). Teacher noticing and its growth toward expertise: An expert--novice comparison with pre-service and in-service secondary mathematics teachers. Educational Studies in Mathematics, 110(2), 205--232. https://doi.org/10.1007/s10649-021-10128-y
Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1--48. https://doi.org/10.18637/jss.v067.i01
Blömeke, S., Jenssen, A., Ross, N., Kaiser, G., & König, J. (2022). Opening up the black box: Teacher competence, instructional quality, and students' learning progress. Learning and Instruction, 79, Article 101600. https://doi.org/10.1016/j.learninstruc.2022.101600
Bollich, K. L., Rogers, K. H., & Vazire, S. (2015). Knowing more than we can tell: People are aware of their biased self-perceptions. Personality and Social Psychology Bulletin, 41(7), 918--929. https://doi.org/10.1177/0146167215583993
Brysbaert, M., & Stevens, M. (2018). Power analysis and effect size in mixed effects models: A tutorial. Journal of Cognition, 1(1), 1--20. https://doi.org/10.5334/joc.10
Cohen, J. (1992). A power primer. Psychological Bulletin, 112(1), 155--159. https://doi.org/10.1037/0033-2909.112.1.155
Cohen, J., Wong, V. C., Krishnamachari, A., & Erickson, S. (2024). Experimental evidence on the robustness of coaching supports in teacher education. Educational Researcher, 53(1), 19--35. https://doi.org/10.3102/0013189X231198827
Dong, N., & Maynard, R. (2013). PowerUp!: A tool for calculating minimum detectable effect sizes and minimum required sample sizes for experimental and quasi-experimental design studies. Journal of Research on Educational Effectiveness, 6(1), 24--67. https://doi.org/10.1080/19345747.2012.673143
Duchatelet, D., Jossberger, H., & Rausch, A. (2022). Assessment and evaluation of simulation-based learning in higher education and professional training: An introduction. Studies In Educational Evaluation, 75, Article 101210. https://doi.org/10.1016/j.stueduc.2022.101210
Gallucci, M. (2023). GAMLj3: GAMLj suite for linear models Computer software. https://gamlj.github.io/
Gegenfurtner, A., Gruber, H., & Stürmer, K. (2023). Towards a cognitive theory of visual expertise: The case of teacher's adaptive knowledge structure, instruction, and the impact on teachers' knowledge. In C. Damşa, A. Rajala, G. Ritella, & J. Brouwer (Eds.), Re-theorising learning and research methods in learning research (pp. 146--163). Routledge.
Gegenfurtner, A., Lehtinen, E., & Säljö, R. (2011). Expertise differences in the comprehension of visualizations: A meta-analysis of eye-tracking research in professional domains. Educational Psychology Review, 23(4), 523--552. https://doi.org/10.1007/s10648-011-9174-7
Glover, T. A., Reddy, L. A., & Crouse, K. (2023). Instructional coaching actions that predict teacher classroom practices and student achievement. Journal of School Psychology, 96, 1--11. https://doi.org/10.1016/j.jsp.2022.10.006
Goodwin, C. (1994). Professional vision. American Anthropologist, 96(3), 606--633. https://doi.org/10.1525/aa.1994.96.3.02a00100
Hasenbein, L., Stark, P., Trautwein, U., Gao, H., Kasneci, E., & Göllner, R. (2023). Investigating social comparison behaviour in an immersive virtual reality classroom based on eye-movement data. Scientific Reports, 13(1), Article 1. https://doi.org/10.1038/s41598-023-41704-2
Heck, P. R., & Krueger, J. I. (2016). Social perception of self-enhancement bias and error. Social Psychology, 47(6), 327--339. https://doi.org/10.1027/1864-9335/a000287
Holtgraves, T. (2004). Social desirability and self-reports: Testing models of socially desirable responding. Personality and Social Psychology Bulletin, 30(2), 161--172. https://doi.org/10.1177/0146167203259930
Huang, Y., Miller, K. F., Cortina, K. S., & Richter, D. (2023). Teachers' professional vision in action: Comparing expert and novice teacher's real-life eye movements in the classroom. Zeitschrift Für Pädagogische Psychologie German Journal of Educational Psychology, 37(1--2), 122--139. https://doi.org/10.1024/1010-0652/a000313
Huang, Y., Richter, E., Kleickmann, T., & Richter, D. (2022). Class size affects preservice teachers' physiological and psychological stress reactions: An experiment in a virtual reality classroom. Computers & Education, 184, 104503. https://doi.org/10.1016/j.compedu.2022.104503
Huang, Y., Richter, E., Kleickmann, T., & Richter, D. (2023). Virtual reality in teacher education from 2010 to 2020: A review of program implementation, intended outcomes, and effectiveness measures. In K. Scheiter, & I. Gogolin (Eds.), Bildung für eine digitale Zukunft Education for a Digital Future (pp. 399--441). Springer Fachmedien. https://doi.org/10.1007/978-3-658-37895-0_16
Huang, Y., Richter, E., Kleickmann, T., Scheiter, K., & Richter, D. (2023). Body in motion, attention in focus: A virtual reality study on teachers' movement patterns and noticing. Computers & Education, 206, 104912. https://doi.org/10.1016/j.compedu.2023.104912
Jacobs, V. R., Lamb, L. L. C., & Philipp, R. A. (2010). Professional noticing of children's mathematical thinking. Journal for Research in Mathematics Education, 41(2), 169--202. https://doi.org/10.5951/jresematheduc.41.2.0169
Jarodzka, H., Skuballa, I., & Gruber, H. (2021). Eye-tracking in educational practice: Investigating visual perception underlying teaching and learning in the classroom. Educational Psychology Review, 33(1), 1--10. https://doi.org/10.1007/s10648-020-09565-7
Järvelä, S., & Bannert, M. (2021). Temporal and adaptive processes of regulated learning---what can multimodal data tell? Learning and Instruction, 72, 101268. https://doi.org/10.1016/j.learninstruc.2019.101268
Jin, X., Tigelaar, D., van der Want, A., & Admiraal, W. (2024). Implementation models for teacher peer feedback: A systematic review. European Journal of Teacher Education, 1--19. https://doi.org/10.1080/02619768.2024.2363854
Johnson, A. M., Reisslein, J., & Reisslein, M. (2015). Transitional feedback schedules during computer-based practice. Computers & Education, 81, 270--280. https://doi.org/10.1016/j.compedu.2014.10.020
Joyce, B., & Showers, B. (1982). The coaching of teaching. Educational Leadership, 40(1), 4.
Judd, C. M., Westfall, J., & Kenny, D. A. (2016). Experiments with more than one random factor: Designs, analytic models, and statistical power. Annual Review of Psychology, 68(1), 601--625. https://doi.org/10.1146/annurev-psych-122414-033702
Kaufman, D., & Ireland, A. (2016). Enhancing teacher education with simulations. TechTrends, 60(3), 260--267. https://doi.org/10.1007/s11528-016-0049-0
Keller, L., Cortina, K. S., Müller, K., & Miller, K. F. (2022). Noticing and weighing alternatives in the reflection of regular classroom teaching: Evidence of expertise using mobile eye-tracking. Instructional Science, 50, 251--272. https://doi.org/10.1007/s11251-021-09570-5
Keskin, O., Seidel, T., Stürmer, K., & Gegenfurtner, A. (2024). Eye-tracking research on teacher professional vision: A meta-analytic review. Educational Research Review, 42, Article 100586. https://doi.org/10.1016/j.edurev.2023.100586
Kleinknecht, M., & Gröschner, A. (2016). Fostering preservice teachers' noticing with structured video feedback: Results of an online- and video-based intervention study. Teaching and Teacher Education, 59, 45--56. https://doi.org/10.1016/j.tate.2016.05.020
Kluger, A. N., & DeNisi, A. (1996). The effects of feedback interventions on performance: A historical review, a meta-analysis, and a preliminary feedback intervention theory. Psychological Bulletin, 119(2), 254--284. https://doi.org/10.1037/0033-2909.119.2.254
Koellner, K., & Jacobs, J. (2015). Distinguishing models of professional development: The case of an adaptive model's impact on teachers' knowledge, instruction, and impact on teachers' knowledge, instruction, and student achievement. Journal of Teacher Education, 66(1), 51--67. https://doi.org/10.1177/0022487114549599
König, J., Santagata, R., Scheiner, T., Adleff, A.-K., Yang, X., & Kaiser, G. (2022). Teacher noticing: A systematic literature review of conceptualizations, research designs, and findings on learning to notice. Educational Research Review, 36, Article 100453. https://doi.org/10.1016/j.edurev.2022.100453
Kraft, M. A., Blazar, D., & Hogan, D. (2018). The effect of teacher coaching on instruction and achievement: A meta-analysis of the causal evidence. Review of Educational Research, 88(4), 547--588. https://doi.org/10.3102/0034654318759268
Kraft, M. A., & Christian, A. (2022). Can teacher evaluation systems produce high-quality feedback? An administrator training field experiment. American Educational Research Journal, 59(3), 500--537. https://doi.org/10.3102/00028312211024603
Lee, H.-J. (2005). Understanding and assessing preservice teachers' reflective thinking. Teaching and Teacher Education, 21(6), 699--715. https://doi.org/10.1016/j.tate.2005.05.007
Louie, N., Adiredja, A. P., & Jessup, N. (2021). Teacher noticing from an anti-deficit perspective: The FAIR framework. ZDM -- Mathematics Education, 53(1), 95--107. https://doi.org/10.1007/s11858-021-01229-2
Mandouit, L., & Hattie, J. (2023). Revisiting "the power of feedback" from the perspective of the learner. Learning and Instruction, 84, Article 101718. https://doi.org/10.1016/j.learninstruc.2022.101718
Mao, P., Cai, Z., Wang, Z., Hao, X., Fan, X., & Sun, X. (2024). The effects of dynamic and static feedback under tasks with different difficulty levels in digital game-based learning. The Internet and Higher Education, 60, Article 100923. https://doi.org/10.1016/j.iheduc.2023.100923
Martin, D., O'Donoghue, P. G., Bradley, J., & McGrath, D. (2021). Developing a framework for performance analysis in a professional practice. International Journal of Performance Analysis in Sport, 21(6), 845--888. https://doi.org/10.1080/24748668.2021.1951490
Mason, J. (1998). Enabling teachers to be real teachers: Necessary levels of awareness and structure of attention. Journal of Mathematics Teacher Education, 1, 243--267.
Merk, S., Groß Ophoff, J., & Kelava, A. (2023). Rich data, poor information? Teachers' perceptions of mean differences in graphical feedback from statewide tests. Learning and Instruction, 84, Article 101717. https://doi.org/10.1016/j.learninstruc.2022.101717
Mertens, U., Finn, B., & Lindner, M. A. (2022). Effects of computer-based feedback on lower- and higher-order learning outcomes: A network meta-analysis. Journal of Educational Psychology, 114(8), 1743--1772. https://doi.org/10.1037/edu0000764
Milligan, S. (2020). Standards for developing assessments of learning using process data. In M. Bearman, P. Dawson, R. Ajjawi, J. Tai, & D. Boud (Eds.), Re-imagining university assessment in a digital world (pp. 179--192). Springer International Publishing. https://doi.org/10.1007/978-3-030-41956-1_13
Murphy, R., Weinhardt, F., & Wyness, G. (2021). Who teaches the teachers? A RCT of peer-to-peer observation and feedback in 181 schools. Economics of Education Review, 82, Article 102091. https://doi.org/10.1016/j.econedurev.2021.102091
Panadero, E., & Lipnevich, A. A. (2022). A review of feedback models and typologies: Towards an integrative model of feedback elements. Educational Research Review, 35, Article 100416. https://doi.org/10.1016/j.edurev.2021.100416
Plass, J. L., & Pawar, S. (2020). Toward a taxonomy of adaptivity for learning. Journal of Research on Technology in Education, 52(3), 275--300. https://doi.org/10.1080/15391523.2020.1719943
Prilop, C. N., Weber, K. E., & Kleinknecht, M. (2021). The role of expert feedback in the development of pre-service teachers' professional vision of classroom management in an online blended learning environment. Teaching and Teacher Education, 99, Article 103276. https://doi.org/10.1016/j.tate.2020.103276
Provasnik, S. (2021). Process data, the new frontier for assessment development: Rich new soil or a quixotic quest? Large-Scale Assessments in Education, 9(1), Article 1. https://doi.org/10.1186/s40536-020-00092-z
R Core Team. (2021). R: A language and environment for statistical computing (4.0.4). R Foundation for Statistical Computing Computer software. https://www.R-project.org/
Reingold, E. M., & Sheridan, H. (2011). Eye movements and visual expertise in chess and medicine. In S. P. Liversedge, I. Gilchrist, & S. Everling (Eds.), Oxford handbook on eye movements (pp. 528--550). Oxford University Press.
Richter, E., Hußner, I., Huang, Y., Richter, D., & Lazarides, R. (2022). Video-based reflection in teacher education: Comparing virtual reality and real classroom videos. Computers & Education, 190, 104601. https://doi.org/10.1016/j.compedu.2022.104601
Sailer, M., Bauer, E., Hofmann, R., Kiesewetter, J., Glas, J., Gurevych, I., & Fischer, F. (2023). Adaptive feedback from artificial neural networks facilitates pre-service teachers' diagnostic reasoning in simulation-based learning. Learning and Instruction, 83, Article 101620. https://doi.org/10.1016/j.learninstruc.2022.101620
Scheeler, M. C., Ruhl, K. L., & McAfee, J. K. (2004). Providing performance feedback to teachers: A review. Teacher Education and Special Education, 27(4), 396--407. https://doi.org/10.1177/088840640402700407
Seidel, T., & Stürmer, K. (2014). Modeling and measuring the structure of professional vision in preservice teachers. American Educational Research Journal, 51(4), 739--771. https://doi.org/10.3102/0002831214531321
Seidel, T., Stürmer, K., Blomberg, G., Kobarg, M., & Schwindt, K. (2011). Teacher learning from analysis of videotaped classroom situations: Does it make a difference whether teachers observe their own teaching or that of others? Teaching and Teacher Education, 27(2), 259--267. https://doi.org/10.1016/j.tate.2010.08.009
Seufert, C., Oberdörfer, S., Roth, A., Grafe, S., Lugrin, J.-L., & Latoschik, M. E. (2022). Classroom management competency enhancement for student teachers using a fully immersive virtual classroom. Computers & Education, 179, Article 104410. https://doi.org/10.1016/j.compedu.2021.104410
Sherin, M. G., Jacobs, V. R., & Philipp, R. A. (Eds.). (2011). Mathematics teacher noticing: Seeing through teachers' eyes. Routledge.
Shute, V. J. (2008). Focus on formative feedback. Review of Educational Research, 78(1), 153--189. https://doi.org/10.3102/0034654307313795
Star, J. R., & Strickland, S. K. (2008). Learning to observe: Using video to improve preservice mathematics teachers' ability to notice. Journal of Mathematics Teacher Education, 11(2), 107--125. https://doi.org/10.1007/s10857-007-9063-7
Stahnke, R. (2024). On the history of research on teacher professional vision: Mapping the landscape of theoretical, methodological, and empirical contributions. In A. Gegenfurtner, & R. Stahnke (Eds.), Teacher professional vision: Theoretical and methodological advances. Routledge.
Stahnke, R., & Blömeke, S. (2021). Novice and expert teachers' noticing of classroom management in whole-group and partner work activities: Evidence from teachers' gaze and identification of events. Learning and Instruction, 74, Article 101464. https://doi.org/10.1016/j.learninstruc.2021.101464
Stahnke, R., & Friesen, M. (2023). The subject matters for the professional vision of classroom management: An exploratory study with biology and mathematics expert teachers. Frontiers in Education, 8, Article 1253459. https://doi.org/10.3389/feduc.2023.1253459
Stavroulia, K. E., & Lanitis, A. (2023). The role of perspective-taking on empowering the empathetic behavior of educators in VR-based training sessions: An experimental evaluation. Computers & Education, 197, Article 104739. https://doi.org/10.1016/j.compedu.2023.104739
Stürmer, K., Seidel, T., Müller, K., Häusler, J., & Cortina, K. S. (2017). What is in the eye of preservice teachers while instructing? An eye-tracking study about attention processes in different teaching situations. Zeitschrift für Erziehungswissenschaft, 20(1), 75--92. https://doi.org/10.1007/s11618-017-0731-9
The jamovi project. (2023). Jamovi Computer software. https://www.jamovi.org
Thurlings, M., Vermeulen, M., Bastiaens, T., & Stijnen, S. (2013). Understanding feedback: A learning theory perspective. Educational Research Review, 9, 1--15. https://doi.org/10.1016/j.edurev.2012.11.004
Tobii. (2021). Eye tracking performance assessment---for VR/AR headsets and wearables (Whitepaper version 1.0; Tobii white paper). Tobii XR. https://www.tobii.com/resource-center/reports-and-papers/eye-tracking-performance-assessment
van Es, E. A., & Sherin, M. G. (2008). Mathematics teachers' "learning to notice" in the context of a video club. Teaching and Teacher Education, 24(2), 244--276. https://doi.org/10.1016/j.tate.2006.11.005
van Es, E. A., & Sherin, M. G. (2021). Expanding on prior conceptualizations of teacher noticing. ZDM -- Mathematics Education, 53(1), 17--27. https://doi.org/10.1007/s11858-020-01211-4
van Ginkel, G., Oolbekkink, H., Meijer, P. C., & Verloop, N. (2016). Adapting mentoring to individual differences in novice teacher learning: The mentor's viewpoint. Teachers and Teaching, 22(2), 198--218. https://doi.org/10.1080/13540602.2015.105438
Wisniewski, B., Zierer, K., & Hattie, J. (2020). The power of feedback revisited: A meta-analysis of educational feedback research. Frontiers in Psychology, 10. https://doi.org/10.3389/fpsyg.2019.03087
Wolff, C. E., Jarodzka, H., van den Bogert, N., & Boshuizen, H. P. A. (2016). Teacher vision: Expert and novice teachers' perception of problematic classroom management scenes. Instructional Science, 44(3), 243--265. https://doi.org/10.1007/s11251-016-9367-z
附录A-C的补充数据可在以下网址在线找到： https://doi.org/10.1016/j.learninstruc.2024.102053