视频图像资料是科学进步、信息技术发展所产生的一种新型数据形式，它为教育研究者了解学校日常生活、追踪校园文化实践、把握教育的时代变迁提供了全新的途径与可能。与日志撰写相比，视频图像作为一种有效的数据采集方式能更准确地记录整个场景的声效与气氛；与访谈录音相比，它能更细致地关注到非语言性的肢体动作、神态表达等细微表情；与抽象文字相比，它的直观的画面、连续性的动态呈现，则能将观看者轻易地带回到“此时此景”的再体验当中。正因为如此，早在19世纪末影像技术诞生之初它便被研究者引入到文化人类学领域，成为重现和研究他者文化最重要媒介之一(Erickson, 2011)，也直接催生了20世纪六七十年代的影视人类学。

伴随着新媒体的发展和学科自身的推进，自20世纪80年代以来视频影像技术与拍摄的优点愈加为研究者所认识，并广泛地被纳入到人类学之外的如社会学、教育学、心理学、传播学及语言学等社会科学领域(Heath, etc.，2010)。与传统的视频分析相比，其所关涉的话题也不再局限于对异域文化的展示和重现，而扩展延伸至诸如移民问题、社会互动、身体模仿、权力结构、符号暴力以及性别差异等日常生活实践领域。因而，也有学者也把目前视频技术与社会科学的这种联姻和转向冠以社会科学研究中的“视频革命”(Video-Revolution)之名(Knoblauch，2009)。

毋庸置疑，视频图像作为一种研究媒介或工具(Media/Tool)，的确为研究者提供了丰富的数据支撑、分析依据和可证实性的结果，使研究本身更具有说服力和价值性。譬如，在心理学界有著名心理学家伯德惠斯特尔(Ray Birdwhistell)有关身势语的经典研究；在社会学领域，1970年芝加哥学派的古德温等人(Marjorie Harness Goodwin & Candy Goodwin)曾采用视频拍摄技术，记录下了自然情景下家庭成员用餐时相互间的对话互动，以从整体上探讨视听媒介对于代际关系的研究作用；同时期，会话分析(Conversation Analysis)的代表人物萨克斯(Harvey Sacks)也曾试图基于视频画面探讨身体动作的系统性(Sacks，1995)；在教育研究领域，视频拍摄常见于课堂教学中，其基本功能是为研究者观察教—学发生的真实过程提供依据，进而提供切实可行的有效教学方式(Wulf，2001；Wagner-Willi, 2009)。然而，这并不意味着视频图像数据所蕴含的“方法性”^①(Method)已为人们所认识。恰恰相反，许多研究仍然执着于视频图像的“画面性”的再现和展示功能，并把大量的精力用于对视频图像信息、经验抑或是符号的“文字性转化”当中，而忽略了动态视频图像作为完全不同于语言的逻辑性表达形式，忽略了图像自身所具有的内在逻辑性与完整性。

因此，本文所提及的将视频图像视为一种研究方法，是指我们不再关注视频的媒介工具性功能，而是关注其本体性价值。换而言之，视频中所呈现的表面信息(what)将成为次要的存在，而对视频画面如何(how)成为我们所看到的画面，以及画面的意义生成与重构(how)才是我们的兴趣所在。在此有必要指出，我们认为将视频图像作为社会科学的分析方法^②至少包含以下两方面的特性或前提：其一，视频图像的资料来源可以是大众媒体素材，也可以是因科学研究目的而自行拍摄的视频图像。在这里，重要的是我们必须基于社会科学的范式对视频图像进行分析，比如分析视频图像画面中互动主体行为的动作以及这些行为动作所隐含的深层结构。这样，心理学视觉效果、视觉艺术、美学就不归属于我们讨论的范畴。其二，我们的研究内容围绕视频图像画面中呈现的各类事件，在互动过程的“视听化”层面进行机构化阐释，即戈夫曼所说的“互动秩序”(interaction order)。这样，传统质性研究当中所强调的会话分析与内容分析也不是我们讨论的主要范畴。

当我们把视频图像视为一种分析方法时，我们会发现，与其说视频图像的引入为社会科学研究留下了丰富可证实性的资料，毋宁说它为我们留下了如何处理和应对这种新型数据更多的问题与挑战。譬如关于在数据采集阶段如何选择合理的角度进行的视角控制与转换，在数据转录阶段如何处理其中显性话语、身体语言及微表情，在分析编码阶段应当如何处理同时性与系统性的关系，在阐释阶段如何理解语言与图像的关系、如何进行文字化转述等，这都体现了视频图像数据的内在复杂性。

针对视频图像的复杂性，卢克曼(Luckmann，2009)从另一个角度做了相应的说明。他把这种视频图像分为两种：作为一种产品的视频图像和作为一种分析过程的视频图像。他指出，视频作为一种产品数据，其容量是极其“庞大”的，譬如一分钟的视频图像将记录着包括视觉、身体运动、听觉效果、情感反应等各方面的内容，这对我们的转录工作提出了极大的挑战。而作为一种分析过程，视频图像的内容和视频图像的品质呈现出极大的“异质性”，这要求研究者既需要对视频进行同时性分析也得兼顾历时性的分析，换言之，既要关注视频中的语言、视觉行为、姿态、表情、符号等相对显现的互动表达等，也应当关注贯穿于始终的结构秩序及其构建过程。在此，笔者试以一小段视频图像的“转录阶段”为例来阐释这个问题。

主题 新生的第一堂课 拍摄时间 2013年8月13日 拍摄地点 德国·柏林·小学室内 片段时长 00：06：22-59 Min

转录一：原始视频的连续性图像(见图 1)

图 1

图 1

转录二：语言场景维(见表 1)

表 1

表 1 语言场景维 时间T1 现场情景 时间T2 老师 时间T3 学生 00：06：22 教师史密斯女士拍着手呼叫各个学生的名字；研究者与另一位实习老师，端坐，与其他孩子端坐围成一个圆圈；教室光线明亮。 面向Melissa，打了两个节拍，问道孩子们“你们知道，我叫的谁吗？”教师和颜悦色。 孩子们有的看着史密斯女士，有得端正地坐着，有的时而有些小动作；相互间偶有耳语。 00：06：40 面向Lucy，说道“是你吗？”来我们试试” “Lu-cy”拍打两节拍。“哈！真的是你！” 00：06：41 Lucy举手，微笑说“哈！我知道！”其他孩子跟着老师打节拍。 00：06：49 “还有可能是谁呢？” “是吗。我们来看看。So-ph-ia” “是三个节拍”。 00：06：50 “Sophia”有的孩子说“三个”。一起拍手。

表 1 语言场景维

转录三：视频—身体运动维(见图 2)

图 2

图 2

转录四：整体性感知维

背景介绍：今天是新生入学的第二天。我所观察的班级是一个由一至三年级的学生组成的复式教学班。这种编班的制度在整个德国的小学阶段都比较常见。昨天，该班刚报到的一年级新生已经与班级中二三年级的同学互相见过面了。今天，在第一个课间结束后，教师史密斯女士便把新生们单独召集到一间新的“教室”里。

视频片段：这间房间是学校专门为那些在放学后不能及时被家长接走的学生停留所用。所以在空间布局上，该房间集学习与游戏于一体——既有黑板、粉笔、书籍，也有积木、拼图、洋娃娃等玩具。史密斯女士现在坐在圆圈的中间，她事先让新生按着男生女生的秩序间隔式地围坐成一个圈。这时，史密斯女士一边按音节呼叫着其中一个孩子的名字“Lu-cy”(学生的名字)，一边按音节拍着手(两拍)。待史密斯女士拍完后，其他孩子也模仿着她的样子有节奏地拍起手来。其中有几个孩子，一边拍还一边发出咯咯的笑声。显然，这是他们第一次听到自己的名字以“音节”式的节拍出现。作为新生中的一员的Neo，他似乎不太习惯长时地坐在椅子上，双脚不停地抖动，双手时而向前，时而靠在椅后，身体也时不时地向左右摇摆。当史密斯女士拍着手叫到“Ne-o”时，他突然静止下来，正襟危坐，自己与其他孩子跟着老师的节奏拍打出自己的名字。当大家一致地呼叫过Neo后，他似乎变得更加松懈了，这时他用手反撑着椅子，将自己的整个身体蹲在了坐椅上。九名新生每个人都以类似的方式被呼叫到过一次，一次轮回下来总共花去了十分零十秒。在整个过程中，摄像机始终保持静止，摆放在黑板侧边。

在此，我们从身体视觉、语言听觉以及整体感知等三个维度对视频图像进行了转录。当然，我们也可以利用软件，如偏重于语言分析的ELAN或是专门针对视频转录而开发的Feldpartitur软件，进行整体性转录，这都没什么问题。关键的问题在于，我们在对视频图像的原始性材料进行转录时，不仅应当关注语言交流部分，也应当关注身体符号的变化；不仅应当关注那些显现的变化，还要依据视觉、听觉、触觉等整体性知觉进行判断性转录。在转录的过程当中，我们会发现研究者的视角与聚焦点直接影响着转录的内容，因此，我们也很难完全保证视频图像在多大程度上还原了真实，也很难断定所转录的就正是视频图像当中所发生的全部。实际上，视频图像数据作为一种高度复杂的数据形式，它一方面就像一面镜子，使日常生活的全貌与细节都显露在其中；与此同时，它也是一把窥探镜，它所呈现的只是我们想看到的内容而已，但这些内容并不一定全是真实的。因此，视频图像的复杂性一方面是由其内容与表达本身的多维度性所决定的，另一方面也是由人们对其意义的理解与阐释的多义性导致的。因此，研究者需要一个行之有效的方法论的分析框架，才能处理好它给研究者带来的诸多困扰。

波萨克(Bohnsack，2011)认为，视频图像数据固然复杂，而它却为我们还原和追踪人类日常生活的实践行动提供了有效的通道，这恰恰是调查问卷、访谈对话无法企及的，这也视频图像分析的潜力所在。只要对方法和方法论进行适当的控制，视频图像将会为社会学研究带来前所未有的发展前景。

基于这样的认识，波萨克曾运用视频图像研究法进行过一系列的家庭代际研究(Bohnsack, 2011)、同伴文化研究(Bohnsack, 2003)以及大众媒体对青少年身份认同的研究(Bohnsack, 2011)。在他看来，视频图像分析也等同于互动研究，即研究互动主体间身体运用的实践逻辑。因此，他十分关注视频图像中互动主体如何基于特定场景使用自己的身体语言，关注身体行动的生产性及建构性，并在对视频图像的形式化阐释、反身阐释、类型化等三个水平的重构分析基础上，获得有关场域的惯习缄默知识和实践逻辑。为了避免在整体分析过程当中出现数据复杂性对我们的干扰，他给出了相应的方法论论述。

当我们对拍摄的图像和视频进行重复观看时，我们会发现视频内容极其丰富而生动，但同时我们也会陷入庞大的数据现象中而无法脱身。如果我们仍坚持对所有的视频都做整体性分析的话，我们便会很快发现那既不具有操作性，也很难获得让人满意的效果。因此，毫无疑问，我们会选择性地对视频片段进行分析，这也正是目前大多数视频研究学者所倡导的一种方式(Dezin，2004；Knoblauch，2009；Luckmann，2009；Heath, etc., 2010)。从方法论的角度来看，研究者之所以允许对视频图像进行片段式的微观分析，而不对所有数据进行整体性地阐释，并非纯粹为了节约时间与成本，而是有着社会学的方法论假设，且得益于常人方法论和符号互动理论的支撑。基于这些理论，研究者认为社会结构并非只存在于宏大理论之中，相反，它时刻参与并渗透到人们的日常社会活动与互动交流当中，它的模式与生成机制总是可以在碎片化的互动链中获取(Sacks，1992)。如此看来，社会结构从本质上看也就是意义结构，意义结构总是激发着人与人之间的互动，因此对单个或一系列的互动片段的意义重构就成为了视频研究的主要任务。

然而，这并不意味着我们可以“主观”而任意地选取我们认为所需要的视频片段，也不能通过对我们所选取的片段，去证实研究者提出的问题或某种假想。毕竟，视频是我们分析的基准，但不是对研究假设的佐证。所以，在进行视频片段的选择时我们需要有方法上的控制(Bohnsack，2006)。针对这一点，波萨克援用了常人方法论有关话语的“序列组织”(sequential organization)概念。这一概念是社会学家萨克斯(Sacks)在进行会话分析(Conversiation Analysis)时的重要发现，也是常人方法论分析的基石(Sidnell & Stivers，2013)。在萨克斯看来，任何语言意义都是在日常互动和使用中产生的，而非对单个词汇或话语的符号分析；话语与话语之间是序列式地排列组合，是依时序而发生的事件，因此，语言分析的全部要义在于“如果要理解一个交互式的构成，或者正在进行着的行动，就要看‘之前发生着什么’，又引起了什么影响”(Sidnell & Stivers, 2013, p.191)。换言之，话语本身具有轮回交互性，它们之间具有可反身的和可引证性表达(indexical expressions)的内容。也就是说，每当我们说出一句话时，回答的人都会基于我们期待的方式或内容回应我们，否则谈话将很难继续或被打破，最为常见的便是惯例性的问候或道别、礼貌用语等。因此，话语的序列性常常包含着“互动者是否分享着同样的社会规范，以及双方是如何在谈话当中构建这种规范的，而这种规范性又是如何引导着互动双方下一次的行为倾向”(Sidnell & Stivers, 2013, p.200)。语言序列性发现的意义在于，它摆脱了单纯的符号解释，指出了话语的生成性意义、话语间相互指涉、话语本身的规则与结构的可能性。

基于对话语序列的认识，波萨克认为日常互动行为也存在着这种序列交互性，尤其在特定的机构(如学校、医院等)当中，我们的行为总是按照规定的框架行事，且相互回应。因此，他认为所选择的片段一定要具有“完整性”(Gestalt)和相对的封闭性。因此诸如视频序幕、结尾、仪式化互动，甚至一些过渡性片段都是他主要的分析蓝本。他把这些选取好的一个片段命名为一个序列(Sequenz)。在教育研究当中，这种序列常常十分明显，也容易把握。我们可以把师生如何开始一堂课程、问题互动、冲突解决、过渡性仪式以及如何结束一堂课等看作不同的序列，并对其中的某类序列，进行连续性地比较分析。譬如，笔者曾就德国小学中一种常见的师生互动实践——晨圈仪式，开展过相关的研究，其中涉及到这样一些问题，即在互动中老师与学生各自扮演着怎样的角色，是否存在一人多角色，角色的成功转化如何通过实践行为显性化等等。这样我们的第一个观察点即“老师/学生如何登场”，因为此类片段不仅能展示个体如何寻找自己在班级群体中的位置，也能体现个体的自我认定在实践中展开的过程。以下片段图像，就是笔者所选择的一个完整的序列图像。在此我们以手抱吉他的斯纳登老师“进入”到视频那一刻为始，以老师最终找到座位入坐为终(图像序列以秒为单位，呈现如图 3)。

图 3

图 3

图像序列 斯纳登老师寻找位置 拍摄时间 2014年1月19日 拍摄地点 德国·柏林·教室内 片段时长 00：00：10-24 Min

片段序列的选取，使我们暂时获得了一个相对短小的数据对象，从而使分析的视频图像数量得到了方法论上控制。此时，研究者将获得短至几秒、长至五六分钟的视频片段，但这些视频图像仍然是连续性动态的画面，我们需要将其转化为一帧帧的静态化图像，并进行相应的原序列分析(Sequenz Analyse)和图像语法(Foto Grammatik)的解释。

尽管有关视频图像的方法论取向有着不同的争论，但几乎所有学者都将序列分析作为研究的基本出发点(Knoblauch，2010)。序列，正如我们前面所提到的，它是具有交互轮回性的互动行为在某一时段的连续性呈现，它具有结构内容上的整体性。根据波萨克(2011)的观点，我们可以根据以下两个标准对序列进行再次剪切：其一，行动上的一致性和整体性(Handlungseinheit)；其二，从拍摄者的角度来看，场景和镜头(如转换、大小变焦)变更。第二点对于影视作品的分析尤其有效，它甚至可以帮助研究者观察和阐释拍摄者在以何种视角构造着影片中的角色与人物，拍摄者与被拍摄者在何种程度上是同质的。而第一点则是我们研究日常课堂视频会经常用到的，它主要按照互动主体的行动转换、姿态神情一致性进行剪切分段。同样以师生互动为例，如果关注课堂中的问答互动的展开过程，我们则可以分为“问题启动—举手回应—反馈回应”等三个主序列。其次，我们又可以根据具体情景将举手回应分为“等待时间—举手等待—给予答案”等不同的下位序列。总的说来，我们习惯于把一个视频片段分为“主序列—分序列—次级序列”等三个不同层级。

如果说对话中的基本单位是语言，语言的基本单位是句子，句子的基本单位是词汇的话，那么视频的语法则由单个的图像构成。在对片段序列进行序列分析以后，图像与图像之间的关系便得到了一定的解答。此外，为了更好地说明问题，我们还应当对特定的图片进行深入分析，对图像语法进行解析，以印证序列分析的正确性。图片的选取标准可以根据同一图像内容出现的频度；如果该图片是教育影片，也可以根据影片呈现的视角转换或蒙太奇的运用，进行形式化分析。

在此，波萨克特意地指出了如何处理视频当中图像与文字之间的复杂性关系。他认为，多年来质性研究之所以能够蓬勃发展，在很大程度上是依赖于语言学的发展。他还将语言文本视为一个自我指涉的系统(Bohnsack，2014)。他曾批判在以视频为名的研究中，研究者只不过将视频视为对“文字”的补充与附属，而不能单独对其进行阐释。在他看来，文字与图像一样都是独立存在的两个系统，它们各自有其相应的指涉范围。因此，应当将图像视为一个自我指涉的系统(self-referential)，即它是一个基于自身，为了自身，创造自身，自我包含及自治的领域(Bohnsack，2011)。视频图片具有自身的逻辑和“交流”的意义，人们可以通过图片获得自己的理解，也能通过图片来理解这个世界。所以，要解读图像的意义，就需要首先悬置语言文字，其次才阐释图像构成的基本语法和形式。既然图像不是语言文本的补充，那么图像和语言文本的阐释就应当分别进行，最后再通过“三角互证”来完成对视频图像的全部分析(如表 2)。

表 2

表 2 视频图像的序列分析 序列分析(主序列、分序列、次序列) 图像 语言 声效 形式化分析 形式化分析 形式化分析 反身性分析 反身性分析 反身性分析 连续性比较，类型化

表 2 视频图像的序列分析

到目前为止，我们已经将大视频图像转化小片段视频、将流动性图像转化为静态化图像，从而对视频图像的量和质两方面都进行了相应的方法论控制。也就是说，视频的语法可以通过深藏于静态图片的画面性重构来完成。那么，现在的问题在于，如何对单个静态化的图像进行重构和意义解读呢？

如果说对话是按时间顺序来展开，那么图像就是一个同时性结构(Simultanstruktur)的整体性铺开。波萨克认为这种同时性结构由两种知识共同构造，即联结性知识(Konjunktive Wissen)和可交流性知识(Kommunikative Wissen)。所谓的可交流性知识是指一种整体的、社会性共识的规则性知识。譬如，当我们谈及家庭时，浮现在我们大脑里的首先是父母与孩子这样的家庭角色的情景，这就是共识性知识。从这个意义上来讲，这种共识性的知识基本上是单一性的、较为清晰且稳定的知识。所谓的联结性知识则关涉到具体的某一群研究对象，或者某一幅图像所具有的特殊性的、历史性的、社会性的知识，其中便充满了多义性和模糊性。这种知识往往跟主体所在的阶层、年龄特征、性别等直接相关。因此要真正把握这类知识就需要对研究对象的所属(阶层、代际、性别)进行相应的反思，这就需要我们对“情境”有足够的了解，而这种知识往往又是隐性缄默的。我们可以通过一个例子来说明这种同时结构在图像构成中的表现：当我们在欣赏或观看某一影视作品或图像时，我们会直觉式地将其定义为“某个人”的作品，作品本身和内容是创作者个体的独特表达，映射的是其内在的个人体验与视角，这种知识往往是模糊的、缄默的，需要通过对整体作品的过程性体验，才能发觉其内在的逻辑。但实际上，在另一方面，创作者在进行创作时为了更好地与观众交流且产生共鸣，便会有意无意地受制于一些规定性的符号或场景布局；同样地，在动态性的视频图像当中，个体的行为总是基于设定的机构框架，同时通过特殊性的符号来标明自己的身份，这种特性在充满张力的学校空间中尤为常见。

对于视频图像意义中所包含的这两层意义的解读，波萨克认为可以从形式阐释和反身性阐释两个层面来展开(如表 3)。形式阐释主要涉及的是对图像中的信息层面的发问，即图像到底呈现了什么；而反身性阐释则是对隐藏在图像背后的缄默性知识或实践性知识的发问，即呈现的最终产品到底是如何得以构建的(详见波萨克，2015)。同样，视频图像动态的同时性分析时可以从社会场景、主体间互动、个体动作(Wagner-Willi，2004)等三个层面进行形式阐释和反身阐释来说明其图像意义。

表 3

表 3 图片的多维度分析 分析层面 维度 内容 目的 形式阐释 前图像志 近景 目的：熟悉图像的具体主题，图像传达的具体字面意思；属于描述性；确定社会场域 中景 背景 图像志 机构化知识 角色关系 反身性阐释 形式结构 平面构图 目的：图像构成的基本原则，社会各场域的实践逻辑 透视视角 整体场景布局 同一性 前图像志、图像志与形式结构之间的同一性分析 连续性比较

表 3 图片的多维度分析

将视频图像知识分为联结性知识和交流性知识为我们理解视频图像所呈现的多重意义提供了新的视角及分析框架。正如我们上述所提到的，交流性知识关注的是图像的信息层面，其目的主要是指出图像所讲述的是什么样的故事或画面中发生着怎样的事件，它是机构化的规定性知识。这个问题，只需将图像或画面所在的社会场景或所在机构的行动描述清楚便可，譬如区分出是学校教育的视频还是心理诊断的视频。这种知识相对清晰，而且不具有模糊性、多义性(Barthes，1985)。而与交流性知识相对的联结性知识，往往附着着具体情景，它包括主体的社会阶层所属、性别特征或者生活背景等等。因此，图像的多义性往往是由这部分知识所造成的。

要理解这部分知识，除了需要对图像画面本身的逻辑进行形式阐释和反身阐释外，还需要有一个比较的视角(Bohnsack，2011)，即扎根理论所使用的代表路径——连续比较法(林小英，2015)。在扎根理论中，连续比较法是知识构建和理论性提取至关重要的一步，它常常依据同类的或者相似性较高的资料进行提取和不断地进行连续性比较来展开。但在视频图像阐释中，图像却有着自身的独特逻辑与意义编排，图像的意义呈现不仅是通过单个的个体语法，更多的是通过“视角”的变换来获得。所以在视频图像中提取理论，往往需要大量的具有反差性的实例来获得。只有这样动态图像的视角，才能深入挖掘图像的特质，才能解析实践意义是如何被嵌入到视频图像中以及图像视频又在何种程度和意义上能得到重构的。譬如，上述笔者曾提到，若要理解一个老师与学生之间的互动模式，可以从其各自扮演的角色入手。而“老师入座”就是一个很好的例子。老师入座，一方面既展现了老师个人对自己在一个群体中的角色定位，另一方面也体现其他学生如何认识老师的角色。但是为了深入了解这一角色的扮演，我们又找到一组反差性的例子，即“学生如何入座”。笔者发现“入座”与“找座”在低年级阶段时有发生，而“呼人就座”则在高年级时有发生，其中性别因素与同伴间的个人私交成为了学生选座的重要方式。在低年级中，学生往往是选择就近入座，或者被老师指定入座。相比之下，老师往往最后选择入座，其入座时参考的标准是以照顾弱小、管理调皮学生、面对教室时钟等为主的。在实践当中，老师入座往往是通过“思考/停顿”来完成，而学生则是通过“行走”在“观察”实践中来完成。

当然，这种连续性的比较在异文化中更具有重要的意义。例如，笔者为了了解德国师生关系与中国师生关系在学校场域中是如何得到理解的问题，便选取了一组来自两个国家的班级集体照作为对照组，这样我们便获得了鲜明的、具有文化性特征的师生关系；再比如，为了研究1949年以前与新教育实施以后儿童形象在学校当中的表达，我们便可以选取一组对照性班级集体照作为其中的一个样本，通过服饰、身体、姿态、拍摄场地等的对照就能够比较轻松地得到具有时代性特征的图像理解。同样的方式也适用于流动性的视频图像分析。通过这种连续性的比较，我们会惊奇地发现，图像的多义性不会因此而减少或被排除，而是在方法上得到了相应的控制(Bohnsack，2011)。

当今的时代是一个图像的时代(李政涛，2004)，人们不仅被动地消费着诸如电影、电视、摄影、多媒体、游戏等视觉图像产品，而且乐此不彼地主动加入到各类视觉图像的生产与制作中。视频图像已经渗入到我们生活的各个方面，公开展演着人们的公共生活和私人生活，而面对冰冷的机械空壳我们也显得越来越有“镜头感”。人们习惯于用视觉图像来表达，也喜欢在视觉图像观看自我。李政涛把这样的视觉图像时代视为“一种‘新’的智能类型，‘新’的思维样式，‘新’的语言方式”(李政涛，2004)的时代，一种不同于以往书写、印刷的时代——视觉图像时代。

图像时代，呼吁一种视频图像的科学研究。尤其是对于越来越关注过程性、日常生活、具身认知、实践性知识的教育研究，更需要对视频图像研究予以关注。通过视频图像的采集，我们可以进入并还原学校教育生活和师生互动的真实场景；视频图像的转录，为我们认识教育现场提供了多感官的渠道；视频图像的分析，使教育者更能把握现象背后的实质，更有利于教育者理解儿童身体行为、实践行动的运行机理、身份的获得以及同伴关系的形成，从而处理好学校作为制度化的机构与儿童个人成长之间的挣扎与冲突。值得注意的是，视频图像作为一种研究方法，具有复杂性、多维度性和多义性，我们应当基于“图像自身的逻辑”，从整体到片段再到综合比较等维度给予更多的方法论反思。而关于这一点，无论在国际上还是在国内的学术话语体系中，都还处于起步阶段，还需要更多的同仁参与和探讨。