互动分析对人的互动行为进行实证、系统而又规范地探索，其焦点在于人的言语交谈、非言语交往、人与工具的交互、人与环境的互动等。其主要理论基础是苏联心理学家L.S.维果茨基（Lev S.Vygotsky）的社会文化理论，以及该理论所衍生的分布式认知理论和情境认知理论。维果茨基认为，人的发展是一个在社会互动中将文化工具（符号、语言、物质工具等）内化为高级心理机制的过程，而学习始于社会互动。依据分布式认知理论和情境认知理论，知识并不存在于个人的头脑内部，而是生成于互动之中、分布在互动参与者之间的，学习的过程就是从合法的边缘性参与开始，逐渐成为某一特定社会互动的核心参与者的过程。因此，为了探索学习的发生机制与过程，研究者就必须考察真实日常情境中的互动行为，而不仅仅关注学习的最终成品（如纸笔测试、有声思维访谈等）。从方法论来说，互动分析受到情境分析、沟通民族志、互动社会语言学、常人方法学等社会科学方法的深刻影响。这些方法虽然来自社会学、人类学、语言学等不同学科，但都认同真实情境中的互动在理解人类行为中的核心地位。

互动分析的基本数据来源是视频，即对真实情境中的日常互动行为进行的连续性影像记录。视频数据能够满足慢速、重复、多人观看的需求，有利于分析者深入、细致、系统地探索互动行为。较之问卷、访谈等数据来源，视频数据在采集和呈现方面须遵循特定的伦理规范，如尽可能地不干扰互动的日常秩序、对研究参与者身份（包括面部图像等可识别信息）进行隐匿处理等。

获得视频数据后，互动分析一般遵循自上而下的分析顺序。分析者先整体地观看全部视频，了解和熟悉互动的整体情境、参与人物与主要事件。然后，基于研究问题，对视频进行分段，截取其中和研究问题最为相关、具有完整意义的片段。分析者对这些片段进行转录。转录并不仅仅是将影像转换为文字的过程，本身也是一个分析过程，需要理论视角的介入。其后，结合视频和转录文字，对互动进行编码。编码的基本单位是话轮转换（turn-taking）和参与结构（participation framework）。话轮转换即你一言、我一语的言语序列组织。基于常人方法学的观点，互动分析将话轮视为互动中的意义生成的过程。参与结构即参与互动的不同方式，如一人说一人听、一对一问答、无指向提问和齐声回答、多人小组讨论等。通过对话轮转换和参与结构进行编码，分析者可以发现互动的规律，从而观察到学习的过程，理解其发生机制。

随着学习科学界越来越关注学习的具身性（embodiment），互动分析也越来越将言语之外的互动，包括身体间的互动和身体与物件的互动等纳入分析范围。这种多模态（multimodal）的视角，为科学探索学习的本质提供了新的取径。