高校學生學習行為量化評估體系構建及研究分析

王琳 李廣玉 紀奕欣 王濤

摘 要 2020年春季全國高校響應國家號召，廣泛開展遠程學習、線上教學。遠程教學使得教學管理者不能直接接觸感知學生學習行為，給客觀評估學生表現帶來了一定困難。本文致力于建立一套高校學生學習行為量化評估體系，通過采集學生日常表現因子，建立學生學習行為表現數據集，進而對有損學生日常表現的表現因子進行損益賦值，建立學習行為損益因子實時量化評估模型。通過該模型評估學生集體對相應科目的整體表現以及單個學生的個人表現，完成對學生集體和學生個人培養全過程實時表現的精細化分析，利于精準施策、管控預警。

關鍵詞 學生學習行為 量化評估 遠程學習保障 管控預警

中圖分類號：G645 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A ? ?DOI：10.16400/j.cnki.kjdkx.2020.12.086

Abstract In the spring of 2020， colleges and universities across the country will respond to the call of the state and widely carry out distance learning and online teaching. Distance teaching makes teaching managers unable to directly contact and perceive students' learning behavior， which brings some difficulties to objectively evaluate students' performance. This paper is committed to the establishment of a quantitative evaluation system of college students' learning behavior. By collecting students' daily performance factors， the data set of students' learning behavior performance is established， and then the profit and loss of performance factors that damage students' daily performance are assigned， and the real-time quantitative evaluation model of learning behavior profit and loss factors is established. The model is used to evaluate the overall performance of the student group on the corresponding subjects and the individual performance of the individual student， and complete the fine analysis of the real-time performance of the whole process of student collective and individual training， which is conducive to accurate policy implementation， control and early warning.

Keywords students' learning behavior; quantitative evaluation; distance learning guarantee; control and early warning

0 引言

2020年上半年突如其來的狀況致使全國高校未能如期開學，響應國家“停課不停學”的號召，各大高校均提供了優質學習資源，供給學生居家進行遠程自主學習。[1]與以往傳統線下教育相比，遠程教育具備教學視頻可多次查閱、學習時間比較靈活、學習資料更為豐富等優勢，[2，3]然而由于教師、輔導員無法與學生當面接觸，相較于線下教育，線上教育使得學校教學管理者對學生表現的直觀感知變得困難，進而導致學生學習行為表現不易被直觀采集，給教學管理者及時發現學生問題帶來了較大困難。[4]在遠程授課背景下，各大高校都十分重視對學生心理的關注與學業、生活的指導，由于缺乏了解學生具體表現及問題的科學渠道，在與學生的交流互動時，也難以根據學生具體表現及存在的問題進行針對性的指導。

本研究針對遠程學習期間學生狀態不易被追蹤的特點，致力于建立一套科學化的高校學生學習行為表現量化評估體系，不僅可以在遠程學習背景下科學評估學生的綜合表現，輔助給出學生發展精細化指導意見，也能在學生正常授課情況下，建立學生表現數據庫，充分利用大量數據挖掘學生個性化特點，[5]輔助對學生開展精準思政教育，推動思政體系精準化、科學化。本文的具體研究內容包括學生學習行為表現數據集的建立、學習行為損益因子實時量化評估模型建立及實例分析。

1學生學習行為表現數據集

構建學生學習行為表現量化評估模型，首先應構建科學全面反映學生的表現的數據集。通過本次遠程教育實踐，本研究歸納了幾大類可以有效反映學生表現的數據因子，現總結如下：

（1）居家表現因子。在遠程學習期間，家長是學生日常表現最直觀的觀察者，可以輔助學校對學生的行為表現進行直觀評價，幫助教學管理者對學生進行全面了解評估。本研究篩選了能夠反映學生表現的五類指標：學生每周平均每天學習時長、學生學習任務完成情況評價、學生自主學習狀態評價、學生作息習慣狀態評價、對學生本周總體評價。

（2）課業完成質量表現因子。居家表現因子是經由家長對學生表現進行反饋采集，本研究引入課業完成質量表現因子，包括教學視頻觀看情況和課程作業及小測完成情況。

（3）學校幫扶措施利用表現因子。本研究認為幫扶對象是否主動參加相關幫扶活動也是其表現的重要方面，然而如果學生自身現狀已經到達需要進行幫扶干預的程度，然而其仍不能有效利用相關幫扶措施，這說明學生表現存在一定問題。

2 學習行為損益因子實時量化評估模型建立及實例分析

本研究將學生學習行為表現的量化方向歸納為各科課程學習表現、幫扶措施利用表現、單人總體學習表現三方面，以此為基礎建立學生學習行為量化評估模型。模型采用負相關建模思路，即將有損學生學業表現的行為記為出現一次損益因子，根據損益因子的高低來表觀學生學習行為的損害程度，對于學生行為損益因子較高，則表觀學生表現欠佳，需要進行指導干預。

本研究對應學生學習行為表現的三個量化方向將損益因子分為課程損益因子、幫扶措施損益因子、單人總體損益因子，依此建立學生學習行為損益因子量化評估模型。本模型可根據實時各類行為數據變化，實時反映學生學習行為表現情況。結合實例介紹如下：

本文研究者所在的學生集體收集了來自大一上學期成績、助教、家長、小灶、騰訊課堂四部分的17個類別的數據，其中包括秋季學期平均分、數分助教反饋、工圖助教反饋、大物助教反饋、C語言助教反饋、家長反饋、騰訊課堂后臺反饋（數分）、騰訊課堂后臺反饋（大物）、騰訊課堂后臺反饋（C語言）、是否應該參加物理小灶（單科不及格視為需參加小灶）、是否參加了本周的物理小灶、是否應該參加數學分析小灶、是否參加了本周的數學分析小灶、是否應該參加工程圖學小灶、是否參加了本周的工程圖學小灶、是否應該參加C語言程序設計小灶、是否參加了本周的C語言程序設計小灶。

通過前期調研，騰訊課堂的數據存在一定不準確性（如倍速觀看顯示時長不足、使用平板觀看不計入時長等問題），故騰訊課堂的三個數據不計入學生學習行為量化因子評估，然而雖騰訊課堂數據不具備排他性，但觀看時長不足等不良學習行為仍可被包含在內，可通過其他因子分析結果篩選出問題學生，與騰訊課堂數據進行對照，篩選出其可能出現問題的科目及具體課程表現。本研究以2020年春季學期校歷第五周學生集體采集的相關數據為參照，進行損益因子模型構建及對應實例介紹。

2.1 課程損益因子Cf

Cf單人單科=單個學生本統計周期內該科課業表現不佳次數

Cf全體單科=∑人數（Cf單人單科）=∑人數單個學生本統計周期內該科課業表現不佳次數

Cf單人全科=∑科數（Cf單人單科）=∑科數單個學生本統計周期內每科課業表現不佳次數

Cf單人居家表現=單個學生本統計周期內被家長（或室友）反映居家表現不佳周次

Cf全體居家表現=∑（Cf單人居家表現）=∑單個學生本統計周期內被家長（或室友）反映居家表現不佳周次

運用上述原則計算每位同學每個科目及居家表現的損益因子，用以對每位同學進行損益因子分析，然后將不同類別的總損益因子加和，對學生集體全體Cf全體單科與Cf全體居家表現情況進行分析，結果顯示，C語言的損益因子總和（115）最高，反映了學生整體在C語言上學習行為表現相對其他科目較差，應作為重點提升科目;工圖損益因子（31）居于第二，也需進行關注;數分因子（6）小，說明學生交作業較為積極，但由于其難度較大，應通過組織小測進一步摸底學生掌握情況。

2.2 幫扶措施損益因子Hf

Hf單人單科=單個學生本統計周期內應該參加卻未參加小灶的次數

Hf全體單科=∑人數（Hf單人單科）=∑人數單個學生本統計周期內應該參加卻未參加小灶的次數

Hf單人全科=∑科數（Hf單人單科）=∑科數單個學生本統計周期內應該參加卻未參加小灶的次數

按照如上公式將全體學生單科幫扶措施利用損益因子Hf全體單科，整理可得C語言幫扶損益因子（94）最高，C語言作為最難的科目卻很多同學不參與，應該與每周周末學生忙于完成C語言上機作業，沒有閑暇時間參加C語言小灶，但助學部錄制的C語言幫扶視頻觀看量很高，實際C語言小灶也被錄制下來，放到了云盤，學生觀看積極性不高。

2.3 單人總體損益因子Sf

為了分析每位同學的總體損益因子情況，以便對學生整體表現進行總體評估，本研究設定了指標單人總體損益因子Sf，Sf由課程損益因子Cf和幫扶措施損益因子Hf構成，具體模型表述如下：

Sf= Cf單人單科+ Cf單人居家表現+ Hf單人單科=單個學生本統計周期內該科課業表現不佳次數+單個學生本統計周期內被家長反映居家表現不佳周次+單個學生本統計周期內應該參加卻未參加小灶的次數。

根據上述計算模型，本研究分析了某學生集體每一位同學的損益因子，計算了每位同學的損益因子總和，損益因子數量多反映了學生出現問題較多，學生集體中有293位同學未損益因子為0，即這部分同學學業表現相對較好。但仍然有183位同學出現了不同程度的學業問題，有9位同學出現了6次以上的學業問題（圖1）。

通過運用上述學習行為損益因子實時量化評估模型，可以實時監控學生的整體與個體表現，從而達到對學生進行整體學業管控的目的。

參考文獻

[1] 周杰，林偉川.“停課不停學”期間高校在線教學的特點、問題及未來對策研究[J].福建教育學院學報，2020，21（07）：48-52.

[2] 孟亞玲，黃祥德.論直播教學對高校的影響——從遠程教育視角看高校直播教學[J].電腦知識與技術，2018，14（22）：192-194，198.

[3] 李延娟.我國高校遠程教育教學模式存在的問題及應對措施[J].北極光，2019（11）：161-162.

[4] 王路堯.新形勢下高校現代遠程教育的發展途徑探究[J].課程教育研究，2018（27）：18-19.

[5] 于翔.大數據背景下在線學習者個性化因素研究[J].陜西教育（高教），2020（08）：61，65.