線上線下混合式教學模式下線上學習評價模型的構建

孫華 馬俊 汪一百

摘要：在線學習評價以定量的方式計量在線學習效果，相比于傳統課堂教學的形成性評價，在統計學生學習參與度上更精準。學習評價模型的建立是從激發學生學習態度角度出發，對已有的平臺及已開展的多個評價體系和模型進行分析，得出從學生個體參與度、協作參與度、學習態度、學習平臺技術多個維度進行統計的評價模型。通過對學習行為數據的監測與特征分析，對于單個及群體學生學習進度的預警，激勵學生線下自我參與，輔助教師線下重點關注及指導，從而改善參與度低的學生的學習主動性和學習效果。

關鍵詞：線上學習;評價;模型

中圖分類號：G642 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）28-0153-02

1問題的提出

隨著信息技術的日新月異，網絡基礎設施及技術的更新迭代，教育領域從最開始的精品課程、到2011年以來的MOOC、微課等網絡教學，都不是教學模式的主體，而僅僅是現場教學外的輔助和補充。學生、老師習慣了傳統的教學模式，學生的學習主要是為完成學時安排，即使少量老師會制作網絡資源，為學生課前課后使用，但部分學生僅僅是為了“參與度”而學習，沒有監管的學習，就導致了比如教學視頻前臺播放，后臺無人聽的場景。同樣，教師的教學大多來自課時的限制，線上資源及手段明顯不足，線上教學絕不能停留在傳統意義上的教學資源的電子化和網絡化。

2020年開年以來的新冠疫情卻完全改變了傳統的教學模式。學生及老師沒有辦法回到原有校園，那么線上教學就成了主體。新的教學形式，是危機也是轉機，網絡教學中，灌輸方式的教學，是遠遠達不到教學效果的，教師開始不斷地優化課程資源，設計課程參與模式，計量學生參與度，將原本傳統的教學模式快速地轉變線上教學。但在近期的線上教學中也發現存在的不少問題，完全依靠線上教學和評價是遠遠達不到育人的效果。因此，更加逼迫我們的教師進行研討，如何開展線上+線下混合式金課，線上、線下混合的模式將更適應于未來大學教學。新的線上教學更多地注重如何引導學生自主、自覺地參與及促進教學活動。因此，本研究就是試圖探尋一種基于線上線下混合式教學模式，能促進學生提高學習效率，提升學習效果的評價模型。

2研究現狀

2.1現有評價模型現狀

評價模型的建立，是在對大量在線學習個體學習行為數據的挖掘中獲得的，通過學習行為數據的分析，對大學生學習激勵策略、教師教學模式改革等都會提出了有意義的建議。李迪在基于大數據下智能在線學習模型評價研究中就提出影響學生在線學習模型構建的因素包括如因學生操作不當而發生的反復登錄的勤學習假象，不同年級、不同專業、不同性別在登錄學習次數上有明顯的差異。對于不同學習資源的訪問頻率和參與度也反映出不同特征學生對資源的喜好程度。在線模型需要對登錄頻度、時長，學習者的個性特征、學習資源呈現形式進行設置[1]。朱家成等人通過對在線教學數據和學生學習行為數據進行分析，構建了基于隨機森林的混合教學學習行為評價模型，并通過人工干預參數達到預測學生學習行為的目標[2]。北京師范大學智慧學習研究學院李艷燕、彭禹等人對在線學習過程中，小組成員協作學習中的認知投入、行為投入、社會投入、情感投入進行了分析，并構建了在線協作學習投入的分析模型，結果顯示協作性與小組成績存在顯著相關性。他們發現，當小組的情感投入均與小組成績呈負相關，即把過多的時間用在與小組話題無關的交互上，反而會導致討論話題的偏移，以致對學習成績有負面影響[3]。北京師范大學教育學部的盧紫荊和劉紫荊等人選取了英國開放大學數據集中的一門STEAM課程， 構建了在線學習者學習活動效率輸入/輸出評價體系，采用數據包絡分析的方法對兩期共419項活動數據進行聚類，分析學習效率。還有張巧紅 （2017） 使用DEA對高等數學線下學習者的學習效率分析，汪世蓉 （2010） 使用DEA對大學英語線下學習者的學習效率[4]。楊冰、朱珂等人使用德爾菲法利用yaahp 軟件對在線學習者聲譽激勵模型中的指標進行權重的確定，并以積分激勵算法和社交網絡中的影響力量化算法為基礎，結合在線學習者聲譽評價模型，設計了學習者聲譽的量化算法[5]。現有的線上教學系統，大多都只考慮關注學習的產出，并不會注重學習的投入，學習的積極性不能有效刺激。

2.2影響線上學習行為的因素分析

大學生線上學習效果是受到學生內因和外因兩重因素影響的，內因又分為學生基礎、學習態度、學習興趣等方面。外因包括了教師、平臺與工具、課程及資源、學習同伴等[6-7]，如下圖1所示，影響因素可劃分為5個維度。影響因素的內因中，學生的學習態度和學習興趣可以表現為學習的主動性和自我約束，也受到了其他四個維度的影響。在大多數的線上教學中，我們往往重視教學資源的更新、課程考試的設計，教師教學能力的培養，但是對于學生自我內因的激勵不強，王子婷關于大學生在線學習動機影響因素量化研究中發現技術支持、學習交互、獎勵措施對于在線學習動機都有顯著的正向影響[6]。因此，本項目以學習通上構建的A課程為實驗依托，從平臺支持技術調和學生年級、性別因素，并累積學習協作與交流積分兌換成過程獎勵等措施，對學生學習過程進行激勵。

3 線上學習評價模型的構建

學生在一門課程學習過程中，往往存在自我激勵機制，在深入學習某門課程前，學生的自我激勵會悄悄形成，激勵有積極的也有消極的，心理學家斯納金提出基于條件反射的強化激勵理論，就充分考慮正向的積極強化和負面的消極強化[4]。楊冰[5]的研究中提到了基于過程的激勵理論，核心思想是通過各種刺激與干預或獎懲機制使得個人的行為活動與課程教學目標一致。因此，我們在各階段的評價體系中，有必要增設獎勵或激勵的手段。對于學生學習過程中如按時觀看視頻、打卡、做作業等采取積極的強化，以及不完成作業，不參加討論，討論不積極等采取消極的強化的激勵理論。

3.1指標變量說明

個體參與度：對于個體必須完成的既定任務，包括打卡、觀看視頻、瀏覽資源、作業、測試，系統給出了量的統計，如果全勤打卡占平時成績的比重;觀看視頻時長超過總視頻長度的百分比占總視頻比值;作業完成的準確率;測試的定量評分結果等。

協作參與度：協作參與體現在小組活動的參與統計，老師及同學發起的討論、提問的回復上，協作能力與在線交流的成績可以表現為在線協作的積極性、執行能力、參與度、分享的有效性和專業程度。

學習態度相關因素：針對學生重復式學習，判斷學生在該知識點上反饋的難點問題，并對重復點進行累計，通過累計次數給予學習態度加分，以此鼓勵學生的自主學習態度。另外越是提問多的學生，在該門課程中主動思考和學習的意愿會更突出的，在模型通過次數和頻度及提問的有效性給予定量統計。在老師設置課堂討論環節，互動次數也是記錄學生主動學習的依據。在課程進行中，通過對學生作業完成情況進行統計，從完成速度來看，40%的學生能在結束課程后完成作業，5%左右的學生，在作業截止時間仍未做，需要系統提醒甚至老師督促。通過改革，對于完成作業，設置分時段，時效倒序的方法積分，來定量學習態度。

學習平臺技術相關因素：針對學生參與到線上學習的時序的隨機性，設置關卡式學習模式，設計學習流程必須從知識點基礎章節出發。在協作環節角色扮演（PBL教學中教師和學生互換）、同伴互評（小組合作環節不以教師評價為唯一標準，展開學生匿名互評）、資源分享等環節。平臺技術手段改進不良刷課行為的監控，對于不良刷課行為系統自動提示，學生改進后再計分。針對不同性別、不同年級、不同科目設置調整參數比例。

3.2模型設計

將S定義為評價模型，Si即為評價模型中各指標參數，λi為每一項指標參數的參與系數，定義R為積極強化方式時（R=1），R為消極強化方式（R=-1），每個指標作用及設置如圖2。

模型深度挖掘30個得分依據，對學生線上學習行為進行監控，通過積分和獎勵刺激學生學習態度，在本學期教學過程中期，引入以上教學方案，學生后半學習的到課率、習題完成速度、話題討論都有改進。

4結語

線上學習智能評價模型的建立，充分考慮學習者年級、性別差異、在線課程難度，提供了個性化學習需求的解決方案。在各環節對于主動學習者在學學習痕跡進行記錄，并給出不同方式和程度的積分獎勵，方法的使用在A課程上應用，收到了改良學習主動性，提升學習效率的效果。但在模型設計上，參數的設定還比較粗糙，在今后的研究中，需要通過收集更多的在線學習數據，充分考慮指標中的多重線性關系，對模型的指標及指標參數進行優化。

參考文獻：

[1] 李迪.基于大數據下智能在線學習模型評價研究[J].微型電腦應用，2020，36（5）：60-63.

[2] 朱家成，陳剛，向華，等.基于隨機森林的混合教學學習行為評價模型[J].電腦知識與技術，2019，15（29）：118-120.

[3] 李艷燕，彭禹，康佳，等.在線協作學習中小組學習投入的分析模型構建及應用[J].中國遠程教育，2020（2）：40-48，77.

[4] 沈欣憶，吳健偉; 張艷霞，等.基于DEA的在線學習者學習效率評價[J].開放學習研究，2019，24（2）：30-38.

[5] 楊冰.大規模在線課程中在線學習者聲譽激勵機制研究[D].新鄉：河南師范大學，2019.

[6] 王子婷，安建強.大學生在線學習動機影響因素量化研究[J].軟件導刊，2019，18（5）：219-224.

[7] 馬楠楠，姜男，孫俐.基于文獻計量學的大學生網絡在線學習影響因素研究[J].醫學教育管理，2019，5（5）：479-484.

【通聯編輯：代影】