實踐教學環(huán)節(jié)的學生學習效果評價方法探索

申志軍，高 靜

（內蒙古農業(yè)大學計算機與信息工程學院，內蒙古 呼和浩特010020）

0 引言

實踐教學是本科教學的一個重要環(huán)節(jié)，學生從中可獲得對理論知識的感性認識，增強對理論知識的理解，提升其工程實踐能力［1］.早在2012年教育部、宣傳部等在《關于進一步加強高校實踐育人工作的若干意見》［2］中明確提到要“強化實踐教學環(huán)節(jié)”，同時指出“實踐教學是學校教學工作的重要組成部分，是深化課堂教學的重要環(huán)節(jié)，是學生獲取、掌握知識的重要途徑”.從結果上看，實踐教學效果的優(yōu)劣事關學生工程實踐能力［3］，事關畢業(yè)生就業(yè)率和學校的社會滿意度.因此，關于實踐教學環(huán)節(jié)的教學模式、教學方法、實踐平臺、實踐基地、效果評價等已成為高校教育的研究熱點［4-7］.

目前，實踐教學環(huán)節(jié)的教學效果評價依然是人才培養(yǎng)過程中的薄弱環(huán)節(jié)［8］，具體表現如下：成績量化困難.理論教學效果可直觀地用“會不會”來判斷，可直接使用卷面成績來度量.實踐教學效果具有天然的模糊空間，該教的都教了，學生該做的也做了，但效果的優(yōu)劣難以用直觀的尺度來衡量.

答案重復率高.理論教學一般不會出現大量雷同試卷，重復率較低.實踐教學持續(xù)時間較長，難以對過程作嚴密的監(jiān)控，導致答案的相似程度偏高且難以辨識.

最后是結果區(qū)分度不高.尤其是對于分組完成特定任務的情況，組內各成員之間的貢獻難以量化，完全憑借同學們的自覺往往并不可靠，客觀上造成學生的成績差異不顯著.

內蒙古農業(yè)大學數據科學與大數據技術專業(yè)數據處理及可視化教學團隊在實踐教學環(huán)節(jié)中同樣遇到了上述問題，經過多輪教學實踐，逐步探索了一套科學合理且可操作性較強的實踐教學評價方案.

1 數據處理及可視化實踐教學效果評價存在的問題

1.1數據處理及可視化實踐教學環(huán)節(jié)的內容數據處理及可視化是數據科學與大數據技術專業(yè)的核心課程，課程教學的關鍵環(huán)節(jié)包括數據處理、數據分析和對分析結果的可視化繪圖.知識點較為零碎且需要大量的實踐操作，不適合采用閉卷的方式考核，因此，一般采用學生自由分組并完成特定項目的方式進行考核，如對給定的數據集進行缺失值、重復值和異常值處理，之后對數據進行拆分、合并、分組、變形等操作，最后對分析結果進行可視化處理，一般需要根據數據的性質和內容選擇合適圖形來展示，如柱形圖、折線圖、雷達圖、氣泡圖等.對于部分特別優(yōu)秀、動手能力較強的團隊允許自行從網絡爬取數據，之后根據既定的項目工作內容進行后續(xù)操作.數據處理及可視化課程的實踐內容包括numpy、pandas和matplotlib三個包的運用，pandas應用實踐的主要內容如圖1所示.

圖1 pandas部分的實踐內容Fig.1 The practical contents of pandas

1.2早期實踐教學評價存在的問題數據處理及可視化實踐教學中的工程案例往往內容較多，課堂教學時間內難以對學生的部分成果作出科學客觀的評價，只能允許學生在課下完成，其結果是過程不可控，學生帶來的結果多數類似，錯誤的地方也相似，難以客觀評價真實的學習效果.圖2所示為2018—2019學年100名學生的分數統計結果.

圖2（a）所示為學生成績分布的散點圖，橫軸為學生序號，縱軸為最終的考核分數，主要反映學生成績的散布情況；圖2（b）所示為100名學生成績的頻數直方圖和概率密度圖，主要反映學生成績是否從整體上服從正態(tài)分布，是否符合正常的統計學規(guī)律.

圖2 2018—2019學年100名學生的分數統計Fig.2 Score statistics of 100 students in 2018—2019 school year

從圖2（a）可以看出，因2018—2019學年當時尚未使用本文所提出的實踐教學效果評價方案，學生提交的結果相似度較高且區(qū)分困難，100名學生成績都集中在75～88之間，不能有效反映實踐教學環(huán)節(jié)的學習效果.從圖2（b）可以看出學生成績不符合正態(tài)分布，不符合正常的統計學規(guī)律.

2 數據處理及可視化實踐教學效果評價的優(yōu)化方案

2.1優(yōu)化后的實踐教學評價過程作者對數據處理及可視化實踐教學評價方法不斷進行迭代優(yōu)化，最終形成包含分組、選題、工程實踐、答辯和文檔撰寫5個步驟的實踐教學效果評價過程，如圖3所示.

圖3優(yōu)化后的實踐教學評價過程Fig.3 Optimized practice teaching evaluation steps

2.1.1 分組鼓勵同學之間通過自由組合組成總數不超過3名同學的戰(zhàn)隊共同完成任務，每組設組長一人，要求按照工程實踐的3部分內容（numpy、pandas和matplotlib）進行明確分工.要求組長對整個技術路線和細節(jié)最為熟悉，同時負責本組的任務分配和工作協調、最后要作為主要答辯人進行答辯.

第二成員，負責一個知識點的所有技術實踐，同時作為該知識點的主要答辯人，負責撰寫本組工程項目的技術文檔.

第三成員，負責一個知識點的所有技術實踐，同時作為該知識點的主要答辯人.

為鼓勵團隊合作，總成績中設團隊合作基礎分，團隊人數在2人或3人的，該組可自動獲得10分.但同時也允許某些同學一個人完成所有任務，這種情況下將無法獲得團隊合作基礎分.

2.1.2 選題分組完成后需要在教師給定的題目范圍內進行選題，選題的首要原則就是必須保證各小組的選題不能重復，為此本教學團隊開展了數據集的建設工作.

首先在數量上滿足要求，團隊通過下載、網絡爬取以及數據脫敏［9］等技術手段，建設完成了一個基礎數據集，包含200多個不同領域、不同數據類型的數據文件，同時還計劃每年增加10～20個數據文件.數據處理及可視化課程每年選修人數在120左右，按照分組要求，每年的實踐考核需要50個左右的數據文件作為原始素材，200個數據文件足以保證數據素材不重復，基本解決了重復選題和重復答卷問題.

其次在質量方面精益求精，團隊要求備選數據文件既要具有豐富的多維數值型數據滿足對常規(guī)的算術運算、關系運算、邏輯運算、統計和排序等進行訓練，還要有字符型數據以實現One-hot編碼等需求.力求覆蓋到所有的知識點以提升考核過程的深度和廣度.

最后，對于動手能力較強且具有爬蟲編程能力的小組，團隊允許在教師認可的前提下通過網絡爬蟲技術爬取真實的行業(yè)數據進行數據處理、分析和可視化操作.

2.1.3 工程實踐各小組在完成選題后，即可在組長的協調下進行分工合作，首先了解數據，根據具體的數據素材規(guī)劃好數據分析的目標和任務，在做好相關計劃的基礎上通過查閱API文檔、網站資料和書籍等方法獲取尚未掌握的技術方法和手段，然后通過具體實踐逐步完成既定的任務.

2.1.4 答辯每組在完成既定任務后需要答辯，答辯時所有組員同時上場，按事先約定的責任劃分，回答各自范圍內的問題，在一定程度上避免濫竽充數現象，答辯成績共80分，由如下4個部分組成：數據處理占20分、數據分析占20分、數據可視化占20分、難度/完整度占20分.答辯時，由團隊3名以上老師集體打分，取算術平均值作為每個小組的答辯環(huán)節(jié)得分.

2.1.5 撰寫文檔答辯之后，每個小組應將實踐過程在Jupyter Notebook環(huán)境中的命令和輸出結果以及目錄和注釋信息保存為pdf文件作為該組的工程文檔，注釋要盡可能詳盡，文檔質量占10分.

綜上所述，每個小組的組成績滿分為100分，由團隊合作的基礎分10分、答辯環(huán)節(jié)的80分和小組最終的技術文檔10分組成.通過上述考核過程，可獲得每個小組的組成績.

2.2個人成績折算方案 上述考核過程通過諸多環(huán)節(jié)實現了對每個小組的學習效果評價，但并未明確給出每個成員的得分.一般而言，很難精確認定組內各成員的貢獻，通過多輪課程的實踐總結和調整優(yōu)化，團隊最終確定引入貢獻權重的計算方法核算每位成員的得分，方案如下：

若令第i小組的組成績?yōu)镾i，其組長、第二成員和第三成員的貢獻權重分別為w1，w2和w3，組長、第二成員和第三成員的個人成績分別記為S1i，S2i和S3i.則有：

采用上述方案可調動學生承擔責任的積極性，在一定程度了減少了“掛名”現象，客觀上提高了學生成績之間的區(qū)分度及合理性.

3 數據處理及可視化實踐教學評價方案的實際效果

內蒙古農業(yè)大學數據處理及可視化教學團隊在2019—2020學年連續(xù)兩個學期使用優(yōu)化后的實踐教學評價方案對實踐教學進行考核，第一學期選修人數116人，個人成績折算系數選擇w1=1.0，w2=0.9，w3=0.8，學生成績統計如圖4所示.從圖4可以看出，學生的成績散布在61～92的區(qū)間內，樣本標準差約為5.4，表現出較優(yōu)的區(qū)分度，且整體成績服從正態(tài)分布，符合統計學規(guī)律.

2019—2020學年第二學期，數據處理及可視化選修人數為122人，個人成績折算系數選擇w1=1.0，w2=0.85，w3=0.7，學生成績統計結果如圖5所示.從圖5可以看出，調整貢獻權重后學生的分值差距變大了，分布在53～99之間，樣本標準差為8.6，整體成績同樣符合正態(tài)分布.但很明顯，貢獻權重的調整會使第三組員的成績顯著降低，整體不及格率上升，因此在實踐中應考慮實際情況選擇合理的貢獻權重.

圖4 2019—2020學年第一學期的分數統計Fig.4 Score statistics of the first semester of 2019—2020 school year

圖5 2019—2020學年第二學期的分數統計Fig.5 Score statistics of the second semester of 2019—2020 school year

無論采用哪種貢獻權重，圖4和圖5的結果相對圖2而言，明顯具有更優(yōu)的成績區(qū)分度，也更符合正常的統計學規(guī)律.統計數據表明數據處理及可視化教學團隊針對實踐教學環(huán)節(jié)所設計的考核方案在學生學習效果評價方面具有明顯的可適用、可解釋和可操作性.

4 總結

本文對數據處理及可視化實踐教學環(huán)節(jié)學生學習的評價方案進行了研究和探索，目前初步解決了評價方法的適用性和可操作性，接下來通過逐步改進和優(yōu)化，使之能夠適用于更多的實踐教學課程評價.事實上，在2018年教學評估中廣為詬病的平時成績問題和實踐教學評價問題具有較強的相似性，即同屬于過程考核環(huán)節(jié).因此本文的研究對于平時成績的考核也具有一定的參考價值.