課堂教學大數據分析及其在混合式教學中的運用

張增強，楊艷玲，馮桂珍

(1.石家莊鐵道大學 機械工程學院，河北 石家莊 050043；2.河北師范大學 美術與設計學院，河北 石家莊 050024)

教育部發布的《教育信息化十年發展規劃(2011—2020年)》明確提出，“進一步加強基礎設施和信息資源建設，重點推進信息技術與高等教育的深度融合，促進教育內容、教學手段和方法現代化”[1]。傳統教學模式在教與學數據獲取方面存在滯后性、主觀性和無力性等問題，隨著互聯網技術進步及教育主管部門的政策鼓勵，線上線下混合式教學已經成為保障和提高教學質量的重要途徑之一。有效運用教學過程中所產生的海量數據，做好教學設計與評價，讓信息化技術更好服務高等教育成為當前重要議題。

隨著課堂教學改革深入、智慧教學平臺及互聯網技術的不斷發展，SPOC混合式教學模式被越來越多課程采用，SPOC(Small Private Online Course，簡稱SPOC)是一種比MOOC更精致、更小眾的在線開放課程類型，它既符合網絡化課程的發展趨勢，又結合了傳統校園教學的優點，同時也彌補了傳統課堂教學的不足[2]。目前教師可選用的教學平臺有學堂在線、愛課程和超星等，在平臺的教學實踐中沉淀了大量數據，對數據的獲取、采集、分析、解讀從而形成有價值的結論或觀點是當前教師面臨的機遇和挑戰。按照數據挖掘相關理論，分為數據類型、采集、校驗、挖掘和應用，如圖1所示。

圖1 教育數據處理流程

一、課堂教學大數據的類型、價值與用途

在進行線上線下混合模式教學設計和評價之前，首先必須了解課堂教學大數據的類型、價值和用途，大數據包含了隱含在不同信息載體中與教育相關的全部數據，如體量數據、資源數據、活動數據等不同層次的教育數據[3]。按類型分為靜態與動態數據，按反饋方式分為即時性與周期性數據，按維度分為層次性與結構性數據。

(一)靜態與動態數據

靜態數據是指基本保持不變的學生基礎數據，包括姓名、籍貫和入學分數等，教師授課前對學情分析時，常通過教務處、學生處等管理渠道獲取，該數據對后續教學實施以及動態數據的獲取意義重大。如依照學生籍貫、住宿數據布置分組作業、培養團隊協作能力；對先修課成績、學習風格評測數據等分析，有助于了解學生基礎、學習態度從而做到因材施教。動態數據是指隨著教學實施不斷產生、更新的數據，包括宏觀和微觀數據。宏觀數據主要指課程層面，如學生訪問在線課程的登錄時間、時長和點擊量等；微觀數據指具體到學生個體、知識點或教學活動的數據，如微課學習反芻比、測驗、作業和考試成績、發帖討論、彈幕、投稿等。這些數據可用于教學效果評價、學習行為診斷、教學內容調整等。

(二)即時性與周期性數據

即時性數據是指在線下翻轉課堂教學過程中發起簽到、隨機選人、測驗、彈幕、投稿等，有助于教師提高學生到課率、活躍課堂氣氛，組織教學活動、測評學生掌握程度等。周期性數據按時間長短分為：以周為單位的小周期、以學期為單位的中周期和以學屆為單位的大周期。小周期數據影響下一節課的教學內容和教學設計，中周期數據對學生的綜合評價以及課程內容持續改進有很大幫助，大周期數據則影響到人才培養方案修訂。

(三)層次性與結構性數據

層次性數據是指有鮮明隸屬或遞進關系的數據，具體體現在教學內容、對象、過程、測量以及學習行為上，如表1所示。

表1 教育大數據的層次性

層次性數據側重于從某個斷面、角度或進程分析教育數據，強調數據之間耦合度要低，而結構性數據側重彼此之間的關聯性，對某一現象或結論的解讀研判需要抽絲剝繭。如分析造成某個學生成績差的原因，關系到該學生微課學習登錄時間、時長、完成度、作業、測驗正確率、課堂討論彈幕量等數據。

二、課堂教學大數據的采集途徑與要求

依靠數據驅動教學設計與評價，要做到數據采集的全面性、針對性和目的性。目前各大智慧教學平臺均能記錄學生的各種學習行為數據，其中一部分屬于教學平臺隨課程實施自然形成的數據。另一部分則需要教師主動作為,有針對性和目的性地獲取。

(一)教學大數據的采集要有全面性

由于技術、成本等方面限制，傳統數據采集大多采用抽樣數據，而大數據時代海量采集的便捷性和低成本為數據全面性提供了技術支撐。因此在數據采集方面要做到教學實施的全流程、全方位，學生人數的全覆蓋，如表2所示，主要包括學情的基礎靜態數據、教學實施過程中的學習時間數據、學習行為數據和學習效果評價數據。

表2 課堂教學大數據類型表

(二)課堂教學大數據的采集要有針對性和目的性

在教學實施過程中，為了診斷學生對某個知識點的掌握程度，教師經常采用隨堂測驗或布置作業的形式評估教學效果，這些常規操作無需贅述。需要特別指出的是踐行“以學生為中心”的教學理念，需要精心設計數據采集項目，通過數據判斷學生之間的個體差異，做到“因材施教”。如對學生學習風格數據的采集，根據Felder—Silverman學習風格量表，將學習風格分為4個維度，包括信息感知維度(感悟型/直覺性)、信息輸入維度(視覺型/言語型)、信息加工維度(活躍型/沉思形)、內容理解維度(序列型/綜合型)[4]。實際上，缺少對學生的了解和尊重，缺少對學生主體地位充分體現的設計，無論如何都是失敗的[5]。只有充分了解學生學習風格，才能做好教學設計，個性化教學才能落到實處。因此數據采集要有很強的針對性和目的性，或針對班級學風、或針對知識重難點、或針對學習態度等，做到大膽假設，小心求證。

(三)教學效果評價要提高復合性數據采集

教師要保證教學效果需要高頻次、多形式地進行教學效果評價。傳統教學測量維度單一，只能評價學生對知識點掌握程度和答題速度。在教學效果評價中還應加強對學習態度、綜合素質及其他能力的評價。如采用搶答的形式，不僅反應學生回答準確性，還反映出學生的主動性和積極性，教師通過額外加分的形式將以往不易評價的內容量化為分數。再比如生生互評既考核學生對知識的掌握程度，還在一定程度上促進學生之間的互動，鍛煉溝通表達能力、團結協作能力以及客觀理性、公平公正的價值觀等。因此要強化評價綜合性和多維性的復合性數據采集。

三、課堂教學大數據校驗要確保真實性

依賴數據進行教學設計和評價，數據真實性是關鍵，在技術和管理層面必須把好關。

(一)依靠技術手段確保數據來源的真實性

目前線上教學實施過程中存在學生刷課行為，因此在技術層面要用好教學平臺提供的各種功能,確保學習過程及考核評價數據的真實性。以超星泛雅平臺為例，具體措施如下：第一，關閉微課視頻的允許拖放選項，并在微課視頻播放過程中插入與教學內容密切相關客觀題，通過彈出答題框暫停視頻，設置回答正確才能接續播放的選項來確保學生真實有效地完成學習；第二，設置恰當的課程教學內容發放形式，其中“公開模式”為不加限制的形式，在復習階段比較合適；“定時發放模式”設置章節微課的播放起止時間，要求學生在規定時間內完成學習；“闖關模式”約束學生必須按照教學順序觀看教學視頻；“隱藏模式”則為關閉當前的微課教學內容；第三，在教學效果評價方面，在考試、測驗的客觀題中設置題目亂序和選項亂序，并縮短答題時間、防止切屏和人臉識別驗證等確保考核數據的真實性。

(二)通過多維數據復核校驗，確保數據真實性

第一，通過時間判斷學習行為的真實性。根據學生課程表及作息規律甄別，如果在A課程面授時間觀看B課程的微課，或學習微課時間集中在凌晨休息時段，則數據真實性不能保證；第二，通過學生學習訪問次數折線圖判斷。正常折線圖為“無負值的心電圖狀”，且常以7天為1個周期。若折線圖為“火山爆發狀”，長時間水平靜止為零，短時間井噴完成所有課程學習后又歸于平靜則數據存疑；第三，通過課堂測驗及作業復核數據，如果認真完成微課學習，則在作業和測驗中得分不會太低，尤其是面授時的隨堂測驗、隨機選人答題等形式，以線下學生表現校核線上數據的真實性。

(三)加強學風、考風管理確保數據真實性

第一，要求學生提交手寫學習筆記，不但促進學生自主完成微課學習，還培養了良好的習慣；第二，采用PBL(Problem-Based Learning )+TBL(Team-Based Learning)學習形式，以基于項目的小組學習效果為評價依據，通過給小組打分的形式促進學生之間互相提醒；第三，考風考紀施行數據作假一票否決制，在開始授課之初展示數據存在嫌疑的各種表現形式，明確告知學生德育高于智育，一旦核實學習數據存在作弊和造假則成績無效。

四、數據挖掘分析的多維性和專業性

在大數據時代背景下，海量數據為高校進行教學質量評價提供了多樣化的選擇空間，但與此同時也為高校對教育質量相關數據進行篩選與挖掘增加了一定的難度。期待利用大數據技術開展更加科學可靠的質量評價和質量改進活動，但更應把握數據選取、挖掘、分析的根本方向，不能盲目地迷失在數據的海洋中[6]。

(二)數據挖掘的專業性

由于教育大數據具有多層性、結構性、動態性和周期性等特點，因此要想從海量數據中挖掘到有價值的真相，必須進行多維度分析。如表3所示為某班開學第一周部分學習數據，該數據集由N維屬性和M個元素組成。N維包括以下幾個維度：①單個學生維度，每行記錄該學號學生對章節知識點的學習情況；②班級群體維度，通過著色方式透視數據，以面的形式看到整個班級整體學習情況；③學習內容維度，以列區分學生對該知識點的學習情況；④學習效果維度，以測驗的形式反映學生對章節內容的掌握程度。M個元素是指學生、知識點和測驗數據。具體分析如下：

表3 某班單周學習部分數據表

從學生學習情況維度分析，將學習數據導出為excel表格后按照條件進行透視分析，采用色階著色法，完成度從0%、100%、500%分別映射綠、白和紅色。從宏觀看班級情況，綠色占比較高，反應部分學生未能按期完成微課學習任務，從微觀上看每個學生學習總時長數據，匯總后可分析學生的學習反芻比。

從知識點維度分析，學生對第3個知識點學習時長遠超正常，說明學生對該知識點學習存在困難，面授環節需要重點關照。從學習效果維度分析，部分學生學習時長與測驗成績不成比例，具體表現為學習時間長而成績分數低或相反。

最后再結合時間維度分析，學生第一次接觸線上線下混合式教學，對該種授課模式不習慣。

通過分析得出結論：

(1)面授環節重點介紹混合式教學模式下的學習方法；

(2)詢問學生對第3個知識點反芻比高原因，面授詳細講解該知識點；

(3)個別談話了解造成成績與學習時長不成比例的原因。通過上述1周的數據分析可以看出數據多維分析的重要性，借助數據驅動面授環節教學的教學設計，讓學生感覺教學更有針對性，課堂注意力更集中。

(二)數據挖掘的專業性

《國家教育事業發展“十三五”規劃》強調了大數據在教育信息化中的作用：“鼓勵學校利用大數據技術開展對教育教學活動和學生行為數據的收集、分析和反饋，為推動個性化學習和針對性教學提供支持”。由于課程類型眾多，教育數據側重不同，要做到因材施教，依靠數據驅動教學設計與評價，需要教師具有較強的數字素養。數字素養是指在社會生活、學習過程中能夠創造性地使用和批判信息及使用數字信息的能力[7]。教師須加強教育理論及大數據統計分析方面知識技能的學習。除了智慧教學平臺提供的柱狀圖、餅圖、折線圖等外，還應該掌握多種數據分析方法，透視數據背后隱藏的結論、關系或規律。如圖2所示2個關聯因素的象限分析圖，以學習時長為縱軸，學習成績為橫軸，劃分出4個象限，將全班學生加以分析從而制定針對性的教學策略。再如圖3所示的多維度對比分析雷達圖，選取8種數據并結合學習風格理論對學生進行用戶畫像。通過學習者畫像數據，可以為不同知識水平及學習風格的學習者準備不同的學習材料[8]。

圖2 象限分析法

圖3 多維分析雷達圖

五、數據驅動的教學設計與評價

教學過程包括4個基本要素：教師、學生、教學資源、教學形式方法和手段。依靠數據驅動的線上線下混合式教學設計、實施與評價流程如圖4所示。

圖4 數據驅動教學設計模型

(一)教學設計以靜態數據為基礎和初始依據

教學設計的目的是為了促進學生的學習，在教學設計時必須考慮學生原有知識基礎、認知規律、學習風格等特征[9]。對學生的學情分析是做好教學設計的關鍵，而靜態數據是教師所能獲得的第一手資料，包括學生的個體數據、班級數據、先修課成績，甚至籍貫、宗教信仰等。這些數據在教師進行教學設計時在以下幾個方面發揮作用：

(1)有助于教師做到因材施教。作為教師必須正視學生之間存在個體差異這一事實，進而做到課堂教學彈性化，具體表現在在線課程進度、作業、項目等方面提供多種套餐。教育部提出金課建設的“兩性一度”標準，其中“挑戰度”對于不同學生挑戰性不同，因此必須依據學情數據提供多種備選項目，讓不同程度學生均有獲得感。

(2)有助于教學活動的順利開展。通過數據了解學生背景知識，在預習環節鋪設情景，進行面授教學活動時，知識講解舉例、互動等更容易貼近學生，引起共鳴，進而促進教學質量，同時也有利于避免觸及少數民族禁忌、宗教信仰話題等。

(3)有助于調動學生的元認知。元認知通過對具體認知調控，促進認知的發展，包括學生對課程知識的學習動機、目的、積極性等，通過數據了解學生對課程性質和重要性的基本認知、態度和學習熱情等，從而授課第一節，著重介紹課程知識在工作應用、職業發展中地位和價值。

需要特別指出的是，針對學生學習風格、籍貫、宗教及民族禁忌等基礎數據應該盡早進行采集，且越詳細越好，在正式教學實施前依靠靜態數據將教學資源序列化、結構化，并儲備教學活動和案例等，做好初步教學設計。

(二)教學實施以數據為依據進行動態調整

在教學實施過程中需要密切課程實施過程中的教與學數據，具體數據類型如圖4虛線所圈部分，按照數據類型分為動態數據、即時性數據及層次性數據，按照實施流程分為線上學習數據和線下教學數據，這些數據相輔相成為線上線下混合式教學微循環提供依據。

具體表現為兩個方面：

(1)線上數據為線下教學設計提供依據。傳統面授課堂看似教師單向通過“教”完成知識傳授，實際在此過程中教師需要密切關注學生表情、神態而動態調整語速、肢體語言等。但學習是一個復雜的內部心理、思維過程，外顯出來只是一部分，且學生表情、神態無法量化，教師還停留在主觀性粗淺判斷階段，導致教學評價存在滯后性、常識性、經驗性和模糊性。在混合式教學實踐中借助線上學習反芻比、作業、測驗等周期性動態數據，使面授教學設計更有針對性和方向性。借助隨堂測驗、討論、彈幕等即時性數據不斷評估教學效果的達成度，做到課堂教學張弛有度、詳略得當。同時通過層次性數據的分析，在教學對象、內容、過程和測量上實現從微觀到宏觀、從個體到班級、從課前到課后的整體把握，從而更有針對性地調整教學策略或教學活動開展。

(2)線下數據為線上教學資源動態調整提供參考，并校核線上數據的真實性。當前，通過實體課堂開展教育與教學活動，仍然是高校人才培養的主流承載形式[10]。在教學過程中教師通過智慧教學平臺不斷檢視學習者的學習行為，通過測驗評價學生掌握程度，以及校驗線上學習數據的真實性和有效性，避免刷課行為，促進學生的深度學習。通過對線下數據的分析、監督、預測、提醒、評價學習者的學習效果，對學生進行畫像，從而為下一環節的線上教學提供依據，動態調整線上教學資源，為程度高、悟性好的學生提供額外資源或任務，對進度落后的學生加強督學。

(三)教學效果評價以數據為參考，促進教師的教和學生的學

課程實施過程中所產生的教與學數據，對教師進行教學設計具有反饋和評估價值。教師一方面主動設計各種問卷、測驗等，假設求證、評估教學目的達成度，依靠數據對教學資源來進行解構和重構，動態調整教學資源序列及增刪部分內容。另一方面，通過線上學習行為數據和線下課堂互動數據對學生進行監督，實現全過程、全方位、立體化的綜合性評價，不僅評價學生對知識、能力掌握程度，還通過多種教學活動數據對學生口頭表達能力、學習態度、守時性和團隊協作能力等能力和素質目標進行定性和定量評價。

六、結語

經過多年的教學實踐，依靠數據驅動的線上線下混合式教學模式，借助詳實、有記錄且可回溯的數據支撐，本教學團隊教授課程榮獲國家級線上線下混合式一流課程1門，省級線上線下混合式一流課程2門，省級精品在線開放課程1門，受益學生上萬人，學生及同行評價高，部分課程學生滿意度達滿分。“數據驅動學校，分析變革教育”的大數據時代已經來臨，利用教育數據挖掘技術和學習分析技術，構建教育領域相關模型，探索教育變量之間的相關關系，為教育教學決策提供有效支持將成為未來教育的發展趨勢[11]。本文著重探討了課堂教學數據的類型、作用、獲取途徑與要求，以及驅動混合式教學設計與評價的流程和方法。同時各大教學平臺在技術保障方面也需要加大力度，尤其是在學生用戶畫像、數據真實性、測驗及考試題庫安全性等方面。