基于大數據可視化技術的精準教學研究與應用

張娜 楊秋葉 王磊

摘要：隨著大數據、人工智能技術的高速發展，混合式、翻轉課堂等教學理念和模式應用的日趨成熟，“精準教學”有了更豐富的概念和內涵，即精準分析教育數據，精準反饋教學效果，精準改進教學措施。應用大數據可視化技術助力精準教學研究可以從學生群體和個體進行成績、態度、人數占比、階段學習特點等方面進行可視化數據分析呈現，以輔助教師精準發現學生不良學習習慣、知識技能漏洞、學習環節缺失、學習態度變化等，并據此修改完善教學設計，制定個性化幫扶計劃等，以提升教學效果，使個體學生學有所獲，群體學生共同進步。

關鍵詞：大數據可視化技術;精準教學;數據分析;教學反饋

中圖分類號：G712? ? 文獻標識碼：A

文章編號：1009-3044（2022）10-0021-04

傳統的“精準教學”，是基于斯金納的行為主義學習理論提出的，是教師根據教學標準、教材、學情等，遵循學科教學規律、學生成長和認知規律，聚焦課堂教學價值，準確把握教學目標和教學內容，構建科學教學結構，細化教學流程，實現教學目標的活動過程[1]。但隨著大數據、人工智能技術的高速發展，混合式、翻轉課堂等教學理念和模式應用的日趨成熟，“精準教學”有了更豐富的概念和內涵，即精準分析教育數據，精準反饋教學效果，精準改進教學措施。

大數據可視化技術起源于20世紀60年代的計算機圖形學，是關于數據視覺表現形式的科學技術研究。大數據可視化技術主要是通過計算機圖形圖像手段展現數據的基本特征和隱含規律，輔助人們更好地認識和理解數據，進而支持從龐雜混亂的數據中獲得需要的領域信息和知識[2]。以大數據可視化技術呈現教育數據的分析、建模結果，可以直觀精準發現群體學生的共同特征，個體學生的習慣特點，并據此修改完善教學設計，制定個性化幫扶計劃等，使個體學生學有所獲，群體學生共同進步。

1 研究思路

以某校某專業學生教育數據為基礎，采用混合式教學模式，制定適宜的教學計劃，進行合理的教學活動設計、實施。通過數據采集、數據預處理、可視化建模分析過程得出客觀結論，并依據結論分析學生群體特征，以精準調整教學策略、修改完善教學資源和教學設計，提高教學效率和質量;同時針對學生個體研究其學習行為習慣，改正其不足或陋習以提高個人學習能力和專業技能。研究思路如圖1。

由圖1所示，研究實施過程主要分為四個階段——“制定研究計劃→進行研究準備→實施精準教學研究→總結研究成果”。第一階段制定研究計劃，主要完成各項基礎工作，并準備教學資源和設計教學方案;第二階段進行研究準備，根據研究目標采集教育數據、對數據進行預處理、特征構建、標準化、數據分析及建模;第三階段實施精準教學研究，主要從學生群體和個體進行成績、態度、人數占比、階段學習特點等方面進行可視化數據分析呈現，以輔助教師精準發現學生態度、習慣的不足，知識技能的漏洞，學習環節的缺失等;第四階段總結研究成果，包括數據資源、程序和圖表資源以及研究方法等。

2 研究應用

2.1 大數據可視化技術助力學生群體精準教學

學生群體的精準教學是指將學習習慣特點相似度較高的學生劃分在一個群體中，精準分析這個群體的共同特征，并提出的對群體共同進步有益的精準教學策略、措施、方法等。

學生群體的差異性對比分析是實現其精準教學的重要途徑。通過對不同群體學生的學習行為、習慣、效果等數據對比分析，找到良好行為習慣與良好學習效果的內在聯系，從而制定相應的行為習慣培養策略，指導不良習慣學生逐步改進，逐步提升學習效果及成績。

對學生某階段學習行為及成果數據，經過采集、預處理、特征構建、標準化、分析建模之后，利用大數據可視化技術呈現結果，輔助教師精準分析學生學習效果、習慣、態度以及教學資源的適宜性，以采取相應措施補缺鞏固本階段學習，輔助提升下一階段學習，修改完善教學資源和設計。

2.1.1 通過成績分析實現精準教學

依據特征數據，采用K-means算法對學生進行聚類建模，將學生劃分為3個群體，依次標記為學生群體1、學生群體2、學生群體3。以特征數據中的作業平均成績、測試平均成績、綜合成績三列特征按群體繪制三維散點圖，查看不同群體學生的分布情況。如圖2所示。

從圖2可以看出，3個學生群體中各群體內學生的作業、測試及綜合成績存在共性特點。

【學生群體1】三項成績均分布在75到100的分數區間，可以判斷這類學生學習態度端正，能及時完成作業，課程學習較為優異。

【學生群體2】作業平均成績、綜合成績均不超過60，測試平均成績不超過70，初步可以判斷，這類學生存在多種學習障礙，是需要改進學習態度、方法，提升學習能力和效果的重點人群。要對這類學生進行精準教學，還需結合其他分析結果進一步精準研究。

【學生群體3】三項成績在40到80之間浮動，是位于及格線邊緣的學生。這類學生存在某項成績偏低的現象，作業成績偏低的可以考慮是沒有按時提交作業或作業質量不佳;測試成績偏低的可以考慮是知識技能掌握不好;都需要結合其他特征數據進行進一步精準分析。

2.1.2 通過態度分析實現精準教學

提取學生學習態度及習慣的特征數據，按學生群體分別計算出特征數據的平均值來繪制雷達圖，查看不同群體學生的平均表現[3]。如圖3所示。

由圖3可以看出，3個學生群體的學習態度確實存在較大差異。

【學生群體1】出勤率、測驗參與率和非視頻資源學習率達到了100%，作業提交率、視頻資源學習率超過了95%。這些說明該群體整體學習態度端正、學習習慣良好，有較好的學習自律性。他們的其他活動參與率大約在80%，這可能與學習活動中某些活動屬于隨機抽選參與有關。

【學生群體2】作業提交率、其他活動參與率20%左右，視頻資源學習率50%左右，出勤率、測驗參與率剛過60%。該群體的出勤、作業提交及資源學習都存在嚴重不足的問題，充分說明學生的學習態度不端正，學習活動及任務不能及時完成，應該有“不在乎”的心理存在。

【學生群體3】出勤率和非視頻資源學習率超過90%，其他活動參與率不足40%，其余各項在70%到90%之間。該群體學生可能存在一定的知識技能漏洞，有“能過就行”的心理。

2.1.3 通過人數分析實現精準教學

通過群體學生的人數占比分析，可以對班級整體的學風有所了解，可以根據不同群體人數占比的多少精準制定階段性輔導輔助措施，更高效地提升班級整體學習質量。群體學生人數占比如圖4所示。

由圖4可以看出，學生群體1占比56%，結合圖2、圖3可視化分析，說明過半的學生有較好的學習態度，班級整體學風趨于正向;學生群體3占比28%，這些學生雖然存在一定的知識技能漏洞，但有著要課程考試及格的目標，有一定的學習動力;學生群體2占比16%，這些學生存在較嚴重的態度、習慣問題，甚至不在意考試是否及格，是否能順利畢業等問題，在思想態度和行動上都存在較大改進困難。

2.1.4 通過性別分析實現精準教學

通過群體學生的性別差異分析，可以探索性別與學生學習態度、習慣、效果的內在聯系。群體學生性別占比差異如表1。

由表1可以看出，班級整體女生占比38.2%。但具體到3個群體中，女生在不同群體的占比與原始數據存在較大差異——學生群體1的女生占比達到46%，比總人數占比多了近8個百分點;學生群體2和群體3的女生占比均在28%，比總人數占比少了近10個百分點。由此可以看出有“能過就行”和“不在乎”思想的學生主要是男生，這是否與男生更喜歡玩網絡游戲、宿舍整體學風、學習生活作息習慣等存在較大關聯，還可以進一步采集相關數據進行分析。

綜上四個方面的學生群體分析，可以精準了解各群體學生特點，制定精準幫扶措施。

（1） 學生群體1普遍有較好的學習態度，自律性較強，能按時完成各項學習活動及作業，學習效果較好。該群體人數占班級總人數的56%，教師只要適時關注，讓他們保持現有的學習狀態，即可保證班級整體正向的學風、班風。

（2） 學生群體2普遍存在學習態度不佳、習慣不好、能力不足等眾多問題。鑒于其中有71.4%是男生，建議與班干部或導員溝通，了解這些學生的宿舍生活狀態，看是否存在小團體同玩不學、互相影響的現象，再結合學生個人情況進一步進行個體精準分析制定個性化精準輔導輔助措施。

（3） 學生群體3，有一定的知識技能學習漏洞，這可能與有的學生存在“能過就行”的思想有關，也可能與有的學生學習能力還有一定欠缺有關。教師可以結合個人學習行為分析學生屬于改進態度需要進行思想教育還是能力不足需要固基強訓，再制定精準教學措施。

2.2 大數據可視化技術助力學生個體精準教學

學生個體的精準教學是指精準分析學生個人的習慣特點、認知能力，提出個性化的精準輔導輔助措施和方法。

學生個體特征的精準分析可以從即時教育數據和階段教育數據兩方面進行可視化分析。

2.2.1 即時可視化實現精準教學

即時可視化即第一時間對數據進行可視化效果呈現，能實時看到學習效果的情況，對教師精準了解學生瞬時掌握某一知識技能點的情況有很大幫助。學生可以了解自己的學習狀況，激發內在學習動機，使學生更清楚地發現自我、發展自我及規劃自我，提高學生自我效能與認知[4]。

近幾年，云班課、超星學習、雨課堂等線上學習平臺、教學輔助平臺發展迅速、功能趨于完善，能夠對學生完成相關活動的過程及結果采集數據，并生成相應的分析報告，是較為理想的即時可視化工具。教師和學生都可以借助這些平臺的即時可視化功能，直接在電腦端網頁或手機端APP精準反饋教學效果[5]。

以云班課為例，如需要對學生進行當堂測試等，只要在平臺發布測試任務，學生按規定完成測試后，平臺就會即時生成成績排名、分數段分布柱形圖和每道客觀性試題的正確率餅圖，如圖5、圖6所示。教師可以第一時間精準定位學習困難學生，精準發現知識漏洞。學生也可以第一時間正確認知自己本次學習知識技能的掌握程度及薄弱點[6]。

由圖5可以精準判斷學生個體所處的分數區間、成績水平;由圖6可以精準推斷學生個體是否存在知識漏洞——unique函數的兩個功能只掌握了“去重”一個，而忽視了“排序”功能。

這里需要強調的是，即時可視化的即時性對學生個體學習信心和滿足感有較大影響，好的學習效果會對學生形成正反饋，有助于學生后續正向學習狀態的形成，從而提高學習效率和成績;不好的學習效果會打擊學生的學習熱情，形成負反饋。教師在教學過程中要用正反饋激勵學生，抑制負反饋對學生造成的不利影響。

2.2.2 階段可視化實現精準教學

階段可視化是對學生個體某一階段學習的數據分析及可視化，要實現精準教學還應結合學生所在群體特征進行綜合分析。

（1） 個體態度對比分析實現精準教學

通過前述學生群體的分析過程可以發現，不同行為特點反映出了不同學習態度和習慣，直接影響課程學習效果和成績[3]。學生個體如果有較多不良學習行為，其學習成績也必不理想，如圖7所示。

根據圖7，教師可以精準發現，學號尾數為434的學生各項指標優異，學習態度積極，效果較好。學號尾數為420的學生出勤率較低，幾乎不進行課堂以外的任何學習活動，學習態度不端正，成績很不理想。教師可以先從線上學習資源的學習入手，督促該學生改進資源學習行為，逐步克服學習短板提升成績。學號尾數為444的學生表現中等，其他學習活動的參與是這個學生的明顯弱項，教師可以與學生單獨交流，進一步了解學生的性格特點，有意識地安排、鼓勵其主動參與其他學習活動。

（2） 個體多階段學習對比分析實現精準教學

以章節為單位對學生的學習行為進行分析，教師可以精準了解學生章節學習的難易程度，學習態度轉變效果等。

由圖8所示，學號尾號420的學生兩個章節學習有較大進步表現，作業成績由41提升到82，作業提交率由62.5%提升到100%。而學號尾號444的學生卻出現了明顯退步，作業提交率也由87.5%下降到36.7%。教師可以通過圖8，精準發現學生的進步、退步表現，尤其是從作業提交率中看到學生的學習態度變化，可以對進步學生予以獎勵，促進其保持;對退步的學生進行警示甚至干涉其學習行為，以督促其改正。

（3） 個體環節學習對比分析實現精準教學

對課前、課中、課后三個環節學生的學習行為及成果進行對比分析可以精準發現學生的環節缺失或不足，有助于教師從不同環節改進教學策略和資源，采取精準輔導措施，提升學生學習效果。如圖9所示。

由圖9可以看出，三位學生的課后環節成績占比均較少，這是由于教師分配課后學習活動及任務較少造成的。但學號尾號為420的學生課前學習成績占比遠遠低于其他兩位同學，說明這位學生課前學習環節的學習活動參與缺失較為嚴重。教師可以根據這一情況，精準制定督促策略、輔導計劃，有意識地增加對這位學生課前學習的檢查，以警醒該生重視課前環節的學習。

3 小結

以大數據可視化技術輔助精準教學，從教育數據精準分析、教學效果精準反饋、教學措施精準指向三個方面入手，通過各種圖表呈現教育數據分析建模的結果，可以使教師更直觀、全面、高效地發現學生學習行為所反映出的學習狀態、效果及內在聯系。實踐證明大數據可視化技術對于精準教學的開展有較好的助力作用，能輔助提升個體學生學有所獲，群體學生共同進步的教學目的。

參考文獻：

[1] 樂英小棧.精準課堂教學的要義及課堂標準，http：//www. 360doc. com/content/18/0408/21/54267676_744011177.shtml，個人圖書館，2018.4.

[2] 何光威.大數據可視化[M].北京：電子工業出版社，2018.

[3] 張娜，劉曉丹.學生畫像技術在教學中的研究實踐與應用[J].計算機時代，2021（9）：70-73.

[4] 王瓊.數據可視化在混合式教學形成性評價中的應用[J].江蘇科技信息，2019，36（3）：67-70.

[5] 吳海娜，公衛江，易光宇.基于雨課堂的大學物理學習行為可視化分析[J].物理與工程，2019，29（S1）：4-7.

[6] 張娜，邸小蓮.基于云班課的翻轉課堂教學模式在大數據專業的應用研究——以陜西工商職業學院大數據技術與應用專業教學為例[J].電腦知識與技術，2020，16（10）：169-172.

【通聯編輯：梁書】

收稿日期：2021-12-02

基金項目：陜西開放大學2021年度教育教學改革研究項目“基于學生畫像技術的精準教學研究與應用”（sxkd2021yb05）

作者簡介：張娜，碩士，副教授，研究方向為大數據技術與應用;楊秋葉，碩士，高級工程師，研究方向為數據挖掘、數據庫技術;王磊，碩士，副教授，研究方向為大數據技術與應用。