SPOC 混合教學模式過程設計與數據管理

劉明玉

（廣州南方學院，廣州 510970）

在喬治·西門子和斯蒂芬·唐斯創設了第一門MOOCs課程之后，MOOCs 以其方便、靈活與提供機會等優勢對世界教育產生了重大影響，繼而成為世界教育改革和在線教育實踐的熱點。但MOOCs 暴露出的“高輟學率和低完成率”“教學方式相較單一”“學習過程缺乏監管”等問題影響其后續發展。針對所存在的問題，近期MOOCs 進行了3個方面的調整。一是在原有教學模式上補充傳統的教學方法和教師；二是在“大規模開放課程”的基礎上增加更廣泛的課程類型；三是針對在線課程采取相應的收費措施，而不再完全免費。經過一系列調整之后，不同類型的MOOCs又隨之出現，如Mata-MOOC、DLMOOC、MOOL、MOOR 和DOCC 等[1]。一言以蔽之，MOOCs 似乎要完結了，但“MOOCs+”卻勢頭正勁。顯然，MOOCs 尚不能完全替代傳統的面授教學方式，但MOOCs 教學模式與傳統面授教學方式的融合或將成為未來教學的主流，這也是SPOC 混合教學模式的基本要義。

一 SPOC 混合教學模式的概念與特征

加州大學伯克利分校MOOC 實驗室主任Armando Fox 較早提出了SPOC 的概念。MOOCs 由于選課學生太多，學生間文化差異太大，導致教學效果難以保障。而SPOC 主要面向校內學生，因此選課學生的同質性較強，又因人數規模小，教師能深入了解學生的課業成績、知識結構、性格特點和學習方式等方面的情況，有助于教師深度介入學生的學習過程，根據學生的知識基礎與個性特點做到因材施教。與MOOCs 相比，SPOC 增加了申請前置與審批控制程序，“小眾化”與“限制準入”等條件既能賦予學生個性化的、完整的和深度的學習體驗，又有助于優化教學設計、創新教學模式。雖然SPOC 在一定程度上降低了教學效率，但卻保證了教學模式的可持續性。SPOC 通過混合了線上與線下不同教學方式，避免MOOCs 教學方式單一的問題。SPOC 混合教學分為MOOCs 主導型和面授課主導型，MOOCs 主導型要求學生參與所有在線學習，教師組織相關線下教學來輔助與豐富學生的在線學習內容和活動。而面授課主導型仍以教師面授課程為主，MOOCs 僅作為面授課程的輔助和補充資源。SPOC 可理解為“MOOCs+Classroom”的模式，它是MOOCs 的一個分支，也可以說是“MOOCs+”的一種表現形式。例如，哈佛大學費舍爾教授曾在edx 平臺開設版權法課程，Bruff 等[2]也將“Machine Learning”課程應用于Coursera 平臺上。

SPOC 混合教學模式可稱的上是MOOCs 的超集，它所表現出的轉換自如的特點不僅能滿足不同課程的教學要求，還能涵蓋那些不適合MOOCs 形式的實驗、實踐類課程和線下考試的安排。相比完全的在線教學方式，教師更愿意在傳統課堂混合使用電子書、電子資源及各類社會媒體，且公眾對混合教學質量的認可度也比在線教學高出許多。究其原因：①在教學形式上，傳統面授教學與網絡教學的結合，SPOC 平臺所匯集的全球教學資源突破了傳統教學的局限，為高質量教學與研究奠定了基礎；②在教學手段上，傳統教學手段與信息技術手段的結合，基于信息技術，SPOC 混合教學不僅聯通了影像、聲音、動畫、圖形及文本等素材，還認可教師的存在價值，并承認教師的性情、學識、智慧及品行所蘊含的教育內在價值；③在教學關系上，SPOC 改變了既往的教學行為模式，課前預習、課間討論及課后探究使學生成為了真正的學習主體，而教師的主要工作除了傳授知識還要引導學生進行分析、批判，以及鼓勵知識的創造。知識建構、學習探索的權利被交還給學生，學生被允許對既有知識系統進行批判與解構，從而為高階思維能力的培養創造條件；④在教學保障上，網絡技術生成的大量數據，不僅有助于評測教學狀況，還能診斷教學問題、改進教學質量，促進學生的個性化成長，提供教學改善策略與教育決策意見；⑤在教學觀念上，SPOC 不僅表現為對信息技術的使用，還表現在促成教學新范式的實現。查爾斯·瑞格魯斯將之概括為，學生學習的進展是建立在學生掌握的基礎上的，用標準參照模式評定學生，以學生為中心的教學、根據學生個性定制化的教學、學生做中學和自我調整的學習[3]。像Zemelman、Daniels 和Hyde也都認為現代社會的有效教學策略應包括以學生為中心、有經驗做基礎、有反思、真實可信、具有整體性、與社會相協同、具有民主性、重視認知、關注學生發展、有建設性、使用心理語言學和有挑戰性[4]。鑒于MOOCs 存在的缺陷，無論是為了保證SPOC 混合教學的有效性，還是適應教學新范式的需要，教學數據的分析與管理是關鍵要素。

二 SPOC 混合教學數據分析系統建設思路

大數據改變了人類思考問題的方式，因果關系也正被相關關系所取代。利用大數據建立SPOC 混合教學相關關系的模型，對于教學關系的梳理大有裨益。例如，IBM 公司預測未來智慧教育需要關注5 個問題，即：關注學生、分析統計的實時性、管理集中制、互動體驗多樣化和資源共享[5]。簡單而言，教學數據的應用是未來社會實現智慧教育的必要手段[6]。現代教學對網絡技術的使用比例越來越高，如果缺乏數據支持，不僅像學習情境識別、資源推送及學習行為的跟蹤與分析、績效評價和學習干預等功能無法實現，就連基本的網絡教學也無從進行。反之，信息時代教學的最大優勢就是數據對教學的支持。在淺度的教學支持上，借用思維導圖技術可以評測學生知識掌握的情況、呈現學習鏈接及知識錨點，使用自動評分系統則不僅能減輕教師負擔，還能完成統計分析。在更深度的支持上，首先，數據的科學運用有助于實現高效教學。例如，教學數據能針對學生個體需求預測與優化教學內容、教學時間及教學方式，有利于實現個性化學習。而學習行為數據則可讓學習者了解其學習過程的發生機制，借此開展適應性學習、自我導向學習。其次，數據的合理使用還有助于優化教學管理。作為一種技術手段，數據能在多個維度上提升教學管理的水平。如，分析師生、資源和管理等實際狀況，優化教學資源的配置；通過歸納數據找尋教學規律，而不再依賴個人化的經驗；對教學進行多元評價，而不局限于“知識掌握”的單一維度；超越狹隘的結果評價，實現過程性評價[7]；變“數”為“據”，支持教學運行的有序化，實現教育決策科學化。

根據課程與教學的系統結構的要素，要描述課程與教學的狀態，需要掌握教學目標、教學內容、教學態度、教學環境、教學方法、教學活動、教學能力、教學反饋、教學組織與管理層面等數據。同時，根據教學行為的系統結構，要描述和評價教學行為，需要通過教學目的、課程信息、教學方法、教學環境、教師、學生和教學反饋等數據予以分析。由此，結合課程與教學的相關理論與實踐，SPOC 教學系統數據應包含以下7 個方面的內容。①課程數據。涵蓋專業方向、課程性質、學分設置、排課信息、教學班規模、選退課制度、教學大綱、教材與參考書目、考核評價方式、試題質量、課程作業要求、課程難易程度、課程網絡資源、實驗實踐安排和成績構成等數據。②學習者特征數據。涵蓋個人基本信息、學習基礎、學習目標、專業興趣、研究方向、學習意識、過往成績、個性化需求、能力素養、性格特質、學籍檔案、心理篩查數據、獨立思考、合作意識、社交表現、書籍閱讀、科研論著、社團組織、社會服務、學生獎助貸、兼職就業、社會關系和家庭狀況等數據。③學習行為數據。涵蓋課程壓力、課前預習、學習計劃、學習方式、學習習慣、學習專注度、學習投入（時間與精力）、疑難求助信息、關聯性圖書借閱信息、登陸日志、瀏覽記錄、文本閱讀數量、視頻觀看時長、發帖數量、點擊次數、交流發言頻率、在線時間、知識點反芻數、任務完成質量、交互學習熱度、上傳下載資料、資源偏好、學習效果、情緒感知和學習欺騙行為等數據。④教師特征數據。涵蓋個人基本信息、教研能力、綜合素養、教學風格、創新意識、團隊管理、社會職務、研究領域、社會性資源、性情偏好、學識經驗、技能智慧和領悟品行等數據。⑤教師教學行為數據。涵蓋課堂組織安排（課堂準備、課程要求、時間安排、教學設計與效果反饋）、知識傳授表達（知識點熟悉程度、教學素材的適配性、語言表達、教學投入、啟發創新思維和教法合宜）、師生交流互動、考核評價、試卷質量、試題分布合理性、試卷作業批改、教材與參考書目質量和課后作業對理解課程的幫助；團隊合作、模式改革（教學法探索，即案例學習、情景模擬、軟件仿真或角色扮演等）、多元化考核方式和現代教學手段運用[8]。⑥教學交互數據。涵蓋禮貌語、語速、動作與姿態、手勢、肢體、對話、交互動作、心跳、專注度和情緒感染等數據。⑦課程綜合評價數據。成績分析、教學評價、學生自我評價、學生互評、教學資源受歡迎程度和學習效果反饋等數據。

上述教學數據基準體系所羅列的數據存在著兩種類型。一類是移動終端、社會性軟件、學習管理系統所記錄的與教學直接相關的數據。例如，學習者的學習基礎、疑難求助信息、視頻觀看時長、交互學習熱度、資源偏好、學習方式、學習投入和任務完成質量，以及教師的課堂準備、教學設計、教學投入、知識傳授表達、答疑反饋、試題分布合理性、教材與參考書目質量、現代教學手段運用和注重過程考核等。另一類是與教學間接相關的數據。例如，學習者的課程壓力、學習意識、學習專注度、知識反芻信息、個性化需求、情緒感知、欺騙行為、專業興趣、研究欲望、合作意識和獨立思考等，以及教師的學識經驗、教學素材的適配性、啟發創新思維、教法合宜、關心學生與因材施教的分層分級教學、情緒感染等。

三 SPOC 混合教學模式的數據應用技術

數據系統的編排與相關數據的采集僅是教學數據應用的前提，更重要的是根據特定任務對教學數據進行分析。SPOC 教學數據的分析方式主要包括教育數據挖掘與學習分析兩大方向，其中，教育數據挖掘是指綜合運用數學統計、機器學習和數據挖掘的技術和方法，對教育大數據進行處理和分析，發現學習者學習結果與學習內容、學習資源和教學行為等變量的相關關系，來預測學習者未來的學習趨勢；而學習分析則是指綜合運用信息科學、社會學、計算機科學、心理學與學習科學的理論和方法，通過對廣義教育大數據的處理與分析，利用已知模型和方法去解釋影響學習者學習的重大問題，評估學習者學習行為，并為學習者提供人為的適應性反饋[9]。兩者的差異在于，教育數據挖掘更側重于對教育背景環境的各類數據進行分析，以提出相關教育決策，它所指向的主要是較為宏觀的教育決策層面。而學習分析主要面向的是微觀層面的教師和學生，通過跟蹤和分析學習行為、學習過程及學習網絡等方面情況，既為教師的教學干預提供依據，還為學習者的適應性學習提供建議。

（一）教育數據挖掘技術

教育數據挖掘主要通過數據模型來完成教學行為的描述和預測，所使用的工具軟件包括RapidMiner、Weka、Keel、Knime、Orange、SPSS、R 語言及數據庫工具[10]；數據挖掘方法主要有5種，分別是聚類、預測、關系挖掘、文本挖掘及統計分析與可視化。其中，聚類是通過數據發現具有共同特征的群組或模式，并對一些現象進行解釋，包含聚類分析和離群點分析。例如，對利用學習環境的行為進行聚類，以發現不同學習行為的效率差異。預測是指通過教育數據的分析獲得某個變量的模型，從而對該變量的未來走勢進行預測，包括對學習者行為的預測和學習數據的預測等。關系挖掘用以發現數據中不同變量間的關系，包括關聯規則挖掘、序列模式挖掘、相關性分析及因果關系挖掘等。例如，優秀生的學習模式與學習效率的關系；合作學習前后與作業完成質量的關系；不定期課程測評與學生聽課質量的相關性研究；期末考試成績差的成因分析。統計分析與可視化是指對學習數據的分析結果以信息可視化技術進行展示，目的是直觀地表達數據所蘊藏的規律——包括趨勢、分布和密度等要素。例如，以折線圖展示問題的提交次數以及正確率；以雷達圖分布表示學生的專注力、好奇心、記憶力、思維力及抗壓能力等；以“紅燈預警模式”來發現學業成績、平均生活消費等的異常點。

（二）學習分析技術

學習分析技術是測量、收集、分析和報告有關學習者及其學習環境的數據，用以理解和優化學習及其產生的環境的技術。除了與數據挖掘技術共享預測、可視化等功能外，在使用方法上，學習分析技術注重定量研究與定性研究方法的結合。在適用領域上，學習分析則主要面向微觀教學實踐領域，為教師與學生提供合理教學建議。例如，通過學習分析法預測學生成績，依據學習表現劃分等級，并針對出現問題的學生自動發出風險警示，或自動推送輔助性教學資源、安排教學人員面談等方式來改善學習狀況。學習分析技術既可基于貝葉斯網絡、關聯規則挖掘、協同過濾算法、聚類及基于知識的建議等方法作出理論性分析，也可基于學習理論、良好的教學實踐、知識共同體的構建及學生的學習動機和毅力等知識做出經驗性分析[11]。具體而言，學習分析技術主要應用在以下5 個方面：①教學過程交互分析，包括教師、學習者及學習資源之間的多元交互；②教學資源分析，描述學習者與教學資源之間的關聯性，以評測學習成效；③學習者特征分析，通過數據建構學習者模型，實行個性化教學方案；④學習者行為與情感分析，通過動作、表情，獲知學習者的學習情緒與狀態，以間接了解學習者的意見和想法；⑤學習者網絡分析，了解學習者如何建立、維持學習網絡并從中獲得學習支持的情況。包括：學習者的社交網絡結構和信息傳播能力的分析；社交網絡的拓撲結構和信息傳播模式的分析；學習社區對話模式的分析等[12]。

綜上所述，教育數據挖掘技術與學習分析技術是教育數據應用的兩大方向，兩者的合理使用，能有效發揮數據在教學管理中的關系發現、效果反饋、風險預測、績效評估、問題診斷和決策干預等作用。

四 結束語

隨著現代教育技術與觀念的日益深化，教學數據的基礎性地位將愈加明顯。如前所述，教學數據的合理使用不僅能彌補SPOC 混合教學的過程性缺陷，還能優化教學并有利于實現智慧教育的目標。但就現階段而言，教學數據的應用還存在著如下問題：第一，教學數據的基礎相對薄弱，由于大量教學數據分散于不同的教學管理系統。尚無法將多源性的數據納入同一分析框架予以分析與運算，只能進行低級的統計分析和小范圍應用；第二，數據分析方法存在局限，所獲取的主要是顯性教學數據，顯性數據不足以洞悉教學全貌，所作的教學分析只停留于表面，且不同的數據解釋方式也會影響結果分析的準確性；第三，數據分析雖然能夠直觀地描述與反饋教學過程中存在的問題，但也不宜過分夸大數據分析在評價與指導教學行為中的作用。單一的數據分析不足以形成教學行為的完全診斷，而任何企圖以所謂的完備性數據模型來規范與矯正教學行為的主張都有可能偏離教育的初衷而陷入教條主義之囹圄。因此，較為可行的方法是使數據分析與其他教育教學理論和經驗相融合，從而生發出符合課程特色與教學特點的教學評價機制。